67 32,63. Nilai range dari perputaran kas adalah 134,29 dan penjumlahan perputaran
kas dari 45 responden adalah 1344,73. Perputaran piutang sebagai variabel bebas kedua mengalami fluktuasi
dengan nilai terendah 4,14 dan nilai tertinggi 34,92. Rata-rata perputaran piutang yang diperoleh dari 45 responden adalah 10,4588, dengan standar deviasi sebesar
7,38166. Nilai range dari perputaran piutang adalah 30,78 dan penjumlahan perputaran piutang dari 45 responden adalah 470,64.
Perputaran persediaan sebagai variabel bebas ketiga juga mengalami fluktuasi dengan nilai terendah 1,33 dan nilai tertinggi 15,91. Rata-rata perputaran
persediaan yang diperoleh dari 45 responden adalah 6,0566, dengan standar deviasi sebesar 3,44531. Nilai range dari perputaran persediaan adalah 14,58 dan
penjumlahan perputaran persediaan dari 45 responden adalah 272,55.
4.1.3. Uji Asumsi Klasik
Salah satu syarat yang menjadi dasar penggunaaan model regresi linier berganda dengan metode estimasi Ordinary Least Square OLS adalah
dipenuhinya semua asumsi klasik, agar hasil pengujian bersifat tidak bias dan efisien atau sering disebut Best Linear Umbiased Estimator BLUE. Menurut
Ghozali 2006 :123 asumsi klasik yang harus dipenuhi adalah : 1. Data berdistribusi normal
2. Tidak terjadi multikolinearitas, artinya diantara variabel independen dalam model regresi tidak memiliki korelasi atau hubungan secara sempurna atau
mendekati sempurna.
Universitas Sumatera Utara
68 3. Tidak terjadi autokorelasi, artinya kesalahan pengganggu dalam model
regresi tidak saling berkorelasi. 4. Tidak terjadi heterokedastisitas, artinya variance variabel independen dari
satu pengamatan ke pengamatan lain adalah konstan atau sama.
4.1.3.1.Uji Normalitas Uji normalitas dilakukan dengan tujuan untuk mengetahui apakah data yang
digunakan dalam penelitian terdistribusi normal atau tidak. Untuk melihat apakah data dalam penelitian ini terdistribusi normal adalah dengan cara melihat
penyebaran data pada pada sumbu grafik P-P Plot apakah menyebar disekitar garis diagonal dan mengikuti arah garis diagonal atau dengan melihat pola dalam
grafik yang berdistribusi normal pada histogram. Hasil uji normalitas pada penelitian ini ditunjukkan pada gambar 4.1. berikut ini
Gambar 4.1.Grafik P-P Plot
Universitas Sumatera Utara
69 Gambar 4.1. diatas menunjukkan bahwa plot-plot data dalam penelitian
menyebar disekitar garis diagonal dan mengikuti garis diagonal. Selain menggunakan P-P Plot, normalitas data penelitian dapat dilihat dari bentuk
poligon yang terdapat pada histogram yang dapat dilihat pada gambar 4.2. berikut ini.
Gambar 4.2. Histogram
Gambar 4.2. menunjukkan bahwa garis poligon pada histogram berdistribusi normal yang terlihat dari kecenderungan garis poligon yang tidak menceng ke kiri
maupun ke kanan. Dari pendekatan grafik P-P Plot dan histogram diatas, maka data-data pada penelitian ini mengikuti asumsi normalitas.
4.1.3.2.Uji Heteroskedastisitas Uji heteroskedastisitas bertujuan untuk menguji apakah dalam model regresi
terjadi ketidaksamaan variance dari residual satu pengamatan ke pengamatan
Universitas Sumatera Utara
70 yang lain. Jika variance dari residual satu pengamatan ke pengamatan lain tetap,
maka disebut homoskedastisitas dan jika berbeda disebut heteroskedastisitas. Model regresi yang baik adalah homoskedastisitas atau tidak terjadi
heteroskedastisitas Ghozali, 2006 : 105. salah Cara untuk mendeteksi ada atau tidaknya heteroskedastisitas adalah dengan mengamati grafik plot antara nilai
prediksi variabel terikat dengan residualnya. Jika ada pola tertentu, misalnya seperti titik-titik menyebar diatas dan dibawah titik 0 pada sumbu Y, maka tidak
terjadi heterokedastisitas. Dapat dilihat pada grafik Scatterplot dibawah ini.
