Dari tabel 4.3 di atas dapat dilihat bahwa nilai VIF dari variabel bebas dalam penelitian ini bernilai 10 dan nilai
Tolerance 0,1 maka dapat diasumsikan bahwa model terbebas
dari asumsi multikolinearitas sehingga dapat dilakukan uji regresi linier.
4.1.2.3 Uji Autokorelasi
Pengujian autokorelasi bertujuan untuk menguji apakah terdapat korelasi antara kesalahan pengganggu pada suatu periode
dengan kesalahan pengganggu periode sebelumnya dalam model regresi. Autokorelasi menunjukkan adanya korelasi antara
kesalahan pengganggu pada data yang tersusun, baik berupa data cross sectional danatau time series. Jika terjadi autokorelasi dalam
model regresi berarti koefisien korelasi yang diperoleh menjadi tidak akurat, sehingga model regresi yang baik adalah model
regresi yang bebas dari autokorelasi. Cara yang dapat dilakukan untuk ada tidaknya autokorelasi
adalah dengan melakukan pengujian Durbin-Watson DW. Dalam model regresi tidak terjadi autokorelasi apabila nilai du dw 4 –
du. Tabel 4.4 menyajikan hasil uji Durbin Watson dengan menggunakan program SPSS versi 21.
Universitas Sumatera Utara
Tabel 4.4 Hasil Uji Autokorelasi
Model Summary
b
Model R
R Square Adjusted R
Square Std. Error of the
Estimate Durbin-Watson
1 .536
a
.288 .265
.292341 2.002
a. Predictors: Constant, Rasionalisasi, EfektivitasPengawasan, KondisiIndustri, StabilitasKeuangan, TargetKeuangan, TekananEksternal
b. Dependent Variable: FraudulentFinancialReporting
Sumber: Output SPSS, 2016 Nilai DW sebesar 2.002 nilai ini akan dibandingkan dengan
nilai tabel dengan menggunakan signifikansi 5 dengan jumlah sampel 198 dan jumlah variabel independen 6, maka di tabel
Durbin Watson akan didapat nilai du sebesar 1,830 dan nilai dl yaitu 1,705. Hal ini menunjukkan tidak ada autokorelasi positif
atau negatif dalam penelitian, karena nilai DW lebih besar dari du 1,693 dan kurang dari 4-dl 4-1,7053=2,2947, maka dapat
disimpulkan bahwa data dapat diterima.
4.1.2.2 Uji Heteroskedastisitas
Salah satu cara untuk mengetahui ada tidaknya heteroskedastisitas dalam suatu model regresi linier berganda
adalah dengan melihat grafik scatterplot antara nilai prediksi variabel terikat yaitu ZPRED dengan residual error yaitu SRESID.
Jika ada pola tertentu dan titik menyebar di atas dan di bawah
Universitas Sumatera Utara
angka 0 pada sumbu Y, maka tidak terjadi heteroskedastisitas. Grafik scatterplot ditunjukkan pada grafik berikut ini:
Gambar 4.2 Uji Heteroskedastisitas
Sumber: Output SPSS, 2016
Gambar 4.1 menunjukkan bahwa data tersebar secara acak dan tidak membentuk suatu pola tertentu. Data tersebar baik di atas
maupun di bawah angka 0 pada sumbu Y. Hal ini menunjukkan
Universitas Sumatera Utara
bahwa tidak terdapat heteroskedastisitas dalam model regresi yang digunakan.
4.1.3 Pengujian Hipotesis
