Uji Heteroskedastisitas Uji Autokorelasi

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