62
menginterpretasikan hasil grafik scatterplot. Untuk itu, dalam penelitian ini digunakan uji lain untuk memprediksi heteroskedastisitas, yakni Glejser Test.
Tabel 4.3 Glejser Test
Coefficients
a
Model Unstandardized Coefficients
Standardized Coefficients
t Sig.
B Std. Error
Beta 1
Constant -8.872
10.094 -.879
.384 LN_Suku_Bunga
-.216 .528
-.103 -.409
.684 LN_Inflasi
.134 .158
.197 .851
.399 LN_Kurs
1.101 1.156
.192 .952
.346 LN_PER
.029 .091
.056 .323
.748 LN_ROI
.201 .133
.314 1.513
.138 LN_DER
-.013 .087
-.025 -.152
.880 a. Dependent Variable: absut
Sumber: data SPSS, 2014 Tabel 4.3 menunjukkan hasil pengujian Glejser Test. Jika variabel
independen berpengaruh secara signifikan terhadap variabel dependen absolut Ut, maka hal ini mengindikasikan terjadinya heteroskedastisitas. Namun hasil
pengujian menunjukkan probabilitas signifikansi variabel independen berada di atas tingkat kepercayaan 5. Hal ini berarti model regresi tidak mengalami
persoalan heteroskedastisitas.
4.3.3. Uji Autokolerasi
Uji autokorelasi bertujuan menguji apakah dalam model regresi linier ada korelasi antara kesalahan pengganggu pada periode t dengan kesalahan
Universitas Sumatera Utara
63
pengganggu pada periode sebelumnya. Uji autokolerasi yang digunakan dalam penelitian ini adalah Runs Test.
Tabel 4.4 Hasil
Runs Test
Runs Test
Unstandardized Residual
Test Value
a
-.08238 Cases Test Value
25 Cases = Test Value
25 Total Cases
50 Number of Runs
21 Z
-1.429 Asymp. Sig. 2-tailed
.153 a. Median
Sumber: data SPSS, 2014 Tabel 4.4 menunjukkan hasil pengujian Runs Test. Data pada tabel
menunjukkan nilai Asymp. Sig. 2-tailed sebesar 0,153. Angka ini memiliki nilai yang lebih besar dibandingkan nilai signifikan 0,05, maka dapat dikatakan bahwa
residual bersifat random atau tidak terjadi autokorelasi antar nilai residual.
4.3.4. Uji Multikolinearitas
Uji ini digunakan untuk mengetahui apakah dalam sebuah model regresi ditemukan adanya korelasi antara variabel independen. Jika terjadi korelasi, maka
dikatakan terdapat masalah multikolinearitas.
Universitas Sumatera Utara
64
Tabel 4.5 Hasil Uji Multikolinearitas
Sumber: data SPSS, 2014 Tabel 4.5 menunjukkan hasil uji multikolinearitas. Gejala
multikolinearitas dapat dideteksi melalui nilai tolerance dan VIF. Nilai cut off yang umum digunakan untuk memprediksi terjadinya multikolinearitas adalah
tolerance 0,1 sedangkan variance inflation factor VIF 5. Tabel menunjukkan bahwa tidak satupun variabel independen yang memiliki nilai
tolerance yang kurang dari 0,1 dan VIF yang lebih besar dari 5. Data pada Tabel 4.5 menunjukkan bahwa tidak ada satupun data yang memiliki nilai tolerance
yang kurang dari 0,1 dan VIF yang lebih besar dari 5, maka dapat disimpulkan bahwa tidak satupun variabel memiliki persoalan multikolinearitas.
Coefficients
a
Model Unstandardized
Coefficients Standardized
Coefficients t
Sig. Collinearity Statistics
B Std. Error
Beta Tolerance
VIF Constant
18.166 19.093
.951 .347
LN_Suku_Bunga -1.456
.998 -.283
-1.459 .152
.338 2.962
LN_Inflasi .027
.298 .016
.089 .929
.399 2.506
LN_Kurs -.989
2.187 -.070
-.452 .653
.526 1.903
LN_PER .238
.173 .184
1.377 .176
.712 1.404
LN_ROI .385
.251 .245
1.533 .133
.495 2.018
LN_DER .698
.165 .535
4.219 .000
.787 1.270
a. Dependent Variable: LN_Harga_Saham
Universitas Sumatera Utara
65
4.4. Analisis Regresi Linear Berganda