Uji Multikolinearitas Uji Autokorelasi

Gambar 4.2 Grafik Normal P-Plot Sumber: Data diolah penulis, 2010 Pada grafik normal p-plot terlihat bahwa data menyebar disekitar garis diagonal dan mengikuti arah garis diagonal, maka dapat disimpulkan bahwa model regresi telah memenuhi asumsi normalitas.

2. Uji Multikolinearitas

Uji multikolinearitas bertujuan untuk menguji apakah terdapat korelasi antar variabel independen dalam model regresi. Jika pada model regresi terjadi multikolinearitas, maka koefisien regresi tidak dapat ditaksir dan nilai standard error menjadi tidak terhingga. Cara yang digunakan untuk mendeteksi ada tidaknya multikolinearitas adalah dengan melihat nilai tolerance dan VIF. Pada suatu model regresi dinyatakan terjadi multikolinearitas apabila nilai tolerance 0.10 dan VIF 10 Ghozali, 2005 : 92. Universitas Sumatera Utara Tabel 4.6 Hasil Uji Multikolinearitas Model Collinearity Statistics Tolerance VIF 1 Constant Ln_NPM .994 1.006 Ln_MBV .994 1.006 Sumber: Data diolah penulis 2010 Dari data pada tabel 4.6 dapat dilihat bahwa tidak ada variabel yang memiliki nilai tolerance 0.10 dan nilai VIF 10. Dengan demikian dapat disimpulkan bahwa dalam model regresi tidak terjadi multikolinearitas antar variabel independen.

3. Uji Heteroskedastisitas

Uji heteroskedastisitas bertujuan untuk menguji apakah terjadi ketidaksamaan variance dari residual satu pengamatan ke pengamatan lain dalam model regresi. Model regresi yang baik adalah tidak terjadi heteroskedastisitas atau terjadi homoskedastisitas. Uji Heteroskedastisitas dilakukuan dengan 2 pendekatan, yaitu: - Pendekatan Grafik - Pendekatan Statistik

a. Pendekatan Grafik

Dalam pendekatan grafik, model regresi dinyatakan telah terjadi heteroskedastisitas apabila titik-titik yang ada membentuk pola tertentu yang teratur. Dalam model regresi tidak terjadi heteroskedastisitas apabila titik-titik Universitas Sumatera Utara yang ada tidak membentuk pola tertentu yang teratur dan titik-titik menyebar di atas dan di bawah angka nol pada sumbu Y. Berikut ini dilampirkan grafik scatterplot untuk menganalisis apakah terjadi heteroskedastisitas dengan mengamati penyebaran titik-titik pada gambar. Gambar 4.3 Hasil Uji Heteroskedastisitas Scatterplot Sumber: Data diolah penulis, 2010 Dari garfik scatterplots terlihat bahwa titik-titik menyebar secara acak serta tersebar baik di atas maupun di bawah angka 0 pada sumbu Y. Hal ini dapat disimpulkan bahwa tidak terjadi heteroskedastisitas pada model regresi sehingga model regresi layak dipakai untuk memprediksi pertumbuhan laba perusahaan manufaktur yang terdaftar di BEI berdasarkan masukan variabel independen Net Profit Margin dan Market Book Value. Universitas Sumatera Utara

b. Pendekatan Statistik

Pendekatan Statistik dalam uji heteroskedastisitas ini dapat dilakukan dengan uji Glejser. Cara yang digunakan untuk mendeteksi ada atau tidaknya gejala heteroskedastisitas dapat kita ketahui dengan melihat nilai probabilitas signifikansi diatas tingkat kepercayaan 5. Tabel 4.7 Hasil Uji Glejser Model Unstandardized Coefficients Standardized Coefficients T Sig. B Std. Error Beta 1 Constant .926 .857 1.080 .292 Ln_NPM -.068 .120 -.119 -.563 .579 Ln_MBV .023 .151 .032 .150 .882 a. Dependent Variable: absut Sumber: Data diolah penulis, 2010 Hasil tampilan output SPSS dengan jelas menunjukan tidak satupun variabel independen yang signifikansinya secara statistik mempengaruhi variabel dependen absolut absut. Hal ini terlihat dari probabilitas signifikansinya diatas tingkat kepercayaan 5, jadi disimpulkan model regresi tidak mengarah adanya heteroskedastisitas.

