BAB III METODE PENELITIAN
4.2.2 Pengujian Asumsi Klasik .1 Uji Normalitas
Uji normalitas bertujuan untuk mengetahui apakah dalam model regresi, variabel pengganggu atau residual memiliki distribusi normal serta untuk menghindari bias dalam model regresi. Pengujian normalitas dalam penelitian ini menggunakan uji statistik non-parametik Kolmogorov-Sminov (K-S), dengan membuat hipotesis:
H0 : data residual berdistribusi normal H1 : data residual tidak berdistribusi normal
Apabila signifikansi lebii besar dari 0,05 maka diterima, sedangkan jika nilai signifikansi lebih kecil dari 0,05 maka H0 ditolak.
Tabel 4.2 Hasil Uji Normalitas
Sumber : Hasil Pengolahan SPSS (2013)
Dari hasil pengelorahan data, diperoleh variabel kepemilikan saham institusi, GPM, NPM dan ROA terdistribusi secara normal dengan nilai signifikan sebesar 0,928 > 0,05 maka H0 diterima.
Dengan demikian secara keseluruhan dapat disimpulkan bahwa nilai-nilai observasi data telah terdistribusi secara normal dan dapat dilanjutkan dengan uii asumsi klasik lainnya. Untuk lebih jelas berikut ini turut dilampirkan grafik histogram dan plot data yang terdistribusi normal.
Gambar 4.1 Uji Normalitas Data (1) Sumber : Hasil Pengolahan SPSS (2013)
Dengan cara membandingkan antara data observasi dengan distribusi yang mendekati normal, dari grafik histogram di atas dapat disimpulkan bahwa distribusi data normal karena grafik histogram menunjukkan distribusi data mengikuti garis diagonal yang tidak menceng (skewness) kiri maupun menceng
kanan.
Demikian pula dengan hasil uji normalitas dengan menggunakan grafik plot. Normalitas data dapat menggunakan normal P- Plot data dalam keadaan normal apabila distribusi data menyebar disekitar diagonal.
Gambar 4.2 Uji Normalitas Data (2) Sumber : Hasil Pengolahan SPSS (2013)
Pada grafik normal plot terlihat titik-titik menyebar disekitar garis diagonal serta penyebarannya agak mendekati dengan garis diagonal sehingga dapat disimpulkan bahwa data dalam model regresi terdistribusi secara normal.
4.2.2.2 Uji Multikolonieritas
Adanya Multikolinearitas dapat dilihat dari tolerance value atau nilai
variance inflation factor (YIF).Batas dari tolerance value dibawah 0,01 atau nilai
Tabel 4.3
Hasil Uji Multikolonieritas
Sumber : Hasil Pengolahan SPSS (2013)
Dari data pada tabel 4.4 dapat disimpulkan bahwa tidak terjadi multikolonieritas dengan dasar nilai VIF untuk setiap variabel independen tidak ada yang melebihi 10 dan nilai tolerance tidak ada yang kurang dari 0.1, hal ini dapat ilihat dari nilai tolerance GPM sebesar 0,987; NPM sebesar 0,403 dan ROA sebesar 0,406 tidak kurang dari 0,1 dan nilai VIF GpM sebesar 1,013; NpM sebesar 2,481 dan ROA sebesar 2,462 iiaat melebihi 10. Maka dapat dilakukan analisis lebih lanjut dengan menggunakan model regresi berganda.
4.1.2.3 Uji Heteroskedastisitas
Dalam penelitian ini, untuk mendeteksi ada tidaknya gejala heteroskedastisitas adalah melihat plot grafik yang dihasilkan dari pengolahan data menggunakan program SPSS. Dasar pengambilan keputusannya adalah:
1) Jika pola tertentu, seperti titik-titik yang teratur maka telah terjadi heteroskedastisitas. Coefficientsa Model Unstandardized Coefficients Standardized Coefficients t Sig. Collinearity Statistics
B Std. Error Beta Tolerance VIF
1 (Constant) 2.675 3.993 .670 .507
GPM .001 .056 .002 .013 .989 .987 1.013
NPM .459 .203 .458 2.259 .030 .403 2.481
ROA .306 .291 .212 1.052 .300 .406 2.462
2) Jika tidak ada pola tertentu, serta titik-titik yang menyebar tidak tertentu diatas dan dibawah angka 0 pada sumbu y, maka tidak terjadi heteroskedastisitas. Berikut ini dilampirkan grafik scatterplot untuk menganalisis apakah terjadi heterskedastisitas atau terjadi homoskedastisitas dengan mengganti penyebaran titik-titik pada gambar.
