Tabel 4.4 Uji Normalitas setelah transformasi
One-Sample Kolmogorov-Smirnov Test Unstandardiz
ed Residual N
94 Normal Parameters
a
Mean .0000000
Std. Deviation .91219273
Most Extreme Differences
Absolute .074
Positive .046
Negative -.074
Kolmogorov-Smirnov Z .721
Asymp. Sig. 2-tailed .675
a. Test distribution is Normal. Dengan melihat tampilan grafik histogram pada gambar 4.3 diatas kita
dapat melihat bahwa gambar grafik berbentuk lonceng dan tidak menceng ke kiri dan kekanan yang menunjukkan bahwa data terdistribusi secara normal. Pada
grafik P-P Plot pada gambar 4.4 diatas terlihat titik-titik menyebar di sepanjang dan tidak menjauhi garis diagonal. Kedua grafik tersebut menunjukkan bahwa
model regresi tidak menyalahi asumsi normalitas. Hasil uji Kolmogorov-Smirnov pada tabel 4.3 diatas menujukkan nilai probabilitas = 0,675. Dengan demikian,
data pada penelitian ini berdistribusi normal dan dapat digunakan untuk melakukan uji hipotesis karena 0,675 0,05.
b. Hasil Uji Heteroskedastisitas
Uji Heteroskesdastisitas bertujuan untuk menguji terjadinya perbedaan variance residual suatu periode pengamatan ke periode yang lain. Ghozali
2005:105 Uji Heterokedasitas bertujuan untuk menguji apakah dalam model regresi terjadi ketidaksamaan variance dari residual satu pengamatan ke
pengamatan yang lain. Model regresi yang baik adalah tidak terjadi heterokedasitas. Cara mendeteksi ada tidaknya gejala heterokedasitas adalah
dengan melihat grafik scatterplott yang dih asilkan dari pengolahan data menggunakan program SPSS 16. Dasar pengambilan keputusannya menurut
Ghozali 2005:105 adalah sebagai berikut: 1
Jika ada pola tertentu, seperti titik-titik yang ada membentuk pola tertentu yang teratur maka mengindikasikan telah terjadi heterokedasitas.
2 Jika tidak ada pola yang jelas, serta titik menyebar dibawah angka o dan y,
maka tidak heterokedasitas.
Uji ini dilakukan dengan mengamati pola tertentu pada grafik scatterplot, dimana bila ada titik-titik yang menyebar di atas dan dibawah angka 0 pada
sumbu Y serta tidak membentuk pola maka tidak terjadi heteroskesdastisitas.
Gambar 4.5 Uji Heteroskedastisitas
scatterplot Setelah Tranformasi Sumber: Lampiran G
Pada gambar 4.5 tentang grafik scatterplot diatas terlihat titik-titik menyebar secara acak tidak membentuk sebuh pola tertentu yang jelas serta
tersebar baik diatas maupun dibawah angka nol pada sumbu y. Hal ini berarti tidak terjadi heteroskedastisitas pada model regresi sehingga model regresi layak
dipakai untuk melihat pengaruh variabel independen terhadap variabel dependen.
c. Uji Autokorelasi
Uji ini bertujuan untuk melihat apakah dalam suatu model linear ada korelasi antar kesalahan pengganggu pada periode t dengan kesalahan periode t-1
sebelumnya. Model regresi yang baik adalah yang bebas dari autokorelasi. Masalah autokorelasi umumnya terjadi pada regresi yang datanya time series.
Untuk mendeteksi masalah autokorelasi dapat dilakukan dengan menggunakan uji Durbin Watson. Mengacu kepada pendapat Sunyoto 2009:91, Pengambilan
keputusan ada tidaknya autokorelasi adalah sebagai berikut: a.
angka D-W dibawah -2 berarti ada autokorelasi positif,, b.
angka D-W diantara -2 sampai +2 berarti tidak ada autokorelasi, c.
angka D-W di atas +2 berarti ada autokorelasi negatif.
Tabel 4.5 Hasil Uji Autokorelasi Setelah Transformasi
Model Summary
b
Model R
R Square Adjusted R
Square Std. Error of
the Estimate Durbin-
Watson 1
.909
a
.826 .822
.92216 1.624
a. Predictors: Constant, LN_CFO, LN_EBIT b. Dependent Variable: LN_DIVIDEN_TUNAI
Sumber: Lampiran H
Tabel 4.5 memperlihatkan nilai statistik D-W sebesar 1.624 Angka ini terletak di antara -2 sampai +2, dari pengamatan ini dapat disimpulkan bahwa
tidak terjadi autokorelasi dalam penelitian ini.
d. Uji Multikolinieritas
