Uji Heteroskedastisitas Uji Autokorelasi

variance inflation factor VIF dan tolerance, maka apabila VIF melebihi angka 10 atau tolerancekurang dari 0,10 maka dinyatakan terjadi gejala multikolinearitas. Sebaliknya apabila nilai VIF kurang dari 10 atau tolerancelebih dari 0,10 maka dinyatakan tidak terjadi gejala multikolinearitas Ghozali, 2011 Tabel 4.3 Uji Multikolinearitas Coefficients a Model Unstandardized Coefficients Standardized Coefficients t Sig. Collinearity Statistics B Std. Error Beta Tolerance VIF 1 Constant 2.253 .766 2.942 .004 LN_ROI .250 .110 .324 2.277 .025 .511 1.955 LN_MVE -.003 .048 -.008 -.067 .946 .748 1.336 LN_CAP .020 .078 .032 .258 .797 .672 1.488 LN_VARRET .023 .216 .011 .105 .916 .972 1.028 LN_GROWTH .208 .077 .286 2.712 .008 .927 1.079 a. Dependent Variable: LN_DPR t+1 Sumber : Hasil Penelitian, 2014 Data Diolah Berdasarkan Tabel 4.3 nilai tolerancedan VIF dari variabel ROI adalah sebesar 0,511 dan 1,955. Untuk variabel MVEBVE adalah sebesar 0,748 dan 1,336.Untuk variabel CAPMVA sebesar 0.672 dan 1,488.Untuk variabel VARRET sebesar 0,972 dan 1,028.Untuk variabel Growth sebesar 0,927 dan 1,079.Oleh karena itu, dapat disimpulkan bahwa dalam model ini tidak terdapat masalah multikolinearitas antara variabel bebas karena nilai tolerance berada dibawah 1 dan nilai VIF jauh dibawah angka 10.

4.2.2.3. Uji Heteroskedastisitas

Uji heteroskedastisitas bertujuan untuk menguji apakah dalam model regresi terjadi ketidaksamaan variancedari residual satu pengamatan ke Universitas Sumatera Utara pengamatan yang lain. Model regresi yang baik adalah yang tidak terjadi heteroskedastisitas.Jika titik-titik pada scatter plot tersebut membentuk pola tertentu yang teratur missal bergelombang, melebar kemudian menyempit, maka dapat diindifikasikan telah terjadi heteroskedastisita. Hasil pengujian heteroskedastisita yang dilakukan pada penelitian ini dapat dilihat pada Gambar 4.3 berikut ini: Sumber : Hasil Penelitian, 2013 Data Diolah Gambar 4.3 Scatterplot Berdasarkan scatterplot terlihat bahwa titik-titik menyebar secara acak serta tersebar di atas maupun di bawah angka 0 pada sumbu Y. maka dapat disimpulkan bahwa dalam model regresi ini tidak terjadi heteroskedastisitas. Adapun pengujian untuk melihat ada atau tidaknya heteroskedastisitas dapat dilihat dengan uji Glejserantara lain prediksi variabel dependen menjadi absUt. Hal ini terlihat dari probabilitas signifikannya di atas tingkat kepercayaan 0.05 jadi disimpulkan model regresi ini tidak terjadi heteroskedastisitas. Hasil pengujian heteroskedastisitas dengan uji Glejser dapat dilihat pada Tabel 4.4 sebagai berikut: Universitas Sumatera Utara Tabel 4.4 Uji Glejser Coefficients a Model Unstandardized Coefficients Standardized Coefficients t Sig. B Std. Error Beta 1 Constant .481 .514 .935 .353 LN_ROI .019 .074 .038 .252 .802 LN_MVE -.013 .032 -.049 -.394 .694 LN_CAP -.065 .052 -.164 -1.243 .218 LN_VARRET .087 .145 .066 .597 .552 LN_GROWTH -.038 .052 -.082 -.731 .467 a. Dependent Variable: absut Sumber: Hasil Penelitian, 2014 Data Diolah Berdasarkan Tabel 4.4 terlihat bahwa nilai signifikansinya di atas tingkat kepercayaan 0.05 maka dapat disimpulkan bahwa dalam pengujian ini tidak terjadi heteroskedastisitas.

4.2.1.4 Uji Autokorelasi

Uji Autokorelasi bertujuan untuj menguji apakah dalam model regresi linier ada korelasi antara kesalahan pengganggu pada periode t dengan kesalahan pengganggu pada periode t-I sebelumnya.Jika terjadi korelasi maka dinamakan ada problem autokorelasi. Adapun uji yang dapat digunakan untuk mendeteksi adanya penyimpangan asumsi klasik ini adalah uji Durbin-Watson D-W stat dengan ketentuan sebagai berikut: a. Jika nilai D-W dibawah 0 sampai 1,5 berarti ada autokorelasi positif b. Jika nilai D-W diantara 1,5 sampai 2,5 berarti tidak ada autokorelasi c. Jika nilai D-W diatas 2,5 sampai 4 berarti ada autokorelasi negatif Universitas Sumatera Utara Tabel 4.5 Uji Autokorelasi Mo d e l S u m m a ryb Model R R Square Adjusted R Square Std. Error of the Estimate Durbin- Watson 1 .390 .152 .100 .63515 2.240 c. Predictors : Constant, LN_GROWTH, LN_MVE, LN_VARRET, LN_CAP, LN_ROI d. Dependent Variable: LN_DPR t+1 Sumber : Hasil Penelitian, 2013 Data Diolah Berdasarkan Tabel 4.5 diketahui bahwa nilai Durbin Watson adalah sebesar 2,151. Oleh karena nilai D-W dibawah diantara 1,7011 2,240 2,2989 maka tidak ada autokorelasi pada model regresi yang digunakan dalam penelitian ini.

4.2.2. Analisis Regresi Linier Berganda