Gambar 4.3
Hasil Uji Heteroskedastisitas Sumber : Hasil Pengolahan SPSS (2013)
Dari grafik scatterplot terlihat bahwa titik-titik menyebar secara acak serta tersebar baik diatas maupun di bawah angka 0 pada sumbu Y. Hal ini dapat disimpulkan bahwa tidak terjadi heteroskedastisitas pada model regresi. Dengan demikian, model ini layak dipakai untuk memprediksi kebijakan pendanaan pada
perusahaan grosir dan eceran yang terdaftar di bursa efek indonesia berdasarkan masukan variabel independen GPM, NPM dan ROA.
4.1.2.4. Uji Autokorelasi
Autokorelasi dapat diartikan sebagai korelasi yang terjadi di antara anggota-anggota dari serangkaian observasi yang berderetan waktu (apabila datanya time series) atau korelasi antara tempat berdekatan (apabila cross sectional).
Tabel 4.4
Hasil Uji Autokorelasi
Model Summaryb Model R R Square Adjusted R Square Std. Error of the Estimate Durbin-Watson dimension0 1 .636a .404 .354 17.22268 2.044
a. Predictors: (Constant), ROA, GPM, NPM b. Dependent Variable: OPM
Sumber : Hasil Pengolahan SPSS (2013)
Hasil uji autokorelasi diatas menunjukkan nilai R sebesar 0,636 menunjukkan bahwa koralasi yang kecil yaitu 63,6%. Nilai adjust R sguare
sebesar 0,404 atau 40,4% mengindikasikan bahwa variasi dari kedua variable independen hanya mampu menjelaskan variabel dependen 63.6%. Durbin - Watson sebesar 2,044, nilai ini akan dibandingkari dengan nilai tabel dengan menggunakan nilai signifikansi 5% jumlah sampel 20 (n) dan jumlah independen 4 (k=4). Oleh karena nilai DW 2,765 lebih besar dari batas (du) 1,828 dan kurang dari 4-1,828 (4-du), maka dapat disimpulkan bahwa tidak ada autokorelasi positif atau negatif.
4.1.3 Pengujian Hipotesi Penelitian 4.1,3.1. Persamaan Regresi
Dalam pengolahan data dengan menggunakan regresi linear, dilakukan beberapa tahapan untuk mencari hubungan antara variabel dependen dengan variabel independen.
Tabel 4.5 Hasil Analisis Regresi
Coefficientsa Model Unstandardized Coefficients Standardized Coefficients T Sig. B Std. Error Beta 1 (Constant) 2.675 3.993 .670 .507 GPM .001 .056 .002 .013 .989 NPM .459 .203 .458 2.259 .030 ROA .306 .291 .212 1.052 .300
a. Dependent Variable: OPM
Sumber : Hasil Pengolahan SPSS (2013)
Berdasarkan hasil analisis regresi seperti tertera pada ringkasan tabel 4.6 diatas diperoleh persamaan model regresi yang distandarkan sebagai berikut:
Y = 2,675 + 0,001 X1 - 0,459 X2+0,306X4+e Adapun interpretasi dari persamaan di atas adalah:
1. a = 2,675
nilai konstanta ini menunjukkan bahwa apabila tidak ada variabel GPM, NPM, ROA (Xl : X2 :X3: 0), maka profitabilitas yang diberikan adalah
2. b1 = 0,001
koefisien regresi b1 ini menunjukkan bahwa setiap variabel GPM meningkat satu satuan, maka OPM akan bertambah 0,001 atau 0,01% dengan asumsi variabel lain dianggap tetap atau ceteris paribus.
3. b2 = 0,459
nilai parameter atau koefisien regresi b2 menunjukkan bahwa setiap variabel NPM meningkat satu satuan, maka OPM akan menurun sebesar 0,459 atau 45,9% dengan asumsi variabel lainnya tetap atau sama dengan nol.
4. b3 = 0,306
koefisien regresi b1 ini menunjukkan bahwa setiap variabel ROA meningkat satu satuan, maka OPM akan bertambah 0,306 atau 30,60% dengan asumsi variabel lain dianggap tetap atau ceteris paribus.
