METODOLOGI PENELITIAN
A. Ruang Lingkup Penelitian
3. Uji Regresi Berganda
Uji regresi berganda digunakan untuk mengetahui hubungan antara variabel independen (bebas) yaitu manajemen modal kerja yang terdiri dari
cash conversion cycle, current ratio, debt ratio terhadap variabel dependen profitabilitas yang diukur dengan return to asset. Model regresi berganda juga digunakan pada penelitian-penelitian terdahulu yang dilakukan oleh Raheman et al. (2007), Ching (2011), Hayajneh dan Yassine (2011), Bagchi dan Khamrui (2012), dan Sutanto dan Pribadi (2012).
Model Regresi Berganda dalam penelitian ini adalah:
Dimana:
Y = Return on Asset (ROA)
44
X1 = Cash Conversion Cycle (CCC) X2 = Current Ratio (CR)
X3 = Debt To Assets (DAR)
ε = Error term a. Uji Asumsi Klasik
Untuk dapat melakukan analisis menggunakan model regresi berganda, terdapat beberapa asumsi yang harus terpenuhi. Oleh karena itu dilakukan Uji asumsi klasik yang terdiri dari uji normalitas, autokorelasi, multikolinieritas, dan heteroskedestisitas.
1) Uji Normalitas
Uji Normalitas bertujuan untuk menguji apakah dalam model regresi variabel penggangu atau residual memiliki distribusi normal seperti diketahui bahwa uji t dan uji f mengasumsikan bahwa nilai residual mengikuti distribusi normal / tidak yaitu dengan analisis grafik dan uji statistikAda dua cara untuk mendeteksi apakah residual berdistribusi normal atau tidak yaitu dengan analisis grafik dan uji statsitk (Ghozali, 2005: 147).
(a) Ananlisis Grafik
Salah satu cara termudah untuk melihat normalitas residual adalah dengan melihat grafik histogram yang membandingkan antara data observasi dengan distribusi kumulatif dari distribusi
45
normal. Dari bentuk histogram, dapat ditentukan apakah data yang diteliti berdistribusi normal, moderate positive skewness, substansial positive skewness, severe positive skewness dengan bentuk L, moderate negative skewness, substansial negative skewness, severe negative skewness dengan bentuk J.
Gambar 3.1
Bentuk Histogram Normalitas
(Sumber : Ghozali, 2009: 34)
Normalitas juga dapat dideteksi dengan melihat normal probability plot yang membandingkan distribusi komulatif dari distribusi normal. Distribusi normal akan membentuk satu garis
46
lurus diagonal, dan ploting data residual akan dibandingkan dengan garis diagonalnya.
Dasar pengambilan keputusan menggunakan analisis grafik adalah sebagai berikut:
Jika data menyebar disekitar garis dan mengikuti arah garis diagonal atau grafik histogramnya menunjukkan pola distribusi normal, maka model regresi memenuhi asumsi normalitas.
Jika data menyebar jauh dan atau tidak mengikuti arah garis diagonal atau grafik histogramnya tidak menunjukkan pola distribusi normal, maka model regresi tidak memenuhi asumsi normalitas.
Apabila ditemukan bentuk histogram tidak normal, maka data yang tidak terdistribusi normal dapat ditransformasi. Berikut ini bentuk transformasi yang dapat dilakukan sesuai dengan grafik histogram.
