26 Untuk lebih jelasnya, variabel-variabel penelitian dapat dioperasikan
sebagai berikut : Tabel 3.1
Defenisi Operasional Variabel
Variabel Penelitian
Konsep Variabel Indikator
Skala
Perputaran piutang
X1 Menunjukkan
berapa kali piutang yang
berasal dari penjualan bersih
berputar selama satu periode
Rasio
Perputaran Persediaan
X2 Menunjukkan
seberapa cepat persediaan
tersebut dapat dijual
Rasio
Net Profit Margin Y
Menunjukkan persentase
keuntungan perusahaan
setelah dikurangi semua biaya dan
pengeluaran termasuk bunga
dan pajak penghasilan.
Rasio
Sumber: Riyanto 2008
3.4 Model Analisis
Model analisis yang digunakan dalam penelitian ini adalah model regresi linier berganda. Untuk mengetahui pengaruh variabel defenden analisis
jalur ini dilakukan dengan menggunakan bantuan program perangkat
27 lunak SPSS versi : 17. Model tersebut dinyatakan dengan formula
sebagai berikut : Y = a + b
1
X
1
+ b
2
X
2
+ e dimana:
Y =
Profitabilitas Net Profit Margin a
= konstanta
X
1
=
Perputaran Piutang account receivables turnover
X
2
=
Perputaran Persediaan inventory turnover
b1,b2 =
koefisien regresi e
= error variabel pengganggu
3.5 Uji Asumsi Klasik
Uji asumsi klasik dilakukan agar model regresi pada penelitian signifikan dan refresintatif.
3.5.1 Uji Normalitas
Menurut Ghozali 2005:110, “Uji normalitas bertujuan untuk menguji apakah dalam model regresi, variabel pengganggu atau residual memiliki
distribusi normal”. Kalau nilai residual tidak mengikuti distribusi normal, uji statistik menjadi tidak valid untuk jumlah sampel kecil. Ada dua cara yang
digunakan untuk mendeteksi apakah residual berdistribusi normal atau tidak, yaitu dengan analisis grafik dan uji statistik.
a. Analisis Grafik
Salah satu cara termudah untuk melihat normalitas residual adalah dengan melihat grafik histogram yang membandingkan antara data
28 observasi dengan distribusi yang mendekati distribusi normal. Namun
demikian hanya dengan melihat histogram, hal ini dapat menyesatkan khususnya untuk jumlah sampel yang kecil. Metode yang lebih handal
adalah dengan melihat normal probability plot yang membandingkan distribusi kumulatif dan distribusi normal. Distribusi normal akan
membentuk satu garis lurus diagonal, dan ploting data residual akan dibandingkan dengan garis diagonal. Jika distribusi data residual normal,
maka garis yang menggambarkan data sesungguhnya akan mengikuti garis diagonalnya.
b. Analisis Statistik
Uji statistik lain yang dapat digunakan untuk menguji normalitas residual adalah uji statistik non-parametrik Kolmogorov-Smirnov K-S.
Uji K-S dibuat dengan membuat hipotesis : Ho : data residual berdistribusi normal.
Ha : data residual tidak berdistribusi normal Bila nilai signifikan 0,05 berarti distribusi data tidak normal.
Sebaliknya bila nilai signifikan 0,05 berarti distribusi data normal.
3.5.2 Uji Multikolinearitas
Uji Multikolinearitas bertujuan menguji apakah pada model regresi ditemukan adanya korelasi antar variabel independen Ghozali, 2005:91. Model
regresi yang baik seharusnya tidak terjadi korelasi di antara variabel independen. Jika variabel independen saling berkorelasi, maka variabel-variabel ini tidak
29 ortogonal. Variabel ortogonal adalah variabel independen sama dengan nol.
Multikolinearitas dapat juga dilihat dari 1 nilai tolerance dan lawaanya 2 variance inflation factor VIF. Nilai cutoff yang umum digunakan untuk
menunjukkan adanya multikolinearitas adalah nilai tolerance 0,10 atau sama dengan nilai VIF 10.
3.5.3 Uji Autokorelasi
Uji autokorelasi bertujuan untuk menguji apakah pada suatu model regresi linear ada korelasi antar kesalahan pengganggu pada periode t-1 dengan
periode sebelumya Ghozali, 2005:95. Model regresi yang baik tidak terdapat autokorelasi. Pengujian ini menggunakan uji Durbin Watson. Ada beberapa cara
yang dapat digunakan untuk mendeteksi masalah dalam autokorelasi di antaranya adalah dengan menggunakan Uji Durbin Watson. Menurut Sunyoto
2009:91, pengambilan keputusan ada tidaknya autokorelasi dengan menggunakan Uji Durbin Watson adalah sebagai berikut :
1. angka D-W di bawah –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.
3.5.4 Uji Heteroskedastisitas
Uji heteroskedastisitas dijelaskan oleh Ghozali 2005:105 sebagai berikut:
Uji Heteroskedastisitas bertujuan untuk menguji apakah dalam model regresi terjadi ketidaksamaan varians dari residual satu ke
pengamatan yang lain. Jika varians dari residual satu ke pengamatan lainnya tetap, maka disebut homoskedastisitas dan jika berbeda
30 heteroskedastisitas. Model regresi yang baik adalah yang
homoskedastisitas atau tidak terjadi heteroskedastisitas. Kebanyakan data cross section mengandung situasi heteroskedastisitas karena
data ini menghimpun data yang mewakili berbagai ukuran kecil, sedang dan besar.
Untuk melihat ada tidaknya heteroskedastisitas dapat dilakukan dengan
melihat grafik Scatterplot antara nilai prediksi variabel dependen dengan residualnya. Jika ada pola seperti titik-titik yang membentuk pola tertentu yang
teratur maka terjadi heteroskedastisitas. Namun, jika tidak ada pola yang jelas, serta titik-titik menyebar maka tidak terjadi heteroskedastisitas.
3.6 Pengujian Hipotesis