HASIL PENELITIAN DAN PEMBAHASAN
5.1.2. Uji Asumsi Klasik
Model regresi linear berganda memerlukan uji asumsi klasik sebagai persyaratan distribusi data. Setelah dilakukannya transformasi data maka uji asumsi klasik yang dilakukan pada penelitian ini antara lain adalah:
5.1.2.1. Uji Multikorelasi
Untuk mendeteksi apakah model regresi yang dipakai bebas daripermasalahan multikolinearitas dapat dilihat dari besaran VIF (Variance InflationFactor) dan tolerance, di mana nilai VIF tidak lebih besar dari 10 dan nilai tolerance tidak lebih kecildari 0,1.
Tabel 5.3. Uji Multikolinearitas Model Regresi I Coefficientsa Model Unstandardized Coefficients Standardized Coefficients t Sig. Correlations Collinearity Statistics B Std. Error Beta Zero-order Part ial Part Toler ance VIF 1 (Constant) -38,160 6,379 -5,982 ,000 CR_Gro ,265 ,089 ,214 2,984 ,003 ,262 ,259 ,197 ,845 1,184 DAR_Gro ,190 ,140 ,100 1,359 ,177 -,006 ,121 ,090 ,810 1,234 ROE_Gro ,319 ,045 ,489 7,079 ,000 ,479 ,536 ,467 ,911 1,098 Size_Gro 8,148 1,316 ,418 6,193 ,000 ,405 ,486 ,408 ,956 1,046 GCG ,268 ,156 ,117 1,718 ,088 ,020 ,152 ,113 ,941 1,063 a. Dependent Variable: GP_Gro
Sumber : Lampiran
Dari Tabel 5.3. Uji Multikolinearitas Model Regresi I, dapat dilihat variabel pertumbuhan rasio lancar (CR_Gro) memiliki nilai tolarance sebesar 0,845 dengan nilai Variance Inflation Factor sebesar 1,184, variabel pertumbuhan rasio hutang terhadap total aset (DAR_Gro) memiliki nilai tolarance sebesar 0,810 dengan nilai Variance Inflation Factor sebesar 1,234, variabel pertumbuhan rasio tingkat pengembalian ekuitas (ROE_Gro) memiliki nilai tolarance sebesar 0,911 dengan nilai Variance Inflation Factor sebesar 1,098, variabel pertumbuhan ukuran perusahaan (Size_Gro) memiliki nilai tolarance sebesar 0,956 dengan nilai Variance Inflation Factor sebesar 1,046, dan variabel good corporate governance (GCG) memiliki nilai tolarance sebesar 0,941 dengan nilai Variance Inflation Factor sebesar 1,063. Hal ini menunjukkan bahwa model analisis regresi berganda yang digunakan untuk melihat
pengaruh pertumbuhan rasio lancar, pertumbuhan rasio hutang terhadap total aset, pertumbuhan rasio tingkat pengembalian ekuitas, pertumbuhan ukuran perusahaan dan good corporate governace terhadap pertumbuhan laba kotor perusahaan tidak memiliki masalah multikolinearitas, dimana nilai tolerance tidak lebih kecil dari 0,100 dan nilai Variance Inflation Factor tidak lebih besar dari 10, sehingga model ini layak digunakan.