Tabel 3.3
Bentuk Transformasi Data
Bentuk Grafik Histogram Bentuk Transformasi
Moderate positive skewness SQRT(x) atau akar kuadrat
Substansial positive skewness LG10(x) atau Logartima 10 atau LN
Severe positive skewness 1/x atau inverse
Moderate negative skewness SQRT(k-x)
Substansial negative skewness LG10(k-x)
Severe negative skewness 1/(k-x) k = nilai tertinggi dari data mentah x (Sumber: Ghozali,2009:34)
47
(b) Analisis Statsitik
Uji normalitas dengan grafik dapat menyesatkan kalau tidak hati-hati. Secara visual garfik menunjukkan distribusi normal, padahal secara stasitik sebaliknya. Uji statsitik sederhana dapat dilakukan dengan melihat nilai kurtosis dan skewness dari residual. Nilai Z statistik untuk skewness dapat dihitung dengan rumus :
Sedangkan nilai Z kurtosis dapat dihitung dengan rumus :
Dimana N adalah jumlah sampel, jika nilai Z hitung > Z tabel, maka distribusi tidak normal. Nilai Z tabel untuk tingkat signifikansi 0,01 adalah 2,58 sedangkan untuk signifikansi 0,05 adalah 1,96 (Ghozali,2009:150).
2) Uji Autokorelasi
Menurut Ghozali (2009: 99), uji autokorelasi bertujuan untuk menguji apakah dalam suatu model regresi linear ada korelasi antara kesalahan pengganggu pada periode t dengan kesalahan pada periode t-1 (sebelumnya). Jika terjadi korelasi, maka dinamakan ada problem
48
autokorelasi. Terdapat beberapa metode atau alat yang dapat digunakan untuk menguji apakah terdapat problem autokorelasi pada model regresi.
(a) Uji Durbin-Watson (Ghozali, 2009 :100)
Uji ini hanya digunakan untuk autokorelasi tingkat satu (first order autocorrelation) dan mensyaratkan adanya intercept (konnstanta) dalam model regresi dan tidak ada variabel lag di antara variabel independen. Metode ini membandingkan nilai d
statsitik dengan nilai tabel dl-du. Hipotesis yang diuji pada model ini adalah :
H0 : Tidak ada autokorelasi (r =0) Ha : Ada autokorelasi ( r ≠ 0)
Pengambilan keputusan ada tidaknya autokorelasi adalah sebagai berikut :
Tabel 3.4
Pengambilan Keputusan Uji Durbin-Watson
Hipotesis Nol Keputusan Jika
Tidak ada autokorelasi
positif. Tolak 0 < d < dl
Tidak ada autokorelasi
positif Tidak ada keputusan dl ≤ d ≤ du
Tidak ada autokorealasi
negatif Tolak 4-dl < d < 4
Tidak ada autokorelasi
negatif Tidak ada keputusan 4-du ≤ d ≤ 4-dl Tidak ada autokorelasi,
positif atau negatif Tidak ditolak Du < d < 4-du (Sumber : Ghozali, 2005:100)
49
Jika model regresi memiliki autokorelasi, maka ada beberapa opsi penyelesaiannya. Jika asumsi nilai ρ tidak diketahui, maka langkah pertama yang dilakukan adalah mengestimasi nilainya. Nilai ρ dapat diestimasi dengan menggunakan nilai statsistik Durbin-Watson dan dihitung menggunakan rumus yang diajukan oleh Theil-Nagar :
Kemudian setelah nilai ρ didapat, langkah selanjutnya adalah mentransformasikan persamaan regresi menjadi seperti dibawah ini :
Kemudian lakukan regresi dengan persamaan sebagai berikut ;
(b) Runs Test
Run Test atau disebut juga Wald–Wolfowitz test dapat pula digunakan untuk menguji apakah antar residual terdapat korelasi yang tinggi. Jika antar residual tidak terdapat hubungan korelasi
Y@= Y- ρ(Yt-1) Xi@= Xi- ρ(Xi t-1)
50
maka dikatakan bahwa residual adalah acak atau random. Runs Test digunakan untuk melihat apakah data residual terjadi secara random atau tidak, dengan hipotesis sebagai berikut :
H0 : residual adalah random (acak), atau tidak terjadi autokorelasi antar residual.
Ha : residual tidak random, atau terjadi autokorelasi antar residual.
