Uji t

Cara bacanya:
1. Leverage (X1) terhadap Beta (Y)
Terlihat pada kolom Coefficients model 1 terdapat nilai sig 0,002. Nilai sig lebih kecil dari
nilai probabilitas 0,05, atau nilai 0,002<0,05, maka H1 diterima dan Ho ditolak. Variabel
X1 mempunyai thitung yakni 3,317 dengan ttabel=2,021. Jadi thitung>ttabel dapat disimpulkan
bahwa variabel X1 memiliki kontribusi terhadap Y. Nilai t positif menunjukkan bahwa
variabel X1 mempunyai hubungan yang searah dengan Y. Jadi dapat disimpulkan
leverage memiliki pengaruh signifikan terhadap Beta.
Cara bacanya:
2. Current Ratio (X2) terhadap beta (Y)
Terlihat pada kolom Coefficients model 1 terdapat nilai sig 0,039. Nilai sig lebih kecil dari
nilai probabilitas 0,05, atau nilai 0,039<0,05, maka H1 diterima dan Ho ditolak. Variabel
X2 mempunyai thitung yakni 2,134 dengan ttabel=2,021. Jadi thitung>ttabel dapat disimpulkan
bahwa variabel X2 memiliki kontribusi terhadap Y. Nilai t negatif menunjukkan bahwa
X2 mempunyai hubungan yang berlawanan arah dengan Y. Jadi dapat disimpulkan CR
memiliki pengaruh signifikan terhadap beta.
Cara bacanya:
3. ROA (X3) terhadap Beta (Y)
Terlihat nilai sig untuk ROA adalah 0,100. Nilai sig lebih besar dari nilai probabilitas
0,05, atau nilai 0,100>0,05, maka H1 ditolak dan Ho diterima. Variabel X3 mempunyai
thitung yakni 1,683 dengan ttabel=2,021. Jadi thitung<ttabel dapat disimpulkan bahwa variabel
X3 tidak memiliki kontribusi terhadap Y. Nilai t negatif menunjukkan bahwa
X3 mempunyai hubungan yang berlawanan arah dengan Y. Jadi dapat disimpulkan ROA
tidak berpengaruh signifikan terhadap risiko Beta
Cara bacanya:
4. ROE (X4) terhadap
Terlihat nilai sig pada ROE adalah 0,726. Nilai sig lebih besar dari nilai probabilitas 0,05,
atau nilai 0,726>0,05, maka H1 ditolak dan Ho diterima. Variabel X4 mempunyai
thitung yakni 0,353 dengan ttabel=2,021. Jadi thitung<ttabel dapat disimpulkan bahwa variabel
X4 tidak memiliki kontribusi terhadap Y. Nilai t negatif menunjukkan bahwa ROE
mempunyai hubungan yang berlawanan arah dengan Beta. Jadi dapat disimpulkan ROE
tidak berpengaruh signifikan terhadap risiko Beta.
Uji F
Pengujian secara simultan X1, X2, X3 dan X4 terhadap Y:
Dari tabel diperoleh nilai Fhitung sebesar 5,889 dengan nilai probabilitas
(sig)=0,001. Nilai Fhitung (5,889)>Ftabel (2,61), dan nilai sig. lebih kecil dari nilai
probabilitas 0,05 atau nilai 0,001<0,05; maka H1 diterima, berarti secara
bersama-sama (simultan) Leverage, CR, ROA dan ROE berpengaruh signifikan
terhadap Beta.
Uji Linieritas
Bila α yang ditentukan adalah 5%, maka berdasarkan keluaran di atas, dapat
disimpulkan bahwa data yang dipergunakan dapat dijelaskan oleh regresi
linier dengan cukup baik karena nilai Sig. linearity data tersebut adalah
sebesar 0,017 (lebih kecil dari 0,05) dan nilai Sig. deviation from
linearity data tersebut adalah sebesar 0,315 (lebih besar dari 0,05)
Uji Autokorelasi
 Uji Autokorelasi

nilai Durbin Watson Hitung adalah sebesar 0,382. Dimana nilai tersebut kurang dari nilai DL pada K = 4 dan t =
128, sehingga terdapat masalah autokorelasi positif.
Nilai DL pada K =4 dan t = 128 berdasarkan tabel Durbin Watson adalah sebesar: 1,66379 sedangkan nilai
DU sebesar 1,75960.

