55 1.
Konstanta sebesar 3.322menunjukkan nilai konstan, dimana jika semua variabel bebas Modal kerja dan perputaran modal kerja dianggap konstan
maka nilai dari profitabiltas ROA adalah sebesar 3.947. 2.
Koefisien modal kerja = 7,084E-007 menunjukkan bahwa modal kerja X
1
berpengaruh positif terhadap profitabilitas ROA Y. Hal ini berarti jika variabel modal kerja ditingkatkan 1 maka akan menaikkan
profitabilitas ROA sebesar 7,084E-007. 3.
Koefisien perputaran modal kerja = 0,135 menunjukkan bahwa perputaran modal kerja X
2
berpengaruh positif terhadap profitabilitas ROA Y. Hal ini berarti jika variabel perputaran modal kerja ditingkatkan 1 maka
akan meningkatkan profitabilitas ROA sebesar 0,135.
4.2.2. Analisis Uji Asumsi Klasik 1
Uji Normalitas
Uji normalitas dilakukan pada tiap-tiap variabel penelitian untuk mengetahui variabel mana yang memenuhi dan tidak memenuhi asumsi
normalitas variabel tersebut terdistribusi secara normal. Uji normalitas dilakukan dengan menggunakan grafik histogram, Normal Probability Plot dan
uji Kolmogorov-Smirnov.
Berdasarkan hasil pengolahan data yang terdapat pada lampiran dimana hasil pengujian menunjukkan bahwa variabel tidak bebas dari uji asumsi klasik dimana
variabel tidak berdistribusi dengan normal. Selanjutnya untuk memperoleh model yang layak blues unbiased linear maka dilakukan transformasi dengan
Universitas Sumatera Utara
56 menggunakan akar kuadrat atau SQRT x. Berdasarkan model yang sudah
ditransformasikan maka diperoleh variabel yang bebas dari uji asumsi klasik. Hasil uji normalitas dalam penelitian ditunjukkan melalui gambar 4.1.
dibawah ini.
Gambar 4.1. Normal P-Plot variabel dependen :LnROA
Sumber :SPSS 20, Data diolah 2016
Gambar 4.1 P-P Plot diatas menunjukkan grafik normalitas data dimana data yang digunakan berdistribusi normal terlihat dari seluruh titik-titik menyebar
disekitar garis diagonal, serta penyebarannya mendekati garis diagonal. Hal ini menunjukkan bahwa model regresi tidak menyalahi asumsi normalitas.
Universitas Sumatera Utara
57 Selain itu untuk menguji tingkat normalitas dapat dilakukan dengan
pendekatan gambar histogram yang ditunjukkan pada gambar 4.2 dibawah ini.
Gambar 4.2. Histogram Dependent Variabel : LnROA
Sumber :SPSS 20, Data diolah 2016
Grafik 4.1 diatas menunjukkan bahwa kurva yang ada tidak berbentuk mencong kekiri atau kekanan. Hal ini berarti bahwa data yang diambil dari
populasi merupakan data yang berdistribusi normal.
2 Uji Multikolinearitas
Uji multikolinearitas bertujuan untuk menguji apakah dalam suatu model regresi terdapat korelasi antar variabel independen. Pengujian multikolinearitas
dilakukan dengan melihat VIF antar variabel independen. Apabila nilai VIF tidak lebih dari 10 dan nilai Tolerance tidak kurang dari 0,1 maka tidak terjadi gejala
multikolinearitas.
Universitas Sumatera Utara
58 Hasil uji multikolinieritas dalam penelitian ditunjukkan melalui tabel 4.2 di
bawah ini.
Tabel 4.2. Uji Multikolinearitas
Variabel Collinearity Statistics
Tolerance VIF
SQRTMK .978
1.023 SQRTPMK
.743 1.346
SQRTDTA .758
1.320 a.
DependentVariable:SQRTROA Sumber :SPSS 20, Data diolah 2016
Dari hasil olahan dengan SPSS, diperoleh koefisien tolerance dari kedua variabel bebas lebih besar dari 0.10 dan nilai VIF lebih kecil dari 10. Hal ini
membuktikan bahwa dalam model regresi ini tidak terdapat gejala multikolinearitasantar variabel independen dan layak untuk digunakan dalam
penelitian.
3 Uji Heteroskedastisitas
Uji heteroskedastisitas bertujuan menguji apakah dalam model regresi terjadi ketidaksamaan variance dari residual satu pengamatan kepengamatan lain
jika variance dari residual satu pengamatan kepengamatan lain tetap, maka disebut Homoskedastisitas dan jika berbeda disebut Heteroskedastisitas. Cara
memprediksi heteroskedastisitas adalah : 1.
jika pola gambar scatterplot model tersebut adalah titik-titik data menyebar di atas dan di bawah atau di sekitar angka 0,
2. titik-titik data tidak mengumpul hanya di atas atau di bawah saja,
Universitas Sumatera Utara
59 3.
penyebaran titik-titik data tidak boleh membentuk pola bergelombang, melebar kemudian menyempit dan melebar kembali. Penyebaran titik-
titik data sebaiknya tidak berpola. Hasil dari pengujian heteroskedastisitas dapat dilihat dalam gambar
berikut.
Gambar 4.2. Uji Heteroskedastisitas
Sumber :SPSS 20, Data diolah 2016
Berdasarkan grafik scatterplot yang tersaji pada gambar 4.3 dapat dilihat bahwa bahwa titik-titik menyebar secara acak dan tidak membentuk pola tertentu
serta tersebar baik di atas maupun di bawah angka 0 pada sumbu Y. Jadi, dapat disimpulkan model regresi tidak mengandung adanya Heteroskedastisitas.
Universitas Sumatera Utara
60
4 Uji Autokorelasi
Uji autokorelasi bertujuan menguji apakah dalam model regresi linear ada korelasi antara kesalahan pengganggu pada periode t dengan kesalahan
pengganggu pada periode t-1 sebelumnya, jika terjadi korelasi, maka dinamakan ada problem autokorelasi. Untuk mendeteksi ada tidaknya autokorelasi dengan
dilakukan uji Durbin-Watson. Jika nilai Durbin Watson berada diantara -2 sampai +2 berarti tidak ada autokorelasi.
Hasil pengujian autokorelasi dapat dilihat pada table 4.3. berikut.
Tabel 4.3 Uji Autokorelasi
Model Summary
b
Model Durbin-Watson
1 1.716
a.Predictors: Constant, LNPMK, LNMK b. Dependent Variable: LNROA
Sumber :SPSS 20, Data diolah 2016 Dari hasil olahan data SPSS dapat dilihat bahwa hasil uji Durbin Watson sebesar
1.716. Nilai ini akan dibandingkan dengan nilai tabel, dengan menggunakan nilai signifikan 5 persen 0,05. Jumlah data n = 80 dan variabel bebas k = 2 maka dl =
1.58, du = 1.68. Jadi 4-du = 4 – 1.68 = 2.3. Karena nilai DW sebesar 1.716 lebih besar dari batas du sebesar 1.68 dan kurang dari 4-du yaitu 2.32 hal ini berarti tidak
ada autokorelasi negatif atau dapat disimpulkan model regresi ini masih dapat dipergunakan untuk melakukan pengujian.
Universitas Sumatera Utara
61
4.2.3. PENGUJIAN HIPOTESIS 4.2.3.1. Koefisien Determinasi