61 Gambar 4.4 telah memperlihatkan grafik normal probability plot, yang
menunjukkan bahwa data titik-titik menyebar di sekitar garis diagonal dan mengikuti arah garis diagonal. Hal tersebut berarti data terdistribusi dengan
normal. Gambar 4.5 telah memperlihatkan bahwa pada grafik histogram, distribusi data mengikuti kurva berbentuk lonceng yang tidak menceng
skewness ke arah kiri atau kanan, sehingga dapat disimpulkan bahwa data tersebut terdisbusi normal. Tabel 4.5 telah menunjukkan bahwa nilai Kolmogorov-
Smirnov K-S untuk variabel Working Capital Turn Over sebesar 1.079 dengan
probabilitas signifikansi Asymp. Sig. 2-tailed 0.194 dan nilainya jauh diatas α
= 0.05 dan nilai Kolmogorov-Smirnov K-S untuk varibel Debt to Equity Ratio sebesar 0.968 dengan probabilitas signifikansi Asymp. Sig. 2-tailed 0.306 dan
nilainya jauh diatas α = 0.05, hal ini menunjukkan variabel Working Capital Turn Over dan Debt to Equity Ratio berdistribusi secara normal. Hasil pengujian
dengan menggunakan grafik, histogram dan model Kolmogorov-Smirnov, sehingga dapat diambil kesimpulan bahwa data telah terdistribusi normal,
sehingga dapat dilakukan pengujian asumsi klasik lainnya.
4.2.2.2 Uji Multikolonieritas
Dalam penelitian ini, untuk mendeteksi ada tidaknya gejala multikolonieritas adalah dengan melihat besaran kolerasi antar variabel
independen dan besarnya tingkat kolonieritas yang masih dapat ditolerir, yaitu nilai Tolerance 0,10 dan Variance Inflasion Factor VIF 10.
Uji multikolonieritas menunjukkan hasil seperti yang disajikan pada tabel pengujian berikut ini:
62
Tabel 4.6 Pengujian Multikolonieritas
Coefficients
a
Model Unstandardized
Coefficients Standardized
Coefficients t
Sig. Collinearity Statistics
B Std. Error
Beta Tolerance VIF
1 Constant
-3.027 .319
-9.504 .000
LnCR .343
.085 .399
4.033 .000
.239 4.184
LnRTO -.314
.166 -.141
-1.890 .066
.418 2.394
LnITO .176
.145 .076
1.214 .232
.598 1.672
LnWCTO .317
.075 .327
4.200 .000
.386 2.593
LnDER -.653
.142 -.406
-4.587 .000
.298 3.359
a. Dependent Variable: LnROI Sumber: Output SPSS, diolah oleh penulis, 2015
Berdasarkan data Tabel 4.6 tersebut dapat diketahui bahwa nilai tolerance dari masing-masing variabel independen lebih besar dari 0.10, yaitu untuk
variabel LnCR sebesar 0.239, variabel LnRTO sebesar 0.418, variabel LnITO sebesar 0.598, variabel LnWCTO sebesar 0.386, variabel LnDER sebesar 0.298.
Nilai VIF dari masing-masing varibel independen diketahui kurang dari 10, yaitu untuk variabel LnCR sebesar 4.184, variabel LnRTO sebesar 2.394, variabel
LnITO sebesar 1.672, variabel LnWCTO sebesar 2.593, variabel LnDER sebesar 3.359. Dengan demikian dapat disimpulkan bahwa pada penelitian ini tidak
terdapat multikolonieritas.
4.2.2.3 Uji Autokorelasi
Model regresi yang baik adalah regresi yang bebas dari autokorelasi. Untuk menentukan ada tidaknya autokorelasi adalah dengan melakukan uji
63 Durbin Watson
. Dalam model regresi ini terjadi autokorelasi apabila nilai DU DW 4 – DU.
Hasil uji Durbin Watsoni dalam penelitian ditunjukkan dalam tabel sebagai berikut:
Tabel 4.7 Pengujian Autokorelasi
Model Summary
b
Model R
R Square Adjusted R Square
Std. Error of the Estimate
Durbin-Watson 1
.950
a
.902 .890
.28407 2.024
a. Predictors: Constant, LnDER, LnITO, LnRTO, LnWCTO, LnCR b. Dependent Variable: LnROI
Sumber: Output SPSS, diolah oleh Penulis, 2015
Dari tabel 4.7 menunjukkan bahwa nilai DW test yaitu sebesar 2.024. Nilai
ini akan dibandingkan dengan nilai tabel signifikansi 5, jumlah pengamatan N sebanyak 48, dan jumlah variabel k sebanyak 6, maka didapatkan nilai batas atas
DU sebesar 1.77253. Oleh karena itu, nilai DW lebih besar dari 1.77253 dan lebih kecil dari 4 – 1.77253 = 2.22747 atau dapat dinyatakan bahwa 1.77253
2.024 4 – 1.77253 DU DW 4 – DU yaitu nilai Durbin Watson DW terletak diantara batas atas DU dan 4 – DU maka koefisien autokorelasinya sama
dengan nol. Dengan demikian dapat disimpulkan tidak terdapat autokorelasi baik positif maupun negatif.
4.2.2.3 Uji Heteroskedastitas