rata-rata serta standar deviasi data yang digunakan dalam penelitian. Variabel dari peneltian ini terdiri dari perputaran modal kerja working
capital turnover sebagai variabel bebas independent variable, return on asset sebagai variabel terikat dependent variable. Statistik deskriptif dari
variabel tersebut dari sampel perusahaan-perusahaan real estate dan
property selama periode 2007-2008 disajikan dalam tabel berikut.
Tabel 4.1 Statistik Deskriptif
N Minimum Maximum
Mean Std. Deviation
Working Capital Turnover
60 -11.92
6.27 -.0470
2.42828 Return On Asset
60 .13
15.74 4.6695
3.59714 Valid N listwise
60
Sumber : output SPSS yang diolah oleh penulis, 2010 Berdasarkan data dari tabel 4.1 dapat dijelaskan bahwa :
a. variabel working capital turnover memiliki nilai minimum -11,92 dan
nilai maksimum 6,27. Rata-rata perputaran nodal kerja -0.0470 dengan standar deviasi 2,42828,
b. variabel return on asset memiliki nilai minimum 0.13 dan nilai
maksimum 15,74. Rata-rata 4,6695 dengan standar deviasi 3,59714. c.
Observasi berjumlah 54.
2. Uji Asumsi Klasik
Universitas Sumatera Utara
Pengujian asumsi klasik dalam penelitian ini dilakukan dengan bantuan program statistik. Asumsi klasik yang harus dipenuhi adalah:
a. berdistribusi normal,
b. non-multikolineritas, artinya antara variabel independen dalam model
regresi tidak memiliki korelasi atau hubungan secara sempurna ataupun mendekati sempurna,
c. non-autokorelasi, artinya kesalahan pengganggu dalam model regresi
tidak saling berkorelasi, d.
homokedastisitas, artinya variance variabel independen dari satu pengamatan ke pengamatan lain adalah konstan atau sama”.
1 Uji Normalitas
Pengujian normalitas terhadap data dilakukan untuk mengetahui apakah data terdistribusi secara normal atau tidak. Pengujian
normalitas data dalam penelitian ini mengunakan uji statistik non parametrik Kolmogorov-Smirnov K-S dengan membuat hipotesis:
H0 : data residual berdistribusi normal, H1 : data residual tidak berdistribusi normal.
Apabila nilai signifikansinya lebih besar dari 0,05 maka H0 diterima, sedangkan jika nilai signifikansinya lebih kecil dari 0,05 maka H0
ditolak. Hasil uji normalitas dengan menggu nakan model Kolmogorov –
Smirnov, grafik histogram dan normal probability plot adalah seperti yang ditampilkan berikut ini:
Histogram
Universitas Sumatera Utara
Regression Standardized Residual
4 3
2 1
-1 -2
F re
q u
e n
c y
12.5 10.0
7.5 5.0
2.5 0.0
Histogram Dependent Variable: Return On Asset
Mean =-6.25E-17 Std. Dev. =0.991
N =60
Normal P-P Plot of Regression Standardized Residual Dependent Variable: Return On Asset
Dependent Variabel : Return On Asset ROA
Gambar 4.1 Uji Normalitas dengan Histogram 1
Sumber : output SPSS yang diolah oleh penulis, 2010 Grafik histogram diatas menunjukkan bahwa data telah terdistribusi
secara norma karena grafik tidak menceng ke kiri maupun kekanan. Hal ini dapat dilihat dari grafik histogram yang menunjukkan distribusi
data mengikuti garis diagonal yang seharusnya. Demikian pula hasil uji normalitas dengan menggunakan grafik normal P-Plot sebagai
berikut :
Universitas Sumatera Utara
Gambar 4.2 Uji Normalitas data 2
Sumber : output SPSS yang diolah oleh penulis, 2010
Pendeteksian normalitas dapat dilakukan dengan melihat penyebaran data titik pada sumbu diagonal dari grafik, yaitu jika data
titik menyebar di sekitar garis diagonal dan mengikuti arah garis diagonal, hal ini menunjukkan data yang telah terdistribusi normal.
Gambar 4.2 menunjukkan bahwa data titik menyebar di sekitar dan mendekati garis diagonal. Hal ini sejalan dengan hasil pengujian
dengan menggunakan histogram bahwa data telah terdistribusi normal.
