BAB IV HASIL DAN PEMBAHASAN
4.3 Hasil Uji Asumsi Klasik
Untuk menghasilkan suatu model regresi yang baik, analisis regresi memerlukan pengujian asumsi klasik sebelum melakukan pengujian hipotesis. Apabila terjadi penyimpangan dalam pengujian asumsi klasik perlu dilakukan perbaikan terlebih dahulu. Pengujian asumsi klasik yang telah dilakukan adalah sebagai berikut :
4.3.1 Uji Normalitas
Uji normalitas ini bertujuan ingin mengetahui apakah dalam hal model regresi variabel pengganggu atau residual memiliki distribusi normal. Jika asumsi ini dilanggar atau tidak dipenuhi maka uji statistik tidak valid untuk jumlah sampel
kecil. Uji normalitas pada multivariate sebenarnya sangat kompleks, karena hanya dilakukan pada seluruh variabel secara bersama-sama.
Namun uji ini bisa juga dilakukan pada setiap variabel dengan logika bahwa jika secara individual masing-masing variabel memenuhi asumsi normalitas, maka secara bersama-sama variabel-variabel tersebut juga bias dianggap memenuhi asumsi normalitas. Cara yang digunakan peneliti adalah dengan cara analisis grafik dan statistik. Dalam analisis grafik, dilakukan dengan melihat grafik Histogram dan normal P – plot, sedangkan dalam analisis statistik dilakukan dengan alat uji Kolmogoro Smirnov. Berikut grafik Histogram dan normal P – plot.
Gambar 4.1 Grafik Histogram
Sumber : Output SPSS
Gambar 4.2 Grafik Normal P-Plot
Jika dilihat berdasarkan grafik normal plot terlihat titik-titik menyebar disekitar garis diagonal, serta penyebaran agak jauh dari garis diagonal. Hal ini manunjukkan bahwa grafik menunjukkan pola distribusi normal, maka model regresi tidak memenuhi asumsi norrmalitas. Dalam uji normalitas residual dengan grafik dapat menyesatkan apabila tidak hati-hati secara visual kelihatan normal, oleh karena itu untuk melengkapi uji grafik dilakukan juga uji statistik lain yang dapat digunakan untuk menguji normalitas residual adalah uji Kolmogrov-Smirnov (Uji K-S) dapat dilihat pada tabel 4.8, sebagai berikut :
Tabel 4.7 Hasil Uji Normalitas
One-Sample Kolmogorov-Smirnov Test
IT CR TATO ROE N 30 30 30 30 Normal Parametersa,b Mean .0640 1.7590 .3253 .7873 Std. Deviation .03470 1.6244 2 .39578 1.5145 4 Most Extreme Differences Absolute .223 .265 .310 .311 Positive .223 .265 .310 .274 Negative -.097 -.142 -.220 -.311 Kolmogorov-Smirnov Z 1.223 1.450 1.698 1.703
Asymp. Sig. (2-tailed) .100 .030 .006 .006
a. Test distribution is Normal. b. Calculated from data. Sumber : Output SPSS
Berdasarkan Tabel 4.8, dapat disimpulkan bahwa data dalam model regresi telah terdistribusi secara normal karena data residual lebih besar dari 0.05 yang berarti H0 diterima. Setelah data terdistribusi secara normal, maka dilanjutkan uji asumsi klasik lainnya.
4.3.2 Uji Multikolieritas
Multikolieritas dikenal juga dengan istilah kolinearitas ganda diciptakan oleh Ragner Frish didalam bukunya : statistical Confluence Analysis By Means Of Complete Regression System. Istilah kolinearitas (colinearity) sendiri berarti hubungan linear tunggal (single linear relationship), sedangkan kolinearitas ganda (multicolinearity) menunjukkan adanya lebih dari satu hubungan linear yang sempurna.
Multikolieritas juga merupakan situasi antara korelasi variabel-variabel independen antara yang satu dengan yang lainnya. Variabel-variabel ini disebut bebas tidak orthogonal. Variabel-variabel bebas yang bersifat orthogonal adalah variabel bebas yang memiliki nilai korelasi diantaranya sama dengan nol. Hasil uji gejala multikolieritas disajikan pada table 4.9 berikut ini :
Tabel 4.8 Hasil Uji Multikolieritas
Coefficientsa
Model Collinearity Statistics Tolerance VIF
1 IT .955 1.048
CR .909 1.100
TATO .878 1.139
a. Dependent Variable: ROE Sumber : Output SPSS
Hasil yang disimpulkan bahwa tidak terjadi gejala multikolinearitas antara variabel independen. Gejala multikolinearitas terjadi apabila nilai VIF lebih dari 10. Dari hasil analisis, di dapat dari nilai VIF untuk variabel independen dan variabel dependen adalah 1.048 (<10 ), 1.100 (<10), 1.139 (<10). Berdasarkan hasil ini maka dapat disimpulkan bahwa variabel dependen dan variabel independen lolos uji multikolinearitas.
