Jumlah Modal Kerja Omzet Penjualan
METODE PENELITIAN
H. Uji Asumsi Klasik 1 Uji Multikolinieritas
Uji multikolineritas memiliki tujuan untuk mengetahui apakah variabel independen yang satu dengan yang lain saling berkorelasi atau tidak. Dalam uji ini, variabel independen tidak boleh saling berkorelasi, dikarenakan apabila terjadi korelasi antar variabel independen, maka dapat dipastikan variabel penelitian tersebut tidak ortogonal atau dengan kata lain nilai korelasi antar variabel independen adalah nol.
Menurut (Ghozali; 2006), untuk mendeteksi ada atau tidaknya multikolinieritas di dalam model regresi adalah sebagai berikut:
1. Nilai R² yang dihasilkan oleh suatu estimasi model regresi empiris yang sangat tinggi, tetapi secara individual variabel-variabel independen banyak yang tidak signifikan mempengaruhi variabel dependen.
2. Menganalisis matrik korelasi variabel-variabel independen. Jika antar variabel independen ada korelasi yang cukup tinggi (umumnya di atas 0,90), maka hal ini merupakan indikasi adanya multikolinieritas. Multikolinieritas dapat disebabkan karena adanya efek kombinasi dua atau lebih variabel independen.
3. Multikolinieritas dapat juga dilihat dari nilai toerance dan Variance Inflation Factor (VIF). Kedua ukuran ini menunjukkan setiap variabel independen manakah yang dijelaskan oleh variabel independen lainnya. Dalam pengertian sedehana setiap variabel independen menjadi variabel dependen (terikat) dan diregresikan terhadap variabel independen lainnya.
Tolerance mengukur variabilitas variabel independen yang terpilih yang tidak dijelaskan oleh variabel independen lainnya. Jadi nilai tolerance yang rendah sama dengan nilai VIF tinggi (karena VIF = 1/tolerance).
Cara untuk mendeteksi multikolinieritas adalah dengan melihat nilai tolerance dan nilai Variance Inflation Factor (VIF), dimana menurut Hair et al dalam Duwi Priyatno (2009) variabel dikatakan mempunyai masalah multikolinieritas apabila nilai tolerance lebih kecil dari 0,1 atau nilai VIF lebih besar dari 10. Model regresi yang baik seharusnya tidak terjadi korelasi di antara variabel independen. Melihat nilai Tolerance dan nilai VIF:
Melihat nilai Tolerance:
- Tidak terjadi Multikolinieritas, jika nilai Tolerance lebih besar 0,10
- Terjadi Multikolinieritas, jika nilai Tolerance lebih kecil atau sama dengan 0,10
Melihat nilai VIF:
- Terjadi Multikolinieritas, jika nilai VIF lebih besar atau sama dengan 10,00
2. Uji Heteroskedastisitas
Heteroskedastisitas adalah pelanggaran asumsi dimana varians dari setiap error dari variabel bebas tidak konstan dari waktu ke waktu. Pengujian Heteroskedastisitas digunakan untuk melihat apakah dalam sebuah model regresi terjadi ketidaksamaan varian dari residual satu pengamatan ke pengamatan yang lain tetap, maka disebut homokedastisitas, dan jika varians berbeda disebut heteroskedastisitas. Model regresi yang baik adalah tidak terjadi heteroskedastisitas. Akibat adanya heteroskedastisitas dalam model regresi adalah penaksir (estimator) yang diperoleh tidak efisien, baik dalam sampel kecil maupun dalam sampel biasa, walaupun penaksir yang diperoleh menggambarkan populasinya tidak bias dan bertambahnya sampel yang digunakan akan mendekati nilai sebenarnya (konsisten), ini disebabkan varians yang tidak minimum (tidak efisien). Cara mendeteksi ada atau tidaknya heteroskedastisitas dapat dilakukan dengan melihat gambar plot antara nilai prediksi variabel independen (ZPRED) dengan residual (SRESID) (Ghozali, 2006). Deteksi ada tidaknya heteroskedastisitas dapat dilakukan dengan melihat ada tidaknya pola tertentu pada grafik scatterplot antara SRESID dan ZPRED dimana sumbu Y’ adalah Y yang diprediksi, dan sumbu X adalah residual (Y prediksi – Y sesungguhnya) yang telah distudentized (Ghozali; 2006). Pengujian heteroskedastisitas dalam penelitian ini menggunakan Uji Park. Uji ini meregresi nilai absolut residual terhadap variabel independen. Jika varians dari residual satu pengamatan ke pengamatan yang lain tetap maka disebut homokedastisitas. Park menyarankan menggunakan rumus:
Ln e² = ln σ2+ β ln Yi + vi
Kriteria Pengujian:
