Uji Normalitas Histogram Sumber: Output SPSS
Setelah adanya transformasi data, distribusi residual menjadi relative lebih
normal. Hal ini ditunjukkan oleh grafik histogram pada gambar 4.3 tidak terlalu menceng, baik ke kanan maupun ke kiri. Hasil yang sama juga dapat
dilihat dari grafik normal probability plot pada gambar diabwah ini.
Gambar 4.2 Grafik Normal P-P Setalah Data Ditransformasi
Pola titik-titik pada normal probability plot gambar 4.4 setelah ditransformasikan menunjukkan pola titiik-titik menyebar, mendekati dan searah
dengan garis diagonal menunjukkan bahwa data residual telah terdistribusi dengan normal. Seringkali data kelihatan normal karena mengikuti garis diagonal.
Padahal belum tentu data tersebut berdistribusi normal.
4.2.2.2. Uji Multikolinieritas
Multikolinieritas menunjukkann ada tidaknya variable independen yang memiliki hubungan yang kuat dengan variabel independen lainnya
dalam model regresi, agar pengambilan keputusan pengaruh pada uji parsial masing-masing variabel independen tidak bias. Untuk mengetahui
Universitas Sumatera Utara
ada tidaknya multikolinearitas dapat dilihat dari nilai Variance Inflation Factor VIF dan korelasi diantara variable independen. Jika nilai VIF
10 atau nilai tolerance 0,10, maka tidak terjadi multikolonearitas.
Tabel 4.4 Hasil Uji Multikolinearitas
Berdasarkan pada tabel diatas, dapat disimpukan bahwa tidak terjadi gejala multikolonieritas antara variabel independen yang di indikasikan dari nilai
tolerance setiap variabel dari 0,1. Nilai tolerance AKO 0,231,GPM 0,901, dan LABA 0,233. Hasil perhitungan VIF, diperoleh nilai sebesar 4.321 pada AKO,
1,110 pada GPM dan 4,286 pada LABA, yang mengindikasikan bahwa ketiga variabel independen memiliki nilai VIF 10, sehingga dapat disimpulkan bahwa
tidak terdapat multikolimearitas antar variabel independen dalam model regresi.
4.2.2.3. Uji Heteroskedastisitas
Penelitian ini, dilakukan untuk mendeteksi ada tidaknya gejala Heteroskedastisitas adalah dengan melihat plot grafik yang dihasilkan dari
Coefficients
a
Model Collinearity Statistics
Tolerance VIF
1Constant ln_ako
.231 4.321
ln_gpm .901
1.110 ln_LB
.233 4.286
a. DependentVariable:ln_AKMD
Sumber : Output SPSS
Universitas Sumatera Utara
pengolahan data dengan menggunakan program SPSS. Dasar pengambilan keputusannya adalah:
1. jika ada pola tertentu, seperti titik-titik yang ada membentuk pola tertentu
yang teratur bergelombang, melebar kemudian menyempit, maka mengindikasikan telah terjadi Heteroskedastisitas.
2. jika tidak ada pola yang jelas seperti titik-titik menyebar diatas dan
dibawah angka 0 pada sumbu Y, maka tidak terjadi Heteroskedastisitas atau terjadi Homoskedastisitas.
Berikut ini dilampirkan grafik scatterplot untuk menganalisis apakah terjadi Heteroskedastisitas atau terjadi Homoskedastisitas dengan
mengamati penyebaran titik-titik pada gambar.
Gambar 4.3 Hasil Uji Heteroskedastisitas Scatterplot
Universitas Sumatera Utara
Sumber : Output SPSS Grafik scatterplot terlihat bahwa titik-titik menyebar secara acak dan tidak
membentuk suatu pola tertentu serta tersebar baik di atas maupun dibawah angka 0 pada sumbu Y dan berada disekitar angka 0, sehingga dapat disimpulkan bahwa
tidak terjadi heteroskedastisitas pada model regresi, sehingga model regresi layak dipakai untuk memprediksi arus kas masa depan berdasarkan masukan variable
independen arus kas aktivitas operasi, gross profit margin dan laba bersih. Adanya titik-titik yang menyebar menjauh dari titik-titik yang lain dikarenakan
adanya data observasi yang sangat berbeda dengan data observasi yang lain.
4.2.2.4. Uji Autokorelasi
