TINJAUAN PUSTAKA
HASIL DAN PEMBAHASAN
4.1 Data Penelitian
4.2.2 Uji Asumsi Klasik
Salah satu syarat yang menjadi dasar penggunaan model regresi berganda dengan metode estimasi Ordinary Least Squarre (OLS) adalah dipenuhinya semua
56 asumsi klasik, agar hasil pengujian bersifat tidak bias (Best Linier Unbiased Estimator). Menurut Ghozali (2012 : 96), asumsi klasik yang harus dipenuhi adalah:
1. Berdistribusi Normal,
2. Non-Multikolonieritas, artinya antara variabel independen dalam model regresi tidak memiliki kolerasi atau hubungan secara sempurna ataupun mendekati sempurna,
3. Non-Autokorelasi, artinya kesalahan pengganggu dalam model regresi tidak saling berkorelasi,
4. Non-Heteroskedastisitas, artinya variance variabel independen dari satu pengamatan ke pengamatan lain adalah konstan atau sama.
4.2.2.1 Uji Normalitas
Ada dua cara yang dapat dilakukan untuk mendeteksi apakah residual berdistribusi normal atau tidak, yaitu dengan analisis grafik dan uji statistik. Untuk melakukan pengujian normalitas dengan analisis grafik dapat dilakukan dengan manganalisis grafik normal probability plot dan grafik histogram. Dasar pengambilan keputusan dalam uji normalitas yaitu:
1. Jika data menyebar disekitar garis diagonal dan mengikuti arah garis diagonal atau grafik histogramnya menunjukkan pola distribusi normal, maka model regresi memenuhi asumsi normalitas.
2. Jika data menyebar jauh dari diagonal dan / atau tidak mengikuti arah garis diagonal atau grafik histogram tidak menunjukkan pola distribusi normal, maka model regresi tidak memenuhi asumsi normalitas.
57 Gambar 4.1
Pengujian Normalitas 1
Gambar 4.2 Pengujian Normalitas 2
58 Tabel 4.4
Pengujian Normalitas 3
One-Sample Kolmogrov-Simrnov Test
Cash Ratio Receivable Turn Over Inventory Turn Over Working Capital Turn Over Debt to Equity Ratio Return on Investment N 54 54 54 54 54 54 Normal Parametersa,b Mean 1.1085 6.3998 3.5124 17.6896 2.9369 .1337 Std. Deviation .96838 2.43249 1.36372 26.96153 10.43444 .11465 Most Extreme Differences Absolute .148 .085 .108 .285 .464 .145 Positive .148 .084 .086 .251 .464 .145 Negative -.128 -.085 -.108 -.285 -.389 -.122 Kolmogorov-Smirnov Z 1.090 .628 .792 2.095 3.413 1.064 Asymp. Sig. (2-tailed) .186 .825 .557 .000 .000 .208 a. Test distribution is Normal.
b. Calculated from data.
Sumber: Output SPSS, diolah oleh penulis, 2015
Gambar 4.1 memperlihatkan grafik normal probability plot, yang menunjukkan bahwa titik-titik dalam plot terlihat menyebar jauh dari garis diagonal baik diatas maupun dibawah garis diagonal. Hal tersebut berarti data terdistribusi tidak normal. Gambar 4.2 memperlihatkan bahwa pada grafik histogram, distribusi tidak mengikuti kurva berbentuk lonceng dan menceng (skewness) ke arah kiri dan kanan, sehingga dapat disimpulkan bahwa data tersebut terdistribusi tidak normal. Tabel 4.4 menunjukkan bahwa nilai
Kolmogorov-Smirnov (K-S) untuk variabel Working Capital Turn Over sebesar 2.095 dengan probabilitas signifikansi (Asymp. Sig. (2-tailed)) 0.000 dan nilainya
jauh dibawah α = 0.05, dan nilai Kolmogorov-Smirnov (K-S) untuk variabel Debt
to Equity Ratio sebesar 3.413 dengan probabilitas signifikansi (Asymp. Sig. (2-tailed)) 0.000 dan nilainya jauh dibawah α = 0.05, hal ini menunjukkan variabel
59 Working Capital Turn Over dan Debt to Equity Ratio tidak berdistribusi secara normal.
Data tidak normal dapat disebabkan oleh adanya data outlier yaitu data yang memiliki nilai yang sangat menyimpang dari nilai data lainnya. Cara untuk mengatasi data outlier yaitu dengan melakukan transformasi data ke bentuk lainnya. Tindakan perbaikan yang dilakukan dalam penelitian ini adalah menggunakan transformasi seluruh variabel penelitian dalam bentuk logaritma natural (Ln) dari ROI = f(CR, RTO, ITO, WCTO, DER) menjadi LnROI = f(LnCR, LnRTO, LnITO, LnWCTO, LnDER). Bentuk ini menyebabkan data yang bernilai negatif tidak dapat ditransformasi sehingga jumlah sampel yang valid menjadi 48 pengamatan.
