Demikian pula dengan hasil uji normalitas dengan menggunakan grafik plot berikut ini :
1.0 0.8
0.6 0.4
0.2 0.0
Observed Cum Prob
1.0 0.8
0.6 0.4
0.2 0.0
E xpected Cum
P rob
Normal P-P Plot of Regression Standardized Residual
Dependent Variable: LNROA
Gambar 4.2 Grafik Normal Plot
Sumber : Data diolah penulis, 2008
Pada grafik normal plot terlihat titik- titik menyebar di sekitar garis diagonal, serta penyebarannya mengikuti arah garis diagonal. Maka dapat
dismpulkan bahwa data terdistribusi secara normal.
2. Uji Heteroskedastisitas
Uji ini bertujuan untuk melihat apakah dalam model regesi terjadi ketidaksamaan variabel dari residual satu pengamatan ke pengamatan yang
lain. Jika variance dari residual satu pengamatan ke pengamatan lain tetap,
Universitas Sumatera Utara
maka disebut homoskedastisitas. Model regresi yang baik adalah yang tidak terjadi heterokedastisitas.
Salah satu cara untuk mendeteksi ada atau tidaknya heterokedastisitas dengan melihat grafik plot antara nilai prediksi variabel terikat dependen
yaitu ZPRED dengan residualnya SRESID. Deteksi ada tidaknya heterokedastisitas dapat dilakukan dengan melihat ada tidaknya pola tertentu
pada grafik scatterplot antara SRESID dan ZPRED. Jika ada pola tertentu, seperti titik- titik yang membentuk pola tertentu yang teratur bergelombang,
melebar kemudian menyempit, maka mengindikasi telah terjadi heterokedastisitas.
Berikut ini hasil pengolahan data :
2 -2
Regression Standardized Predicted Value
2 1
-1 -2
-3 -4
Regression Studentized Resi
dual Scatterplot
Dependent Variable: LNROA
Gambar 4.3 Grafik Scatterplots
Sumber : Data diolah penulis, 2008
Universitas Sumatera Utara
Dari grafik scatterplots terlihat bahwa titik- titik menyebar secara acak serta tersebar di atas maupun di bawah angka nol pada sumbu Y. hal ini dapat
disimpulkan tidak terjasi heterokedastisitas pada model regresi, sehingga model regresi layak dipakai untuk memprediksi Return On Assets ROA
berdasarkan masukan variabel independen Fixed Assets Turn Over FATO.
3. Uji Autokorelasi
Uji autokorelasi bertujuan menguji apakah dalam model regresi linear ada korelasi antara kesalahan pengganggu pada periode t dengan kesalahan
pengganggu pada periode t-1 sebelumnya. Autokorelasi muncul karena observasi yang berturut- turut sepanjnag waktu berkaitan satu sama lainnya.
Hal ini sering ditemukan pada data runtut waktu tim series karena gangguan pada seseorang individukelompok cenderung memperngaruhi gangguan pada
individukelompok yang sama pada periode berikutnya. Ada beberapa cara yang dapat digunakan untuk mendeteksi masalah
autokorelasi diantaranya uji Durbin-Watson. Pengambian keputusan ada tidaknya autokorelasi adalah sebagai berikut:
1. Bila nilai Durbin-Watson DW terletak antara batas atas DU dan 4-DU,
maka koefisien autokorelasi sama dengan nol artinya tidak terjadi autokorelasi.
2. Bila nilai DW DL Batas Bawah, maka koefisisen autokorelasi lebih
besar dari nol , berarti ada korelasi positif.
Universitas Sumatera Utara
3. Bila nilai DW 4-DL, maka koefisien autokorelasi lebih kecil daripada
nol, berarti ada korelasi negatif. 4.
Bila nilai DW terletak diantara DU dan DL atau DW terletak antara 4-DU dan 4-DL, maka hasilnya tidak dapat disimpulkan.
Hipotesis yang akan diuji adalah : H0
: tidak ada autokorelasi Ha
: ada autokorelasi
Tabel 4.8 Model Summaryb
Model R
R Square Adjusted
R Square Std. Error
of the Estimate
Durbin- Watson
1 .435a
.189 .178
1.16666 2.133
a Predictors: Constant, LNFATO b Dependent Variable: LNROA
Sumber : Data diolah penulis, 2008
Nilai Durbin – Watson sebesar 2,133 yang berarti nilai Durbin- Watson
lebih besar dari batas atas DU 1,679 dan kurang dari 4-1,76 4-DU, maka dapat disimpulkan bahwa H0 diterima yang menyatakan bahwa koefisien
autokorelasi sama dengan nol artinya tidak terjadi autokorelasi.
E. Analisis Regresi Pengaruh Pengelolaan