b. Uji Heteroskedastisitas
Uji heteroskedastisitas bertujuan menguji apakah dalam model regresi terjadi ketidaksamaan variance dari residual satu pengamatan ke pengamatan
yang lain. Untuk mendeteksi ada tidaknya heteroskedastisitas menurut Ghozali, 2005:105 dapat dilihat dari grafik scatterplot antara nilai prediksi variabel terikat
dependen yaitu ZPRED dengan residualnya SRESID. Jika ada pola tertentu, seperti titik-titik yang ada membentuk pola tertentu yang teratur, maka telah
terjadi heteroskedastisitas. Sebaliknya jika tidak ada pola yang jelas serta titik-titik yang menyebar maka tidak terjadi heteroskedastisitas.
Hasil dari uji heteroskedastisitas dapat ditunjukkan dalam grafik scatterplot antara ZPRED dan SRESID sebagai berikut:
Gambar 4.6 Uji Heteroskedastisitas
Sumber: Hasil Olah Data Statistik, 2011
-3 -2
-1 1
2
Regression Standardized Predicted Value
-1 1
2 3
Re gr
es si
on S
tu de
nt ize
d Re
si du
al
Dependent Variable: LOG10LK Scatterplot
Universitas Sumatera Utara
Suatu regresi dikatakan terdeteksi heteroskedastisitas apabila diagram pencar residual membentuk pola tertentu. Tampak pada output diatas, diagram
pancar residual tidak membentuk pola tertentu serta titik-titik menyebar di atas dan di bawah angka 0 pada sumbu Y. Kesimpulannya, regresi terbebas dari kasus
heteroskedastisitas dan memenuhi persyaratan asumsi klasik tentang heteroskedastisitas.
c. Uji Autokorelasi
Ghozali 2005:95 menyatakan bahwa: Uji autokorelasi bertujuan untuk menguji apakah dalam model regresi
linear ada korelasi antara kesalahan pengganggu pada periode t dengan kesalahan pengganggu pada periode t-1 sebelumnya. Jika terjadi
korelasi, maka dinamakan ada problem autokorelasi. Autokorelasi muncul karena observasi yang berurutan sepanjang waktu berkaitan satu sama
lainnya. Masalah ini timbul karena residual kesalahan pengganggu tidak bebas dari satu obsrvasi ke observasi lainnya. Hal ini sering ditemukan
pada data runtut waktu time series karena “gangguan” pada seseorang individu kelompok cenderung mempengaruhi “gangguan” pada
individukelompok yang sama pada periode berikutnya. Hasil dari uji autokorelasi dapat dilihat pada tabel berikut ini:
Tabel 4.4 Uji Autokorelasi
Sumber: Hasil Olah Data Statistik, 2011
Model Summary
b
.710
a
.503 .437
.38787 2.295
Model 1
R R Square
Adjusted R Square
Std. Error of the Estimate
Durbin- Watson
Predictors: Constant, LOG10RS, LOG10PMK a.
Dependent Variable: LOG10LK b.
Universitas Sumatera Utara
Berdasarkan tabel 4.4 diatas, diketahui nilai Durbin-Watson DW sebesar 2.295 Jika D-W dibandingkan pada P = 0.05, N = 45, K = 1 didapatkan sebagai
berikut: dl = 1.528 dan du = 1.634. Oleh karena itu nilai D-W lebih besar dari nilai du dan lebih kecil dari 4-du atau apabila dirumuskan: du D-W 4-du.
Maka dapat disimpulkan bahwa tidak terdapat autokorelasi dan model regresi memenuhi syarat asumsi klasik tentang autokorelasi.
Nilai R Square dari output diatas adalah sebesar 0.503. Ini berarti bahwa variabel independen yang terdiri dari Perputaran Modal Kerja, Return spread
mampu menjelaskan variasi variabel dependen sebesar 50. Selebihnya dijelaskan oleh variabel lain yang tidak dimasukkan dalam model regresi dalam
penelitian ini.
d. Uji Multikolinearitas