BAB IV HASIL PENELITIAN DAN PEMBAHASAN
2. Uji Asumsi Klasik
Uji normalitas bertujuan untuk menguji apakah variabel residual berdistribusi normal. Uji statistik yang dapat digunakan untuk menguji apakah residual berdistribusi normal adalah uji statistik non parametrik Kolmogorov-Smirnov (K-S) dengan membuat hipotesis:
H0 : Data residual berdistribusi normal H1 : Data residual tidak berdistribusi normal
Melvatanti D. Pardosi : Pengaruh Perputaran Modal Kerja Dan Return Spread Terhadap Likuiditas Perusahaan Otomotif Dan Komponennya Yang Terdaftar Di BEI, 2010.
Apabila nilai signifikansi lebih besar dari 0.05, maka H0 diterima dan sebaliknya jika nilai signifikansi lebih kecil dari 0.05, maka H0 ditolak atau H1 diterima.
Tabel 4.2
One-Sample Kolmogorov-Smirnov Test Unstandardized
Residual
N 51
Normal Parametersa Mean .0000000 Std. Deviation .99883558 Most Extreme Differences Absolute .168
Positive .168
Negative -.155
Kolmogorov-Smirnov Z 1.197
Asymp. Sig. (2-tailed) .114
a. Test distribution is Normal.
Dari hasil pengolahan data tersebut, diperoleh besarnya nilai K-S adalah 1,197 dan signifikan pada 0,114. Nilai signifikansi lebih besar dari 0,05, maka H0 diterima yang berarti data residual berdistribusi normal. Setelah data terdistribusi secara normal, maka dilajutkanlah uji asumsi klasik lainnya. Untuk lebih jelas berikut ini dilampirkan grafik histogram dan grafik p-plot data yang telah berdistribusi normal.
Gambar 4.1 Histogram
Melvatanti D. Pardosi : Pengaruh Perputaran Modal Kerja Dan Return Spread Terhadap Likuiditas Perusahaan Otomotif Dan Komponennya Yang Terdaftar Di BEI, 2010.
Grafik histogram pada gambar 4.1 menunjukkan distribusi normal karena grafik tidak menceng kiri maupun menceng kanan. Dengan demikian dapat disimpulkan bahwa model regresi telah memenuhi asumsi normalitas. Demikian pula hasil uji normalitas dengan menggunakan grafik normal P-Plot.
Gambar 4.2 Grafik Normal P-Plot
Melvatanti D. Pardosi : Pengaruh Perputaran Modal Kerja Dan Return Spread Terhadap Likuiditas Perusahaan Otomotif Dan Komponennya Yang Terdaftar Di BEI, 2010.
Pada grafik normal P-Plot terlihat bahwa model regresi telah memenuhi asumsi normalitas.
b. Uji Multikolinearitas
Menurut Erlina dan Mulyani (2007 : 107), “ Uji ini bertujuan untuk menguji apakah model regresi ditemukan adanya korelasi diantara variabel independen. Model regresi yang baik seharusnya tidak terjadi korelasi diantara variabel independen.
Pengujian multikolinearitas dalam penelitian ini dilakuka n dengan metode variance inflation factor (VIF). Menurut Gujarati
Melvatanti D. Pardosi : Pengaruh Perputaran Modal Kerja Dan Return Spread Terhadap Likuiditas Perusahaan Otomotif Dan Komponennya Yang Terdaftar Di BEI, 2010.
(2003), jika suatu variabel bebas memiliki nilai VIF<10 maka dapat disimpulkan bahwa variable tersebut menunjukkan tidak terjadi multikolinearitas dengan variabel bebas lainnya. Berikut adalah hasil uji multikolinearitas:
Tabel 4.3
Hasil Uji Multikolinearitas
Coefficientsa Model Unstandardized Coefficients Standardized Coefficients t Sig. Collinearity Statistics B Std. Error Beta Tolerance VIF
1 (Constant) 1.710 .197 8.673 .000
perputaran modal kerja -.001 .002 -.093 -.644 .523 .995 1.005 return spread .078 .419 .027 .187 .853 .995 1.005 a. Dependent Variable: rasio lancar/likuiditas
Hasil perhitungan nilai VIF menunjukkan tidak ada variabel independen yang memiliki nilai VIF lebih dari 10 yang berarti tidak ada korelasi antar variabel independen. Jadi dapat disimpulkan bahwa tidak ada multikolinearitas antar variabel independen dalam model regresi.
