30
Berdasarkan data dari tabel 4.1 dapat dijelaskan bahwa : 1.
Rata-rata dari Inventory Turnover adalah 7,5466 dengan standar deviasi 14,30130 dan jumlah data yang ada adalah 90. Nilai tertinggi Inventory
Turnover adalah 92,44 sedangkan nilai terendah adalah 0,77. 2.
Rata-rata dari Total Assets Turnover adalah 1,2713 dengan standar deviasi 0,93693 dan jumlah data yang ada adalah 90. Nilai Total Assets Turnover
adalah 5,65 sedangkan nilai terendah adalah 0,27. 3.
Rata-rata dari Gross Profit Margin adalah 0,2046 dengan standar deviasi 0,11642 dan jumlah data yang ada adalah 90. Nilai tertinggi Gross Profit
Margin adalah 0,50 sedangkan nilai terendah adalah 0,02.
4.2.2 Pengujian Asumsi Klasik
Salah satu syarat yang menjadi dasar penggunaan model regresi berganda dengan metode estimasi Ordinary Least Square OLS adalah
dipenuhinya semua asumsi klasik, agar hasil pengujian bersifat tidak bias dan efisien Best Linear Unbiased Estimator. Pengujian asumsi
klasik dalam penelitian ini dilakukan dengan bantuan program statistik. Menurut Ghozali 2008, asumsi klasik yang harus dipenuhi adalah
sebagai berikut ini: Berdistibusi normal.
Non-Multikolinearitas, artinya antara 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.
Universitas Sumatera Utara
31
Non-Heterokedastisitas, artinya variance variabel independen dari satu pengamatan ke pengamatan lain adalah konstan atau sama.
4.2.2.1 Uji Normalitas
Uji data statistik dengan model Kolmogorov-Smirnov dilakukan untuk mengetahui apakah data sudah terdistribusi
secara normal atau tidak. Ghozali 2008, memberikan pedoman pengambilan keputusan rentang data mendekati atau merupakan
distribusi normal berdasarkan uji Kolmogorov Smirnov yang dapat dilihat dari:
a nilai sig. atau signifikan atau probabilitas 0,05, maka distribusi data adalah tidak normal,
b nilai sig. atau signifikan atau probabilitas 0,05, maka distribusi data adalah normal.
Hipotesis yang digunakan adalah : H0 : Data residual berdistribusi normal, dan
H1 : Data residual tidak berdistribusi normal. Hasil uji normalitas dengan menggunakan model Kolmogorov-
Smirnov adalah seperti yang ditampilkan berikut ini :
Universitas Sumatera Utara
32
TABEL 4.2 HASIL UJI NORMALITAS
One-Sample Kolmogorov-Smirnov Test
Unstandardize d Residual
N 90
Normal Parameters
a,b
Mean .0000000
Std. Deviation .10125113
Most Extreme Differences
Absolute .150
Positive .150
Negative -.090
Kolmogorov-Smirnov Z 1.426
Asymp. Sig. 2-tailed .034
a. Test distribution is Normal. b. Calculated from data.
Sumber : Output SPSS, diolah peneliti, 2013 Hasil uji Kolmogorov-Smirnov pada penelitian ini menujukkan
probabilitas = 0,034. Dengan demikian, data pada penelitian ini tidak berdistribusi normal dan dapat digunakan untuk melakukan uji
hipotesis karena 0,034 0,05. Pada pengujian normalitas dengan analisis statistik dapat ketahui bahwa data yang digunakan oleh peneliti
tidak berdistribusi normal sehingga data ini tidak dapat digunakan untuk melakukan uji hipotesis. Pada penelitian ini peneliti
menggunakan metode transformasi data untuk menormalkan data penelitian. Menurut Ghozali 2008:32, “data yang tidak terdistribusi
secara normal dapat ditransformasi agar menjadi normal”. Salah satu
Universitas Sumatera Utara
33
trasformasi data
yang dapat
dilakukan adalah
dengan mentransformasikan data ke LG10 atau logaritma 10 atau logaritma
natural LN. Hasil transformasi data ke logaritma natural dapat dilihat pada lampiran. Setelah dilakukan transformasi, peneliti melakukan
pengujian ulang terhadap uji normalitas untuk melihat kembali apakah data penelitian ini telah berdistribusi normal atau tidak. Hasil pengujian
normalitas setelah transformasi dapat dilihat sebagai berikut.
