BAB IV HASIL PENELITIAN DAN PEMBAHASAN
4.3. Uji Asumsi Klasik
Tujuan dari uji normalitas adalah untuk mengetahui apakah distribusi sebuah data mengikuti atau mendekati distribusi normal. Uji yang digunakan untuk melihat apakah data berdistribusi normal atau tidak yaitu uji
Kolmogrof – Smirnov. Jika nilai Asymp.Sig.(2-tailed) atau nilai signifikansi di atas nilai signifikan yaitu 0,05 maka data dinyatakan berdistribusi normal dan sebaliknya apabila nilai dari signifikansi atau Asymp.Sig.(2-tailed) yang terdapat didalam tabel One sample Kolmogorov –Smirnov Test lebih kecil dari 0,05 maka data tidak berdistribusi normal. Berikut ini tabel One sample Kolmogorov –Smirnov Test.
Tabel 4.3.
Hasil Uji Normalitas Sebelum Transformasi Data One-Sample Kolmogorov-Smirnov Test
Unstandardized Residual
N 90
Normal Parametersa Mean .0000000
Std. Deviation 12.28078275 Most Extreme Differences Absolute .265 Positive .265 Negative -.173 Kolmogorov-Smirnov Z 2.516
Asymp. Sig. (2-tailed) .000
a. Test distribution is Normal. b. Calculated from data.
Dari tabel One-Sample Kolmogorov-Smirnov Test diatas, diperoleh besarnya nilai kolmogorov-smirnov adalah 2.516 dengan signifikan 0.000. Nilai signifikan masih kurang dari 0.05, atau 0.000 lebih kecil dari 0.05 maka data tersebut tidak berdistribusi normal. Data yang tidak berdistribusi normal dapat disebabkan oleh adanya data yang memiliki nilai yang sangat menyimpang dari nilai data lainnya. Ada beberapa cara untuk mengatasi data yang tidak normal menurut Situmorang dkk(2008 : 62) yaitu :
a. Melakukan transformasi data, misalnya mengubah data menjadi bentuk logaritma (Log) atau natural (Ln).
c. Menghilangkan data yang dianggap sebagai penyebab tidak normalnya data.
d. Menerima data apa adanya.
Untuk mengubah data agar berdistribusi normal, penulis melakukan transformasi data ke model logaritma natural (Ln) yaitu menjadi ln-dar untuk
Debt asset Ratio, ln-arus untuk arus kas, ln-modal untuk perputaran modal kerja, ln-piutang untuk perputaran piutang, ln asset untuk total aset perusahaan, ln-spread untuk return spread dan likuiditas menjadi ln-likuid dan kemudian data diuji ulang berdasarkan uji normalitas data, berikut ini adalah hasil pengujian ulang data dengan kolmogorov-smirnov.
Tabel 4.4.
Hasil Uji Normalitas Setelah Transformasi Dengan Logaritma Natural One-Sample Kolmogorov-Smirnov Test
a. Test distribution is Normal. b. Calculated from data.
Unstandardized Residual N 57 Normal Parametersa,b Mean .0000000 Std. Deviation .19628696 Most Extreme Differences Absolute .114 Positive .114 Negative -.067 Kolmogorov-Smirnov Z .862
Dari hasil pengolahan data pada tabel 4.4. diatas diperoleh besarnya nilai Kolmogorov-smirnov adalah 0,862 dan signifikansi 0,447 . Nilai signifikan menunjukkan bahwa setelah transformasi ke dalam logaritma natural nilai signifikannya lebih besar dari 0,05 maka disimpulkan bahwa data telah berdistribusi normal.
4.3.2. Uji Multikolinearitas
Uji multikolinearitas bertujuan untuk menguji apakah model regresi ditemukan adanya korelasi diantara variabel independen. Model regresi yang baik seharusnya tidak terjadi korelasi diantara variabel independen (Erlina dan Mulyani, 2007 : 107).
Pengujian multikolinieritas dalam penelitian ini dilakukan dengan metode variance inflation factor (VIF), jika suatu variabel bebas memiliki nilai variance inflation factor (VIF) kurang dari 10 dan nilai tolerance
untuk semua variabel independent bernilai lebih besar dari 0,1 maka dapat disimpulkan bahwa variabel tersebut tidak terdapat gejala multikolinearitas.
Tabel 4.5.