Tabel 5.4. Uji Multikolinearitas Model Regresi II
Coefficientsa Model Unstandardized Coefficients Standardized Coefficients t Sig. Correlations Collinearity Statistics B Std. Error Beta Zero-order Part ial Part Toler ance VIF 1 (Constant) -28,832 5,827 -4,948 ,000 CR_Gro ,211 ,081 ,209 2,595 ,011 ,226 ,227 ,192 ,845 1,184 DAR_Gro ,222 ,127 ,143 1,745 ,083 ,023 ,155 ,129 ,810 1,234 ROE_Gro ,177 ,041 ,333 4,301 ,000 ,337 ,360 ,318 ,911 1,098 Size_Gro 6,432 1,202 ,405 5,352 ,000 ,387 ,433 ,396 ,956 1,046 GCG ,158 ,142 ,085 1,109 ,269 ,020 ,099 ,082 ,941 1,063 a. Dependent Variable: Sales_Gro
Sumber : Lampiran
Dari Tabel 5.4. Uji Multikolinearitas Model Regresi II, dapat dilihat variabel pertumbuhan rasio lancar (CR_Gro) memiliki nilai tolarance sebesar 0,845 dengan nilai Variance Inflation Factor sebesar 1,184, variabel pertumbuhan rasio hutang terhadap total aset (DAR_Gro) memiliki nilai tolarance sebesar 0,810 dengan nilai Variance Inflation Factor sebesar 1,234, variabel pertumbuhan rasio tingkat pengembalian ekuitas (ROE_Gro) memiliki nilai tolarance sebesar 0,911dengan nilai Variance Inflation Factor sebesar 1,098, variabel pertumbuhan ukuran perusahaan
(Size_Gro) memiliki nilai tolarance sebesar 0,956 dengan nilai Variance Inflation Factor sebesar 1,046, dan variabel good corporate governance (GCG) memiliki nilai tolarance sebesar 0,941 dengan nilai Variance Inflation Factor sebesar 1,063. Hal ini menunjukkan bahwa model tersebut tidak memiliki masalah multikolinearitas, dimana nilai tolerance tidak lebih kecil dari 0,100 dan nilai Variance Inflation Factor tidak lebih besar dari 10, sehingga model ini layak digunakan sebagai variabel Residual Unstandarized untuk melihat apakah pertumbuhan penjualan dapat memoderasi pengaruh pertumbuhan rasio lancar, pertumbuhan rasio hutang terhadap total aset, pertumbuhan rasio tingkat pengembalian ekuitas, pertumbuhan ukuran perusahaan dan good corporate governance terhadap pertumbuhan laba kotor perusahaan.
5.1.2.2. Uji Autokorelasi
Model regresi yang baik adalah regresi yang bebas dari autokorelasi. Untuk mendeteksi apakah model regresi yang dipakai bebas dari permasalah autokorelasi dapat dinilai dari uji Durbin-Watson (DW test). Dasar pengambilan keputusan ada tidaknya autokorelasi dapat dilihat dari tabel 5.5.
Tabel 5.5. Dasar Pengambulan Keputusan Ada Tidaknya Autokorelasi
No. Hipotesis Nol Keputusan Jika
1. Tidak ada autokorelasi positif Tolak 0 < d < dl 2. Tidak ada autokorelasi positf Tidak ada keputusan dl ≤ d ≤ du
3. Tidak ada korelasi negatif Tolak 4 – du ≤ d ≤ 4 – dl 4. Tidak ada korelasi negatif Tidak ada keputusan 4 – du ≤ d ≤ 4 – dl 5. Tidak ada autokorelasi,
Dimana : H0
H
= tidak ada autokorelasi (r = 0)
1
d = nilai Durbin-Watson = ada autokorelasi (r ≠ 0)
du = batas atas tabel Durbin-Watson dl = batas bawah tabel Durbin-Watson
Tabel 5.6. Uji Autokorelasi Model Regresi I
Model Summaryb Model R R Square Adjusted R Square Std. Error of the Estimate Change Statistics Durbin-Watson R Square Change F Change df1 df2 Sig. F Change 1 ,679a ,461 ,439 ,18881 ,461 21,208 5 124 ,000 2,325
a. Predictors: (Constant), GCG, Size_Gro, CR_Gro, ROE_Gro, DAR_Gro b. Dependent Variable: GP_Gro
Sumber : Lampiran
Dari tabel 5.6. Uji Autokorelasi Model Regresi I, dapat dilihat nilai Durbin-Watson yang diperoleh adalah sebesar 2,325. Nilai tersebut akan dibandingkan dengan niali tabel dengan menggunakan nilai signifikan 5 %, jumlah sampel 130 (n) dan jumlah variabel independen 5 (k=5), maka di tabel Durbin-Watson akan diperoleh nilai batas bawah (dl) sebesar 1,6346 dan nilai batas atas (du) sebesar 1,7941. Oleh karena nilai 4 – du (4 – 1,7941) lebih kecil dari nilai Durbin-Watson 2,325 dan nilai Durbin-Watson 2,322 lebih kecil 4 – dl (4 – 1,6346), maka dapat disimpulkan bahwa tidak ada keputusan apakah model tersebut mendapat masalah autokorelasi atau bebas dari masalah autkorelasi (lihat tabel 5.5. point 4) . Secara matematis dapat ditulis sebagai berikut :
