46
standard deviasi sebesar 0.77625. Jumlah data yang digunakan adalah sebanyak 69.
4. Variabel perputaran persediaan X
3
memiliki nilai minimum sebesar 0.28 dan nilai maksimum sebesar 2.45. Rata-rata ROA adalah 1.3654
dengan standard deviasi sebesar 0.43563. Jumlah data yang digunakan adalah sebanyak 69.
4.2.2. Pengujian Asumsi Klasik
Agar model regresi tidak bias atau agar model regresi BLUE Best Linear Unbiased Estimator maka perlu dilakukan uji asumsi klasik terlebih
dahulu Damodar Gujarati, 2006. Menurut Ghozali 2005 :123, asumsi klasi yang harus dipenuhi adalah :
• Berdistribusi Normal • Non-Multikolinearitas, artinya antar variabel independen dalam
model regresi tidak memiliki korelasi atau hubungan secara sempurna ataupun mendekati sempurna.
• Non autokorelasi, artinya kesalahan pengganggu dalam model regresi tidak saling berkorelasi.
• Non-Heterokedastisitas, artinya variance variable dari satu pengamatan ke pengamatan lain adalah konstan atau sama.
4.2.2.1. Uji Normalitas
Menurut Erlina 2008 : 100 bahwa “ uji normalitas data bertujuan untuk mengetahui apakah dalam model regresi variabel
pengganggu atau residual memiliki distribusi normal”. Ada dua cara yang dapat dilakukan untuk mendeteksi apakah residul distribusi
normal atau tidak yaitu dengan analisis grafik dan uji statistik. Data
Universitas Sumatera Utara
47
yang tidak berdistribusi secara normal dalam persamaan regresi maka akan memberikan hasil yang bias. Awalnya, data penelitian ini tidak
normal sehingga perlu ditansformasi bentuk dalam logaritma natural Ln. Oleh karena itu, masing-masing variabel penelitian yang
digunakan telah ditransformasi bentuk dalam penulisan ditambah kata Ln.
Analisis grafik yang handal
untuk
menguji normalitas data adalah dengan melihat normal probability plot dan histogram . Uji
normalitas yang pertama dengan bantuan aplikasi SPSS 16.0 menghasilkan grafik secara histogram . Berdasarkan hasil komputasi,
maka dihasilkan grafik historgram seperti terlihat pada gambar 4.1 berikut ini:
Gambar 4.1 Grafik Histogram
Sumber : Output SPSS, diolah peneliti 2014
Universitas Sumatera Utara
48
Berdasarkan gambar 4.1 di atas, dapat dilihat bahwa bentuk histogram menggambarkan data yang berdistribusi normal atau
mendekati normal karena membentuk seperti lonceng bell shaped. Bentuk histogram seperti bentuk lonceng bell shaped curve
mengindikasikan bahwa data berdistribusi normal.
Uji normalitas yang kedua adalah dengan melihat normal probability plot. Berdasarkan hasil komputasi dengan bantuan aplikasi
SPSS 16.0, maka dihasilkan grafik historgram seperti terlihat pada gambar 4.2 berikut ini:
Gambar 4.2 Normal Probability Plot
Sumber : Output SPSS, diolah peneliti 2014 Berdasarkan gambar 4.2 di atas terlihat data titik-titik sebaran
mendekati dan mengikuti garis normal sehingga asumsi normalitas
Universitas Sumatera Utara
49
terpenuhi. Selain secara grafik, pengujian normalitas data dapat dilakukan secara statistik . Pengujian normalitas data secara statistik
dapat dilakukan dengan menggunakan Uji Kolmogorov – Smirnov. Hasil uji kolmogorov-smirnov dapat dilihat pada tabel 4.4 berikut ini :
Tabel 4.4 Uji Kolmogorov-Smirnov
One-Sample Kolmogorov-Smirnov Test
Unstandardized Residual
N 69
Normal Parameters
a
Mean .0000000
Std. Deviation .78670049
Most Extreme Differences Absolute
.062 Positive
.040 Negative
-.062 Kolmogorov-Smirnov Z
.518 Asymp. Sig. 2-tailed
.951 a. Test distribution is Normal.
Sumber : Output SPSS, diolah peneliti 2014 Berdasarkan Tabel 4.4 dapat dilihat bahwa nilai Signifikansi
Kolmogorov- Smirnov adalah 0.518 dan signifikansi 0.951 berada diatas 0,05, maka disimpulkan data terdistribusi secara normal. Secara
keseluruhan, dengan menggunakan metode grafik normal probability plot dan histogram dan statistik Kolmogorov-Smirnov dapat
dinyatakan bahwa asumsi normalitas dipenuhi dalam penelitian ini sehingga dapat dilakukan pengujian asumsi klasik lainnya.