Dasar pengambilan keputusan :
Apabila nilai probabilitas signifikansi lebih besar dari derajat kesalahan α (alfa), maka H0 ditolak,
Apabila nilai probabilitas signifikansi lebih kecil dari derajat kesalahan α (alfa), maka H0 tidak dapat ditolak dan Ha diterima (Ghozali, 2009 :1007).
3) Uji Multikolinearitas
Uji multikolinearitas bertujuan untuk menguji apakah model regresi ditemukan adanya korelasi antara variable bebas. Model regresi yang baik seharusnya tidak terjadi korelasi diantara variabel bebas. Akibat bagi model regresi yang mengandung multikolinearitas adalah bahwa kesalahan standar estimasi akan cenderung meningkat dengan bertambahnya variable independent, tingkat signifikansi yang digunakan untuk menolak hipotesis nol akan semakin besar dan probabilitas menerima hipotesis yang salah juga akan semakin besar.
51
Untuk mendeteksi ada tidaknya multikolinearitas dalam model regresi adalah sebagai berikut (Ghozali,2009 : 95) :
(a) Nilai R2 yang dihasilkan oleh suatu estimasi model regresi empiris sangat tinggi, tetapi secara individual variabel-variabel independen banyak yang tidak signifikan mempengaruhi variabel dependen.
(b) Menganalisis matrik korelasi variabel-variabel bebas. Jika antar variable bebas ada korelasi yang cukup tinggi (umumnya diatas 0,90), maka hal ini merupakan indikasi adanya multikolinearitas.
(c) Mutikolinearitas dapat juga dilihat dari nilai Tolerance dan lawannya, VIF (Variance Inflation Factor). Jika nilai
Tolerance yang rendah sama dengan nilai VIF yang tinggi, maka menunjukkan adanya kolinearitas yang tinggi. Nilai cut off yang umum dipakai untuk menunjukkan adanya multikolinieritas adalah nilai Tollerance ≤ 0.10 atau sama dengan nilai VIF ≥ 10.
4) Uji Heterokedestisitas
Uji heterokesdatisitas bertujuan untuk menguji apakah dalam model regresi terjadi ketidaksamaan variance dari residual suatu pengamatan ke pengamatan yang lain. Jika variance dari residual
52
satu pengamatan ke pengamatan yang lain berbeda, maka disebut heterokesdatisitas, sebaliknya jika tetap disebut homokesdatisitas. Model yang baik adalah yang homokesdatisitas.
Untuk mengetahui apakah model yang diuji adalah homokedastis, dapat dilakukan dengan melihat grafik plot antara nilai prediksi variabel terikat (dependen) yaitu ZPRED dengan residualnya SRESID. Deteksi ada atau tidaknya heteroskedetisitas dapat dilakukan denhan melihat ada tidak nya pola tertentu pada grafik scatterplot antara SRESID dan ZPRED dimana sumbu Y adalah Y yang diprediksi, dan sumbu X adalah residual yang telah di
stdendized. Dasar pengambilan keputusannya adalah sebagai berikut (Ghozali,2009 : 126) :
Jika ada pola tertentu, seperti titik-titik yang ada membentuk pola tertentu yang teratur (bergelombang, melebar kemudian menyempit), maka mengindikasikan telah terjadi heteroskedestisitas.
Jika tidak ada pola yang jelas serta titik-titik menyebar diatas dan dibawah angka 0 pada sumbu Y, maka tidak terjadi heterokedstisitas.
