55
4.3.3. Uji Heteroskedastisitas
Uji heteroskedastisitas bertujuan untuk menguji apakah dalam model regresi terjadi ketidaksamaan variance dari residual satu pengamatan ke
pengamatan yang lain. Dasar pengambilan keputusan apakah terjadi heterokedastisitas adalah jika ada pola tertentu, seperti titik – titik yang ada
membentuk pola tertentu bergelombang, melebar, kemudian menyempit maka mengindikasikan telah terjadi heterokedastisitas. Sedangkan, jika tidak ada pola
yang jelas, serta titik-titik menyebar diatas dan bahwa angka 0 pada sumbu Y, maka tidak terjadi heteroskedastisitas. Hasil dari uji heteroskedastisitas dapat
dilihat pada grafik scatterplot berikut ini:
Sumber: Hasil pengolahan SPSS 20, 2015
Gambar 4.3 Hasil Uji Heteroskedastisitas Scatterplot
Dari grafik scatterplot terlihat bahwa titik-titik menyebar secara acak serta tersebar baik di atas maupun dibawah angka 0 pada sumbu Y. Serta dari grafik di
56 atas tidak terbentuk pola tertentu. Dengan demikian dapat disimpulkan tidak
terdapat heteroskedastisitas pada model regresi sehingga model regresi layak dipakai untuk melihat pengaruh variabel independen inventory turnover ratio,
account payable to cost of goods sold ratio, net working capital to total asset ratio, dan debt ratio terhadap gross profit margin pada perusahaan sektor industri
barang konsumsi yang terdaftar di BEI.
4.3.4. Uji Autokorelasi
Uji autokorelasi bertujuan untuk mengatahui apakah di dalam model regresi linear ada korelasi antara kesalahan penganggu pada periode t dengan
kesalahan penganggu pada periode t-1 sebelumnya. Autokorelasi timbul karena residual tidak bebas dari observasi ke observasi lainnya. Cara yang dapat
dilakukan untuk mendeteksi ada tidaknya autokorelasi adalah dengan melakukan pengujian Durbin Watson DW. Dalam model regresi tidak terjadi autokorelasi
apabila nilai du dw 4 – du.
Tabel 4.4 Hasil Uji Autokorelasi
a. Predictors: Constant, DR, ITR, AP_COGS, NWCTA b. Dependent Variable: GPM
Sumber: Hasil pengolahan SPSS 20, 2015
Model Summary
b
Model Change Statistics
Durbin-Watson R Square Change
F Change df1
df2 Sig. F Change
1 .367
13.203 4
91
a
.000 .638
57 Berdasarkan hasil perhitungan Durbin-Watson sebesar 0.638; sedangkan
dalam tabel DW untuk “k” = 4 dan N = 96 besarnya DW-tabel: dL batas luar =; dU batas dalam =; 4-dU =; dan 4-dL =. Hasil perhitungannya disusun dalam
tabel berikut ini:
Tabel 4.5 Pengujian Durbin Watson
Nilai dL Nilai dU
Nilai DW Nilai 4-dU
Nilai 4-dL 1,5821
1,7553 0,638
2,2447 2,4179
Sumber: Data Olahan Pada tabel 4.5 diketahui bahwa nilai DW 0,638 lebih kecil dari 1.5821 .
Hasil ini memperlihatkan bahwa 0 dW dL yang artinya bahwa H ditolak
terjadi autokorelasi dalam penelitian ini. Hasil uji statistik yang menunjukkan
data terjadi autokorelasi, maka perlu dilakukan transformasi data dengan menggunakan logaritma natural. Adapun hasil uji Durbin Watson setelah
transformasi data ditunjukkan pada tabel 4.6 berikut:
Tabel 4.6 Hasil Uji Autokorelasi
a. Predictors: Constant, LN_DR, LN_ITR, LN_ARCOGS, LN_NWCTA b. Dependent Variable: GPM
Sumber: Hasil pengolahan SPSS 20 , 2015
Model Summary
b
Model Change Statistics
Durbin-Watson R Square Change
F Change df1
df2 Sig. F Change
1 .325
9.732 4
81
a
.000 2.156
58 Berdasarkan hasil perhitungan Durbin – Watson sebesar 2,156; sedangkan
dalam tabel DW untuk “k”= 4 dan N = 86 besarnya DW-tabel; dL batas luar =; dU batas dalam =; 4-dU =; dan 4-dL =. Hasil perhitungannya disusun dalam
tabel berikut ini:
Tabel 4.7 Pengujian Durbin Watson
Nilai dL Nilai dU
Nilai DW Nilai 4-dU
Nilai 4-dL 1,5536
1,7478 2,156
2,2522 2,4464
Sumber: Data Olahan Pada tabel 4.5 diketahui bahwa nilai DW terdapat diantara dU dan 4-dU,
yaitu 1,748 2,156 2,252. Maka dari data tersebut dapat disimpulkan bahwa H
diterima tidak terjadi autokorelasi dalam penelitian ini.
4.4. Analisis Regresi
Kategori