Setelah dilakukan transformasi data maka hasil uji normalitas data dapat dilihat pada grafik normal probability plot dan tabel Kolmogorov Smirnov sebagai berikut:
Gambar 4.5 Pengujian Normalitas 4
60 Gambar 4.6
Pengujian Normalitas 5 Tabel 4.5
Pengujian Normalitas 6
One-Sample Kolmogrov-Simrnov Test (Ln)
LnCR LnRTO LnITO LnWCTO LnDER LnROI
N 48 48 48 48 48 48
Normal Parametersa,b Mean -.1797 1.8404 1.2596 1.9418 -.9362 -2.2178
Std. Deviation .99712 .38611 .36862 .88430 .53361 .85687 Most Extreme Differences Absolute .150 .141 .146 .156 .140 .149 Positive .082 .112 .082 .156 .140 .149 Negative -.150 -.141 -.146 -.127 -.072 -.088 Kolmogorov-Smirnov Z 1.038 .976 1.010 1.079 .968 1.036 Asymp. Sig. (2-tailed) .232 .296 .260 .194 .306 .234 a. Test distribution is Normal.
b. Calculated from data.
61 Gambar 4.4 telah memperlihatkan grafik normal probability plot, yang menunjukkan bahwa data (titik-titik) menyebar di sekitar garis diagonal dan mengikuti arah garis diagonal. Hal tersebut berarti data terdistribusi dengan normal. Gambar 4.5 telah memperlihatkan bahwa pada grafik histogram, distribusi data mengikuti kurva berbentuk lonceng yang tidak menceng (skewness) ke arah kiri atau kanan, sehingga dapat disimpulkan bahwa data tersebut terdisbusi normal. Tabel 4.5 telah menunjukkan bahwa nilai Kolmogorov-Smirnov (K-S) untuk variabel Working Capital Turn Over sebesar 1.079 dengan probabilitas signifikansi (Asymp. Sig. (2-tailed)) 0.194 dan nilainya jauh diatas α
= 0.05 dan nilai Kolmogorov-Smirnov (K-S) untuk varibel Debt to Equity Ratio sebesar 0.968 dengan probabilitas signifikansi (Asymp. Sig. (2-tailed)) 0.306 dan
nilainya jauh diatas α = 0.05, hal ini menunjukkan variabel Working Capital Turn
Over dan Debt to Equity Ratio berdistribusi secara normal. Hasil pengujian dengan menggunakan grafik, histogram dan model Kolmogorov-Smirnov, sehingga dapat diambil kesimpulan bahwa data telah terdistribusi normal, sehingga dapat dilakukan pengujian asumsi klasik lainnya.
4.2.2.2 Uji Multikolonieritas
Dalam penelitian ini, untuk mendeteksi ada tidaknya gejala multikolonieritas adalah dengan melihat besaran kolerasi antar variabel independen dan besarnya tingkat kolonieritas yang masih dapat ditolerir, yaitu nilai Tolerance > 0,10 dan Variance Inflasion Factor (VIF) < 10.
Uji multikolonieritas menunjukkan hasil seperti yang disajikan pada tabel pengujian berikut ini:
62 Tabel 4.6 Pengujian Multikolonieritas Coefficientsa Model Unstandardized Coefficients Standardized Coefficients t Sig. Collinearity Statistics
B Std. Error Beta Tolerance VIF
1 (Constant) -3.027 .319 -9.504 .000 LnCR .343 .085 .399 4.033 .000 .239 4.184 LnRTO -.314 .166 -.141 -1.890 .066 .418 2.394 LnITO .176 .145 .076 1.214 .232 .598 1.672 LnWCTO .317 .075 .327 4.200 .000 .386 2.593 LnDER -.653 .142 -.406 -4.587 .000 .298 3.359 a. Dependent Variable: LnROI
Sumber: Output SPSS, diolah oleh penulis, 2015
Berdasarkan data Tabel 4.6 tersebut dapat diketahui bahwa nilai tolerance dari masing-masing variabel independen lebih besar dari 0.10, yaitu untuk variabel LnCR sebesar 0.239, variabel LnRTO sebesar 0.418, variabel LnITO sebesar 0.598, variabel LnWCTO sebesar 0.386, variabel LnDER sebesar 0.298. Nilai VIF dari masing-masing varibel independen diketahui kurang dari 10, yaitu untuk variabel LnCR sebesar 4.184, variabel LnRTO sebesar 2.394, variabel LnITO sebesar 1.672, variabel LnWCTO sebesar 2.593, variabel LnDER sebesar 3.359. Dengan demikian dapat disimpulkan bahwa pada penelitian ini tidak terdapat multikolonieritas.