b. Ketepatan Model (Goodness of Fit)
Ketepatan fungsi regresi sampel dalam menaksir nilai aktual dapat diukur dari Goodness of fit model tersebut. Secara statistik, setidaknya ini
53
dapat diukur dari nilai koefesien determinasi, nilai statsitik F dan nilai statistik t. Perhitungan statistik disebut signifikan secara statsitik apabila nilai uji statistiknya dalam daerah kritis (daerah dimana H0 ditolak). Sebaliknya disebut tidak signifikan bila nilai uji statistiknya berada dalam daerah dimana H0 diterima (Ghozali, 2009: 87)
1) Koefesien Determinasi
Koefesien Determinasi (R2) pada intinya mengukur seberapa jauh kemampuan model dalam menerangkan variasi variabel dependen. Nilai koefesien determinasi adalah antara nol sampai satu. Kelemahan mendasar penggunaan koefesien determinasi adalah bias terhadap jumlah variabel independen, maka R2 pasti meningkat tidak peduli apakah variabel tersebut berpengaruh secara signifikan terhadap variabel dependen. Oleh karena itu, banyak peneliti menganjurkan untuk menggunakan nilai adjusted R2 pada saat mengevaluasi mana model regresi terbaik. Tidak seperti R2, adjusted R2 dapat naik atau turun apabila satu variabel independen ditambahkan kedalam model (Ghozali,2009 :87). Cara lain adalah, jika tingkat signifikansi lebih kecil dari 0,05 atau 5% maka model yang digunakan dalam kerangka pikir teoritis layak untuk digunakan, sementara jika tingkat signifikansi lebih besar dari 0,05 atau 5% maka model yang digunakan dalam kerangka pikir teoritis tidak layak untuk digunakan.
54
Uji statistik F pada dasarnya menunjukkan apakah semua variabel independen atau bebas yang dimaksudkan dalam model mempunyai pengaruh secara bersama-sama terhadap variabel dependen atau terikat. Hipotesis nol yang hendak di uji adalah apakah semua parameter dalam model sama dengan nol, atau :
H0 : b1 ; b2 ; .... ; bi = 0
Artinya, apakah variabel independen bukan merupakan penjelas yang signifikan terhadap variabel dependen. Hipotesis alternaltifnya (Ha) tidak semua parameter secara simultan sama dengan nol, atau :
Ha : b1 ; b2 ; ... ; bi≠ 0
Artinya, semua variabel independen secara simultan merupakan penjelas yang signifikan terhadap variabel dependen (Ghozali,2009 :88).
Adapun hipotesisnya sebagai berikut :
H0 = tidak ada pengaruh signifikan dari variabel independen terhadap variabel dependen secara simultan.
Ha = ada pengaruh signifikan dari variabel independen terhadap variabel dependen secara simultan.
Aturan pengambilan keputusan adalah sebagai berikut : Jika probabilitas > 0,05 maka H0 diterima dan menolak Ha. Jika probabilitas < 0,05 maka H0 ditolak dan menerima Ha.
55
3) Uji Signifikan Paramater Individual (Uji Statistik t).
Uji statistik t pada dasarnya menunjukkan seberapa jauh pengaruh satu variabel penjelas/independen secara individual dalam menerangkan variasi variabel dependen (Ghozali, 2009 :88).Adapun hipotesis dirumuskan sebagai berikut :
Ha : bi > 0, atau Ha : bi < 0
Artinya Jika tingkat signifikansi lebih kecil dari 0,05 atau 5% maka hipotesis yang diajukan diterima atau dikatakan signifikan, artinya secara parsial variabel bebas (X1 s/d X4) berpengaruh signifikan terhadap variabel dependen (Y) = hipotesis diterima, sementara jika tingkat signifikansi lebih besar dari 0,05 atau 5% maka hipotesis yang diajukan ditolak atau dikatakan tidak signifikan, artinya secara parsial variabel bebas (X1 s/d X4) tidak berpengaruh signifikan terhadap variabel dependen (Y), hipotesis ditolak.
Adapun hipotesisnya sebagai berikut :
H0 = tidak ada pengaruh signifikan dari variabel independen terhadap variabel dependen secara parsial.
Ha = ada pengaruh signifikan dari variabel independen terhadap variabel dependen secara parsial.
Aturan pengambilan keputusan adalah sebagai berikut : Jika probabilitas > 0,05 maka H0 diterima dan menolak Ha.
56
Jika probabilitas < 0,05 maka H0 ditolak dan menerima Ha.