56 asumsi klasik, agar hasil pengujian bersifat tidak bias Best Linier Unbiased
Estimator . Menurut Ghozali 2012 : 96, asumsi klasik yang harus dipenuhi
adalah: 1. Berdistribusi Normal,
2. Non-Multikolonieritas, artinya antara variabel independen dalam model regresi tidak memiliki kolerasi atau hubungan secara sempurna ataupun
mendekati sempurna, 3. Non-Autokorelasi, artinya kesalahan pengganggu dalam model regresi
tidak saling berkorelasi, 4. Non-Heteroskedastisitas, artinya variance variabel independen dari satu
pengamatan ke pengamatan lain adalah konstan atau sama.
4.2.2.1 Uji Normalitas
Ada dua cara yang dapat dilakukan untuk mendeteksi apakah residual berdistribusi normal atau tidak, yaitu dengan analisis grafik dan uji statistik.
Untuk melakukan pengujian normalitas dengan analisis grafik dapat dilakukan dengan manganalisis grafik normal probability plot dan grafik histogram. Dasar
pengambilan keputusan dalam uji normalitas yaitu: 1. Jika data menyebar disekitar garis diagonal dan mengikuti arah garis
diagonal atau grafik histogramnya menunjukkan pola distribusi normal, maka model regresi memenuhi asumsi normalitas.
2. Jika data menyebar jauh dari diagonal dan atau tidak mengikuti arah garis diagonal atau grafik histogram tidak menunjukkan pola distribusi
normal, maka model regresi tidak memenuhi asumsi normalitas.
57
Gambar 4.1 Pengujian Normalitas 1
Gambar 4.2 Pengujian Normalitas 2
58
Tabel 4.4 Pengujian Normalitas 3
One-Sample Kolmogrov-Simrnov Test
Cash Ratio
Receivable Turn Over
Inventory Turn Over
Working Capital
Turn Over Debt to
Equity Ratio
Return on Investment
N 54
54 54
54 54
54 Normal
Parameters
a,b
Mean 1.1085
6.3998 3.5124
17.6896 2.9369
.1337 Std. Deviation
.96838 2.43249
1.36372 26.96153 10.43444 .11465
Most Extreme Differences
Absolute .148
.085 .108
.285 .464
.145 Positive
.148 .084
.086 .251
.464 .145
Negative -.128
-.085 -.108
-.285 -.389
-.122 Kolmogorov-Smirnov Z
1.090 .628
.792 2.095
3.413 1.064
Asymp. Sig. 2-tailed .186
.825 .557
.000 .000
.208 a. Test distribution is Normal.
b. Calculated from data. Sumber: Output SPSS, diolah oleh penulis, 2015
Gambar 4.1 memperlihatkan grafik normal probability plot, yang menunjukkan bahwa titik-titik dalam plot terlihat menyebar jauh dari garis
diagonal baik diatas maupun dibawah garis diagonal. Hal tersebut berarti data terdistribusi tidak normal. Gambar 4.2 memperlihatkan bahwa pada grafik
histogram, distribusi tidak mengikuti kurva berbentuk lonceng dan menceng skewness ke arah kiri dan kanan, sehingga dapat disimpulkan bahwa data
tersebut terdistribusi tidak normal. Tabel 4.4 menunjukkan bahwa nilai Kolmogorov-Smirnov
K-S untuk variabel Working Capital Turn Over sebesar 2.095 dengan probabilitas signifikansi Asymp. Sig. 2-tailed 0.000 dan nilainya
jauh dibawah α = 0.05, dan nilai Kolmogorov-Smirnov K-S untuk variabel Debt to Equity Ratio sebesar 3.413 dengan probabilitas signifikansi Asymp. Sig. 2-
tailed 0.000 dan nilainya jauh dibawah α = 0.05, hal ini menunjukkan variabel
59 Working Capital Turn Over dan Debt to Equity Ratio tidak berdistribusi secara
normal. Data tidak normal dapat disebabkan oleh adanya data outlier yaitu data
yang memiliki nilai yang sangat menyimpang dari nilai data lainnya. Cara untuk mengatasi data outlier yaitu dengan melakukan transformasi data ke bentuk
lainnya. Tindakan perbaikan yang dilakukan dalam penelitian ini adalah menggunakan transformasi seluruh variabel penelitian dalam bentuk logaritma
natural Ln dari ROI = fCR, RTO, ITO, WCTO, DER menjadi LnROI = fLnCR, LnRTO, LnITO, LnWCTO, LnDER. Bentuk ini menyebabkan data yang
bernilai negatif tidak dapat ditransformasi sehingga jumlah sampel yang valid menjadi 48 pengamatan.
Setelah dilakukan transformasi data maka hasil uji normalitas data dapat dilihat pada grafik normal probability plot dan tabel Kolmogorov Smirnov sebagai
berikut:
Gambar 4.5 Pengujian Normalitas 4
60
Gambar 4.6 Pengujian Normalitas 5
Tabel 4.5 Pengujian Normalitas 6
One-Sample Kolmogrov-Simrnov Test Ln
LnCR LnRTO LnITO
LnWCTO LnDER LnROI N
48 48
48 48
48 48
Normal Parameters
a,b
Mean -.1797
1.8404 1.2596
1.9418 -.9362 -2.2178
Std. Deviation .99712
.38611 .36862
.88430 .53361
.85687 Most Extreme
Differences Absolute
.150 .141
.146 .156
.140 .149
Positive .082
.112 .082
.156 .140
.149 Negative
-.150 -.141
-.146 -.127
-.072 -.088
Kolmogorov-Smirnov Z 1.038
.976 1.010
1.079 .968
1.036 Asymp. Sig. 2-tailed
.232 .296
.260 .194
.306 .234
a. Test distribution is Normal. b. Calculated from data.
Sumber: Output SPSS, diolah oleh penulis, 2015
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
