data dimana titik-titik menyebar disekitar garis diagonal serta penyebarannya mendekati garis diagonal sehingga dapat
disimpulkan bahwa data dalam model regresi terdistribusi secara normal.
Dengan demikian,secara keseluruhan dapat disimpulkan bahwa nilai-nilai observasi data telah terdistribusi secara normal dan dapat
dilanjutkan dengan uji asumsi klasik lainnya.
2. Uji Autokorelasi
Model regresi yang baik adalah regresi yang bebas dari autokorelasi.
Uji autokorelasi akan muncul bila data yang dipakai adalah data runtut waktu time series. “Autokorelasi akan muncul
bila data sesudahnya merupakan fungsi dari data sebelumnya atau data sesudahnya memiliki korelasi yang tinggi dengan data
sebelumnya pada data runtut waktu dan besaran data sangat tergantung pada tempat data tersebut terjadi.”Ghozali, 2005:175.
Untuk mendeteksi adanya autokorelasi bisa digunakan tes Durbin Watson DW. Kriteria tes Durbin Watson DW :
a. jika nilai D-W lebih kecil dari -2 maka terjadi autokorelasi
positif; b.
jika nilai D-W diantara -2 sampai +2 maka tidak terjadi autolorelasi;
c. jika nilai D-W lebih besar dari +2 maka terjadi autokorelasi
negatif.
Universitas Sumatera Utara
Hasil dari pengujian autokorelasi dapat dilihat di bawah ini sebagai berikut :
Tabel 4.2 Hasil Uji Autokorelasi
Model Summary
b
Model R
R Square Adjusted R
Square Std. Error of
the Estimate Durbin-
Watson 1
.591
a
.349 .306
1.294 .649
a. Predictors: Constant, X5= Struktur Kepemilikan, X1= Kepemilikan Publik, X2= Dewan Komisaris, X4= Komite Audit,
X3=Dewan Direksi
b. Dependent Variable: Y= Kinerja Keuangan Sumber: Hasil pengolahan data SPPS 17
Dari hasil uji autokorelasi diatas dapat disimpulkan bahwa pada penelitian ini tidak terjadi masalah autokorelasi atau pengambilan
data time series. Hal ini dapat dilihat pada Tabel 4.2 yang memperlihatkan nilai statistik D-W sebesar 0.649, maka nilai ini
berada pada kriteria yang ke 2 yaitu jika nilai D-W berada diantara -2 sampai +2 maka tidak terjadi autokorelasi.
3. Uji Heteroskedastisitas
Uji ini memiliki tujuan untuk menguji apakah dalam model regresi terjadi ketidaksamaan varians dari residual satu pengamatan
ke pengamatan yang lain. Jika varians dari residual satu pengamatan ke pengamatan lainnya tetap, maka disebut
homoroskedastisitas, jika berbeda disebut heteroskedastisitas. Untuk melihat ada atau tidaknya heteroskedastisitas dilakukan
dengan mengamati grafik scatterplot antar nilai prediksi variabel
Universitas Sumatera Utara
terikat dengan residualnya. Deteksi ada atau tidaknya heteroskedstisitas dilakukan dengan melihat ada tidaknya pola
tertentu pada grafik scarrteplot dengan dasar analisis: a. jika ada pola tertentu, seperti titik-titik yang ada membentuk
pola tertentu yang teratur bergelombang, melebar kemudian menyempit, maka mengindikasikan telah terjadi
heteroskedastisitas; b. jika tidak ada pola yang jelas, seperti titik menyebar di atas dan
di bawah angka 0 pada sumbu Y, maka tidak terjadi heteroskedastisitas. Ghozali,2005:105.
Berikut ini disajikan grafik scatterplot untuk menganalisis heteroskedastisitas atau terjadi homoskedastisitas dengan
mengamati penyebaran titik-titik pada gambar.
Gambar 4.3 Scatterplot
Sumber: Hasil pengolahan data SPPS 17.
Universitas Sumatera Utara
Dari hasil uji heteroskedasitas diatas, dapat disimpulkan bahwa tidak terjadi heteroskedastisitas pada model regresi ini. Hal ini
dapat dilihat pada gambar scatterplot diatas, pada gambar terlihat bahwa titik-titik menyebar secara acak dan tidak membentuk pola
tertentu atau tidak teratur serta titik menyebar dibawah angka 0 pada sumbu Y, sehingga model regresi ini layak digunakan dalam
penelitian ini.
4. Uji Multikolinearitas