Universitas Sumatera Utara
Uji Kolmogrov-Smirnov K-S, hasil uji tersebut dapat dilihat pada
tabel 4.2. Tabel 4.2
Uji Normalitas data 6 One-Sample Kolmogorov-Smirnov Test
Unstandardized Residual N
60 Normal Parametersa,b
Mean .0000000
Std. Deviation 3.54818338
Most Extreme Differences
Absolute .161
Positive .161
Negative -.097
Kolmogorov-Smirnov Z 1.251
Asymp. Sig. 2-tailed .088
a Test distribution is Normal. b Calculated from data.
Sumber : output SPSS yang diolah oleh penulis, 2010 Berdasarkan nilai tabel apabila nilai signifikan 0.05 berarti
distribusi data tidak norma, sebaliknya bila nilai signifikan 0.05 berarti distribusi data normal. Berdasarkan hasil uji statistik dengan
model Kolmogorov-Smirnov seperti yang terdapat dalam tabel 4.2 dapat disimpulkan bahwa data terdistribusi normal. Hal ini dapat
dilihat dari nilai Asymp.Sig.2 tailed Kolmogorov-Smirnov adalah 0,088, karena 0,088 0,05.
2 Uji Autokorelasi
Uji ini bertujuan untuk melihat apakah dalam suatu model linear ada korelasi antar kesalahan pengganggu pada periode t dengan
Universitas Sumatera Utara
kesalahan pada perode t-1 sebelumnya. Model regresi yang baik adalah yang bebas dari autokorelasi. Masalah autokorelasi umumnya
terjadi pada regresi yang datanya time series. Ada beberapa cara yang dapat digunakan untuk mendeteksi masalah dalam autokorelasi
diantaranya adalah dengan uji Durbin-Watson. Menurut Sunyoto 2009:91 “pengambilan keputusan ada tidaknya autokorelasi adalah:
angka D-W dibawah -2 berarti ada autokorelasi positif,
angka D-W diantara -2 sampai +2 berarti tidak ada autokorelasi,
angka D-W di atas +2 berarti ada autokorelasi negatif.
Tabel 4.3 Hasil Uji Autokorelasi
Model Summaryb
Model R
R Square Adjusted R
Square Std. Error of
the Estimate Durbin
- Watso
n 1
.164a .027
.010 3.57864
1.452 a Predictors: Constant, Working Capital Turnover
b Dependent Variable: Return On Asset.
Sumber : output SPSS yang diolah oleh penulis, 2010
Berdasarkan tabel 4.3 diatas, memperlihatkan nilai statistik D-W sebesar 1.452 berada pada angka D-W di antara -2 dan 2, berarti tidak
terjadi autokorelasi.
Universitas Sumatera Utara
3 Uji Heteroskedastisitas
Uji heteroskedastisitas bertujuan untuk menguji apakah dalam model regresi terjadi ketidaksamaan variance dari residual satu
pengamatan ke pengamatan yang lain. Cara mendeteksi ada tidaknya gejala heterokedastisitas adalah dengan melihat grafik scatterplot yang
dihasilkan dari pengolahan data menggunakan program SPSS. Dasar pengambilan keputusan adalah sebagai berikut:
a jika ada pola tertentu, seperti titik-titik yang membentuk pola tertentu yang teratur bergelombang, melebar kemudian
menyempit, maka mengidikasikan telah terjadi heterokedastisitas, b jika tidak ada pola yang jelas, serta titik-titik menyebar di atas dan
di bawah angka 0 pada sumbu Y, maka tidak terjadi heterokedastisitas.
Berikut ini dilampirkan grafik scatterplot untuk menganalisis apakah terjadi gejala heteroskedastisitas atau tidak dengan cara mengamati
penyebaran titik-titik pada grafik.
Universitas Sumatera Utara
Regression Standardized Predicted Value
4 2
-2 -4
-6
R e
g re
s s
io n
S tu
d e
n ti
ze d
R e
s id
u a
l
4 3
2 1
-1 -2
Scatterplot Dependent Variable: Return On Asset
Gambar 4.3 Scatterplot
Sumber : output SPSS yang diolah oleh penulis, 2010 Dari grafik scatterplot terlihat bahwa titik-titik menyebar secara
acak dengan tidak adanya pola yang jelas serta tersebar baik diatas maupun dibawah angka 0 pada sumbu Y. Dengan demikian, dapat
disimpulkan bahwa tidak terjadi heteroskedastisitas sehingga model ini layak dipakai untuk mengetahui pengaruh perputaran modal kerja
terhadap return on asset pada perusahaan-perusahaan real estate dan property yang terdaftar di Bursa Efek Indonesia berdasarkan masukan
variabel independen yaitu perputaran modal kerja.
Universitas Sumatera Utara
3. Analisis Regresi a. Persamaan Regresi