Mendeteksi ada tidaknya gejala multikolinearitas adalah dengan melihat nilai tolerance dan variance inflation factor VIF, serta menganalisis matrik
korelasi variabel-variabel independen. Besarnya tingkat multikolinearitas yang masih dapat ditolerir, yaitu: Tolerance 0.10, dan nilai Variance Inflation Factor
VIF 10. Berikut disajikan tabel hasil pengujian:
Tabel 4.3 Coefficients
Model Unstandardized
Coefficients Standardiz
ed Coefficient
s t
Sig. Collinearity
Statistics B
Std. Error Beta
Toleran ce
VIF Consta
nt 0,389
0,087 4,447
0,000 FCF
-0,118 0,085
-0,221 -1,398 0,170
0,852 1,174
MOWN -0,116
0,064 -0,285 -1,797
0,080 0,840
1,191 INST
0,142 0,111
0,187 1,271
0,211 0,983
1,018 a. Dependent Variable: DEBT
Berdasarkan pada tabel diatas, dapat disimpulkan bahwa tidak terjadi gejala multikolonieritas antara variabel independen yang diindikasikan dari nilai
tolerance setiap variabel lebih besar dari 0,1. Nilai tolerance FCF adalah 0,852, MOWN 0,840,dan INST 0,983. nilai VIF dari keempat variabel independen juga
lebih kecil dari 10 yaitu nilai FCF 1,174, MOWN 1,191, dan INST 1,018. maka dapat disimpulkan bahwa analisis lebih lanjut dapat dilakukan dengan
menggunakan model regresi berganda.
c. Uji heterokedastisitas
Dalam penelitian ini, untuk mendeteksi ada tidaknya gejala heteroskedastisitas adalah dengan melihat plot grafik yang dihasilkan dari
pengolahan data dengan menggunakan program SPSS. Dasar pengambilan keputusannya adalah:
1. jika ada pola tertentu, seperti titik-titik yang ada membentuk pola tertentu
yang terartur bergelombang, melebar kemudian menyempit, maka mengindikasikan telah terjadi heteroskedastisitas,
2. jika tidak ada pola yang jelas, seperti titik-titik menyebar di atas dan di bawah
angka 0 pada sumbu Y, maka tidak terjadi heteroskedastisitas atau terjadi
homoskedastisitas.
Berikut ini dilampirkan grafik scatterplot untuk menganalisis apakah terjadi heteroskedastisitas atau terjadi homoskedastisitas dengan mengamati
penyebaran titik-titik pada gambar.
Gambar 4.3 Scatterplot
Dari grafik scatterplot terlihat bahwa titik-titik menyebar secara acak dan tidak membentuk suatu pola tertentu serta tersebar baik di atas maupun di bawah
angka 0 pada sumbu Y, sehingga dapat disimpulkan bahwa tidak terjadi heteroskedastisitas pada model regresi, sehingga model regresi layak dipakai
untuk memprediksi DEBT berdasarkan masukan variable independen FCF, MOWN, dan INST. Adanya titik-titik yang menyebar menjauh dari titik-titik yang
lain dikarenakan adanya data observasi yang sangat berbeda dengan data observasi yang lain .
d. Uji Autokorelasi
Uji ini bertujuan untuk melihat apakah dalam suatu model regresi linear ada korelasi antar kesalahan pengganggu pada periode t dengan kesalahan pada
periode t-1. Autokorelasi muncul karena observasi yang berurutan sepanjang tahun yang berkaitan satu dengan yang lainnya. Hal ini sering ditemukan pada
data time series. Cara yang dapat digunakan untuk mendeteksi masalah autokorelasi adalah dengan menggunakan nilai uji Durbin Watson.
Tabel 4.4 Hasil uji Durbin Watson
Model R
R Square Adjusted R
Square Std. Error of
the Estimate Durbin-
Watson 1
0,361
a
0,130 0,067
0,17023 1,575
a. Predictors: Constant, INST, FCF, MOWN b. Dependent Variable: DEBT
Berdasarkan tabel dapat dilihat bahwa nilai DW sebesar 1,575. Cara menguji autokorelasi adalah dengan melihat apabila nilai Durbin Watson terletak
antara -2 sampai +2, maka tidak terjadi autokorelasi. Dari output tersebut diperoleh nilai Durbin Watson 1,575. Maka pada data tersebut tidak terjadi
autokorelasi
3. Analisis Regresi
