Regresi Linier Berganda Pengujian Asumsi Klasik

operasi menjadi negatif. Sedangkan nilai rata-rata Rentabilitas Ekonomis Basic Earning Power paling tinggi diraih oleh emiten dengan kode SHDA sebesar 24,580. Hal ini menandakan bahwa SHDA paling efektif dalam menggunakan seluruh sumber dayanya dalam meningkatkan penjualan sehingga laba operasi juga akan semakin meningkat.

B. Regresi Linier Berganda

Regresi linier berganda dilakukan untuk mengetahui pengaruh variabel bebas, yakni Efektivitas Modal Kerja WCT dan Total Assets Turnover TATO terhadap variabel terikat yaitu Rentabilitas Ekonomis Basic Earning Power pada Industri Makanan dan Minuman di Bursa Efek Indonesia. Tabel 4.4 berikut ini menunjukkan hasil uji regresi menggunakan melalui pengolahan data dengan SPSS 12.00 for Windows. Tabel 4.4 Hasil Uji Regresi Coefficientsa Model Unstandardized Coefficients Standardized Coefficients t Sig. B Std. Error Beta 1 Constant -,008 ,027 -,283 ,778 WCT ,000 ,000 ,013 ,124 ,902 TATO ,078 ,024 ,353 3,251 ,002 a Dependent Variable: Rentabilitas_Ekonomis Sumber: Hasil olahan SPSS Dari Tabel 4.4 dapat diperoleh persamaan regresi linier berganda sebagai berikut : Y = -0,008 + 0,000 WCT + 0,078 TATO + e Universitas Sumatera Utara Dimana: Y = Rentabilitas Ekonomis Basic Earning Power 1 X = Working Capital Turnover WCT 2 X = Total Assets Turnover TATO

C. Pengujian Asumsi Klasik

Agar model persamaan regresi linier berganda memberikan hasil yang representatif sesuai kriteria Best, Linier, Unbiased, Estimated BLUE, maka dilakukan uji asumsi dasar klasik sebelum model tersebut digunakan untuk menguji hipotesis yang diajukan. Persamaan yang dibangun harus memenuhi asumsi dasar: data berdistribusi normal, tidak terjadi gejala multikolinearitas, tidak ada gejala autokorelasi, dan tidak terjadi heterokedastisitas. Adapun uji asumsi dasar klasik yang dilakukan adalah sebagai berikut: 1. Uji Normalitas Uji normalitas adalah uji yang digunakan untuk mengetahui apakah distribusi sebuah data mengikuti atau mendekati distribusi normal, yakni distribusi data dengan bentuk seperti lonceng. Data yang baik adalah data yang mempunyai pola seperti distribusi normal, yakni distribusi data tersebut tidak menceng ke kiri atau menceng ke kanan. Awalnya diperoleh data yang menyebar secara tidak normal. Hal ini disebabkan karena adanya nilai-nilai ekstrim Outlier yang dapat mengganggu estimasi koefisien regresi, yang dapat berakibat tidak tepatnya model regresi yang dibuat Nachrowi, 2006:170. Menurut Nachrowi 2006:170, Outlier sangat Universitas Sumatera Utara mengganggu maka diputuskan untuk membuang observasi yang bernilai ekstrim tersebut yaitu observasi No.35, 52 dan 69 seperti yang terlihat pada tabel 4.5 berikut ini : Tabel 4.5 Casewise Diagnostics a -4.423 -.6784 .079216 -.7575910 -3.397 -.5601 .021787 -.5819053 -3.252 -.5467 .010397 -.5570741 Case Number 35 52 69 Std. Residual Rentabilitas_ Ekonomis Predicted Value Residual Dependent Variable: Rentabilitas_Ekonomis a. Sumber: Hasil olahan SPSS Nilai-nilai ekstrim Outlier mengakibatkan data tidak berdistribusi normal. Hal ini dapat dilihat dari Gambar 4.4 sebagai berikut : -6 -4 -2 2 4 Regression Standardized Residual 10 20 30 40 Frequency Mean = -1.18E-16 Std. Dev. = 0.988 N = 85 Dependent Variable: Rentabilitas_Ekonomis