4.2.2.3 Uji Autokorelasi
Model regresi yang baik adalah regresi yang bebas dari autokorelasi. Untuk menentukan ada tidaknya autokorelasi adalah dengan melakukan uji
63
Durbin Watson. Dalam model regresi ini terjadi autokorelasi apabila nilai DU < DW < 4 – DU.
Hasil uji Durbin Watsoni dalam penelitian ditunjukkan dalam tabel sebagai berikut:
Tabel 4.7
Pengujian Autokorelasi Model Summaryb
Model R R Square Adjusted R Square
Std. Error of the
Estimate Durbin-Watson
1 .950a .902 .890 .28407 2.024
a. Predictors: (Constant), LnDER, LnITO, LnRTO, LnWCTO, LnCR b. Dependent Variable: LnROI
Sumber: Output SPSS, diolah oleh Penulis, 2015
Dari tabel 4.7 menunjukkan bahwa nilai DW test yaitu sebesar 2.024. Nilai ini akan dibandingkan dengan nilai tabel signifikansi 5%, jumlah pengamatan (N) sebanyak 48, dan jumlah variabel (k) sebanyak 6, maka didapatkan nilai batas atas (DU) sebesar 1.77253. Oleh karena itu, nilai (DW) lebih besar dari 1.77253 dan lebih kecil dari 4 – 1.77253 = 2.22747 atau dapat dinyatakan bahwa 1.77253 < 2.024 < 4 – 1.77253 (DU < DW < 4 – DU) yaitu nilai Durbin Watson (DW) terletak diantara batas atas DU dan 4 – DU maka koefisien autokorelasinya sama dengan nol. Dengan demikian dapat disimpulkan tidak terdapat autokorelasi baik positif maupun negatif.
4.2.2.3 Uji Heteroskedastitas
Menurut Ghozali (2012 : 139) uji heteroskedastisitas bertujuan menguji apakah dalam model regresi terjadi ketidaksamaan variance dari residual satu pengamatan ke pengamatan yang lain. Model regresi yang baik adalah yang
64 homoskedastisitas atau tidak terjadi heteroskedastisitas. Cara untuk menentukan ada atau tidaknya heterokedastisitas adalah dengan melihat grafik scatterplot. Dasar pengambilan keputusannya menurut Ghozali (2013) adalah sebagai berikut:
1. Jika ada pola tertentu, seperti titik-titik yang ada membentuk pola tertentu yang teratur maka mengindikasikan telah terjadi heterokedasitas,
2. Jika tidak ada pola yang jelas, serta titik menyebar dibawah angka 0 dan sumbu Y, maka tidak terjadi heterokedasitas.
Berikut ditampilkan hasil uji heteroskedastisitas dengan menggunakan gambar sebagai berikut:
Gambar 4.7
Pengujian Heteroskedastisitas
Dari Gambar 4.7 scatterplot diatas, terlihat bahwa titik-titik menyebar secara acak dan tidak membentuk suatu pola tertentu atau tidak teratur, serta titik-titik menyebar diatas dan dibawah angka 0 pada sumbu Y. Hal ini mengindikasikan tidak terjadi heteroskedastisitas pada model regresi sehingga
65 model regresi layak untuk memprediksi variabel Return on Invesment berdasarkan masukan variabel independen Cash Ratio, Receivable Turn Over, Inventory Turn Over, Working Capital Turn Over, dan Debt to Equity Ratio. Adanya titik-titik yang menyebar menjauh dari titik-titik yang lain dikarenakan adanya data observasi yang sangat berbeda dengan data observasi yang lain.
4.2.3 Pengujian Hipotesis