c. variabel ROI memiliki nilai minimum 0,10 ; nilai maksimum 15,77 ; nilai
rata-rata 3,3843 dengan standar deviasi sebesar 3,23393 dan jumlah observasi sebanyak 69 sampel.
4.2 Uji Asumsi Klasik
Salah satu syarat yang mendasari model regresi berganda dengan metode estimasi Ordinary Least Square OLS adalah terpenuhinya semua asumsi klasik,
agar hasil pengujian bersifat tidak bias dan efisien. Pengujian asumsi klasik dalam penelitian ini dilakukan dengan bantuan program statistik normalitas data,
autokorelasi, heteroskedastisitas dan asumsi-asumsi klasik lainnya agar hasil pengujian tidak bersifat bias dan efisien. Menurut Ghozali 2005:123 “asumsi
klasik yang harus dipenuhi adalah berdistribusi normal, non-multikolinearitas, non-autokorelasi dan non-heteroskedasitas”.
4.2.1 Uji Normalitas Data
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-parametrik Kolmogorov-Smirnov K-S, dengan
menbuat hipotesis:
H0 : Data residual berdistribusi normal
Ha : Data residual tidak berdistribusi normal Apabila signifikansi lebih besar dari 0.05 maka H0 diterima, sedangkan jika nilai
signifikansi lebih kecil dari 0.05 maka H0 ditolak.
Tabel 4.2 Hasil Uji Normalitas
Universitas Sumatera Utara
One-Sample Kolmogorov-Smirnov Test
Unstandardized Predicted Value N
69 Normal Parameters
a,b
Mean 3.3843478
Std. Deviation .61203737
Most Extreme Differences Absolute
.251 Positive
.202 Negative
-.251 Kolmogorov-Smirnov Z
2.088 Asymp. Sig. 2-tailed
.000
a. Test distribution is Normal. b. Calculated from data.
Sumber: Hasil Pengolahan SPSS 2011 Dari hasil pengolahan data, diperoleh variabel WCT, CR dan ROI tidak
terdistribusi secara normal dengan nilai signifikansi lebih kecil dari 0,05 yakni 0,00. Secara keseluruhan data tidak terdistribusi normal karena unstandarized
residual lebih kecil dari 0,05. Untuk itu data di-treatment menggunakan model logaritma, yaitu melakukan transformasi data ke model logaritma natural LN.
Berikut ini hasil pengujian dengan Kolmogorov-Smirnov setelah dilakukan transformasi data:
Tabel 4.3 Hasil Uji Normalitas Setelah Transformasi Logaritma Natural
One-Sample Kolmogorov-Smirnov Test
Unstandardized Predicted Value
N 50
Normal Parameters
a,b
Mean .7665476
Std. Deviation .23840807
Most Extreme Differences Absolute
.126 Positive
.053 Negative
-.126 Kolmogorov-Smirnov Z
.893
Universitas Sumatera Utara
Asymp. Sig. 2-tailed .402
a. Test distribution is Normal. b. Calculated from data.
Sumber: Hasil Pengolahan SPSS 2011 Dari tabel 4.4, dapat disimpulkan bahwa data dalam model regresi setelah
dilakukan transformasi data dalam bentuk logaritma natural, terdistribusi secara normal. Hal tersebut dapat ditunjukkan dari nilai signifikansi WCT, CR dan ROI
sebesarr 0,402 0,05 maka Ho diterima Dengan demikian secara keseluruhan dapat disimpulkan bahwa nilai-nilai
observasi data telah terdistribusi secara normal dan dapat dilanjutkan dengan uji asumsi klasik lainnya. Untuk lebih jelas berikut ini turut dilampirkan grafik
histogram dan plot data yang terdistribusi normal.
Gambar 4.1
Universitas Sumatera Utara
Histogram Sumber : Hasil Pengolahan SPSS 2011
Dengan cara membandingkan antara data observasi dengan distribusi yang mendekati distribusi normal, dari grafik 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. Menurut Ade dkk 2007: 29 “normalisasi data dapat dengan menggunakan
normal P-Plot Data dalam keadaan normal apabila distribusi data menyebar
disekitar garis diagonal”.
Gambar 4.2 Grafik Normal Plot
Universitas Sumatera Utara
Sumber : Hasil Pengolahan SPSS 2011 Pada grafik normal plot terlihat titik-titik menyebar di sekitar garis diagonal
serta penyebarannya agak mendekati dengan garis diagonal sehingga dapat disimpulkan bahwa data dalam model regresi terdistribusi secara normal.
