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
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 4.3
Hasil Uji Normalitas Sebelum Transformasi Data One-Sample Kolmogorov-Smirnov Test Unstandardize d Residual N 99
Normal Parameters(a,b) Mean .0000000
Std. Deviation 3.30243498 Most Extreme Differences Absolute .192 Positive .192 Negative -.177 Kolmogorov-Smirnov Z 1.909
Asymp. Sig. (2-tailed) .001
a Test distribution is Normal. b Calculated from data.
Sumber: Data yang diolah penulis, 2009
Dari hasil pengolahan data tersebut, diperoleh besarnya nilai K-S adalah 1,909 dan signifikan pada 0,001. Nilai signifikansi lebih kecil dari 0,05, maka H0 ditolak yang berarti data residual berdistribusi tidak normal. Data yang tidak berdistribusi normal dapat disebabkan oleh adanya data yang outlier, yaitu data yang memiliki nilai yang sangat menyimpang dari nilai data lainnya. Beberapa cara mengatasi data tidak normal menurut Erlina (2007:106) yaitu:
a. lakukan transformasi data ke bentuk lainnya, b. lakukan trimming, yaitu membuang data outlier,
c. lakukan winsorizing, yaitu mengubah nilai data yang outlier ke suatu nilai tertentu.
Untuk mengubah nilai residual agar berdistribusi normal, penulis melakukan transformasi data ke model logaritma natural (Ln) yaitu dari persamaan Perputaran Modal Kerja (PMK) = f(PMK) menjadi LN_PMK = f(LN_PMK), persamaan Aktiva Tetap (AT) = f(AT) menjadi LN_AT =f(LN_AT), persamaan Return Spread (RS) =f(RS), dan persamaan Likuiditas =f(Likuiditas) menjadi LN_Likuiditas. Kemudian data diuji ulang berdasarkan asumsi normalitas. Berikut ini adalah hasil pengujian dengan
Kolmogorov-Smirnov.
Tabel 4.4
Hasil Uji Normalitas Setelah Transformasi Dengan Logaritma Natural
One-Sample Kolmogorov-Smirnov Test
Unstandardize d Residual
N 24
Normal Parameters(a,b) Mean .0000000
Std. Deviation .47033925
Most Extreme Differences Absolute .139
Positive .139
Negative -.097
Kolmogorov-Smirnov Z .680
Asymp. Sig. (2-tailed) .744
a Test distribution is Normal. b Calculated from data.
Sumber: Data yang diolah penulis, 2009
Dari hasil pengolahan data pada tabel 4.4 diperoleh besarnya nilai K-S 0,680 dan signifikan pada 0,744. Nilai signifikan 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
Regression Standardized Residual
3 2 1 0 -1 -2 Frequency 6 5 4 3 2 1 0 Histogram Dependent Variable: LN_LIKUIDITAS
Mean =-2.08E-17 Std. Dev. =0.933
N =24
Sumber: Data yang diolah penulis, 2009
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
Observed Cum Prob
1.0 0.8 0.6 0.4 0.2 0.0 E xpect ed C um P rob 1.0 0.8 0.6 0.4 0.2 0.0
Normal P-P Plot of Regression Standardized Residual Dependent Variable: LN_LIKUIDITAS
Sumber: Data yang diolah penulis, 2009
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 dilakukan dengan metode variance inflation factor (VIF). Menurut Gujarati
(2003), jika suatu variabel bebas memiliki nilai variance inflation
factor (VIF)<10 maka dapat disimpulkan bahwa variable tersebut
menunjukkan tidak terjadi multikolinearitas dengan variabel bebas lainnya. Berikut adalah hasil uji multikolinearitas:
Tabel 4.5
Hasil Uji Multikolinearitas
Coefficientsa 2.331 .832 2.801 .011 -.541 .212 -.679 -2.549 .019 .322 3.102 -.031 .087 -.077 -.359 .723 .503 1.990 -.014 .125 -.026 -.113 .911 .443 2.258 (Constant) LN_PMK LN_AT LN_RS Model 1 B Std. Error Unstandardized Coefficients Beta Standardized Coefficients
t Sig. Tolerance VIF
Collinearity Statistics
Dependent Variable: LN_LIKUIDITAS a.
Sumber: Data yang diolah penulis, 2009
Hasil perhitungan nilai variance inflation factor (VIF) menunjukkan tidak ada variabel independen yang memiliki nilai
variance inflation factor (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
Uji heteroskedastisitas bertujuan untuk menguji apakah terjadi ketidaksamaan variabel dari residual satu pengamatan ke pengamatan lain dalam model regresi. Model regresi yang baik adalah tidak terjadi heteroskedastisitas atau terjadi homoskedastisitas. Dalam model regresi dinyatakan telah terjadi heteroskedastisitas apabila titik-titik
yang ada membentuk pola tertentu yang teratur. Dalam model regresi tidak terjadi heteroskedastisitas apabila titik-titik yang ada tidak membentuk pola tertentu yang teratur dan titik-titik menyebar di atas dan di bawah angka nol pada sumbu Y.
Berikut ini dilampirkan grafik scatterplot untuk menganalisis apakah terjadi heteroskedastisitas dengan mengamati penyebaran titik-titik pada gambar.
Gambar 4.3
Hasil Uji Heteroskedastisitas
Regression Standardized Predicted Value
2 1 0 -1 -2 -3 R egressi on S tudent iz ed R esi dual 3 2 1 0 -1 -2 Scatterplot Dependent Variable: LN_LIKUIDITAS
Sumber: Data yang diolah penulis, 2009
Dari grafik scatterplots terlihat bahwa titik-titik menyebar secara acak serta tersebar baik di atas maupun di bawah angka 0 pada
sumbu Y, sehingga dapat disimpulkan bahwa tidak terjadi heteroskedastisitas pada model regresi sehingga model regresi layak dipakai untuk memprediksi Likuiditas pada perusahaan manufaktur sektor industri barang konsumsi dengan variabel independen perputaran modal kerja, investasi aktiva tetap, dan return spread.
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. 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 4-6 menyajikan hasil uji Durbin Watson dengan menggunakan SPSS versi 15.
Tabel 4-6 Hasil Uji Autokorelasi
Model R R Square
Adjusted R Square
Std. Error of
the Estimate Durbin-Watson
1 .737(a) .543 .474 .50438 1.683
a Predictors: (Constant), LN_RS, LN_AT, LN_PMK b Dependent Variable: LN_LIKUIDITAS
Sumber: Data yang diolah penulis, 2009
Hasil uji autokorelasi di atas menunjukka n nilai statistik Durbin
Watson (Dw) sebesar 1.683, nilai ini akan kita bandingkan dengan
nilai tabel dengan menggunakan signifikansi 5%, jumlah sampel (n) = 99, dan jumlah variabel independen (k) = 3, maka berdasarkan tabel
Durbin Watson didapat nilai batas atas (du) sebesar 1,730 dan nilai
batas bawah (dl) sebesar 1,611. Oleh karena itu, nilai (Dw) lebih besar dari 1,611 dan lebih kecil dari 4 – 1,730 atau dapat dinyatakan bahwa 1,611< 1,683 < 4 – 1,730 (du < d < 4 – du). Dengan demikian dapat disimpulkan tidak terdapat autokorelasi baik positif maupun negatif.