Gambar 4.4. Grafik Normal P-Plot Setelah Transformasi Sumber: Data diolah penulis
Pada grafik normal p-plot terlihat bahwa data menyebar disekitar garis diagonal dan mengikuti arah garis diagonal, maka dapat disimpulkan bahwa model
regresi telah memenuhi asumsi normalitas.
4.3.2 Uji Multikolinieritas
Multikolinearitas adalah keadaan dimana variabel-variabel independen dalam persamaan regresi mempunyai korelasi hubungan yang erat satu sama
lain. Pengujian multikolinearitas dapat dilakukan dengan melihat Variance Inflation factor VIF dan korelasi diantara variabel independen. Jika nilai VIF
10 atau tolerance 0.10 maka terjadi multikolinearitas sedangkan apabila nilai
Universitas Sumatera Utara
VIF 10 atau tolerance 0.10 maka tidak terjadi multikolinearitas, jika kolerasi diantara variabel independen lebih besar dari 0.9.
Uji multikolinearitas dengan melihat tolerance dan VIF menunjukkan hasil seperti pada tabel 4.5 berikut :
Tabel 4.5. Hasil Uji Multikolinieritas
Coefficients
a
Model Collinearity Statistics
Tolerance VIF
1 Constant
Ln_EPS .425
2.352 Ln_NPM
.377 2.651
Ln_ROA .162
6.167 Ln_ROE
.188 5.316
a. Dependent Variable: Ln_Harga.Saham
Sumber: Data diolah penulis
Tabel 4.5. di atas menunjukkan bahwa penelitian ini bebas dari adanya multikolinearitas. Hal ini bisa dilihat dengan membandingkan nilai tolerance dan
VIF. Masing-masing variabel bebas yang digunakan dalam penelitian ini memiliki nilai tolerance yang lebih besar dari 0.01 yaitu untuk Ln_EPS nilai tolenrance
0.425; Ln_NPM nilai tolenrance 0.377; Ln_ROA nilai tolenrance 0.162; Ln_ROE nilai tolenrance 0.188.
Sedangkan jika dilihat dari VIF-nya bahwa masing-masing variabel bebas lebih kecil dari 10 yaitu, untuk VIF Ln_EPS sebesar 2.352; VIF Ln_NPM 2.651,
VIF Ln_ROA 6.167 dan VIF Ln_ROE sebesar 5.316. Dengan demikian dapat disimpulkan bahwa tidak terjadi gejala multikolinearitas antara variabel
independen, dengan dasar nilai VIF untuk setiap variabel tidak ada yang lebih dari 10 dan nilai tolerance tidak ada yang kurang dari 0.1.
Universitas Sumatera Utara
4.3.3 Uji Heteroskedastisitas
Uji heteroskedastisitas bertujuan untuk menguji apakah dalam model regresi terjadi ketidaksamaan variance dari residual satu pengamatan ke pengamatan yang
lain. Jika variance dari satu pengamatan ke pengamatan yang lain tetap, maka disebut homokedastisitas dan jika berbeda disebut heteroskedastisitas. Model
regersi yang baik adalah tidak terjadi heteroskedastisitas. Untuk menghilangkan heteroskedastisitas dapat dengan mengonversi ke dalam bentuk logaritma atau
dengan menjalankan regresi sistem kuadrat terkecil tertimbang weigthed least square , Pratisto, 2009.
Dari grafik scatterplot terlihat bahwa titik-titik menyebar secara acak dengan tidak adanya pola yang serta tersebar baik di atas maupun di bawah angka 0 pada
sumbu Y. Dengan demikian, dapat disimpulkan bahwa tidak tejadi heteroskedastitas sehingga model ini layak dipakai untuk memprediksi rentabilitas
bank yang terdaftar di Bursa Efek indonesia berdasarkan masukan varibel independen kredit, surat-surat berharga, penempatan dana pada bank lain, dan
penyertaan modal. Ada tidaknya heterokedastitas pada penelitian ini dapat dilihat dari grafik scatterplot pada gambar 4.5 berikut ini:
Universitas Sumatera Utara
Gambar 4.5. Grafik Scatterplot
Sumber: Data diolah penulis
4.3.4 Uji Autokorelasi