Histogram Sumber: Hasil olahan SPSS Gambar 4.4: Histogram Variabel Dependent Rentabilitas_Ekonomis Gambar 4.4 menunjukkan bahwa sebelum Outlier dikeluarkan dari model, pola residual menjadi condong ke kanan. Padahal seharusnya mengikuti distribusi Universitas Sumatera Utara normal. Cara lain untuk menguji normalitas data dengan grafik adalah dengan melihat penyebaran data titik pada garis diagonal dari grafik normalitas Normal P-P Plot. Jika data menyebar disekitar garis diagonal, maka dapat disimpulkan bahwa data berdistribusi normal. Namun, jika data menyebar jauh dari garis diagonal atau tidak mengikuti arah garis diagonal, maka dapat disimpulkan bahwa data tidak berdistribusi normal. Gambar 4.5 menunjukkan bahwa pada saat outlier belum dikeluarkan, data menyebar jauh dari garis diagonal atau tidak mengikuti arah garis diagonal, maka dapat disimpulkan bahwa data tidak berdistribusi normal. 0.0 0.2 0.4 0.6 0.8 1.0 Observed Cum Prob 0.0 0.2 0.4 0.6 0.8 1.0 Expected Cu m Prob Dependent Variable: Rentabilitas_Ekonomis Normal P-P Plot of Regression Standardized Residual Sumber: Hasil olahan SPSS Gambar 4.5 Normal P-P Plot of Regression Standardized Residual Dependent Variable Rentabilitas_Ekonomis Cara lain yang dilakukan untuk memastikan apakah data tersebut berdistribusi normal atau tidak, maka dilakukan uji Kolmogrov Smirnov 1 Sample KS yakni dengan melihat data residualnya apakah berdistribusi normal Universitas Sumatera Utara atau tidak. Jika nilai Asymp.sig 2-tailed taraf nyata α = 0,05 maka data residual berdistribusi normal. Sebaliknya, jika nilai Asymp.sig 2-tailed taraf nyata α = 0,05 maka residual tidak berdistribusi normal. Tabel 4.6 Uji Normalitas One-Sample Kolmogorov-Smirnov Test 85 .0000000 .16923006 .173 .134 -.173 1.594 .012 N Mean Std. Deviation Normal Parameters a,b Absolute Positive Negative Most Extreme Differences Kolmogorov-Smirnov Z Asymp. Sig. 2-tailed Unstandardiz ed Residual Test distribution is Normal. a. Calculated from data. b. Sumber: Hasil olahan SPSS Tabel 4.6 menunjukkan bahwa ketika nilai-nilai ekstrem Outlier tidak dikeluarkan maka nilai Asymp.sig 2-tailed adalah sebesar 0,012 lebih kecil dari taraf nyata α = 0,05. Dengan demikian, dapat disimpulkan bahwa data tidak berdistribusi normal. Untuk mendapatkan model yang lebih baik, maka tindakan yang harus dilakukan adalah dengan mengeluarkan semua nilai-nilai ekstrim Outlier tersebut dari penelitian, dalam hal ini Outlier yang dimaksud adalah observasi no. No.35, 52 dan 69. Setelah observasi no. No.35, 52 dan 69 dikeluarkan, namun masih terdapat dua buah nilai ekstrim Outlier, yaitu pada observasi No.71 dan 75 seperti terlihat pada Tabel 4.7 berikut ini: Universitas Sumatera Utara Tabel 4.7 Casewise Diagnostics a 3.608 .4846 .053151 .4314323 3.667 .5932 .154724 .4385206 Case Number 71 75 Std. Residual Rentabilitas_ Ekonomis Predicted Value Residual Dependent Variable: Rentabilitas_Ekonomis a. Sumber: Hasil olahan SPSS Masih terdapatnya Outlier pada penelitian yaitu observasi No.71 dan 75, menyebabkan data tetap berdistribusi tidak normal. Hal ini dapat dilihat pada Gambar 4.6 berikut ini: -2 -1 1 2 3 4 Regression Standardized Residual 5 10 15 20 25 30 Fr eq ue ncy Mean = -2.96E-16 Std. Dev. = 0.988 N = 82 Dependent Variable: Rentabilitas_Ekonomis Histogram Sumber: Hasil olahan SPSS Gambar 4.6: Histogram Variabel Dependent Rentabilitas_Ekonomis Gambar 4.6 menunjukkan bahwa distribusi data memenceng ke kiri. Padahal seharusnya distribusi data tersebut harus mengikuti distribusi data normal. Demikian pula apabila menguji normalitas data dengan grafik Normal P- P Plot, akan terlihat bahwa data berdistribusi tidak normal dengan ditandai adanya Universitas Sumatera Utara penyebaran data sudah mengikuti garis diagonal meskipun penyebaran data tersebut tidak terlalu jauh lagi dari garis diagonal akan tetapi masih memiliki Outlier dalam observasi seperti yang terlihat pada Gambar 4.7 berikut ini: 0.0 0.2 0.4 0.6 0.8 1.0 Observed Cum Prob 0.0 0.2 0.4 0.6 0.8 1.0 Ex pe cte d Cu m P rob Dependent Variable: Rentabilitas_Ekonomis Normal P-P Plot of Regression Standardized Residual Sumber: Hasil olahan SPSS Gambar 4.7 Normal P-P Plot of Regression Standardized Residual Dependent Variable Rentabilitas_Ekonomis Jika pengujian yang dilakukan dengan Kolmogrov Smirnov 1 Sample KS menunjukkan bahwa data tersebut telah berdistribusi normal seperti terlihat pada Tabel 4.8 berikut in: Universitas Sumatera Utara Tabel 4.8 Uji Normalitas One-Sample Kolmogorov-Smirnov Test 82 .0000000 .11809450 .135 .135 -.101 1.220 .102 N Mean Std. Deviation Normal Parameters a,b Absolute Positive Negative Most Extreme Differences Kolmogorov-Smirnov Z Asymp. Sig. 2-tailed Unstandardiz ed Residual Test distribution is Normal. a. Calculated from data. b. Sumber: Hasil olahan SPSS Data distribusi normal pada Tabel 4.8 masih menemukan memiliki nilai ekstrim Outlier sebanyak dua buah yaitu pada Observasi No.71 dan 75. Menurut Nachrowi 2006:170, nilai-nilai ekstrim Outlier dapat mengganggu estimasi koefisien regresi, yang dapat berakibat tidak tepatnya model regresi yang dibuat maka nilai ekstrim Outlier harus dikeluarkan sampai diperoleh persamaan regresi tanpa bebas Outlier. Hal ini dapat dibuktikan dari Gambar 4.3 di atas, dimana distribusi data masih memenceng ke kiri Setelah nilai ekstrim Outlier yaitu No.71 dan 75 dikeluarkan, dan dilakukan pengolahan kembali, ternyata dari persamaan yang didapat tidak lagi ditemukan Outlier, sehingga data telah berdistribusi normal dan telah memenuhi model terbaik. Hal ini dapat dilihat pada Gambar 4.8 berikut ini : Universitas Sumatera Utara -3 -2 -1 1 2 3 Regression Standardized Residual 5 10 15 20 Fre quen c y Mean = -2.76E-16 Std. Dev. = 0.987 N = 80 Dependent Variable: Rentabilitas_Ekonomis Histogram Sumber: Hasil olahan SPSS Gambar 4.8: Histogram Variabel Dependent Rentabilitas_Ekonomis Gambar 4.8 menunjukkan bahwa variabel terikat yaitu Rentabilitas Ekonomis mempunyai distribusi normal. Hal ini ditunjukkan oleh distribusi data tersebut tidak menceng ke kiri atau ke kanan. Pengujian normalitas data menggunakan Normal P-P Plot maka akan terlihat juga bahwa data tersebut telah berdistribusi dengan normal. Karena, pada Gambar 4.9 tersebut terlihat titik-titik yang tersebar di sepanjang garis diagonal dan mengikuti arah garis diagonal. Hal ini menunjukkan bahwa data berdistribusi normal. Universitas Sumatera Utara 0.0 0.2 0.4 0.6 0.8 1.0 Observed Cum Prob 0.0 0.2 0.4 0.6 0.8 1.0 E x p ect ed C u m Prob Dependent Variable: Rentabilitas_Ekonomis Normal P-P Plot of Regression Standardized Residual Sumber: Hasil olahan SPSS Gambar 4.9 Normal P-P Plot of Regression Standardized Residual Dependent Variable Rentabilitas_Ekonomis Untuk memastikan apakah data di sepanjang garis diagonal tersebut berdistribusi normal atau tidak, maka dilakukan uji Kolmogorov Smirnov 1 sample KS yakni dengan melihat data residualnya apakah berdistribusi normal atau tidak. Jika nilai Asymp.sig 2-tailed taraf nyata α = 0,05 maka data residual berdistribusi normal. Sebaliknya, jika nilai Asymp.sig 2-tailed taraf nyata α = 0,05 maka residual tidak berdistribusi normal. Universitas Sumatera Utara Tabel 4.9 Uji Normalitas One-Sample Kolmogorov-Smirnov Test 80 .0000000 .09671959 .106 .090 -.106 .950 .328 N Mean Std. Deviation Normal Parameters a,b Absolute Positive Negative Most Extreme Differences Kolmogorov-Smirnov Z Asymp. Sig. 2-tailed Unstandardiz ed Residual Test distribution is Normal. a. Calculated from data. b. Sumber: Hasil olahan SPSS Tabel 4.9 menunjukkan bahwa nilai Asymp.sig 2-tailed adalah sebesar 0,328 lebih besar dari taraf nyata α = 0,05. Dengan demikian dapat disimpulkan bahwa data residual telah terdistribusi normal. 2. Uji Multikolinearitas Uji Multikolinearitas bertujuan untuk menguji apakah di dalam model regresi linier ditemukan adanya korelasi yang tinggi diantara variabel bebas Independent Variabel. Multikolinearitas dapat dilihat dari nilai Variance Inflation Factor VIF. Tabel 4.10 Collinearity Statistics Coefficientsa Model Collinearity Statistics Tolerance VIF 1 Constant WCT 0.965 1,036 TATO 0.965 1,036 a. Dependent Variable: Rentabilitas_Ekonomis Sumber: Hasil olahan SPSS Universitas Sumatera Utara Bedasarkan Tabel 4.10 diketahui besarnya nilai VIF untuk masing-masing variabel bebas. Semua variabel bebas mempunyai nilai VIF 5 sehingga dapat disimpulkan bahwa masalah multikol tidak ada. 3. Uji Autokorelasi Uji Autokorelasi dilakukan untuk menguji apakah pada model regresi terdapat korelasi kesalahan pengganggu pada periode t dan kesalahan pengganggu pada periode sebelumnya periode t-1. Awalnya ditemukan masalah autokorelasi di dalam penelitian ini. Hal ini dapat terlihat dari nilai uji Durbin-Watson Test DW. Peneliti pada mulanya menggunakan uji Durbin-Watson Test DW untuk mendeteksi gejala autokorelasi. Ketika data masih lengkap, Nilai Durbin-Watson DW pada tabel “model summary” adalah sebesar 2,343 Tabel 4.11. Nilai Durbin-Watson DW harus dibandingkan dengan Tabel Durbin-Watson DW. Untuk α =5 dan k = 2 banyaknya variabel bebas, n = 85, maka nilai batas bawah d L pada tabel adalah 1,60 dan batas bawah atas d u sebesar 1,70. Pengambilan keputusannya yaitu d U DW 4- d U 1,60 2,343 2,30. Dengan demikian nilai DW 4-d U seperti yang terlihat pada Tabel 4.11 berikut: . Tabel 4.11 Model Summary b .283 a .080 .058 .1712814 2.343 Model 1 R R Square Adjusted R Square Std. Error of the Estimate Durbin- Watson Predictors: Constant, TATO, WCT a. Dependent Variable: Rentabilitas_Ekonomis b. Sumber: Hasil olahan SPSS Universitas Sumatera Utara Munculnya Outlier di dalam penelitian menyebabkan data tidak berdistribusi normal dan menimbulkan masalah autokorelasi. Menurut Nachrowi 2006:170, nilai-nilai ekstrim Outlier dapat mengganggu estimasi koefisien regresi, yang dapat berakibat tidak tepatnya model regresi yang dibuat maka nilai ekstrim Outlier tersebut harus