49
4.2.2.2 Hasil Uji Heterokedastisitas
Pengujian gejala heterokedastisitas bertujuan untuk melihat apakah dalam model regresi terjadi ketidaksamaan variabel dari residual satu pengamatan ke
pengamatan yang lain. Cara mendeteksi ada atau tidaknya heterokedastisitas adalah dengan melihat grafik scatterplot antara nilai prediksi variabel dependen.
Model regresi yang baik adalah homokedastisitas atau tidak terjadi heterokedastisitas.
Ada beberapa pengujian yang dapat digunakan untuk mendeteksi masalah heterokedasitas diantaranya adalah:
1. Melihat grafik nilai-nilai residu, salah satu cara untuk melihat ada tidaknya gejala heterokedastisitas adalah dengan melihat gambar scarter diagram
nilai residu terhadap waktu atau terhadap satu dari lebih variabel-variabel bebas yang diduga sebagai penyebab heterokedastitas. Suatu model
mengandung heterokedastisitas apabila nilai-nilai residunya membentuk pola sebaran yang meningkat, yaitu secara terus-menerus bergerak
menjauhi garis nol.
2. Jika tidak ada pola yang jelas, serta titik-titik menyebar diatas dan bawah
angka 0 pada sumbu Y, maka tidak terjadi heterokedasitas.
Berikut ini dilampirkan grafik scatterplot untuk menganalisis apakah terjadi heteroskedastisitas atau terjadi homoskedastisitas dengan mengamati
penyebaran titik-titik pada gambar.
Universitas Sumatera Utara
Gambar 4.3 Hasil Uji Heterokedastisitas
Scatterplot
Sumber: Data yang diolah penulis 2013 Dari hasil uji heterokedastisitas Scatterplot pada gambar 4.3 diatas,
terlihat bahwa titik-titik menyebar secara acak dan tidak membentuk suatu pola tertentu serta tersebar baik diatas maupun dibawah angka 0 pada sumbu Y. Dari
gambar diatas dapat disimpulkan bahwa pada model regresi tidak terjadi heterokedastisitas sehingga model regresi layak digunakan untuk melihat
pengaruh arus kas operasi, investasi dan pendanaan dalam memprediksi harga saham pada perusahaan sektor industri makanan yang terdaftar di BEI.
Universitas Sumatera Utara
51
4.2.2.3 Uji Autokorelasi
Uji ini bertujuan untuk melihat apakah dalam suatu model regresi linear ada korelasi antar kesalahan pengganggu pada periode t dengan kesalahan pada
periode t-1 sebelumnya. Jika terjadi korelasi, maka dinamakan ada problem autokorelasi. Autokorelasi muncul karena observasi yang berurutan sepanjang
tahun yang berkaitan satu dengan yang lainnya, hal ini sering ditemukan pada data time series. Cara yang dapat digunakan untuk mendeteksi masalah autokorelasi
adalah dengan menggunakan nilai uji Durbin Watson. Untuk uji Durbin Watson memiliki ketentuan sebagai berikut:
1 Angka D-W dibawah -2 berarti ada autokorelasi positif, 2 Angka D-W diantara -2 sampai +2, berarti tidak ada autokorelasi,
3 Angka D-W diatas +2 berarti ada autokorelasi negatif.
Tabel 4.5 Hasil Uji Autokorelasi
Model Summary
b
Model R
R Square Adjusted R
Square Std. Error of the
Estimate Durbin-Watson
1 ,497
a
,247 ,195
2,24936 2,667
a. Predictors: Constant, LN_AktivitasPendanaan, LN_AktivitasInvestasi, LN_AktivitasOperasi
b. Dependent Variable: LN_HargaSaham
Sumber: Data yang diolah penulis 2013 Dari tabel 4.5 diatas menunjukkan bahwa nilai Durbin watson adalah
sebesar 2,667 angka ini terletak diatas +2 maka dapat disimpulkan bahwa ada autokorelasi negatif.
Universitas Sumatera Utara
4.2.2.4 Uji Multikolinearitas