53
b. Non-multikolinearitas, 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.
4.2.1.1 Uji Normalitas
Tujuan uji normalitas menurut Ghozali 2005 adalah untuk menguji apakah dalam model regresi, variabel pengganggu atau
residual memiliki distribusi normal. Ada dua cara untuk mendeteksi apakah residual berdistribusi normal atau tidak yaitu dengan uji statistik
dan analisis grafik. Uji statistik juga dapat digunakan untuk menguji apakah residual berdistribusi normal atau tidak yaitu dengan uji statistik
non parametrik Kolmogorov-Smirnov K-S. Apabila nilai signifikansi lebih besar dari 0,05 maka data residual berdistribusi normal.
Sebaliknya, jika nilai signifikansi lebih kecil dari 0,05 maka data residual tidak berdistribusi normal.
Normalitas data juga dapat diketahui dengan menggambarkan penyebaran data melalui sebuah grafik. Data yang menyebar di sekitar
dan mengikuti arah garis diagonal menandakan bahwa data berdistribusi normal dan memenuhi asumsi normalitas. Berikut hasil uji normalitas
dengan model normal probability plot :
Universitas Sumatera Utara
54 Gambar 4.1
Uji Normalitas Grafik Plot Sebelum Transformasi
Sumber : Data Olahan SPSS, 2013 Berdasarkan hasil uji statistik pada
normal probability plot di atas dapat dilihat bahwa data tidak terdistribusi dengan normal, karena
titik-titik plot sebaran data tidak menyebar disepanjang garis diagonal.
Sehingga, perlu dilakukan tindakan perbaikan agar model regresi memenuhi asumsi normalitas. Beberapa cara untuk mengubah model
regresi menjadi normal menurut Jogiyanto 2004:172 yaitu: a.
Dengan melakukan transformasi data, yaitu mengubah nilai-nilai observasi data ke dalam bentuk logaritma sehingga membentuk
distribusi yang normal,
Universitas Sumatera Utara
55
b. Trimming, yaitu memangkas membuang observasi yang bersifat
outlier, yaitu nilainya lebih kecil dari µ - 2 σ atau lebih besar dari µ +
2σ, c.
Winzorising, yaitu mengubah nilai-nilai outlier menjadi nilai-nilai minimum atau maksimum yang diizinkan supaya distribusinya
menjadi normal. Setelah melihat gambar 4.1 dapat disimpulkan bahwa grafik
normal probability plot menunjukkan data tidak terdistribusi secara normal. Untuk itu, peneliti melakukan transformasi data ke model
logaritma, hal ini dikarenakan ketika peneliti melakukan uji normalitas dengan SPSS data-data yang dimiliki oleh peneliti tidak normal. Maka
peneliti mentransformasi data menjadi logaritma untuk menormalkan data yang ada. Kemudian data diuji ulang berdasarkan asumsi
normalitas. Hasil uji normalitas pada data yang telah ditransformasi dapat dilihat pada histogram,
normal probability plot dan Kolmogorov- Smirnov, berikut ini:
Universitas Sumatera Utara
56 Gambar 4.2
Uji Normalitas
Sumber : Data Olahan SPSS , 2013
Gambar 4.3 Uji Normalitas
Sumber : Data Olahan SPSS, 2013
Universitas Sumatera Utara
57 Tabel 4.2
Uji Normalitas
Dari Gambar 4.1 dapat dilihat dari grafik histrogram bahwa variabel modal kerja yang sudah ditransformasi menjadi logaritma
berdistribusi normal, hal ini ditunjukkan oleh distribusi data tersebut tidak melenceng ke kiri maupun ke kanan.
Gambar 4.2 menunjukkan titik mengikuti data di sepanjang garis diagonal. Hal ini menunjukkan bahwa data berdistribusi normal.
Tabel 4.3 menunjukkan hasil dari pendekatan Kolomogorov-Smirnov untuk memastikan data di sepanjang garis diagonal terdistribusi normal.
Dari tabel diatas dapat disimpulkan bahwa data dalam model regresi telah terdistribusi secara normal. Hal tersebut dapat diketahui dengan
melihat Asymp. Sig 2-Tailed 0.05, yaitu sebesar 0,220 dan Kolmogorov-Smirnov Z 1,97, yaitu sebesar 1,051.
One-Sample Kolmogorov-Smirnov Test
Unstandardized Residual
N 60
Normal Parameters
a,,b
Mean .0000000
Std. Deviation 1.67969877
Most Extreme Differences Absolute
.136 Positive
.136 Negative
-.059 Kolmogorov-Smirnov Z 1.051
Asymp. Sig. 2-tailed .220
a. Test distribution is Normal. b. Calculated from data.
Sumber : Data Olahan SPSS 2013
Universitas Sumatera Utara
58 4.2.1.2
Uji Multikolinearitas
Uji multikolinearitas bertujuan untuk menguji apakah dalam suatu model regresi terdapat korelasi antar variabel independen
Ghozali, 2005. Pengujian multikolinearitas dilakukan dengan melihat nilai
Tolerance dan Variance Inflation Factor VIF. Tolerance mengukur variabilitas variabel independen yang terpilih yang tidak
dijelaskan oleh variabel independen lainnya. Nilai tolerance yang
rendah sama dengan nilai VIF tinggi karena VIF=1 Tolerance. Nilai
cutoff yang
umum digunakan
untuk menunjukkan
adanya multikolinearitas adalah nilai
Tolerance 0,10 atau sama dengan nilai VIF 10. Berikut ini merupakan hasil uji multikolinearitas variabel
independen dalam penelitian ini.
Tabel 4.3 Uji Multikolinearitas
Berdasarkan data olahan SPSS diatas, dapat diketahui bahwa data penelitian ini tidak terjadi multikolinearitas. Hal tersebut dapat
diketahui bahwa variabel independen Perputaran Persediaan Barang
Coefficients
a
Model Unstandardized
Coefficients Standardized
Coefficients T
Sig. Collinearity
Statistics B
Std. Error Beta
Tolerance VIF
1 Constant 27.015
.732 36.925 .000
LN_PPBJ -.145
.270 -.070
-.538 .593
1.000 1.000
a. Dependent Variable: LN_MODALKERJA
Sumber : Data Olahan SPSS 2013
Universitas Sumatera Utara
59
Jadi PPBJ tidak memiliki VIF di atas 10 ataupun Tolerance dibawah
0,10. Dari hasil uji multikolinearitas ini di dapatkan bahwa nilai VIF untuk Perputaran Persediaan Barang Jadi PPBJ adalah 1 10 dan nilai
Tolerance sebesar 1 0,10. Kesimpulan dari uji multikolinearitas ini adalah bahwa variabel independen Perputaran Persediaan Barang Jadi
PPBJ telah lolos dari uji multikolinearitas.
4.2.1.3 Uji Heterokedastisitas