Hasil Uji Multikolinearitas Coefficientsa Model Unstandardized Coefficients Standardized Coefficients t Sig. Collinearity Statistics
B Std. Error Beta Tolerance VIF
1 (Constant) 1.711 .754 2.269 .028 ln_dar -.487 .109 -.422 -4.453 .000 .370 2.703 ln_arus -.020 .053 -.039 -.375 .709 .307 3.259 ln_modal -.365 .046 -.593 -7.886 .000 .587 1.703 ln_piutang .002 .073 .001 .021 .983 .730 1.370 ln_aset -1.182 .577 -.247 -2.048 .046 .229 4.363 ln_spread .679 .541 .160 1.254 .216 .205 4.883
a. Dependent Variable: ln_likuid
Berdasarkan table 4.5 diatas dapat dilihat bahwa hasil perhitungan nilai tolerance untuk semua variabel independen bernilai lebih besar dari 0,1 dan nilai variance inflation factor (VIF) untuk semua variabel independen bernilai kurang dari 10 (<10), maka dapat disimpulkan bahwa tidak ada multikolinieritas antar variabel independen dalam model regresi ini.
4.3.3. Uji Heteroskedastisitas
uji heteroskedastisitas pada prinsipnya ingin menguji apakah terjadi ketidaksamaan variabel dari residual satu pengamatan ke pengamatan lain dalam model regresi. Model regresi yang baik adlah tidak terjadi
heteroskedastisitas. Dalam model regresi dinyatakan telah terjadi heteroskedastisitas apabila titik-titik yang ada membentuk pola tertentu yang teratur, apabila titik-titik yang ada tidak membentuk pola tertentu yang teratur dan titik-titik menyebar diatas dan dibawah angka nol pada sumbu Y, maka tidak terjadi heteroskedastisitas.
Gambar 4.3.3.
Hasil Uji Heteroskedastisitas
Dari gambar grafik Scatterplot diatas terlihat bahwa titik-titik menyebar secara acak serta tersebar baik diatas maupun dibawah angka 0 pada sumbu Y, sehingga dapa disimpulkan bahwa tidak ada terjadi heteroskedastisitas pada model regresi ini sehingga model regresi ini layak digunakan untuk memprediksi likuiditas pada perusahaan makanan dan
minuman serta perusahaan farmasi dengan variabel dependen perputaran modal kerja, arus kas operasi, debt to asset ratio, return spread, perputaran piutang, ukuran perusahaan.
4.3.4. Uji Autokorelasi
Uji autokorelasi bertujuan untuk menguji apakah dalam model regresi linear ada korelasi antara kesalahan pengganggu pada satu periode pengamatan dengan kesalahan pengganggu pada periode sebelumnya. Jika hasil dari uji autokorelasi menunjukkan adanya korelasi berarti koefisien korelasi yang diperoleh menjadi tidak akurat. Model regresi linear yang baik adalah model regresi yang bebas dari autokorelasi.
Cara yang dapat dilakukan untuk mendeteksi ada atau tidaknya autokorelasi adalah dengan melakukan pengujian Durbin Watson (DW). Dalam model regresi tidak terjadi autokorelasi apabila nilai du<w<4-du. Tabel dibawah ini menunjukkan hasil dari uji Durbin Watson.
Tabel 4.6. Hasil Uji Autokorelasi
Model Summaryb Model R R Square Adjusted R Square Std. Error of the Estimate Durbin-Watson 1 .913a .834 .814 .09018 1.568
a. Predictors: (Constant), ln_modal, ln_aset, ln_arus, ln_piutang, ln_dar, ln_spread
hasil uji autokorelasi diatas menunjukkan nilai statistik Durbin Watson (DW) adalah sebesar 1.568, nilai ini akan dibandingkan dengan nilai tabel dengan menggunakan signifikansi 5% dengan jumlah sampel (n) = 90 dan jumlah variabel (k) adalah 7, dengan begitu diperoleh nilai batas atas (du) sebesar 1.687 dan nilai batas bawah (dl) sebesar 1.360, oleh karena itu nilai DW lebih besar 1.360 dan lebih kecil dari 4-1.687 atau dapat dinyatakan bahwa 1.360 < 1.568 < 4 – 1.687 atau du < d < 4 – du, maka dapat disumpulkan bahwa tidak ada autokorelasi positif atau negatif, atau dapat disimpulkan bahwa pada model regresi ini tidak terdapat autokorelasi.