4.1.3.2. Uji Signifikansi Parsial
Pengaruh setiap variabel independen terhadap variabel dependen yang nyata atau signifikan dalam model regresi dapat dilihat dengan melakukan uji t (T test). Uji statistik t pada dasamya menunjukkan seberapa jauh pengaruh satu variabel penjelas atau independen secara individual menerangkan variabel independen.
Adapun kriteria pengujiannya yaitu:
H0 diterima jika tHitung < tTabel dan signifikansi > 0,05 H1 diterima jika tHitung > tTabel dan signifikansi < 0.05
Tabel 4.6 Hasil Uji t Coefficientsa Model Unstandardized Coefficients Standardized Coefficients t Sig. B Std. Error Beta 1 (Constant) 2.675 3.993 .670 .507 GPM .001 .056 .002 .013 .989 NPM .459 .203 .458 2.259 .030 ROA .306 .291 .212 1.052 .300
a. Dependent Variable: OPM
Sumber : Hasil Pengolahan SPSS (2013)
4.1.3.3. Uji Signifikasi Simultan
Pengujian hipotesis secara simultan dilakukan dengan uji F. Uji statistik F pada dasarnya menunjukkan apakah semua variabel independen atau bebas yang dimasukkan dalam model mempunyai pengaruh secara bersama-sama tehadap variabel dependen. Uji F merupakan suatu pengujian untuk mengetahui apakah semua variabel independen bukan merupakan penjelas yang signifikan terhadap variabel dependen. Pengujian ini dilakukan dengan menghitung serta membandingkan F hitung dengan F table yaitu ketentuan sebagai berikut:
Jika Fhitung < FTabel dan signifikansi > 5% H0 diterima Jika Fhitung > FTabel dan signifikansi < 5% H1 diterima
Tabel 4.7 Hasil Uji F
ANOVAb
Model Sum of Squares Df Mean Square F Sig.
1 Regression 7241.066 3 2413.689 8.137 .000a
Residual 10678.345 36 296.621
Total 17919.411 39
a. Predictors: (Constant), ROA, GPM, NPM b. Dependent Variable: OPM
Sumber : Hasil Pengolahan SPSS (2013)
Berdasarkan hasil perhitungan dengan menggunakan program SPSS tersebut, dapat disimpulkan bahwa Fhitung sebesar 8,137 dan FTabel sebesar 4,085 dengan nilai p value sebesar 0,000 jauh lebih kecil dari 0,05. Dengan demikian dapat diketahui bahwa Fhitung > FTabel ( 8,137> 4,805), H1 diterima dan nilai p value yaitu 0,000 < 0,05 artinya antara, GPM, NPM, ROA memiliki pengaruh linear terhadap ROA. Dengan kata lain, variabel-variabel independen secara bersama-sama mempengaruhi jumlah OPM secara signifikan.
Berdasarkan hasil pengujian secara parsial dapat disimpulkan bahwa:
1. Pengaruh GPM (variable modal kerja) terhadap OPM (profitabilitas) dengan menggunakan SPSS diperoleh tHitung, sebesar 0,013 dan tTabel 2,026 dengan nilai p value 0,989. Karena thitung < tTabel (0,013 < 2,026) dan nilai p value 0,989 > 0,05 dapat disimpulkan bahwa Ho diterima. Hal ini menunjukkan bahwa ada pengaruh positif dan signifikan GPM terhadap OPM.
2. Pengaruh NPM (variable modal kerja) yang diukur dengan menggunakan program SPSS diperoleh tHitung sebesar 2,259 dan 166.1 2,026 dengan nilai
p value 0,030. Karena nilai p value 0,030<0,05 dan tTabel ( ttabel (2,259 >2,026) maka dapat disimpulkan bahwa Ho diterima. Hal ini menunjukkan bahwa NPM berpengaruh terhadap OPM.
3. Pengaruh ROA (aktiva tetap) yang diukur dengan menggunakan program SPSS diperoleh tHitung sebesar 1,052 dan tTabel 2,026 dengan nilai p value 0,300 Karena nilai p value 0,300>0,05 dan tHitung < tTabel (1,5052< 2,026) maka dapat disimpulkan bahwa H0 diterima. Hal ini menunjukkan bahwa ROA berpengaruh terhadap OPM.