85
Universitas Sumatera Utara
DEKOM_INDP 50.361
30.908 .252
1.629 .114
.888 1.126 SWITCH
-3.691 8.312
-.105 -.444
.660 .382 2.619
TENURE -8.627
8.037 -.285
-1.073 .292
.303 3.306 KOMDIT
1.970 2.195
.138 .897
.377 .906 1.104
a. Dependent Variable: ARL
Sumber: Output run SPSS 18.0; Diolah penulis, 2016
Hasil uji multikolinieritas setelah pemoderasipada tabel 4.4, dapat dilihat tidak terjadi gejala multikolinearitas antara variabel penelitian, dimana nilai VIF dari variabel
KONV_IFRS, PROB, DEKOM_INDP, SWITCH, TENURE, dan KOMDIT menunjukkan nilai 10 dan nilai Tolerance 0.10. Dengan demikian, dapat
disimpulkan bahwa tidak terjadi korelasi di antara variabel-variabel independen yang diuji dalam penelitian ini baik sebelum pemoderasimaupun setelah pemoderasi,
sehingga variabel-variabel independen ini tidak perlu dikeluarkan dari model regresi.
4.3.3 Uji Heterokedastisitas
Uji Heterokedastisitas dilakukan dengan memplotkan grafik antara SDRESID dengan ZPRED di mana gangguan heterokedastisitas akan tampak dengan adanya pola
tertentu pada grafik. dasar pengambilan keputusan dalam pengambilan keputusan dalam uji heteroskedatisitas adalah :
Jika ada pola tertentu, seperti titik-titik point-point yang ada membentuk suatu pola tertentu yang teratur bergelombang, melebar kemudian menyempit, maka telah
terjadi heterokedastisitas. Jika tidak ada pola yang jelas, serta titik-titik menyebar di atas dan dibawah angka 0
pada sumbu Y, maka tidak terjadi heterokedastisitas.
Gambar 4.3
86
Universitas Sumatera Utara
Uji Heterokedastisitas Sebelum Pemoderasi
Sumber: Output run SPSS 18.0; Diolah penulis, 2016
Hasil uji heterokedastisitas berdasarkan grafik Scatterplot sebelum pemoderasipada gambar 4.5, dapat dilihat bahwa terdapat titik-titik yang menyebar atau acak di atas
dan di bawah angka 0 pada sumbu Y dan menunjukkan pola yang tidak jelas, hal ini menunjukkan bahwa model regresi tidak terjadi heterokedastisitas.
Gambar 4.4 Uji Heterokedastisitas Setelah Pemoderasi
87
Universitas Sumatera Utara
Sumber: Output run SPSS 18.0; Diolah penulis, 2016
Hasil uji heterokedastisitas berdasarkan grafik Scatterplot setelah pemoderasipada gambar 4.6, dapat dilihat bahwa terdapat titik-titik yang menyebar atau acak di atas
dan di bawah angka 0 pada sumbu Y dan menunjukkan pola yang tidak jelas, hal ini menunjukkan bahwa model regresi tidak terjadi heterokedastisitas. Apabila terjadi
heterokedastisitas, maka hasil dari grafik akan menunjukkan pola tertentu, seperti titik-titik yang membentuk suatu pola tertentu yang teratur bergelombang, melebar,
kemudian menyempit. Dengan demikian dapat disimpulkan bahwa tidak terdapat heterokedastisitas pada model regresi baik sebelum dan setelah pemoderasi, sehingga
model regresi layak dipakai.
4.3.4 Uji Autokorelasi
Uji autokorelasi bertujuan untuk menguji apakah dalam model regresi linear ada korelasi antara kesalahan penganggu pada periode t dengan kesalahan pengganggu
88
Universitas Sumatera Utara
pada periode t-1 sebelumnya.Jika terjadi korelasi, maka dinamakan ada problem autokorelasi. Autokorelasi muncul karena observasi yang berurutan sepanjang waktu
berkaitan satu sama lainnya. Masalah ini timbul karena residual kesalahan pengganggu tidak bebas dari satu observasi ke observasi lainnya.Model regresi yang
baik adalah regresi yang bebas dari autokorelasi. Untuk mendeteksi ada tidaknya autokorelasi, dilakukan pengujian Durbin-Watson
dw. Untuk mengetahui ada tidaknya autokorelasi dalam analisis regresi linier berganda, maka dilakukan pengujian dengan uji Durbin Waston. Uji autokorelasi
sangat disyaratkan pada data time series, namun untuk data crosssection juga dibutuhkan sebagai cross check terhadap pengujian lainnya.
Tabel 4.6 Uji Autokorelasi Sebelum Pemoderasi
Runs Test
Unstandardized Residual Test Value
a
.72019 Cases Test Value
18 Cases = Test Value
18 Total Cases
36 Number of Runs
17 Z
-.507 Asymp. Sig. 2-tailed
.612 a. Median
Sumber: Output run SPSS 18.0; Diolah penulis, 2016
89
Universitas Sumatera Utara
Hasil uji autokolerasi berdasarkan tabel 4.10 sebelum moderating, menunjukkan bahwa signifikansi variabel pertumbuhan laba Asymp.Sig.2-tailed lebih besar dari
0.05 yaitu 0.612 yang berarti data yang digunakan cukup random residual random atau tidak terjadinya autokolerasi antar nilai residual.
Tabel 4.7 Uji Autokorelasi Setelah Pemoderasi
Runs Test
Unstandardized Residual Test Value
a
.80580 Cases Test Value
18 Cases = Test Value
18 Total Cases
36 Number of Runs
18 Z
-.169 Asymp. Sig. 2-tailed
.866 a. Median
Sumber: Output run SPSS 18.0; Diolah penulis, 2016
Hasil dari uji autokolerasi setelah moderating yang terdapat pada tabel 4.11, dapat dilihat bahwa signifikansi variabel pertumbuhan laba Asymp.Sig.2-tailed lebih
besar dari 0.05 yaitu 0.866 yang berarti data yang digunakan cukup random residual random atau tidak terjadinya autokolerasi antar nilai residual.
4.4 Analisis Regresi Linier Berganda
