signifikansinya lebih besar dari 0,05 maka data tersebut terdistribusi normal. Jika nilai signifikansinya lebih kecil dari 0,05
maka distribusi data adalah tidak normal. Hasil uji Kolmogorov- Smirnov
dapat dilihat pada tabel 4.2. Berdasarkan output SPSS di bawah ini terlihat bahwa nilai asymp sig 2- tailed adalah 0,200
dan di atas nilai signifikan 0,05 dengan kata lain variabel residual berdistribusi normal.
Tabel 4.2 Uji
One-Sample Kolmogorov-Smirnov
One-Sample Kolmogorov-Smirnov Test
Unstandardized Residual
N 29
Normal Parameters
a,b
Mean ,0000000
Std. Deviation 1,08389593
Most Extreme Differences Absolute
,090 Positive
,090 Negative
-,067 Test Statistic
,090 Asymp. Sig. 2-tailed
,200 a. Test distribution is Normal.
b. Calculated from data. c. Lilliefors Significance Correction.
d. This is a lower bound of the true significance.
Sumber: Diolah oleh penulis 2016
4.3.2 Uji Multikolinearitas
Uji multikolinearitas dilakukan untuk menguji apakah pada model regresi ditemukan adanya korelasi antar variabel bebas.
Menurut Ghozali 2005 : 91 “adanya gejala multikolinearitas dapat dilihat dari nilai tolerance atau nilai Variance Inflation Factor
VIF. Batas nilai tolerance adalah 0,1 dan batas VIF adalah 10”. Apabila nilai tolerance 0,1 atau VIF 10 = terjadi
Universitas Sumatera Utara
multikolinearitas. Apabila nilai tolerance 0,1 atau VIF 10 = tidak terjadi multikolinearitas.
Hasil pengujian terhadap multikolinearitas pada penelitian ini dapat dilihat pada tabel 4.3. Hasil uji statistik nilai Tolerance menunjukkan tidak ada variabel
independen yang memiliki nilai Tolerance kurang dari 0.10, dan demikian juga hasil perhitungan Variance Inflation Factor VIF menunjukkan nilai VIF lebih
kecil dari 10.
Tabel 4.3 Colinearity Statistic
Coefficients
a
Model Unstandardized
Coefficients Standardized
Coefficients t
Sig. Collinearity Statistics
B Std. Error
Beta Tolerance
VIF 1
Constant 31212,252
14404,159 2,167
,038 FDR
-2,711 1,280
-,368 -2,117
,042 ,855
1,169 CAR
-1,294 4,109
-,051 -,315
,755 ,995
1,005 TATO
101,968 84,230
,196 1,211
,235 ,985
1,015 ROA
2,099 39,774
,009 ,053
,958 ,870
1,150 a. Dependent Variable: LABA
4.3.3 Uji Autokorelasi
Uji autokorelasi bertujuan menguji apakah dalam model regresi linear ada korelasi antara kesalahan pengganggu pada periode t dengan
kesalahan pengganggu pada periode t-1 sebelumnya. Jika terjadi korelasi, maka dinamakan ada masalah autokorelasi. Autokorelasi muncul
karena observasi yang berurutan sepanjang waktu berkaitan satu sama lainnya.
Masalah ini timbul karena residual kesalahan pengganggu tidak bebas dari satu observasi ke observasi lainnya. Hal ini sering ditemukan
pada runtut waktu time series karena “gangguan” pada seseorang individukelompok yang sama pada periode berikutnya. Model regresi
Universitas Sumatera Utara
yang baik adalah regresi yang bebas dari autokorelasi. Salah satu cara untuk mengetahui ada atau tidaknya korelasi yaitu dengan melakukan uji
Durbin-Watson DW test.
Tabel 4.4 Uji Statistik Durbin-Watson
Model Summary
b
Model R
R Square Adjusted R
Square Std. Error of the
Estimate Durbin-Watson
1 ,445
a
,198 ,095
15573,835 1,762
a. Predictors: Constant, ROA, CAR, TATO, FDR b. Dependent Variable: LABA
Sumber: Diolah oleh penulis 2016 Berdasarkan output SPSS 22 pada tabel 4.4 diketahui bahwa nilai
Dubrin-Watson sebesar 1,762, sehingga dapat dikatakan tidak terjadi autokorelasi hal ini bersarkan pengambilan keputusan ada tidaknya
autokorelasi menurut Ghozali 2006:218 dengan cara melihat besaran Dubrin-Watson D-W sebagai berikut:
i. Angka D-W dibawah -2, berarti ada autokorelasi positif.
ii. Angka D-W diantara -2 sampai +2 berarti tidak ada autokorelasi.
iii. Angka D-W di atas +2, berarti ada autokorelasi negative.
4.3.4 Uji Heteroskedastisitas