4.3.3 Uji Heteroskedastisitas
Uji heterokedastisitas bertujuan untuk menguji apakah terjadi ketidaksamaan variabel dari residual satu pengamatan ke pengamatan lain dalam model regresi. Sedangkan uji homokedastisitas pada prinsipnya ingin menguji apakah sebuah grup mempunyai varians yang sama diantara anggota grup tersebut. Jika varians
sama, dan ini yang seharusnya terjadi maka dikatakan ada homokedastisitas. Sedangkan jika varians tidak sama dikatakan terjadi heteroskedastisitas. Alat untuk menguji heteroskedastisitas bisa dibagi dua, yakni dengan alat analisis grafik atau dengan analisis residual yang berupa statistik.
Model regresi yang baik adalah tidak terjadi heteroskedastisitas atau terjadi homokedastisitas. Dalam model regresi dinyatakan telah terjadi heterokedastisitas apabila titik-titik yang ada tidak membentuk pola yang tertentu dan teratur dan titik-titik menyebar diatas dan dibawah angka nol pada sumbu Y. Berikut ini dilampirkan grafik scatterplot untuk menganalisis apakah terjadi heterokedastisitas dengan mengamati penyebaran titik-titik pada gambar :
Sumber : Output SPSS
Gambar 4.3
Hasil Uji Heterokedastisitas
Dari grafik scatterplot terlihat bahwa titik-titik menyebar secara acak serta tersebar baik diatas maupun di bawah angka 0 pada sumbu Y, sehingga dapat disimpulkan bahwa tidak terjadi heterokedastisitas pada model regresi sehingga layak dipakai untuk memprediksi rentabilitas ekonomis pada perusahaan manufaktur dengan variabel independen inventory turnover, current ratio, total asset turnover.
4.3.4 Uji Autokorelasi
Istilah autokorelasi dapat didefenisikan sebagai korelasi antara anggota serangkaian observasi yang diurutkan menurut waktu (seperti dalam data deret waktu) atau ruang (seperti dalam data cross-section). Dalam konteks regresi, model regresi linear klasik mengasumsikan bahwa autokorelasi seperti itu tidak terdapat dalam disturbansi atau gangguan Ui. Pengujian autokorelasi bertujuan untuk menguji apakah terdapat korelasi antara kesalahan pengganggu pada suatu periode dengan model regresi. Autokorelasi menunjukkan adanya korelasi antara kesalahan pengganggu pada data yang tersusun, baik berupa data cross sectional atau time series. Jika terjadi autokorelasi dalam model regresi berarti koefesien korelasi yang diperoleh menjadi tidak akurat, sehingga model regresi yang baik adalah model regresi yang bebas dari autokorelasi.
Cara yang dapat dilakukan untuk mendeteksi ada tidaknya autokorelasi adalah dengan melakukan pengujian Durbin Watson (DW). Pengambilan keputusan ada
tidaknya autokorelasi menurut Ghozali (2005:96) dapat dilihat dalam tabel dibawah ini :
Tabel 4.9
Kriteria Pengambilan Keputusan Uji Durbin Watson
Hipotesis Nol Keputusan Jika
Tidak ada autokorelasi positif
Tolak 0 < d < dl
Tidak ada autokorelasi positif
No decision dl ≤ d ≤ du
Tidak ada korelasi negative
Tolak 4 – dl < d < 4
Tidak ada korelasi negative
No decision 4 – du ≤ d ≤ 4 – dl
Tidak ada korelasi positif atau negatif
Tidak ditolak du < d < 4 – du
Berikut ini hasil uji Durbin Watson dengan menggunakan program SPSS versi 18 :
Tabel 4.10 Hasil Uji Autokorelasi
Model Summaryb Model R R Square Adjusted R Square Std. Error of the Estimate Durbin-Watson 1 .389a .151 .053 1.47363 1.843
a. Predictors: (Constant), TATO, IT, CR b. Dependent Variable: ROE
Sumber : Output SPSS
Hasil uji autokorelasi diatas menunjukkan nilai Statistik Durbin Watson (Dw) sebesar 1.843, nilai ini akan kita bandingkan dengan nilai tabel dengan menggunakan signifikansi 5%, jumlah sampel (n) = 30, dan jumlah variabel
independen (k) = 3, maka berdasarkan model tabel Durbin Watson didapat nilai batas atas (du) sebesar 1.65 dan nilai batas bawah (dl) sebesar 1.214. Oleh karena itu, nilai (Dw) lebih besar dari 1.65 dan lebih kecil dari 4-1.65 (du < d < 4 – du). Dengan demikian dapat disimpulkan tidak terdapat autokorelasi baik positif maupun negatif.