4. Uji Autokorelasi

Pengujian autokorelasi bertujuan untuk menguji apakah terdapat korelasi antara kesalahan pengganggu pada suatu periode dengan kesalahan pengganggu periode sebelumnya dalam model regresi. Autokorelasi menunjukkan adanya korelasi antara kesalahan pengganggu pada data yang tersusun, baik berupa data cross sectional dan atau time series. Jika terjadi autokorelasi dalam model Universitas Sumatera Utara regresi berarti koefisien korelasi yang diperoleh menjadi tidak akurat, sehingga model regresi yang baik adalah model regresi yang bebas dari autokorelasi. Cara yang dapat dilakukan untuk mendeteksi ada tidaknya autokorelasi adalah dengan melakukan pengujian Durbin Watson DW. Dalam model regresi tidak terjadi autokorelasi apabila nilai du dw 4 – du. Tabel 4.12 menyajikan hasil uji Durbin Watson dengan menggunakan program SPSS versi 16. Tabel 4.8 Hasil Uji Autokorelasi Hasil uji autokorelasi di atas menunjukkan nilai statistik Durbin Watson dw sebesar 1.799, nilai ini akan kita bandingkan dengan nilai tabel dengan menggunakan signifikansi 5, jumlah pengamatan 25 n, dan jumlah variabel independen 2 k=2, maka berdasarkan tabel Durbin Watson didapat nilai batas atas du sebesar 1. 550 dan nilai batas bawah dl sebesar 1.206. Oleh karena itu, nilai dw lebih besar dari 1.550 dan lebih kecil dari 4 – 1.550 atau dapat dinyatakan bahwa 1.550 1.799 4 - 1.550 du dw 4 – du. Dengan demikian dapat disimpulkan tidak terdapat autokorelasi baik positif maupun negatif. Model R R Square Adjusted R Square Std. Error of the Estimate Durbin-Watson 1 .759 a .576 .537 1.20874 1.799 Sumber : Data diolah penulis, 2010 Universitas Sumatera Utara

D. Hasil Pengujian Hipotesis

Dari hasil pengujian asumsi klasik disimpulkan bahwa bahwa model regresi yang dipakai dalam penelitian ini telah memenuhi model estimasi yang Best Linear Unbiased Estimator BLUE dan layak dilakukan analisis regresi.

1. Persamaan Regresi

Dalam pengolahan data dengan menggunakan regresi linear, dilakukan beberapa tahapan untuk mencari hubungan antara variabel independen dan variabel dependen, melalui hubungan Ln_NPM X 1 , Ln_MBV X 2 , dengan Ln_Pertumbuhan Laba Y. Hasil regresi dapat dilihat pada tabel 4.9. Tabel 4.9 Analisis Hasil Regresi Coefficients a Model Unstandardized Coefficients Standardized Coefficients T Sig. B Std. Error Beta 1 Constant 1.038 1.109 .936 .359 Ln_NPM .841 .156 .752 5.402 .000 Ln_MBV -.083 .195 -.059 -.426 .674 a. Dependent Variable: Ln_Pertumbuhan_laba Berdasarkan penjelasan dari pengujian asumsi klasik sebelumnya, model regresi dalam penelitian ini telah diubah menjadi model logaritma natural, sehingga beta dan koefisien dari penelitian ini juga dalam bentuk logaritma natural. Model regresi berdasarkan hasil analisis regresi dinyatakan dalam bentuk fungsi Ln_Perubahan Laba. Y = 1.038 + 0.841 X 1 - 0.083 X 2 + e Universitas Sumatera Utara