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