5.2.3. Uji Heteroskedastisitas
Uji heteroskedastisitas bertujuan untuk menguji apakah dalam model regresi terjadi ketidaksamaan varians dari residual satu pengamatan ke pengamatan yang
lain. Jika varians dari residual satu pengamatan ke pengamatan lain tetap, maka disebut Homoskedastisitas dan jika berbeda disebut Heteroskedastisitas. Model
regresi yang baik adalah yang Homokedastisitas atau tidak terjadi Heteroskedastisitas. Untuk melihat uji Heteroskedastisitas dapat dilakukan dengan
melihat hasil grafik scatterplots dimana titik-titik menyebar diatas maupun dibawah angka 0 pada sumbu Y, dapat disimpulkan bahwa tidak terjadi heteroskedastisitas
pada model regresi.
Sumber : Lampiran 10
Gambar 5.2. Scatterplot Uji Heteroskedastisitas
Universitas Sumatera Utara
Dari hasil Gambar 5.2. diatas tidak terjadi uji heteroskedastisitas karena ada titik-titik yang penyebarannya tidak membentuk suatu pola tertentu.
5.2.4. 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. Untuk mengetahui adanya autokorelasi dalam suatu model regresi, dilakukan Durbin-Watson DW dengan ketentuan model yang tidak
memiliki autokorelasi jika du d 4 – du atau dalam persamaan ini untuk n sebanyak 208,
α = 5, dan k = 4, maka du = 1,8094 dan dl = 1,7279 sehingga 1,80942,0532,2721, 4 – 1,7279 = 2,2721. Hal ini berarti antara satu periode
dengan periode lain tidak saling berkorelasi. Selain menggunakan nilai Durbin- Watson dapat menggunakan Tabel 5.6. sebagai berikut:
Tabel 5. 6. Autokorelasi
1 Ada Autokorelasi
1,1 – 1,54 Tanpa Kesimpulan
1,55 – 2,46 Tidak Ada Autokorelasi
2,46 – 2,9 Tanpa Kesimpulan
2,9 Ada Autokorelasi
Sumber : Algifari, 2000
Hasil pengelolaan penelitian diketahui bahwa tidak ada autokorelasi antara variabel independen juga. Nilai Durbin Watson dapat dilihat pada Tabel 5.7.
Universitas Sumatera Utara
Tabel 5.7. Uji Autokorelasi
Model R
R Square Adjusted R
Square Std. Error of the
Estimate Durbin-Watson
1 .884
a
.781 .774
1.19748 2.053
a. Predictors: Constant, KAP, LDR, CAR, PPAP, BOPO, NPL b. Dependent Variabel: ROA
Sumber : Lampiran 11
5.3. Pengujian Hipotesis