Uji Normalitas Uji Asumsi Klasik

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