likuiditas yang semula tidak terdistribusi normal setelah ditransformasikan ke dalam log-linier keempat variabel tersebut menjadi terdistribusi normal
karena p-value lebih besar dari 0.05
2. Asumsi Klasik
a. Multikolinearitas
Metode untuk mendeteksi adanya multikolinearitas dapat dilihat dari Varriance Inflation Factor VIF atau Tolerance Value. Besarnya nilai
VIF dan Tolerance value dari hasil analisis dapat dilihat pada tabel IV.5 sebagai berikut:
TABEL IV.5 UJI MULTIKOLINEARITAS
Variabel Tolerance VIF
Interpretasi Ln X1
0.887 1.127 Tidak terjadi multikolinearitas
X2 0.700
1.428 Tidak terjadi multikolinearitas Ln X3
0.450 2.221 Tidak terjadi multikolinearitas
X4 0.854
1.171 Tidak terjadi multikolinearitas Ln X5
0.470 2.128 Tidak terjadi multikolinearitas
Ln X6 0.838
1.194 Tidak terjadi multikolinearitas Sumber: Hasil Pengolahan Komputer, SPSS 12.0
Keterangan: Ln Y : Ln Struktur Modal
Ln X1: Ln Risiko Bisnis X2: Struktur Aktiva
Ln X3: Ln Profitabilitas X4: Ukuran Perusahaan
Ln X5: Ln Tingkat Pertumbuhan Ln X6: Ln Likuiditas
Hasil output SPSS diatas dapat diketahui bahwa masing-masing variabel independent mempunyai nilai VIF tidak lebih dari 10 dan
Tolerance value tidak kurang dari 0.1 maka dapat dinyatakan bahwa model tersebut terbebas dari multikolinearitas.
b. Autokorelasi
Cara mudah untuk mendeteksi adanya autokorelasi dapat dilakukan dengan uji Durbin Watson. Pengujian Durbin Watson menyajikan
hasil seperti yang ditunjukkan pada tabel IV.6 berikut:
TABEL IV.6 UJI AUTOKORELASI
Model Summary
b
.624
a
.389 .327
1.09177594 1.768
Model 1
R R Square
Adjusted R Square
Std. Error of the Est imat e
Durbin- Wat son
Predictors: Constant , X6, X5, X1, X4, X2, X3 a.
Dependent Variable: Y b.
Sumber: Hasil Pengolahan Komputer, SPSS 12.0 Dari hasil pengujian Durbin Watson menunjukkan angka sebesar
1,614,
hit
d
yang memenuhi syarat Durbin Watson yaitu - 2 ≤ DW ≤ 2.
Hal itu berarti dalam model tidak terjadi autokorelasi.
c. Heteroskedastisitas
Cara memprediksi ada tidaknya heteroskedastisitas pada suatu model dapat dilihat dari gambar scatterplot. Gambar scatterplot menunjukkan
pola berikut:
-4 -2
2 4
Regression Standardized Predicted Value
-4.00000 -2.00000
0.00000 2.00000
Y Dependent Variable: Y
Scatterplot
Sumber: Hasil Pengolahan Komputer, SPSS 12.0
GAMBAR IV.1 UJI HETEROSKEDASTISITAS
Output SPSS pada gambar scatterplot menunjukkan penyebaran titik- titik data sebagai berikut:
1 Titik-titik data menyebar diatas dan dibawah atau disekitar angka 0.
2 Titik-titik data tidak mengumpul hanya diatas atau dibawah 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.
Maka dapat disimpulkan bahwa model regresi linier berganda tersebut terbebas dari asumsi klasik heteroskedastisitas dan layak digunakan
dalam penelitian.
3. Uji Regresi Berganda