TABEL 4.3 HASIL UJI NORMALITAS
One-Sample Kolmogorov-Smirnov Test
Unstandardize d Residual
N 90
Normal Parameters
a,b
Mean .0000000
Std. Deviation .59279971
Most Extreme Differences
Absolute .101
Positive .040
Negative -.101
Kolmogorov-Smirnov Z .956
Asymp. Sig. 2-tailed .320
a. Test distribution is Normal. b. Calculated from data.
Sumber : Output SPSS, diolah peneliti, 2013 Berdasarkan hasil uji statistik dengan model Kolmogorov-Smirnov
seperti yang terdapat dalam tabel 4.3 dapat disimpulkan bahwa
Universitas Sumatera Utara
34
besarnya nilai Kolmogrov –Smirnov sebesar 0,956 dan signifikan lebih
dari 0,05 karena Asymp. Sig. 2-tailed 0,320 dari 0,05. Nilai signifikansi lebih besar dari 0,05 maka H0 diterima atau H1 ditolak
yang berarti data residual telah berdistribusi normal. Dengan demikian, dapat disimpulkan bahwa nilai-nilai observasi data telah terdistribusi
secara normal dan dapat dilanjutkan dengan uji asumsi klasik lainnya. Untuk lebih jelas, berikut ini turut dilampirkan grafik histrogram dan
plot data yang terdistribusi normal.
GAMBAR 4.1 HISTOGRAM
Sumber : Output SPSS, diolah peneliti, 2013
Universitas Sumatera Utara
35
Grafik histogram di atas menunjukkan bahwa data telah terdistribusi secara normal. Hal ini dapat dilihat dari grafik
histogram yang menunjukkan distribusi data mengikuti garis diagonal yang tidak menceng skewness kiri maupun menceng
ke kanan. Hal ini juga didukung dengan hasil uji normalitas dengan menggunakan grafik plot yang ditampilkan pada Gambar
4.2
GAMBAR 4.2 UJI NORMALITAS DATA
Sumber : Output SPSS, diolah peneliti, 2013
Universitas Sumatera Utara
36
Menurut Ghozali 2008, pendeteksian normalitas dapat dilakukan dengan melihat penyebaran data titik pada sumbu
diagonal dari grafik, yaitu jika data titik menyebar di sekitar garis diagonal dan mengikuti arah garis diagonal, hal ini
menunjukkan data yang telah terdistribusi normal. Gambar 4.2 menunjukkan bahwa data titik menyebar di sekitar dan
mendekati garis diagonal. Hal ini sejalan dengan hasil pengujian dengan menggunakan histogram bahwa data telah terdistribusi
normal. Karena secara keseluruhan data telah terdistribusi secara normal, maka dapat dilakukan pengujian asumsi klasik lainnya.
4.2.2.2 Uji Multikolinieritas
Untuk melihat ada atau tidaknya multikolinieritas dalam model regresi dapat dilihat dari:
1 nilai tolerence dan lawannya, 2 Variance Inflatin Factor VIF.
Kedua ukuran ini menunjukkan setiap variabel independen manakah yang dijelaskan oleh variabel independen lainnya. Tolerance
mengukur variabilitas variabel independen yang terpilih yang tidak dijelaskan oleh variabel independen lainnya. Jadi, nilai Tolerance yang
rendah sama dengan nilai VIF yang tinggi karena VIF = 1tolerence. Nilai cutoff yang umum dipakai untuk menunjukkan adanya
mutikolineritas adalah nilai Tolerence 0,10 atau sama dengan VIF 10 Ghozali, 2008.
Universitas Sumatera Utara
37
TABEL 4.4 HASIL UJI MULTIKOLINIERITAS
Coefficients
a
Model Unstandardized
Coefficients Standardize
d Coefficients
T Sig.
Collinearity Statistics
B Std.
Error Beta
Toleranc e
VIF
1 Constant
-1.470 .156
-9.403 .000
LN_ITO -.200
.100 -.230 -2.000
.049 .546
1.830 LN_TATO
-.547 .145
-.433 -3.771 .000
.546 1.830
a. Dependent Variable: LN_GPM Sumber : Output SPSS, diolah peneliti, 2013
Berdasarkan tabel 4.4 dapat disimpulkan bahwa penelitian ini bebas dari adanya multikolinieritas. Hal tersebut dapat dilihat dengan
membandingkannya dengan nilai Tolerance atau VIF. Masing-masing variabel independen yang digunakan dalam penelitian ini memiliki
nilai Tolerence yang lebih besar dari 0,10. Jika dilihat dari VIFnya, bahwa masing-masing variabel bebas lebih kecil dari 10. Dengan
demikian dapat
disimpulkan bahwa
tidak terjadi
gejala multikolinieritas dalam variabel bebasnya.
