Tabel 4.6 Hasil Uji Normalitas PBV One-Sample Kolmogorov-Smirnov Test
Unstandardized Residual N
118 Normal Parameters
a,b
Mean ,0000000
Std. Deviation ,39424318
Most Extreme Differences Absolute
,090 Positive
,090 Negative
-,042 Kolmogorov-Smirnov Z
,981 Asymp. Sig. 2-tailed
,291 a. Test distribution is Normal.
b. Calculated from data. Sumber: Data Sekunder yang Diolah 2015
Gambar 4.2. Hasil Uji Normalitas PBV
Dari kedua hasil uji normalitas di atas, diperoleh tingkat signifikansi sebesar 0,081 untuk ROI dan 0,291 untuk PBV. Tingkat signifikansi untuk ROI dan PBV
lebih besar dari 0,05 maka data terdistribusi normal. Dapat disimpulkan bahwa Probabilitas atau Asymp. Sig lebih besar dari 0,05 maka hipotesis diterima karena
data terdistribusi normal. Dilihat dari kedua probability plot yang menunjukan data berada disekitar garis kenormalan maka data terdistribusi secara normal. Hal
ini menunjukan data dalam penelitian ini terdistribusi secara normal.
4.2.2 Uji Autokorelasi
Autokorelasi adalah korelasi antar anggota sampel diurutkan berdasarkan waktu. Autokorelasi menunjukkan adanya kondisi yang berurutan antara gangguan atau
distribusi yang masuk dalam regresi. Uji autokorelasi bertujuan untuk mengetahui apakah terjadi korelasi antara anggota serangkaian data observasi yang diurutkan
menurut waktu time series, Ghozali 2009.
Tabel 4.7. Hasil Uji Autokorelasi ROI Model Summary
b
Model R
R Square
Adjusted R Square
Std. Error of the Estimate
Durbin- Watson
1 ,630
a
,397 ,392
,0743153 2,088
a. Predictors: Constant, MVAIC b. Dependent Variable: ROI
Sumber: Data Sekunder yang Diolah 2015
Dari tabel di atas diketahui D-W sebesar 2,088 dari jumlah sampel 118 dengan variabel independen berjumlah 1 n = 118, k = 1 dengan tingkat signifikasi 0,05.
Dengan data tersebut maka batas dL = 1,6826 dan dU = 1,7167. Dasar pengambilan keputusan:
Tabel 4.8. Interpretasi Hasil Autokorelasi Durbin Watson
Nilai d Keterangan
Keputusan
0 DW 1,6826 Ada Autokorelasi Positif
Tolak 1,6826 ≤ DW ≤ 1,7167
Ada Autokorelasi Positif Tanpa Keputusan
2,6826 DW 4 Ada Korelasi Negatif
Tolak 2,2833≤ DW ≤ 2,6826
Ada Korelasi Negatif Tanpa Keputusan
1,7167 DW 2,2833 Tidak Ada Autokorelasi,
Positif atau Negatif Tidak Ditolak
Dari tabel di atas, maka dapat dilihat hasil uji autokorelasi dengan Durbin- Watson, DW terletak di interval dU DW 4-dU yaitu sebesar 2,088 dimana
lebih dari 1,7167 dan kurang dari 2,2283. Hal ini berarti hasil pengujian tidak ada autokorelasi positif atau negatif.
Tabel 4.9. Hasil Uji Autokorelasi PBV Model Summary
b
Model R
R Square
Adjusted R Square
Std. Error of the Estimate
Durbin- Watson
1 ,287
a
,082 ,075
2,5599669 1,855
a. Predictors: Constant, MVAIC b. Dependent Variable: PBV
Sumber: Data Sekunder yang Diolah 2015
Dari tabel di atas diketahui D-W sebesar 1.321 dari jumlah sampel 125 dengan variabel independen berjumlah 1 n = 125, k = 1 dengan tingkat signifikasi 0,05.
Dengan data tersebut maka batas dL = 1,6826 dan dU = 1,7167. Dasar pengambilan keputusan:
Tabel 4.10. Interpretasi Hasil Autokorelasi Durbin Watson
Nilai d Keterangan
Keputusan
0 DW 1,6826 Ada Autokorelasi Positif
Tolak 1,6826 ≤ DW ≤ 1,7167
Ada Autokorelasi Positif Tanpa Keputusan
2,6826 DW 4 Ada Korelasi Negatif
Tolak 2,2833≤ DW ≤ 2,6826
Ada Korelasi Negatif Tanpa Keputusan
1,7167 DW 2,2833 Tidak Ada Autokorelasi,
Positif atau Negatif Tidak Ditolak
Dari tabel di atas, maka dapat dilihat hasil uji autokorelasi dengan Durbin- Watson, DW terletak di interval dU DW 4-dU yaitu sebesar 1,855 dimana
lebih dari 1,7167 dan kurang dari 2,2833. Hal ini berarti hasil pengujian tidak ada autokorelasi positif atau negatif.
4.2.3 Uji Heteroskedastisitas
Uji heteroskedastisitas bertujuan menguji apakah dalam model regresi terjadi ketidaksamaan varians dari residual satu pengamatan ke pengamatan yang lain.
Untuk menguji ada tidaknya heteroskedastisitas pada penelitian menggunakan grafik scatterplot antara SRESID dan ZPRED. Simpulan dapat diambil dengan
melihat sebaran titik pada scatterplot. Apabila titik-titik pada scatterplot menyebar di atas dan di bawah angka 0 pada sumbu Y serta tidak ada pola tertentu
dalam penyebarannya maka dapat disimpulkan tidak terjadi heteroskedastisitas.
Gambar 4.3. Hasil Uji Heteroskedastisitas ROI
Gambar 4.4. Hasil Uji Heteroskedastisitas PBV
Pada hasil uji scatterplot di atas, dapat dilihat bahwa titik-titik menyebar secara acak baik di atas maupun di bawah angka 0 pada sumbu Y dan tidak terdapat pola
tertentu dalam penyebaran titik-titik tersebut. Dengan demikian, dapat