dikeluarkan yaitu Observasi No. 35, 52 dan 69 seperti yang terlihat pada Tabel 4.12 berikut ini : Tabel 4.12 Casewise Diagnosticsa Case Number Std. Residual Rentabilitas_Ek onomis Predicted Value Residual 35 -4.423 -.6784 .079216 -.7575910 52 -3.397 -.5601 .021787 -.5819053 69 -3.252 -.5467 .010397 -.5570741 a Dependent Variable: Rentabilitas_Ekonomis Sumber: Hasil olahan SPSS Setelah Outlier dikeluarkan dari Observasi No.35, 52 dan 69, dan dilakukan pengolahan kembali, ternyata masih ditemukan nilai ekstrim Outlier sebanyak dua buah yaitu Observasi No.71 dan 75. Nilai Durbin-Watson DW yang diperoleh makin besar jika dibandingkan ketika data masih lengkap Tabel 4.11 yaitu sebesar 2,472 yang dapat dilihat pada Tabel 4.13 berikut ini : Tabel 4.13 Model Summary b .338 a .115 .092 .1195800 2.472 Model 1 R R Square Adjusted R Square Std. Error of the Estimate Durbin- Watson Predictors: Constant, TATO, WCT a. Dependent Variable: Rentabilitas_Ekonomis b. Sumber: Hasil olahan SPSS Masih ditemukannya nilai ekstrim Outlier sebanyak dua buah yaitu pada Observasi No.71 dan 72, menyebabkan tidak tepatnya model regresi yang dibuat. Nilai ekstrim Outlier tersebut dapat dilihat pada Tabel 4.14 berikut ini : Universitas Sumatera Utara Tabel 4.14 Casewise Diagnostics a 3.608 .4846 .053151 .4314323 3.667 .5932 .154724 .4385206 Case Number 71 75 Std. Residual Rentabilitas_ Ekonomis Predicted Value Residual Dependent Variable: Rentabilitas_Ekonomis a. Sumber: Hasil olahan SPSS Menurut Nachrowi 2006:170, nilai-nilai ekstrim Outlier dapat mengganggu estimasi koefisien regresi, sehingga harus dikeluarkan dari Observasi. Setelah Observasi No.71 dan 72 dikeluarkan, dan dilakukan pengolahan kembali, ternyata tidak ditemukan lagi nilai ekstrim Outlier tersebut dalam persamaan regresi. Nilai Durbin-Watson DW yang diperoleh menurun menjadi 2,404 Tabel 4.15 jika dibandingkan nilai DW pada Tabel 4.13 yaitu sebesar 2,472. Nilai Durbin-Watson DW sebesar 2,404 pada Tabel “model summary” Tabel 4.15 harus dibandingkan dengan Tabel Durbin-Watson DW. Untuk α =5 dan k = 2 banyaknya variabel bebas, n = 80, maka nilai batas bawah d L pada tabel adalah 1,59 dan batas atas d u sebesar 1,69. Pengambilan keputusannya yaitu d U DW 4- d U 1,59 2,404 2,31. Dengan demikian nilai DW 4-d U seperti yang terlihat pada Tabel 4.15 berikut: . Tabel 4.15 Model Summary b .351 a .123 .100 .0979676 2.404 Model 1 R R Square Adjusted R Square Std. Error of the Estimate Durbin- Watson Predictors: Constant, TATO, WCT a. Dependent Variable: Rentabilitas_Ekonomis b. Sumber: Hasil olahan SPSS Berdasarkan penjelasan diatas, uji Durbin-Watson DW tidak dapat digunakan dalam menguji bebasnya masalah autokorelasi dalam penelitian ini. Oleh karena itu, penulis menggunakan uji autokorelasi yang lain. Universitas Sumatera Utara Ada 4 metode dalam mendeteksi masalah autokorelasi Situmorang, et al 82:2008.yaitu : 1. Metode Grafik 2. The Run Test 3. Percobaan d dari Durbin-Watson DW 4. The Breusch-Godfrey BG Test Penulis selanjutnya memutuskan memilih menggunakan uji Run Test dan Uji Breusch-Godfrey BG Test dalam penelitian ini. Setelah semua Outlier dikeluarkan dari Observasi, sampai tidak ditemukan lagi Outlier dalam persamaan regresi, maka diperoleh hasil sebagai berikut :

a. Uji Run Test

