Uji Heteroskedastisitas Uji Autokorelasi

84

4.3.3 Uji Heteroskedastisitas

Uji heteroskedastisitas bertujuan untuk menguji apakah terjadi ketidaksamaan variabel dari residual satu pengamatan ke pengamatan lain dalam model regresi. Sedangkan uji homokedastisitas pada prinsipnya ingin menguji apakah sebuah grup mempunyai varians yang sama diantara anggota grup tersebut. Jika varians sama, dan ini yang seharusnya terjadi maka dikatakan ada homokedastisitas. Sedangkan jika varians tidak sama dikatakan terjadi heteroskedastisitas. Model regresi yang baik adalah tidak terjadi heteroskedastisitas atau terjadi homokedastisitas. Dalam model regresi dinyatakan telah terjadi heteroskedastisitas apabila titik-titik yang ada tidak membentuk pola yang tertentu dan teratur dan titik-titik menyebar diatas dan dibawah angka nol pada sumbu Y. Berikut ini dilampirkan grafik scatterplot untuk menganalisis apakah terjadi heteroskedastisitas dengan mengamati penyebaran titik-titik pada gambar : Universitas Sumatera Utara 85 Sumber : Diolah dengan SPSS 17, 2014 Gambar 4.3 Grafik Scatterplot Dari hasil uji grafik Scatterplot diatas menunjukkan bahwa tidak terjadinya heteroskedastisitas pada model regresi. Hal ini terlihat dari titik- titik yang menyebar secara acak yang terdapat diatas maupun dibawah angka 0 pada sumbu Y, sehingga dapat disimpulkan bahwa tidak terjadi heteroskedastisitas pada model regresi sehingga layak dipakai untuk memprediksi profitabilitas pada perusahaan perbankan dengan variabel independen Equity to Total Assets Ratio EAR, Debt to Equity Ratio DER, pertumbuhan aset, ukuran perusahaan, dan inflasi. Universitas Sumatera Utara 86

4.3.4 Uji Autokorelasi

Istilah autokorelasi dapat didefenisikan sebagai korelasi antara anggota serangkaian observasi yang diurutkan menurut waktu seperti dalam data deret waktu atau ruang seperti dalam data cross-section. Pengujian autokorelasi bertujuan untuk menguji apakah terdapat korelasi antara kesalahan pengganggu pada suatu periode dengan model regresi. Autokorelasi menunjukkan adanya korelasi antara kesalahan pengganggu pada data yang tersusun, baik berupa data cross sectional atau time series. Jika terjadi autokorelasi dalam model regresi berarti koefesien korelasi yang diperoleh menjadi tidak akurat, sehingga model regresi yang baik adalah model regresi yang bebas dari autokorelasi. Cara yang dapat dilakukan untuk mendeteksi ada tidaknya autokorelasi adalah dengan melakukan pengujian Durbin Watson DW. Pengambilan keputusan ada tidaknya autokorelasi dapat dilihat dalam tabel dibawah ini : Tabel 4.12 Kriteria Pengambilan Keputusan Uji Durbin Watson Hipotesis Nol Keputusan Jika Tidak ada autokorelasi positif Tolak 0 d dl Tidak ada autokorelasi positif No decision dl ≤ d ≤ du Tidak ada korelasi negatif Tolak 4 – dl d 4 Tidak ada korelasi negative No decision 4 – du ≤ d ≤ 4 – dl Tidak ada Tidak ditolak du d 4 – du Universitas Sumatera Utara 87 korelasi positif atau negatif Hasil uji autokorelasi dapat dilihat pada tabel 4.13 berikut ini: Tabel 4.13 Uji Autokorelasi Model Summary b odel R Square Adjuste d R Square Std. Error of the Estimate Durbin- Watson 546 a .2 98 .248 .90768 1.610 a. Predictors: Constant, Rate Inflation, Ukuran Perusahaan, Pertumbuhan Aset , DER, EAR b. Dependent Variable: ROA Sumber: Diolah dengan SPSS 17, 2014 Berdasarkan tabel diatas diketahui bahwa nilai DW sebesar 1.610. Nilai ini dibandingkan dengan nilai tabel dengan menggunakan nilai signifikan 5, jumlah variabel independen 5 k=5 dan jumlah observasi sebanyak 76 n=76 maka dari tabel Durbin Watson akan diperoleh nilai dl sebesar 1.4909 dan nilai du sebesar 1.7701. Maka nilai DW hitung lebih kecil dari batas atas du 1.7701 dan lebih besar dari dl 1,4909, berarti dl d du 1.4909 1.610 1.7701 maka dapat disimpulkan bahwa tidak terjadi autokorelasi positif.

4.4 Analisis Regresi Berganda