4.2.2.3 Uji Heteroskedastisitas
Ghozali 2008 menyatakan “uji heteroskedastisitas bertujuan untuk menguji apakah dalam model regresi terjadi ketidaksamaan
variance dari residual satu pengamatan ke pengamatan yang lain.
Universitas Sumatera Utara
38
Jika variance dari satu pengamatan ke pengamatan lain tetap, maka disebut homoskedastisitas dan jika berbeda disebut
heteroskedastisitas”. Model regresi yang baik adalah tidak terjadi heteroskedastisitas. Cara mendeteksi ada tidaknya gejala
heteroskedastisitas adalah dengan melihat grafik scatterplot yang dihasilkan dari pengolahan data menggunakan program SPSS.
Dasar pengambilan keputusannya menurut Ghozali 2008 adalah sebagai berikut:
1. jika ada pola tertentu, seperti titik-titik yang ada membentuk
pola tertentu yang teratur bergelombang, melebar kemudian menyempit,
maka mengindikasikan
telah terjadi
heteroskedastisitas. 2.
jika tidak ada pola yang jelas, serta titik-titik menyebar di atas dan di bawah angka 0 pada sumbu Y, maka tidak terjadi
heteroskedastisitas.
Berikut ini dilampirkan grafik scatterplot untuk menganalisis apakah terjadi gejala heteroskedastisitas atau tidak dengan cara
mengamati penyebaran titik-titik pada grafik.
Universitas Sumatera Utara
39
GAMBAR 4.3
HASIL UJI HETEROSKEDASTISITAS
Sumber : Output SPSS, diolah peneliti, 2013
Dari grafik scatterplot terlihat bahwa titik-titik menyebar secara acak dengan tidak adanya pola yang jelas serta tersebar baik di atas
maupun di bawah angka 0 pada sumbu Y. Hal tersebut menunjukkan bahwa tidak terjadi heteroskedastisitas, sehingga model ini layak
dipakai untuk memprediksi tingkat profitabilitas gross profit margin pada perusahaan manufaktur yang terdaftar di Bursa Efek Indonesia
berdasarkan masukan variabel independen yaitu inventory turnover dan total assets turnover.
Universitas Sumatera Utara
40
4.2.2.4 Uji Autokorelasi
Uji ini bertujuan untuk melihat apakah dalam suatu model linear ada korelasi antar kesalahan pengganggu pada periode t dengan
kesalahan pada periode t-1 sebelumnya. Model regresi yang baik adalah yang bebas dari autokorelasi. Masalah autokorelasi umumnya
terjadi pada regresi yang datanya time series. Ada beberapa cara yang dapat digunakan untuk mendeteksi masalah dalam autokorelasi
diantaranya adalah dengan Uji Durbin Watson. Menurut Sunyoto 2009, untuk melihat ada tidaknya autokorelasi dilihat dari:
1 angka D-W dibawah –2 berarti ada autokorelasi positif,
2 angka D-W di antara -2 sampai +2 berarti tidak ada autokorelasi, 3 angka D-W di atas +2 berarti ada autokorelasi negatif.
TABEL 4.5 HASIL UJI AUTOKORELASI
Model Summary
b
Model R
R Square Adjusted R
Square Std. Error of
the Estimate Durbin-
Watson 1
.611
a
.374 .359
.59957 1.770
a. Predictors: Constant, LN_TATO, LN_ITO b. Dependent Variable: LN_GPM
Sumber : Output SPSS, diolah peneliti, 2013
Universitas Sumatera Utara
41
Tabel 4.5 menunjukkan hasil uji autokorelasi variabel penelitian. Berdasarkan hasil pengujiannya dapat dilihat bahwa
tidak terjadi autokorelasi antar kesalahan pengganggu antar periode. Hal tersebut dilihat dari nilai Durbin-Watson D-W
sebesar 1,770. Angka D-W di antara -2 sampai +2 yang mengartikan bahwa angka DW lebih besar dari -2 dan lebih kecil
dari 2. Dengan demikian, dapat dikemukakan bahwa tidak ada autokorelasi positif maupun negatif.
4.2.3 Analisis Regresi