Menentukan kriteria keputusan :  Jika taksiran R berada pada jarak interval, terima hipotesis nol Ho.  Jika taksiran R diluar batas interval, tolak hipotesis nol Ho. Tabel 4.16 Runs Test .00884 40 40 80 35 -1.350 .177 Test Value a Cases Test Value Cases = Test Value Total Cases Number of Runs Z Asymp. Sig. 2-tailed Unstandardiz ed Residual Median a. Sumber: Hasil olahan SPSS Berdasarkan Tabel 4.16 menunujukkan bahwa test valuenya adalah 0,00884 dengan probabilitas 0,177 tidak signifikan pada 0,05 yang berarti Universitas Sumatera Utara hipotesis nol Ho diterima, sehingga dapat disimpulkan bahwa residual random atau tidak terjadi autokorelasi antar nilai residual. b. The Breusch-Godfrey BG Test Kriteria pengambilan keputusan :  Jika Koefisien parameter untuk variabel Auto Lag menunjukkan probabilitas signifikan di atas tingkat α = 5, berarti data tidak terkena autokorelasi.  Jika Koefisien parameter untuk variabel Auto Lag menunjukkan probabilitas signifikan di bawah tingkat α = 5, berarti data terkena autokorelasi. Tabel 4.17 Coefficients a -.003 .027 -.101 .920 .000 .000 -.017 -.151 .880 .004 .024 .020 .176 .861 -.212 .114 -.213 -1.866 .066 Constant WCT TATO Auto Model 1 B Std. Error Unstandardized Coefficients Beta Standardized Coefficients t Sig. Dependent Variable: Unstandardized Residual a. Sumber: Hasil olahan SPSS Berdasarkan Tabel 4.17 terlihat bahwa koefisien parameter untuk variabel Auto Lag menunjukkan probabilitas signifikan 0,066 di atas 0,05, berarti data tidak terkena autokorelasi. 4. Uji Heterokedastisitas Heterokedastisitas terjadi karena perubahan situasi yang tidak tergambarkan dalam spesifikasi model regresi. Dengan kata lain, heterokedastisitas terjadi jika residual tidak memiliki varian yang konstan. Pemeriksaan terhadap gejala Heterokedastisitas adalah dengan melihat pola Universitas Sumatera Utara diagram pencar Scatter Plot yaitu grafik yang merupakan diagram pencar residual, yaitu selisih antara nilai Y prediksi dan Y observasi. a. Model Grafik Hipotesis : 1. Jika diagram pencar yang ada membentuk pola-pola tertentu yang teratur maka regresi mengalami gangguan heterokedastisitas. 2. Jika diagram pencar tidak membentuk pola yang atau acak maka regresi tidak mengalami gangguan heterokedastisitas. -4 -2 2 4 Regression Standardized Predicted Value -3 -2 -1 1 2 3 Re gres s ion Stud entized Res idua l Dependent Variable: Rentabilitas_Ekonomis Scatterplot Sumber: Hasil olahan SPSS Gambar 4.10 Scatterplot Dependent Variabel Rentabilitas_Ekonomis Berdasarkan Gambar 4.10 dapat dilihat bahwa diagram pencar tidak membentuk pola oleh karena itu tidak mengalami gangguan heterokedastisitas. Universitas Sumatera Utara b. Model Glejser Menentukan kriteria keputusan : a Jika nilai signifikansi 0,05 , maka tidak mengalami gangguan heterokedastisitas. b Jika nilai signifikansi 0,05 , maka mengalami gangguan heterokedastisitas. Tabel 4.18 Uji Glejser Coefficients a .068 .018 3.751 .000 .000 .000 -.196 -1.725 .089 .006 .016 .042 .368 .714 Constant WCT TATO Model 1 B Std. Error Unstandardized Coefficients Beta Standardized Coefficients t Sig. Dependent Variable: Absut a. Sumber: Hasil olahan SPSS Berdasarkan Tabel 4.18 menunjukkan bahwa signifikansi setiap variabel bebas lebih besar dari 0,05, maka tidak mengalami gangguan heterokedastisitas.

D. Pengujian Hipotesis