Menurut Ghozali 2006:112, pendeteksian normalitas dapat dilakukan dengan melihat penyebaran data titik pada sumbu diagonal
dari grafik, yaitu jika data titik menyebar di sekitar garis diagonal dan mengikuti arah garis diagonal, hal ini menunjukkan data yang
telah terdistribusi normal. Gambar 4.2 menunjukkan bahwa data titik menyebar di sekitar dan mendekati garis diagonal. Hal ini sejalan
dengan hasil pengujian dengan menggunakan histogram bahwa data telah terdistribusi normal. Karena secara keseluruhan data telah
terdistribusi secara normal, maka dapat dilakukan pengujian asumsi klasik lainnya.
4.2.2.2 Uji Multikolinieritas
Menurut Ghozali 2006:91, untuk melihat ada atau tidaknya multikolinieritas dalam model regresi dapat dilihat dari:
a. Nilai tolerence dan lawannya, b. Variance Inflatin Factor VIF.
Kedua ukuran ini menunjukkan setiap variabel independen manakah yang dijelaskan oleh variabel independen lainnya. Tolerence
mengukur variabilitas variabel independen yang terpilih yang tidak dijelaskan oleh variabel ndependen lainnya. Jadi, nilai Tolerance yang
rendah sama dengan nilai VIF yang tinggi karena VIF = 1tolerence. Nilai cutoff yang umum dipakai untuk menunjukkan adanya
mutikolineritas adalah nilai Tolerence 0,10 atau sama dengan VIF 10.
Universitas Sumatera Utara
Tabel 4.4 Hasil Uji Multikolinearitas
Coefficients
a
Model Unstandardized
Coefficients Standardized
Coefficients T
Sig. Collinearity Statistics
B Std. Error
Beta Tolerance
VIF 1
Constant 3.618
.493 7.332
.000 Ln_DER
.653 .133
.421 4.900
.000 .950
1.052 Ln_TATO
-.503 .174
-.265 -2.896 .005
.836 1.197
Ln_ROE -.935
.148 -.590 -6.337
.000 .809
1.236 a. Dependent Variable: PER
Sumber: Output SPSS, diolah Penulis, 2010
Berdasarkan tabel 4.4 dapat disimpulkan bahwa penelitian ini bebas dari adanya multikolinieritas. Hal tersebut dapat dilihat dengan
membandingkannya dengan nilai Tolerence atau VIF. Masing-masing variabel independen yang digunakan dalam penelitian ini memiliki
nilai Tolerence yang lebih besar dari 0,10 yaitu 0,950 untuk DER, 0,836 untuk TATO, dan 0,809 untuk ROE. Jika dilihat dari VIFnya,
bahwa masing-masing variabel bebas lebih kecil dari 10 yaitu sebesar 1,052 untuk DER, 1,197 untuk TATO, dan 1,236 untuk ROE. Dengan
demikian dapat disimpulkan bahwa tidak terjadi gejala
multikolinieritas dalam variabel bebasnya. Model regresi yang diuji baik karena tidak terjadi korelasi diantara variabel bebas.
Universitas Sumatera Utara
4.2.2.3 Uji Autokorelasi
Uji ini bertujuan untuk melihat apakah dalam suatu model linear ada korelasi antar kesalahan pengganggu pada periode t dengan
kesalahan pada periode t-1 sebelumnya. Model regresi yang baik adalah yang bebas dari autokorelasi. Masalah autokorelasi umumnya
terjadi pada regresi yang datanya time series. Ada beberapa cara yang dapat digunakan untuk mendeteksi masalah dalam autokorelasi
diantaranya adalah dengan Uji Durbin Watson. Tabel 4.5 dibawah ini menunjukkan hasil uji autokorelasi
variabel penelitian. Tabel 4.5
Hasil Uji Autokorelasi
Model Summary
b
Model R
R Square Adjusted R
Square Std. Error of the
Estimate Durbin-Watson
1 .765
a
.586 .565
.89357 2.186
a. Predictors: Constant, ROE, DER, TATO b. Dependent Variable: PER
Sumber : Output SPSS, diolah Penulis, 2010
Berdasarkan hasil pengujiannya dapat dilihat bahwa tidak terjadi autokorelasi antar kesalahan pengganggu antar periode. Hal
tersebut dilihat dari nilai Durbin-Watson D-W sebesar 2,186, dengan jumlah responden sebanyak 63 dan kasus = 3, maka nilai du = 1,6932.
Universitas Sumatera Utara
Dari tabel kriteria pengambilan keputusan: a. du d 4 – du
b. 1,6932 2,278 2,3068 c. Hipotesis Nol diperoleh tidak ada autokorelasi positif atau
negative, maka keputusan tidak ditolak.
4.2.2.4 Uji Heteroskedastisitas