c. Uji Heteroskedastisitas
Dalam penelitian ini, untuk mendeteksi ada tidaknya gejala heteroskedastisitas adalah dengan melihat grafik scatterplot antara SRESID dan ZPRED yang dihasilkan dari pengolahan data dengan
Melvatanti D. Pardosi : Pengaruh Perputaran Modal Kerja Dan Return Spread Terhadap Likuiditas Perusahaan Otomotif Dan Komponennya Yang Terdaftar Di BEI, 2010.
menggunakan program SPSS. Model regresi yang baik adalah tidak terjadi heteroskedastisitas atau terjadi homoskedastisitas. Dasar pengambilan keputusannya adalah:
1) Jika tidak ada pola yang jelas, seperti titik-titik menyebar di atas dan di bawah angka 0 pada sumbu Y, maka tidak terjadi heteroskedastisitas atau terjadi homoskedastisitas.
2) Jika ada pola tertentu, seperti titik-titik yang ada membentuk pola tertentu yang terartur (bergelombang, melebar kemudian menyempit), maka mengindikasikan telah terjadi heteroskedastisitas.
Berikut ini dilampirkan grafik scatterplot untuk menganalisis apakah terjadi heteroskedastisitas dengan mengamati penyebaran titik-titik pada gambar.
Melvatanti D. Pardosi : Pengaruh Perputaran Modal Kerja Dan Return Spread Terhadap Likuiditas Perusahaan Otomotif Dan Komponennya Yang Terdaftar Di BEI, 2010.
Hasil Uji Heteroskedastisitas
Dari gambar scatterplot di atas, dapat dilihat bahwa titik-titik menyebar secara acak serta tidak membentuk pola tertentu atau tidak teratur, serta titik-titik menyebar di atas dan di bawah angka 0 pada sumbu Y. Hal ini mengindikasikan tidak terjadi heteroskedastisitas pada model regresi.
d. Uji Autokorelasi
Pengujian autokorelasi bertujuan untuk menguji apakah terdapat korelasi antara kesalahan pengganggu pada suatu periode dengan kesalahan pengganggu periode sebelumnya dalam model regresi.
Melvatanti D. Pardosi : Pengaruh Perputaran Modal Kerja Dan Return Spread Terhadap Likuiditas Perusahaan Otomotif Dan Komponennya Yang Terdaftar Di BEI, 2010.
Autokorelasi menunjukkan adanya korelasi antara kesalahan pengganggu pada data yang tersusun, baik berupa data cross sectional dan/ atau time series. Jika terjadi autokorelasi dalam model regresi berarti koefisien korelasi yang diperoleh menjadi tidak akurat, sehingga model regresi yang baik adalah model regresi yang bebas dari autokorelasi.
Cara yang dapat dilakukan untuk mendeteksi ada tidaknya autokorelasi adalah dengan melakukan pengujian Durbin Watson (DW). Dalam model regresi tidak terjadi autokorelasi apabila nilai du<w<4-du. Tabel 4-4 menyajikan hasil uji Durbin Watson dengan menggunakan SPSS versi 16.
Tabel 4-4
Hasil Uji Autokorelasi
Model Summaryb Model R R Square Adjusted R Square Std. Error of the Estimate Durbin-Watson 1 .095a .009 -.032 1.01943 1.687
a. Predictors: (Constant), return spread, perputaran modal kerja b. Dependent Variable: rasio lancar/likuiditas
Hasil uji autokorelasi di atas menunjukkan nilai statistik Durbin
Watson (Dw) sebesar 1,687, nilai ini akan kita bandingkan dengan
nilai tabel dengan menggunakan signifikansi 5%, jumlah sampel (n) = 51, dan jumlah variabel independen (k) = 1, maka berdasarkan tabel
Melvatanti D. Pardosi : Pengaruh Perputaran Modal Kerja Dan Return Spread Terhadap Likuiditas Perusahaan Otomotif Dan Komponennya Yang Terdaftar Di BEI, 2010.
Durbin Watson didapat nilai batas atas (du) sebesar 1,676 dan nilai
batas bawah (dl) sebesar 1,629. Oleh karena itu, nilai (Dw) lebih besar dari 1,676 dan lebih kecil dari 4 – 1,676 atau dapat dinyatakan bahwa 1,676 < 1,687 < 4 – 1,676 (du < d < 4 – du). Dengan demikian dapat disimpulkan tidak terdapat autokorelasi baik positif maupun negatif.