Tabel 4.3 Uji Normalitas
One-Sample Kolmogorov-Smirnov Test
Unstandardiz ed Predicted
Value N
102 Normal Parameters
a
Mean 3.8120525
Std. Deviation .03219311
Most Extreme Differences
Absolute .072
Positive .072
Negative -.066
Kolmogorov-Smirnov Z .730
Asymp. Sig. 2-tailed .661
a. Test distribution is Normal.
Sumber: Lampiran 9
Hasil uji Kolmogorov-Smirnov pada penelitian ini menujukkan probabilitas = 0.661. Dengan demikian, data pada penelitian ini berdistribusi normal dan dapat
digunakan untuk melakukan uji hipotesis karena 0.661 0,05.
2. Hasil Uji Heteroskedastisitas
Uji Heteroskesdastisitas bertujuan untuk menguji terjadinya perbedaan variance residual suatu periode pengamatan ke periode yang lain. Ghozali
2005:105 Uji Heterokedasitas bertujuan untuk menguji apakah dalam model regresi terjadi ketidaksamaan variance dari residual satu pengamatan ke
pengamatan yang lain. Model regresi yang baik adalah tidak terjadi heterokedasitas. Cara mendeteksi ada tidaknya gejala heterokedasitas adalah
dengan melihat grafik scatterplott yang dihasilkan dari pengolahan data
Universitas Sumatera Utara
menggunakan program SPSS 16. Dasar pengambilan keputusannya menurut Ghozali 2005:105 adalah sebagai berikut:
a Jika ada pola tertentu, seperti titik-titik yang ada membentuk pola tertentu
yang teratur maka mengindikasikan telah terjadi heterokedasitas. b
Jika tidak ada pola yang jelas, serta titik menyebar dibawah angka o dan y, maka tidak heterokedasitas
Uji ini dilakukan dengan mengamati pola tertentu pada grafik scatterplot, dimana bila ada titik – titik yang menyebar di atas dan dibawah angka 0 pada
sumbu Y serta tidak membentuk pola maka tidak terjadi heteroskesdastisitas.
Gambar 4.5 Uji Heteroskedastisitas scatterplot
Sumber: Lampiran 9
Pada gambar 4.5 tentang grafik scatterplot diatas terlihat titik-titik menyebar secara acak tidak membentuk sebuh pola tertentu yang jelas serta tersebar baik
diatas maupun dibawah angka nol pada sumbu y. Hal ini berarti tidak terjadi
Universitas Sumatera Utara
heteroskedastisitas pada model regresi sehingga model regresi layak dipakai untuk melihat pengaruh variabel independen terhadap variabel dependen.
3. Uji Autokorelasi
Uji ini bertujuan untuk melihat apakah dalam suatu model linear ada korelasi antar kesalahan pengganggu pada periode t dengan kesalahan periode t-1
sebelumnya. Model regresi yang baik adalah yang bebas dari autokorelasi. Masalah autokorelasi umumnya terjadi pada regresi yang datanya time series.
Untuk mendeteksi masalah autokorelasi dapat dilakukan dengan menggunakan uji Durbin Watson. Mengacu kepada pendapat Sunyoto 2009:91, Pengambilan
keputusan ada tidaknya autokorelasi adalah sebagai berikut: 1
angka D-W dibawah -2 berarti ada autokorelasi positif,, 2
angka D-W diantara -2 sampai +2 berarti tidak ada autokorelasi, 3
angka D-W di atas +2 berarti ada autokorelasi negatif.
Tabel 4.4 Hasil Uji Autokorelasi
Model Summary
b
Model R
R Square Adjusted R
Square Std. Error of
the Estimate Durbin-
Watson 1
.301
a
.091 .033
.10520 1.568
a. Predictors: Constant, ln_PKSP, ln_ROA, LN_Size, ln_DER, ln_NPM, ln_ROE
b. Dependent Variable: ln_TPLK
Sumber: Lampiran x
Tabel 4.4 memperlihatkan nilai statistik D-W sebesar 1.568 Angka ini terletak di antara -2 sampai +2, dari pengamatan ini dapat disimpulkan bahwa
tidak terjadi autokorelasi dalam penelitian ini.
Universitas Sumatera Utara
4. Uji Multikolinieritas