1. Jika nilai sig. pada masing-masing variabel independen > 5%, maka tidak mengalami heteroskedastisitas.
2. Jika nilai sig. pada masing-masing variabel independen < 5%, maka mengalami heteroskedastisitas.
3. Uji Autokorelasi
Uji autokorelasi bertujuan untuk mengetahui ada atau tidaknya penyimpangan asumsi klasik autokorelasi yaitu korelasi yang terjadi antara residual pada satu pengamatan dengan pengamatan lain pada model regresi. Prasyarat yang harus terpenuhi adalah tidak adanya autokorelasi dalam model regresi. Autokorelasi dapat berbentuk autokorelasi positif dan autokorelasi negatif. Dalam analisis deret waktu, lebih besar kemungkinan terjadi autokorelasi positif, karena variabel yang dianalisis biasanya mengandung kecenderungan meningkat, misalnya kurs.
Autokorelasi muncul karena observasi yang berurutan sepanjang waktu berkaitan satu sama lainnya. Autokorelasi sering terjadi pada sampel dengan data bersifat time series. Uji Durbin Watson adalah cara untuk mendeteksi autokorelasi, dimana model regresi linear berganda terbebas dari autokorelasi jika nilai Durbin Watson hitung terletak di daerah “Tidak Ada Autokorelasi Positif dan Negatif” atau mendekati angka 2. Pengujian autokorelasi penelitian ini menggunakan uji Durbin Watson (DW test). Cara pengujiannya dengan membandingkan nilai Durbin Watson (DW) dengan dL dan du tertentu atau dengan melihat tabel Durbin Watson nilai DW tabelnya untuk tingkat = 5%. Kriteria pengambilan keputusannya adalah sebagai berikut:
Hipotesis nol Keputusan Jika Tidak ada autokorelasi positif
Tidak ada autokorelasi positif Tidak ada autokorelasi negatif Tidak ada autokorelasi negatif Tidak ada autokorelasi positif atau negatif Tolak No decision Tolak No decision Tidak ditolak 0 < d < dl dl < d <du 4 – dl < d < 4 4 – du < d <4 – dl Du < d < 4 -du
Berikut ini adalah daerah pengujian Durbin Watson:
Hipotesis autokorelasi:
Ho : Tidak terdapat masalah autokorelasi Ha : Terdapat masalah autokorelasi
I. Teknik Analisis Data
Analisis regresi linear berganda adalah hubungan secara linear antara dua atau lebih variabel independen (X1, X2, X3, ...Xn) dengan variabel dependen
(Y). Analisis ini untuk mengetahui arah hubungan antara variabel independen dengan variabel dependen, apakah masing-masing variabel independen berhubungan positif atau nrgatif dan untuk memprediksi nilai dari variabel dependen apabila nilai variabel independen mengalami kenaikan atau penurunan. Data yang digunakan biasanya berskala interval atau rasio. Rumus yang digunakan (Sugiyono, 2005: 250):
Y = a + bІXІ + bЇXЇ + bЈXЈ Keterangan:
Y = Tingkat keuntungan X1 = Jumlah modal kerja
X2 = Omzet penjualan
X3 = Produktivitas kerja
a = Konstanta
55 BAB IV