a. Uji Normalitas
Uji normalitas dilakukan untuk mengetahui apakah dalam sebuah model regresi, variabel independen dan variabel dependen atau keduanya berdistribusi
normal atau tidak. Model yang paling baik adalah distribusi data normal atau mendekati normal. Normalitas data dapat dideteksi dengan melihat bentuk kurva
histogram dengan kemiringan seimbang ke kiri dan ke kanan dan berbentuk seperti lonceng atau dengan melihat titik-titik data yang menyebar disekitar garis
diagonal dan searah mengikuti garis diagonal dari gambar normal P-Plot.
Gambar 4.1 Histogram Dependent Variabel DPR Sumber : Hasil Pengolahan SPSS 16 23102015
Gambar 4.1 ini menunjukkan kurva histogram yang memiliki kemiringan seimbang ke kiri dan ke kanan, atau tidak condong ke kiri maupun ke kanan,
melainkan ke tengah dengan bentuk seperti lonceng. Hal ini memenuhi salah satu syarat uji normalitas data bahwa data berdistribusi normal.
Gambar 4.2 Normal P-Plot of Regresion Standarized Residual Sumber : Hasil Pengolahan SPSS 16 23102015
Dari Gambar 4.2 dapat diketahui bahwa grafik memiliki pola distribusi normal karena berbentuk simetris tidak melenceng ke kiri maupun ke kanan.
Dengan demikian dari semua uji yang telah dilakukan dapat disimpulkan bahwa data berdistribusi normal.
Penelitian ini juga menggunakan Uji Statistik non-parametrik One sample Kolmogorov-Smirnov untuk mendapatkan tingkat uji normalitas yang lebih
signifikan. Apabila pada hasil Uji Kolmogrov Smirnov, nilai Asymp. Sig. 2- tailed lebih besar dari 0,05
α =
5
, tingkat signifikan maka data berdistribusi normal. Pada Tabel 4.6 berikut ini, diperoleh nilai Asymp. Sig 2-tailed taraf
nyata α, yaitu 0.912 0.05. Hal ini berarti bahwa H diterima, yang berarti data
residual berasal dari distribusi normal.
Tabel 4.6 Hasil Uji Kolmogorov-Smirnov
One-Sample Kolmogorov-Smirnov Test
Unstandardiz ed Residual
N 90
Normal Parameters
a
Mean .0000000
Std. Deviation 23.79750481
Most Extreme Differences
Absolute .059
Positive .059
Negative -.040
Kolmogorov-Smirnov Z .560
Asymp. Sig. 2-tailed .912
a. Test distribution is Normal.
Sumber : Hasil Pengolahan SPSS 16 23102015 b. Uji Heterokedastisitas
Asumsi heteroskedastisitas adalah asumsi dalam regresi dimana varians dari residual tidak sama untuk satu pengamatan ke pengamatan lain. Jika varians dari
residual dari suatu pengamatan ke pengamatan lain tetap, maka disebut homoskedastisitas, dan jika berbeda disebut heteroskedastisitas. Salah satu uji
untuk mengetahui heteroskedastisitas ini adalah dengan melihat penyebaran dari varians residual pada diagram pencar scatter plot.
Gambar 4.3 Hasil Scatterplot Sumber : Hasil Pengolahan SPSS 16 23102015
Pada Gambar 4.3, dapat dilihat bahwa titik-titik menyebar secara acak tidak membentuk suatu pola tertentu. Titik-titik tersebar baik di atas maupun di
bawah angka 0 pada sumbu Y. Sehingga dapat disimpulkan tidak terdapat gejala heteroskedastisitas pada model regresi dalam penelitian ini. Hal ini menandakan
bahwa model regresi layak untuk dipergunakan. Untuk memperoleh tingkat uji heteroskedasitas yang lebih signifikan,
maka dalam penelitian ini juga dilakukan uji Glejser. Apabila signifikan lebih besar dari taraf nyata, maka dianggap tidak terjadi masalah heteroskedasitas dan
begitu juga sebaliknya.
Tabel 4.7 Hasil Uji Park
Coefficients
a
Model Unstandardized
Coefficients Standardized
Coefficients t
Sig. B
Std. Error Beta
1 Constant
3.853 .747
5.161 .000
TATO .188
.280 .078
.671 .504
FATO .176
.105 .191
1.676 .097
DebtRatio -2.102
2.818 -.144
-.746 .458
DER 1.247
1.124 .216
1.109 .271
a. Dependent Variable: LnU2i
Sumber : Hasil Pengolahan SPSS 16 23102015
Berdasarkan hasil Tabel 4.7 diketahui bahwa nilai signifikansi variabel Total Assets Turnover TATO, Fixed Assets Turnover FATO, Debt Ratio dan
Debt to Equity Ratio DER lebih besar dari 0,05 sehingga pada keempat variabel independen tersebut tidak terjadi heteroskedasitas.
Berdasarkan hasi output Tabel 4.7, semua variabel independen tidak signifikan terhadap variabel dependennya sig 0,05. Nilai probabilitas
signifikansi variabel TATO 0,504, FATO 0,097, Debt Ratio 0,458, dan DER 0,271 lebih besar dari taraf nyata sig 0,05. Dengan demikian dapat
disimpulkan tidak terjadi gejala heteroskedastisitas dalam model regresi ini.
c. Uji Autokorelasi