Uji Asumsi Multikolinieritas Pengujian Asumsi Klasik Tahap 2

4.1.2.3.Uji Asumsi Heterokedastisitas Uji heteroskedastisitas bertujuan untuk menguji apakah dalam model regresi terjadi ketidaksamaan varian dari residual satu pengamatan ke pengamatan yang lain. Jika varian dari residual satu pengamatan kepengamatan yang lain tetap, maka disebut homoskedastisitas dan jika berbeda akan disebut heteroskedastisitas. Model regresi yang baik adalah model yang tidak terjadi heteroskedastisitas Ghozali, 2005.Metode yang dapat dipakai untuk mendeteksi gejala heterokedasitas dalam penelitian ini adalah metode grafik, yaitu dapat dilihat dari grafik plot antara nilai prediksi variabel terikat ZPRED dengan residualnya SRESID. Ada tidaknya gejala heteroskedastisitas dapat diketahui dengan dua hal, antara lain : 3. Jika pencaran data yang berupa titik-titik membentuk pola tertentu dan beraturan, maka terjadi masalah heteroskedastisitas. 4. Jika pencaran data yang berupa titik-titik tidak membentuk pola tertentu dan menyebar diatas dan dibawah sumbu Y, maka tidak terjadi masalah heteroskedastisitas. Adapun grafik hasil pengujian heterokesdastisitas menggunakan SPSS versi 16.0 dapat dilihat pada Gambar di bawah ini: Gambar 4.6. Scatterplot Uji Heterokedastisitas Hasil analisis pada Gambar 4.4di atas menunjukkan bahwa titik- titik menyebar secara acak dan tidak membentuk pola tertentu. Hal ini menunjukkan bahwa tidak terdapat indikasi adanya heterokedastisitas pada model yang diuji sehingga asumsi ini terpenuhi. 4.1.2.4.Asumsi Autokorelasi Ghozali 2007:95 menjelaskan tujuan uji autokorelasi adalah: “Menguji apakah dalam sebuah model regresi linier ada korelasi antara kesalahan pengganggu pada periode t dengan kesalahan pada periode t-1 sebelumnya”. Jika terjadi korelasi, dinamakan ada problem autokorelasi. Autokorelasi sering ditemukan pada data runtut waktu time series. Panduan untuk melihat ada tidaknya autokorelasi dapat dilihat dari nilai durbin watson test. Tabel 4.6. Hasil Pengujian Autokorelasi Model Summary b Model R R Square Adjusted R Square Std. Error of the Estimate Durbin-Watson 1 .550 a .303 .292 1.04010 1.916 a. Predictors: Constant, Maturitas, SBI, Likuiditas, Rating b. Dependent Variable: YTM Hasil pengujian asumsi autokorelasi dengan metode Durbin Watson pada tabel di atas menunjukkan bahwa model telah memenuhi asumsi autokorelasi karena nilai Durbin Watson 1,916 berada pada daerah antara dU 1,826 dan 4-dU 2,174.

4.1.3. Pengujian Hipotesis

Pengujian hipotesis dilakukan untuk mengetahui ada tidaknya pengaruh dari variabel bebas terhadap variabel terikat baik secara simultan maupun secara parsial, dan untuk mengetahui besarnya pengaruh tersebut. 4.1.3.1.Uji Hipotesis Simultan Pengujian secara simultan dilakukan dengan menggunakan uji F. Pengujian ini dilakukan untuk mengetahui ada tidaknya pengaruh dari seluruh variabel bebas terhadap variabel terikat. Hipotesis pada uji F yaitu : H : Seluruh variabel bebas tidak mempengaruhi variabel terikat secara simultan H 1 : Seluruh variabel bebas mempengaruhi variabel terikat secara simultan Ketentuan pengambilan keputusan untuk menguji hipotesis di atas adalah dengan membandingan nilai F hitung dengan nilai F tabel, atau dapat pula dengan membandingkan nilai signifikansi probabilitas dengan batas tingkat kesalahan pengambilan keputusan alpha yang ditetapkan. Apabila nilai F hitung lebih besar dari nilai F tabel atau nilai signifikansi lebih kecil dari alpha, maka keputusan yang diambil adalah menolak hipotesis H , yaitu terdapat pengaruh secara simultan dari seluruh variabel bebas terhadap variabel terikat. Hasil pengujian secara simultan disajikan pada tabel di bawah ini. Tabel 4.7. Hasil Uji Hipotesis Simultan ANOVA b Model Sum of Squares df Mean Square F Sig. 1 Regression 116.083 4 29.021 26.826 .000 a Residual 267.206 247 1.082 Total 383.289 251 a. Predictors: Constant, Maturitas, SBI, Likuiditas, Rating b. Dependent Variable: YTM F tabel = F 4,247,5 = 2,408 Pada pengujian simultan didapatkan nilai F hitung sebesar 26,826 dan nilai signifikansi sebesar 0,000. Karena nilai F hitung lebih besar dari nilai F tabel 26,8262,408 atau nilai signifikansi lebih kecil dari alpha 5 0,0000,050, maka hipotesis H ditolak dan dapat disimpulkan bahwa secara bersama-sama terdapat pengaruh yang nyata dari variabel SBI, Rating Obligasi, Likuiditas, Maturitasterhadap variabel YTMdengan tingkat batas kesalahan 5. 4.1.3.2.Koefisien Determinasi Koefisien determinasi R² pada intinya mengukur seberapa jauh kemampuan model dalam menerangkan variasi variabel dependen. Nilai koefisien determinasi antara nol dan satu. Nilai R² yang kecil berarti kemampuan variabel-variabel independen dalam menjelaskan variasi variabel dependen amat terbatas. Nilai yang mendekati satu berarti variabel-variabel independen memberikan hampir semua informasi yang dibutuhkan untuk memprediksi variabel dependen. Tabel 4.8. Koefisien Determinasi Model Summary b Model R R Square Adjusted R Square Std. Error of the Estimate 1 .550 a .303 .292 1.04010 a. Predictors: Constant, Maturitas, SBI, Likuiditas, Rating b. Dependent Variable: YTM