Contoh Tidak Ada Autokorelasi Positif dan Negatif

Berdasarkan kriteria pengujian di atas, bagaimana jika seandainya nilai DW sebesar 1,98? maka DW 1,98 > DU
1,75960 sehingga tidak ada masalah autokorelasi.

Contoh Autokorelasi Negatif

Seandainya nilai DW 2,9, maka nilai (4-DW) adalah (4-2,9) = 1,1. Karena nilai (4-DW) 1,1 < DL 1,66379 maka
terdapat masalah autokorelasi negatif.

Contoh Autokorelasi Tidak Meyakinkan

Dan seandainya nilai DW 2,3 maka (4-DW) adalah (4-2,3) = 1,7 sehingga (4-DW) 1,7 > DL 1,66379 tetapi < DU
1,75960, maka hasil pengujian autokorelasi tidak meyakinkan.
Jika seandainya nilai DW 1,69? maka jawabannya adalah: 1,69 < DU 1,75960 tetapi > DL 1,66379 sehingga hasil
pengujian autokorelasi tidak meyakinkan.

Kesimpulan Cara Baca Uji Autokorelasi dengan SPSS

Berdasarkan penjelasan di atas, maka dikatakan tidak ada autokorelasi bila nilai DL < DW > DU dan DL < (4-DW) >
DU.
 Durbin Watson
Deteksi Autokorelasi Positif:
• Jika dw < dL maka terdapat autokorelasi
positif,
• Jika dw > dU maka tidak terdapat autokorelasi
positif,
• Jika dL < dw < dU maka pengujian tidak
meyakinkan atau tidak dapat disimpulkan.
 Durbin Watson
Deteksi Autokorelasi Negatif:
• Jika (4 – dw) < dL maka terdapat autokorelasi
negatif,
• Jika (4 – dw) > dU maka tidak terdapat
autokorelasi negatif,
• Jika dL < (4 – dw) < dU maka pengujian tidak
meyakinkan atau tidak dapat disimpulkan.
Uji Heteroskedastisitas
Mengapa dilakukan uji heteroskedastitas

• jawabannya adalah untuk mengetahui adanya

penyimpangan dari syarat-syarat asumsi
klasik pada regresi linear, di mana dalam
model regresi harus dipenuhi syarat tidak
adanya heteroskedastisitas.
 cara uji heteroskedastisitas
Jawabannya adalah ada beberapa cara, antara
lain:
• Uji Glejser  residual
• Uji Park
• Uji Spearman
• Melihat Grafik
Kesimpulannya: Apabila nilai signifikansi (Sig.) > 0,05 maka tidak terjadi
gejala Heteroskedastisitas.
Dari output di atas, maka tampak bahwa ketiga variabel tidak ada gejala
heteroskedastisitas karena Sig. > 0,05.
Uji Multikolinearitas
• Uji multikolinearitas adalah uji yang dilakukan untuk
memastikan apakah di dalam sebuah model regresi
ada interkorelasi atau kolinearitas antar variabel
bebas. Interkorelasi adalah hubungan yang linear atau
hubungan yang kuat antara satu variabel bebas atau
variabel prediktor dengan variabel prediktor lainnya di
dalam sebuah model regresi. Interkorelasi itu dapat
dilihat dengan nilai koefisien korelasi antara variabel
bebas, nilai VIF dan Tolerance, nilai Eigenvalue dan
Condition Index, serta nilai standar error koefisien beta
atau koefisien regresi parsial.
 Output SPSS Analisis Uji multikolonieritas
(analisis matriks korelasi, Tolerance & VIF)

Hasil perhitungan nilai tolerance menunjukkan tidak ada variabel

independen yang memiliki nilai tolerance kurang dari 0,10 yang bearti tidak
ada korelasi antar variabel independen yang nilainya lebih dari 95%

Hasil perhitungan VIF menunjukkan hal yang sama tidak ada satu variabel
independen yang memiliki VIF lebih dari 10.

Jadi dapat disimpulkan bahwa tidak ada multikolonieritas antar variabel

independen dalam model regresi

Buku 1