61 tidak dipenuhi.Jika titik-titik menyebar sangat dekat pada garis
diagonal, maka asumsi normalitas dipenuhi. Perhatikan bahwa pada normal probability plot Gambar
4.2, titik-titik menyebar cukup dekat pada garis diagonal, maka disimpulkan bahwa asumsi normalitas dipenuhi.
4.2.2.2 Uji Multikolinearitas
Uji ini bertujuan untuk menguji apakah pada model regresi ditemukan adanya korelasi antar variabel bebas independen.Untuk
mengetahui ada tidaknya multikolinearitas dapat dilihat dari nilai VIF Variable Inflation Factor dan nilai tolerance. Jika nilai VIF 10 dan
nilai tolerance 0,01 maka dapat disimpulkan tidak terjadi multikolinearitas. Pengujian multikolinearitas dapat dilihat pada tabel
4.4 berikut:
Tabel 4.4 Uji Multikolinearitas
Sumber : Output SPSS, diolah peneliti, 2015
62 Perhatikan bahwa berdasarkan Tabel 4.4, nilai VIF dari
variabel Profitabilitas adalah 1,097, nilai VIF dari variabel Ukuran Perusahaan adalah 1,136, nilai VIF dari variabel Struktur Aset adalah
1,183, nilai VIF dari Risiko Bisnis adalah1,167, nilai VIF dari Pertumbuhan Aset adalah1,159, dan nilai VIF dari Likuiditas
adalah1,021. Karena masing-masing nilai VIF tidak lebih besar dari 10, maka tidak terdapat gejala multikolinearitas yang berat.
4.2.2.3 Uji Autokorelasi
Uji ini bertujuan untuk mengetahui apakah ada korelasi antar kesalahan pengganggu pada periode t dengan periode t-1
sebelumnya. Model regresi yang baik adalah yang bebas dari autokorelasi. Cara yang paling sering digunakan untuk mendeteksi
ada atau tidaknya autokorelasi adalah dengan uji Durbin Watson DW. Menurut metode durbin Watson, asumsi diterima tidak
terdapat autokorelasi jika du d 4-du Ghozali, 2006:100. Hasil pengujian autokorelasi dapat dilihat pada tabel 4.5 sebagai berikut :
Tabel 4.5 Uji Autokorelasi
Sumber : Output SPSS, diolah peneliti, 2015
63 Berdasarkan Tabel 4.5, nilai dari statistik Durbin-Watson
adalah 1,592. Perhatikan bahwa karena nilai statistik Durbin-Watson terletak di antara 1 dan 3, maka asumsi non-autokorelasi terpenuhi.
Dengan kata lain, tidak terjadi gejala autokorelasi yang tinggi pada residual.
4.2.2.4 Uji Heteroskedastisitas
Menurut Ghozali 2006:139 uji heteroskedastisitas bertujuan untuk menguji apakah dalam model regresi terjadi ketidaksamaan
varians dari residual suatu pengamatan ke pengamatan lain. Uji heteroskedastisitas digunakan untuk menguji apakah pada model
regresi terjadi ketidaksamaan variabel dari residual satu pengamatan ke pengamatan lainnya. Metode yang digunakan untuk menguji ada
atau tidaknya heteroskedastisitas adalah dengan melihat grafik plot antara nilai variabel dependen ZPRED dengan nilai residual
SRESID. Berikut ini dilampirkan grafik scatterplot untuk menganalisis apakat terdapat gejala heterokedastisitas dengan melihat
titik-titik penyebaran pada grafik.
64
Sumber : output SPSS, diolah peneliti, 2015 Gambar 4.3
Uji Heteroskedastisitas
Berdasarkan gambar 4.3 diatas, dapat disimpulkan bahwa model regresi dalam penelitian ini tidak terjadi heteroskedastisitas
karena pada grafik scatterplot terlihat bahwa titik-titik menyebar secara acak dengan tidak adanya pola yang jelas serta tersebar baik di
atas maupun dibawah angka 0 pada sumbu Y.
4.2.3 Pengujian Hipotesis