Gambar 4.3. Grafik Scatterplot
Dari grafik scatterplot terlihat bahwa titik-titik menyebar secara acak serta tersebar baik diatas maupun dibawah angka 0 pada sumbu Y. Hal ini dapat
disimpulkan bahwa tidak terjadi heterokedastisitas pada model regresi sehingga model regresi layak dipakai untuk memprediksi return on asset berdasarkan
Universitas Sumatera Utara
71 masukan variabel independen perputaran kas, perputaran piutang dan perputaran
persediaan.
4.1.3.3.Uji Multikolinearitas Uji multikolinearitas bertujuan untuk menguji apakah model regresi
ditemukan adanya korelasi antar variabel bebas. Model regresi yang baik seharusnya tidak terjadi korelasi di antara variabel bebas. Hasil uji
multikolinearitas ditunjukkan pada tabel 4.4.
Tabel 4.4. Coefficients
a
Model Unstandardized
Coefficients Standardized
Coefficients t
Sig. Collinearity Statistics
B Std. Error
Beta Tolerance
VIF
1 Constant
,064 ,020
3,213 ,003
PK ,000
,000 ,135
,893 ,377
,979 1,021
PP -,002
,002 -,212
-,941 ,352
,440 2,273
PPERS ,007
,004 ,399
1,761 ,086
,434 2,304
a. Dependent Variable: ROA
Sumber : Output SPSS Olahan Peneliti, 2014
Nilai cutoff
yang umum dipakai untuk menunjukkan adanya multikolinearitas adalah nilai tolerance 0,10 atau sama dengan nilai VIF 10.
Dari hasil output SPSS diatas menunjukkan bahwa nilai tolerance untuk perputaran kas yaitu 0,979, perputaran piutang 0,440 dan perputaran persediaan
0,434 lebih besar dari nilai cutoffyaitu 0,10 dan nilai VIF untuk perputaran kas yaitu 1,021, perputaran piutang 2,273 dan perpuratan persediaan 2,304 lebih kecil
dari nilai cutoff yaitu 10. Dengan demikian data-data dalam penelitian ini bebas dari asumsi multikolinearitas.
Universitas Sumatera Utara
72 4.1.3.4.Uji Autokorelasi
Uji Autokolerasi bertujuan untuk menguji apakah dalam model regresi linear ada korelasi antara kesalahan penganggu pada periode t dengan kesalahan
pengganggu pada periode t-1. Model regresi yang baik adalah model yang bebas dari autokorelasi. Salah satu cara untuk mendeteksi adanya autokorelasi adalah
dengan menggunakan uji durbin-watson. Nilai d pada penelitian dibandingkan dengan nilai d
tabel
dengan tingkat signifikansi 5 dengan df = n-k-1. Berikut ini tabel 4.5. yang menunjukkan nilai Durbin-Watson.
Tabel 4.5. Model Summary
b
Model R
R Square
Adjusted R Square
Change Statistics Durbin-
Watson R Square
Change F
Change df1
df2 Sig. F
Change 1
,292
a
,085 ,019
,085 1,277
3 41
,295 2,287
a. Predictors: Constant, SQRT_X3, SQRT_X1, SQRT_X2 b. Dependent Variable: SQRT_Y
Sumber : Output SPSS Olahan Peneliti, 2014
Dari tabel 4.5. diatas diperoleh nilai DW yaitu 2,287 dimana nilai D
L
dari tabel Durbin-Watson adalah 1,3832 dan D
U
adalah 1,6662 dan nilai dari 4- D
L
adalah 2,6168 dan nilai dari 4-D
U
adalah 2,3338. Kriteria penilaian data penelitian yang bebas autokorelasi adalah nilai D-W berada diantara D
U
dan 4-D
U,
maka dari hasil penelitian ini 1,6662 2,287 2,3338, maka tidak terjadi asumsi autokorelasi dalam penelitian ini.
Universitas Sumatera Utara
73
4.1.4. Model Analisis Regresi