4.2.2 Uji Multikolinearitas
Ghozali 2005:91 menyatakan “uji ini bertujuan untuk menguji apakah model regresi ditemukan adanya korelasi yang kuat antar variabel bebas
independen”. Multikolinearitas menunjukkan ada tidaknya variabel independen yang memiliki hubungan yang kuat dengan variabel independen lain dalam model
regresi, agar pengambilan keputusan pengaruh pada uji parsial masing-masing variabel independen tidak bias. Untuk mengetahui ada tidaknya multikolinearitas
dapat dilihat dari nilai Variance Inflation Factor VIF, apabila nilai VIF 10 dan nilai tolerance 0.1 maka terjadi multikolinearitas Ghozali, 2005:92.
Tabel 4.4 Hasil uji Multikolinearitas
Coefficientsa
Coefficients
a
Model Collinearity Statistics
Tolerance VIF
1 LN_WCT
.464 2.154
LN_CR .464
2.154 a. Dependent Variable: LN_ROI
Sumber: Hasil Pengolahan SPSS 2011 Dari data pada tabel 4.4 dapat disimpulkan bahwa tidak terjadi
multikolinearitas 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
Universitas Sumatera Utara
dapat dilihat dari nilai tolerance LN_WCT dan LN_CR sebesar 0,464 tidak kurang dari 0,1 dan nilai VIF LN_WCT dan LN_CR sebesar 2,154, tidak melebihi
10. Maka dapat dilakukan analisis lebih lanjut dengan menggunakan model regresi berganda.
4.2.3 Uji Heteroskedastisitas
Dalam penelitian ini, untuk mendeteksi ada tidaknya gejala heteroskedastisitas adalah dengan 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,
2 Jika tidak ada pola tertentu, serta titik-titik yang menyebar tidak tertentu
diatas dan di bawah angka 0 pada sumbu Y, maka tidak terjadi heteroskedatisitas atau terjadi homokedastisitas.
Berikut ini dilampirkan grafik scatterplot untuk menganalisis apakah terjadi heteroskedastisitas atau terjadi homokedastisitas dengan mengamati penyebaran
titik-titik pada gambar.
Universitas Sumatera Utara
Gambar 4.3 Hasil Uji Heteroskedastisitas
Sumber: Hasil Pengolahan SPSS 2011 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 profitabilitas pada perusahaan real estate dan property yang terdaftar di bursa efek indonesia
berdasarkan masukan variabel independen WCT dan CR.
4.2.4 Uji Autokorelasi.
Menurut Ade dkk 2007 : 33” autokorelasi sering terjadi pada sampel dengan data time series dengan n-sampel adalah periode tertentu sedangkan untuk
data crossection dengan n-sampel item seperti nama kota, nama orang,nama daerah dan sebagainya jarang terjadi “. Untuk mendeteksi ada atau tidaknya
Universitas Sumatera Utara
autokorelasi, dapat digunakan uji Durbin Watson. Hasil dari pengujian
autokorelasi dalam penelitian ini adalah sebagai berikut: Tabel 4.5
Hasil Uji Autokorelasi
Model R
R Square Adjusted R
Square Std. Error of
the Estimate Durbin-Watson
1 0,268
0,072 0,032
0,87421 1,930
Sumber: Hasil Pengolahan SPSS 2011 Hasil uji autokorelasi diatas menunjukkan nilai R sebesar 0,032
menunjukkan bahwa korelasi yang kecil yaitu sebesar 3,2, jika R berada diantara 0,2 sampai 0,399 maka hubungan antara vaiabel independen dan
dependennya kecil atau tidak erat. Nilai adjusted R square sebesar 0,072 atau 7,2 mengindikasikan bahwa variasi dari kedua variabel independen hanya
mampu menjelaskan variabel dependen sebesar 7,1 dan sisanya sebesar 92,8 dijelaskan oleh faktor-faktor lain. Durbin-Watson DW sebesar 1,930 , nilai ini
akan dibandingkan dengan nilai tabel dengan menggunakan nilai signifikansi 5, jumlah sampel 50 n dan jumlah variabel independen 2 k=2. Oleh karena nilai
DW 1,930 lebih besar dari batas atas du 1,641 dan kurang dari 4 – 1,641 4-du, maka dapat disimpulkan bahwa tidak ada autokorelasi positif atau negatif.
4.3 Pengujian Hipotesis Penelitian 4.3.1 Persamaan Regresi