4 – du ≤ d ≤ 4 – dl 4 – 1,7941 ≤ 2,3220 ≤ 4 – 1,6346 2,2059 ≤ 2,3220 ≤ 2,3654
Tabel 5.7. Uji Autokorelasi Model Regresi II Model Summaryb Model R R Square Adjusted R Square Std. Error of the Estimate Change Statistics Durbin-Watson R Square Change F Change df1 df2 Sig. F Change 1 ,567a ,321 ,294 ,17247 ,321 11,733 5 124 ,000 2,036
a. Predictors: (Constant), GCG, Size_Gro, CR_Gro, ROE_Gro, DAR_Gro b. Dependent Variable: Sales_Gro
Sumber : Lampiran
Dari tabel 5.7. Uji Autokorelasi Model Regresi II, dapat dilihat nilai Durbin-Watson yang diperoleh adalah sebesar 2,036. Nilai tersebut akan dibandingkan dengan niali tabel dengan menggunakan nilai signifikan 5 %, jumlah sampel 130 (n) dan jumlah variabel independen 5 (k=5), maka di tabel Durbin-Watson akan diperoleh nilai batas bawah (dl) sebesar 1,6346 dan nilai batas atas (du) sebesar 1,7941. Oleh karena nilai Durbin-Watson 2,073 lebih besar dari batas atas (du) 1,7941 dan kurang dari 4 – du (4 – 1,7941 = 2,2059), maka dapat disimpulkan bahwa tidak bisa menolak H0
du < d <4 – du
yang menyatakan bahwa tidak ada autokorelasi positif atau negatif (lihat tabel 5.5. point 5) atau dapat disimpulkan tiadak terdapat autokorelasi. Secara matematis dapat ditulis sebagai berikut :
1,7941 < 2,0360 <4 – 1,7941 1,8110 < 2,0360 < 2,2059 5.1.2.3. Uji Heteroskedatisitas
Suatu model regresi dapat dikatakan bebas dari permasalahan heteroskedastisitas jika:
a. Titik-titik data menyebar di atas dan di bawah atau di sekitar angka 0.
b. Penyebaran titik-titik data tidak boleh membentuk pola bergelombang,melebar kemudian menyempit dan melebar kembali.
c. Titik-titik data tidak mengumpul hanya di atas atau di bawah saja.
Menurut Ghozali (2013), analisis dengan grafit plots memiliki kelemahan yang cukup signifikan oleh sulit menginterprestasikan hasil grafik plot. Oleh sebab itu diperlukan uji statistik yang dapat menjamin keakuratan hasil dengan uji glejser. Adapun dasar pengambilan keputusannya adalah dengan melihat tabel Coefficient, dimana hasil regresi dari tabel tersebut haruslah menjukkan bahwa tak ada satupun variabel independen yang signifikan secara statistik mempengaruhi variabel dependen nilai absolut Ut (Abs_Ut).
Gambar 5.1. Uji Heterokedastisitas - Scattlerplot Model Regresi I
Pada gambar 5.1. Uji Heterokedastisitas - Scatterplot Model Regresi I, menunjukkan bahwa titik-titik diagram menyebar disekitar angka nol, tidak hanya mengumpul pada satu titik. Penyebaran titik-titik tersebut tidak membentuk pola bergelombang, melebar kemudian menyempit dan melebar kembali. Akan tetapi terdapat beberapa plot yang saling mengumpulkan, sehingga sulit disimpulkan bahwa model regresi I terbebas dari kasus heterokedastisitas. Maka perlukan melakukan uji glejser.
Tabel 5.8. Uji Glejser – Model Regresi I
Coefficientsa Model Unstandardize d Coefficients Standardized Coefficients t Sig. Correlations Collinearity Statistics B Std. Error Beta Zero-order Partia l Part Tolera nce VIF 1 (Constant) ,308 4,312 ,071 ,943 CR_Gro -,022 ,060 -,036 -,371 ,711 ,023 -,033 -,033 ,845 1,184 DAR_Gro -,116 ,094 -,120 -1,229 ,221 -,086 -,110 -,108 ,810 1,234 ROE_Gro ,056 ,030 ,170 1,839 ,068 ,145 ,163 ,162 ,911 1,098 Size_Gro ,023 ,889 ,002 ,026 ,979 ,019 ,002 ,002 ,956 1,046 GCG ,028 ,105 ,024 ,265 ,792 -,010 ,024 ,023 ,941 1,063 a. Dependent Variable: Abs_Ut1
Sumber : Lampiran
Pada tabel 5.8. Uji Glejser – Model Regresi I, dapat dilihat bahwa seluruh nilai signifikansi dari variabel independen lebih besar dari 0,05 terhadap varibel dependen (Absolute Ut) yang berarti tidak ada satupun variabel independen yang berpengaruh signifikan terhadap variabel dependen. Sehingga dapat disimpulkan bahwa model regresi I terbebas dari kasus heterokedastisitas.