4.2.2.2.Uji Multikolinearitas
Universitas Sumatera Utara
50
Menurut Ghozali 2005 : 91 tujuan dari uji multikolinearitas adalah “untuk meneliti apakah dalam model regresi ditemukan adanya
korelasi di antara variabel independen. Jika terjadi korelasi, berarti terjadi masalah multikolinieritas”. Model regresi yang valid adalah
model regresi yang bebas dari multikolinearitas. Hasil pengujian multikolinearitas dapat dilihat dari tabel dibawah ini :
Tabel 4.5 Hasil Uji Multikolinearitas
Coefficients
a
Model Unstandardize
d Coefficients Standardiz
ed Coefficient
s t
Sig. Collinearity
Statistics B
Std. Error
Beta Tolerance VIF
1 Constant -3.555 .538
- 6.605
.000 Ln_PerputaranKas
-.458 .093 -.506
- 4.947
.000 .886 1.128
Ln_PerputaranPiutang .709 .137
.544 5.172 .000 .841 1.189
Ln_PerputaranPersediaan .555 .234
.239 2.372 .021 .916 1.092
a. Dependent Variable: Ln_ROA
Sumber : Output SPSS, diolah peneliti 2014 Berdasarkan tabel diatas dapat dilihat bahwa nilai tolerance dari
masing-masing variable independen lebih besar dari 0.10, yaitu untuk variabel perputaran kas 0.886, variabel perputaran piutang 0.841, dan
variabel perputaran persediaan 0.916. Nilai VIF dari masing-masing
Universitas Sumatera Utara
51
variabel independen diketahui kurang dari 10, yaitu untuk variabel perputaran kas 1.128, variabel perputaran piutang 1,189, dan variabel
perputaran persediaan 1,092. Dengan demikian dapat disimpulkan bahwa pada penelitian ini tidak terdapat multikolinearitas.
4.2.2.3.Uji Heterokedastisitas
Menurut Ghozali 2005 : 105, “Uji heterokedastisitas memiliki tujuan menguji apakah dalam model regresi terjadi ketidaksamaan
varians dari residual satu pengamatan ke pengamatan yang lain”. Jika varians dari residual satu pengamatan ke pengamatan yang lain tetap,
maka disebut homoskedastisitas dan jika berbeda disebut heteroskedastisitas. Model regresi yang baik adalah yang tidak terjadi
heterokedastisitas. Hasil uji Heterokedastisitas dapat dilihat pada gambar grafik berikut.
Gambar 4.3 Hasil Uji Heterokedastisitas
Universitas Sumatera Utara
52
Dari grafik scatterplot terlihat bahwa titik- titik menyebar secara acak serta tersebar baik diatas maupun di bawah angka 0 pada sumbu Y,
sehingga dapat disimpulkan bahwa tidak terjadi heteroskedastisitas pada model regresi. Adanya titik- titik menyebar menjauh dari titik-
titik lain dikarenakan adanya data observasi yang sangat berbeda dengan data observasi yang lain.
4.2.2.4.Uji Autokorelasi
Uji ini bertujuan untuk melihat apakah dalam suatu model regresi linier terdapat korelasi antara kesalahan pengganggu pada
periode t dengan kesalahan periode t-1 sebelumnya. Jika terjadi korelasi maka dinamakan ada problem autokorelasi. Model regresi yang
baik adalah yang bebas autokorelasi. Autokorelasi muncul karena observasi yang berurutan sepanjang tahun yang berkaitan satu dengan
yang lainnya. Hal ini sering ditemukan pada time series. Untuk mengetahui adanya autokorelasi dalam suatu model
regresi dilakukan melalui pengujian terhadap nilai uji Durbin-Watson Uji DW. Nilai DW pada penelitian dibandingkan dengan nilai d
tabel
dengan tingkat signifikansi 5 dengan df = n-k-1. Hasil uji autokorelasi dengan Durbin-Watson dapat dilihat pada tabel 4.6 dibawah ini :
Universitas Sumatera Utara
53
Tabel 4.6 Hasil Uji Autokorelasi
Model Summary
b
Model R
R Square Adjusted R
Square Std. Error of the
Estimate Durbin-Watson
1 .630
a
.396 .368
.80465 1.809
a. Predictors: Constant, Ln_PerputaranPersediaan, Ln_PerputaranKas, Ln_PerputaranPiutang
b. Dependent Variable: Ln_ROA
Sumber Output SPSS, diolah penulis 2014 Hasil uji Durbin-Watson pada tabel 4.6 menunjukkan nilai
sebesar 1.809 sedangkan kriteria yang digunakan untuk model yang bebas autokorelasi adalah 1.7015
DW 2.2657. Nilai Durbin-Watson hasil pengolahan data diperoleh sebesar 1.809 dan nilai tersebut terletak
diantara 1.7015 dan 2.3657 maka dapat disimpulkan tidak terjadi
autokorelasi. Koefisien determinasi R
2
bertujuan untuk mengetahui seberapa besar kemampuan variabel bebas menjelaskan variabel terikat Lubis,
2007 : 48. Semakin mendekati 0, semakin tidak baik nilai koefisien determinasi, yang berarti bahwa variasi model dalam menjelaskan
semakin terbatas. Semakin mendekati 1, maka semakin baik model regresi tersebut.
Dari tabel diatas diperoleh nilai koefisien determinasi adalah 0,396 yang berarti 39,6 return on asset dapat diprediksi dengan
variabel perputaran kas, perputaran piutang dan perputaran persediaan,
Universitas Sumatera Utara
54
sedangkan 60.4 selebihya dijelaskan oleh variabel-variabel lain yang tidak diteliti dalam penelitian ini.
Nilai adjusted R Square atau koefisien determinasi adalah sebesar 0,368 yang berarti bahwa return on asset mampu diprediksikan
oleh perputaran kas, perputaran piutang dan perputaran persediaan sebesar 36.8 sedangkan 63.2 selebihnya dijelaskan oleh variabel-
variabel yang tidak diteliti dalam penelitian ini. Jika terdapat 2 variabel atau lebih dalam penelitian, maka uji
yang digunakan untuk memprediksi hubungan antara variabel bebas dan variabel terikat adalah adjusted R Square.
4.2.3. Uji Hipotesis