DER dan LDER dimana nilai tolerance lebih kecil dari 0,1 dan nilai VIF lebih besar dari 10. Maka dapat disimpulkan bahwa analisis lebih lanjut dapat dilakukan
dengan menggunakan model regresi berganda.
4.3.3. Uji Heteroskeditas
Uji heterokedastisitas bertujuan untuk melihat apakah dalam model regresi terjadi ketidaksamaan variabel dari residual satu pengamatan ke pengamatan yang
lain. Model regresi yang baik adalah tidak terjadi heterokedastisitas. Menurut Nugroho 2005:62 cara memprediksi ada tidaknya heteroskedastisitas pada suatu
model dapat diihat dari pola gambar Scatterplot model tersebut. Analisis pada gambar Scatterplot yang menyatakan model regresi linear berganda tidak terdapat
heteroskedastisitas jika : 1 titik-titik data menyebar di atas dan di bawah atau di sekitar angka 0,
2 titik-titik data tidak mengumpul hanya di atas atau di bawah saja, 3 penyebaran titik-titik data tidak boleh membentuk pola bergelombang
melebar kemudian menyempit dan melebar kembali, 4 penyebaran titik-titik data sebaiknya tidak berpola.
Universitas Sumatera Utara
Gambar 4.3 Hasil Uji Heteroskedastisitas Scatterplot
Sumber : Lampiran xii
Dari garfik scatterplot terlihat bahwa titik-titik menyebar secara acak serta tersebar baik di atas maupun di bawah angka 0 pada sumbu Y. Hal ini dapat
disimpulkan bahwa tidak terjadi heteroskedastisitas pada model regresi sehingga model regresi layak dipakai untuk memprediksi EPS perusahaan perkebunan dan
pertambangan yang terdaftar di BEI berdasarkan masukan variabel independen Debt to total assets ratio, debt to equity ratio, long term debt total assets ratio,
long term debt to equity ratio.
Universitas Sumatera Utara
4.3.4. Uji Autokorelasi
Pengujian autokorelasi bertujuan untuk menguji apakah terdapat korelasi antara kesalahan pengganggu pada suatu periode dengan kesalahan pengganggu
periode sebelumnya dalam model regresi. Jika terjadi autokorelasi dalam model regresi berarti koefisien 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. Dalam model regresi tidak terjadi autokorelasi apabila nilai du dw 4 – du.
Tabel 4.8 menyajikan hasil uji Durbin Watson dengan menggunakan program SPSS Versi 17.
Tabel 4.5 Hasil Uji Autokorelasi
Model Summary
b
Model R
R Square Adjusted R
Square Std. Error of the
Estimate Durbin-Watson
1 .293
a
.086 .011
655.74990 1.908
a. Predictors: Constant, LDER, DAR, LDAR, DER b. Dependent Variable: EPS
Sumber : Lampiran xiii
Hasil uji autokorelasi di atas menunjukkan nilai statistik Durbin Watson dw sebesar 1,908. Nilai ini akan peneliti bandingkan dengan nilai tabel dengan
menggunakan signifikansi 5, jumlah pengamatan n sebanyak 54, dan jumlah variabel independen 4 k=4. Maka berdasarkan tabel Durbin Watson didapat nilai
Universitas Sumatera Utara
batas atas du sebesar 1,7324 dan nilai batas bawah dl sebesar 1,4069. Oleh karena itu, nilai dw lebih besar dari 1,7324 dan lebih kecil dari 4 – 1,7324 atau
dapat dinyatakan bahwa 1,6540 1,908 4 - 1,6540 du dw 4 – du. Dengan demikian dapat disimpulkan tidak terdapat autokorelasi baik positif maupun
negatif.
4.4. Pengujian Hipotesis