Gambar 5.2. Uji Heterokedastisitas – Scatterplot Model II
Sumber : Lampiran
Pada gambar 5.2. Uji Heterokedastisitas - Scatterplot Model Regresi II, menunjukkan bahwa titik-titik diagram menyebar disekitar angka nol, tidak hanya mengumpul pada satu titik. Penyebaran titik-titik tersebut tidak membentuk pola bergelombang, melebar kemudian menyempit dan melebar kembali. Akan tetapi terdapat beberapa plot yang saling mengumpulkan, sehingga sulit disimpulkan bahwa model regresi I terbebas dari kasus heterokedastisitas. Maka perlukan melakukan uji glejser.
Coefficientsa Model Unstandardized Coefficients Standardized Coefficients t Sig. Correlations Collinearity Statistics B Std. Error Beta Zero-order Parti al Part Toler ance VIF 1 (Constant) -2,873 4,139 -,694 ,489 CR_Gro ,041 ,058 ,069 ,712 ,478 ,086 ,064 ,063 ,845 1,184 DAR_Gro -,005 ,091 -,005 -,053 ,958 -,029 -,005 -,005 ,810 1,234 ROE_Gro ,034 ,029 ,107 1,147 ,253 ,103 ,103 ,102 ,911 1,098 Size_Gro ,532 ,854 ,057 ,623 ,535 ,062 ,056 ,055 ,956 1,046 GCG ,029 ,101 ,027 ,291 ,772 ,008 ,026 ,026 ,941 1,063 a. Dependent Variable: Abs_Ut1
Pada tabel 5.9. Uji Glejser – Model Regresi II, dapat dilihat bahwa seluruh nilai signifikansi dari variabel independen lebih besar dari 0,05 terhadap varibel dependen (Absolute Ut) yang berarti tidak ada satupun variabel independen yang berpengaruh signifikan terhadap variabel dependen. Sehingga dapat disimpulkan bahwa model regresi II terbebas dari kasus heterokedastisitas.
5.1.2.4. Uji Normalitas
Pada Normal Propability Plot, normalitas data dapat dideteksi dengan melihat penyebaran data (titik) pada sumbu diagonal dari grafik. Dasar pengambilan keputusan antara lain :
1. Jika data menyebar di sekitar garis diagonal dan mengikuti arah garisdiagonal, maka model regresi memenuhi asumsi Normalitas.
2. Jika data menyebar jauh dari garis diagonal dan/atau tidak mengikuti arahgaris diagonal, maka model regresi tidak memenuhi asumsi Normalitas.
Gambar 5.3. Uji Normalitas - Normal P-Plot of Regression Standardized Residual I
Sumber : Lampiran
Dari gambar 5.3. Uji Normalitas - Normal P-Plot of Regression Standardized ResidualModel Regresi I, dapat diketahui bahwa sebaran data model regresi I (model analisis regresi berganda) mengikuti arah garis diagonal, memenuhi persyaratan distribusi normal. Model regresi layak dipakai untuk melihat pengaruh pertumbuhan rasio keuangan, pertumbuhan ukuran perusahaan dan good corporate governance terhadap pertumbuhan laba kotor perusahaan.
Gambar 5.4. Uji Normalitas - Normal P-Plot of Regression Standardized Residual II
Sumber : Lampiran
Dari gambar 5.4. Uji Normalitas - Normal P-Plot of Regression Standardized Residual Model Regresi II, dapat diketahui bahwa sebaran data model regresi II mengikuti arah garis diagonal, memenuhi persyaratan distribusi normal. Model regresi tersebut layak dipakai untuk dijadikan model residual dalam analisis regresi moderasi.
5.1.3. Uji Hipotesis dengan Analisis Regresi Berganda