Uji Heteroskedastisitas Uji Autokorelasi

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