48 0,05. Kesimpulan secara keseluruhan yang dapat diambil adalah bahwa nilai-nilai
observasi data telah terdistribusi secara normal dan dapat dilanjutkan dengan asumsi klasik lainnya.
4.3.2 Uji Heteroskedastisitas
Uji heteroskedastisitas bertujuan untuk menguji apakah dalam model regresi terjadi ketidaksamaan variance dari residual satu pengamatan ke
pengamatan lain Ghozali, 2006. Jika variance dari suatu pengamatan ke pengamatan yang lain tetap, maka disebut homokedasitas dan jika berbeda
disebut heteroskedastisitas. Model regresi yang baik adalah tidak terjadi heteroskedastisitas. Untuk menghilangkan heteroskedastisitas dapat dengan
mengonversi ke dalam bentuk logaritma atau dengan menjalankan regresi dengan sistem kuadrat terkecil tertimbang weigthed least square, Pratisto,
2009. Cara mendeteksi ada tidaknya gejala heteroskedastisitas adalah dengan
melihat grafik scatterplot yang dihasilkan dari pengelolahan data menggunakan program SPSS. Dasar pengambilan keputusan Pratisto, 2009
adalah sebagai berikut: a. Jika diagram pencar yang membentuk pola tertentu, regresi mengalami
gangguan heteroskedastisitas. b. Jika diagram pencar tidak membentuk pola atau acak, regresi tidak
mengalami gangguan heteroskedastisitas.
49 Berikut ini adalah grafik scatterplot untuk menganalisis apakah terjadi
gejala heteroskedastisitas atau tidak dengan mengamati penyebaran titik-titik pada grafik
Gambar 4.3 Uji Heteroskedastisitas
Dari grafik scatterplot terlihat bahwa titik-titik menyebar secara acak dengan tidak adanya pola yang jelas serta tersebar baik diatas maupun
dibawah angka 0 pada sumbu Y. Dengan demikian, dapat disimpulkan bahwa tidak terjadi heteroskedastisitas pada model regresi.
50
4.3.3 Uji Autokorelasi
Uji autokolerasi bertujuan untuk menguji apakah dalam model regresi linear ada korelasi antara kesalahan pengganggu pada periode t-1
sebelumnya. Jika terjadi korelasi, maka dinamakan ada problem autokolerasi. Autokorelasi muncul karena observasi yang berurutan sepanjang
waktu berkaitan satu sama lainnya. Model regresi yang baik adalah regresi yang bebas dari autokorelasi. Cara yang dapat digunakan untuk mendeteksi
masalah autokorelasi adalah dengan menggunakan uji Durbin Watson dengan ketentuan sebagai berikut Sunyoto, 2009:
a. Angka D-W dibawah -2 berarti ada autokorelasi positif, b. Angka D-W diantara -2 sampai +2 berarti tidak ada korelasi,
c. Angka D-W diatas +2 berarti ada autokorelasi negatif. Hasil dari pengujian autokorelasi dapat dilihat dalam Tabel 4.5 berikut ini:
Tabel 4.3 Uji Autokorelasi
Model Summary
b
Model R
R Square Adjusted R
Square Std. Error of the
Estimate Durbin-Watson
1 .552
a
.304 .263
.11159934 2.025
a. Predictors: Constant, Kepemilikan Institusional, Ukuran Dewan Komisaris, Proporsi Dewan Komisaris Independen, Kepemilikan Terkordinasi, Ukuran Perusahaan
b. Dependent Variable: Return On Asset
51 Tabel 4.3 memperlihatkan nilai statistik D-W sebesar 2,025. Angka
ini terletak diantara -2 dan +2, dari pengamatan ini dapat disimpulkan bahwa tidak terjadi autokorelasi positif maupun autokorelasi negatif.
4.3.4 Uji Multikolinieritas