Gambar 4.2 Normal P-Plot Normal Probability Plot Normal P-Plot
setelah transformasi data
Sumber : Data Olahan Peneliti. 2013 Pengujian normalitas data setelah transformasi data, dengan uji
Kolmogorov-Smirnov dan Historgram telah memperlihatkan bahwa data berdistribusi normal. Demikian pula dengan grafik Normal P-Plot juga
menunjukkan bahwa penyebaran titik-titik berada disekitar garis diagonal dan mengikuti arah garis diagonal. Dapat disimpulkan bahwa model regresi telah
memenuhi syarat asumsi normalitas. Setelah data berdistribusi normal, maka dilanjutkanlah pengujian asumsi klasik lainnya sebagai berikut.
2. Uji Heteroskedastisitas
Uji Heteroskedastisitas menunjukkan bahwa variansi variabel tidak sama dari satu pengamatan ke pengamatan lainnya. Jika variansi dari residual
satu pengamatan ke pengamatan yang lain tetap, maka disebut
Universitas Sumatera Utara
Homokedastisitas. Menurut Santoso 2000 dalam Juliandi 2013:176, dasar pengambilan keputusan dalam uji heterokedastisitas adalah :
1. Jika pola tertentu seperti titik-titik poin-poin yang ada membentuk suatu
pola tertentu yang teratur, maka terjadi heterokedastisitas. 2.
Jika tidak ada pola yang jelas, serta titik-titik poin-poin menyebar dibawah dan diatas angka 0 pada sumbu Y, maka tidak terjadi heterokedastisitas.
Adapun analisis heterokedastisitas dapat dilihat dari grafik scatterplot seperti gambar dibawah ini.
Gambar 4.3 Scatterplot
Sumber : Data Olahan Peneliti. 2013
Gambar diatas menunjukkan titik-titik menyebar dibawah dan diatas angka 0 pada sumbu Y, menyatakan bahwa tidak terjadi gejala
Universitas Sumatera Utara
heteroskedastisitas pada model regresi sehingga model regresi sudah layak dipakai untuk memprediksi besarnya pengaruh perputaran piutang terhadap
profitabilitas perusahaan yang diukur melalui Return On Asset ROA pada industri makanan dan minuman.
3. Uji Autokorelasi
Tujuan uji autokorelasi adalah untuk menguji tentang ada atau tidaknya korelasi antara kesalahan penggangu pada periode t dengan periode t-1 pada
persamaan regresi linier. Apabila terjadi korelasi maka menunjukkan adanya problem autokorelasi. Model regresi yang baik adalah model regresi yang
bebas auto korelasi. Untuk mendeteksi autokorelasi dapat dilakukan dengan uji Durbin-Watson.
Adapun hasil analisis Durbin-Watson sebagai berikut.
Tabel 4.14 Uji Autokorelasi dengan
Durbin-Watson Model Summary
b
Mode l
R R
Square Adjusted R
Square Std. Error of
the Estimate Durbin-Watson
1
,121
a
,015 -,009
,84917 ,809
a. Predictors: Constant, PerputaranPiutang b. Dependent Variable: ROA
Sumber : Data Olahan Peneliti. 2013 Dari table 4.14, terlihat bahwa hasil uji Durbin-Watson menghasilkan
angka positif sebesar 0,809 atau berada dibawah +2, sehingga dapat dinyatakan bahwa dari hasil uji Durbin-Watson tidak terdapat autokorelasi dalam model
regresi linier. Dari ketiga pengujian asumsi klasik yang dilakukan maka dapat
dinyatakan bahwasannya data penelitian telah bebas dari syarat-syarat model
Universitas Sumatera Utara
regresi, sehingga penelitian dapat dilanjutkan ketahapan selanjutnya yaitu analisis regresi linier sederhana.
4.3.3 Analisis Regresi
