Analisis Uji Asumsi Klasik 1

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