BAB III METODE PENELITIAN
3.3 Populasi dan Sampel Penelitian
Menurut Sugiyono ( 2006 : 55 ) “ Populasi adalah wilayah generalisasi yang terdiri atas objek/subjek yang mempunyai kuantitas dan karakteristik tertentu yang ditetapkan oleh peneliti untuk dipelajari dan kemudian ditarik kesimpulannya : “ Populasi dalam penelitian ini adalah perusahaan consumer goods industry yang terdaftar di Bursa Efek Indonesia pada tahun 2008 – 2010 yaitu sebanyak 37 perusahaan.
Menurut Sugiyono ( 2006 : 56 ) “ Sampel adalah sebagian dari jumlah dan karakteristik yang dimiliki oleh populasi tersebut “. Penelitian ini menggunakan sampel yang ditentukan dengan menggunakan teknik pengambilan sampel dari populasi berdasarkan suatu kriteria tertentu ( Jogiyanto, 2004 : 79 ). Kriteria pengambilan sampel yang ditetapkan oleh peneliti adalah sebagai berikut :
2010,
b. Perusahaan menerbitkan laporan keuangan yang telah diaudit selama periode 2008 – 2010,
26 c. Data yang dimiliki perusahaan tersebut lengkap dan sesuai dengan variabel
yang diteliti.
Berdasarkan kriteria di atas ada di dapat 26 perusahaan Consumer Goods Industry yang menjadi sampel dalam penelitian ini, yaitu :
Tabel 3.1
Daftar Perusahaan yang Memenuhi Kriteria
No Perusahaan Kriteria
1 2 3 FOOD AND BAVERAGE
1 Ades Waters Indonesia Tbk - - -
2 Aqua Golden Mississippi Tbk - - -
3 Cahaya Kalbar Tbk ( CEKA ) √ √ √
4 Davomas Akadi Tbk ( DAVO ) √ - -
5 Delta Djakarta Tbk ( DLTA ) √ √ √
6 Indofood Sukses Makmur Tbk ( INDF ) √ √ √
7 Mayora Indah Tbk ( MYOR ) √ √ √
8 Multi Bintang Indonesia Tbk ( MLBI ) √ √ √
9 Prasidha Aneka Niaga Tbk ( PSDN ) √ √ √
10 Sari Husada Tbk - - -
11 Sekar Bumi Tbk - - -
12 Sekar Laut Tbk ( SKLT ) √ √ √
14 Suba Indah Tbk - - -
15 Tiga Pilar Sejahtera Food Tbk - - -
16 Ultra Jaya Milk Ind. Tbk ( ULTJ ) √ √ √
TOBACCO MANUFACTURERS
17 BAT Indonesia Tbk - - -
18 Bentoel International Investama Tbk (RMBA ) √ √ √
19 Gudang Garam Tbk ( GGRM ) √ √ √
20 HM Sampoerna Tbk ( HMSP ) √ √ √
PHARMACEUTICALS
21 Bristol-Myers Squiblo Indonesia (PS) Tbk - - - 22 Bristol-Myers Squiblo Indonesia Tbk - - - 23 Darya-Varia laboratoria Tbk ( DVLA ) √ √ √
24 Indofarma Tbk ( INAF ) √ √ √
25 Kalbe Farma Tbk ( KLBF ) √ √ √
26 Kimia Farma Tbk ( KAEF ) √ √ √
27 Merck Tbk ( MERK ) √ √ √
28 Pyridam Farma Tbk ( PYFA ) √ √ √
29 Schering Plough Indonesia Tbk ( SCPI ) √ √ √
30 Tempo Scan Pacific Tbk ( TSPC ) √ √ √
COSMETICS AND HOUSEHOLD
31 Mandom Indonesia Tbk ( TCID ) √ √ √
32 Mustika Ratu Tbk ( MRAT ) √ √ √
33 Sara Lee Body Care Indonesia Tbk
34 Unilever Indonesia Tbk ( UNVR ) √ √ √
HOUSEWARE
35 Kedaung Indah Can Tbk ( KICI ) √ √ √
36 Kedawung Setia Industrial Tbk ( KDSI ) √ √ √ 37 Langgeng Makmur Industri Tbk ( LMPI ) √ √ √ Sumber: Data diolah oleh Peneliti, 2011
Untuk mendapatkan data sekunder, teknik yang digunakan peneliti adalah studi dokumentasi yaitu dengan mengumpulkan data sekunder berupa catatan –
28 catatan, laporan keuangan maupun informasi lainnya yang berkaitan dengan penelitian ini. Data penelitian ini diperoleh dari
3.5. Identifikasi Variabel Penelitian
Menurut Sugiyono ( 2006 : 31 ) “ Variabel penelitian pada dasarnya adalah sesuatu hal yang berbentuk apa saja yang ditetapkan oleh peneliti untuk dipelajari sehingga diperoleh informasi tentang hal tersebut kemudian ditarik kesimpulannya”.
Variabel yang digunakan dalam penelitian ini adalah : 3.5.1. Variabel Independen (Bebas)
Menurut Sugiyono ( 2006 : 33 ) “ Variabel bebas adalah variabel yang mempengaruhi atau yang menjadi sebab timbulnya atau berubahnya variabel dependen ( variabel terikat ) “. Variabel independen dalan penelitian ini adalah perputaran modal kerja dan return spread.
a. Perputaran Modal Kerja
Perputaran modal kerja menunjukkan hubungan antara modal kerja dengan penjualan dan menunjukkan banyaknya penjualan yang dapat diperoleh perusahaan (jumlah rupiah) untuk tiap modal kerja. Untuk menguji efesiensi penggunaan modal kerja, penganalisa dapat menggunakan perputaran modal kerja (working capital turnover).
keefektifan modal kerja dalam pencapaian penjualan. Formula yang digunakan untuk menghitung perputaran modal kerja adalah :
29 Perputaran Modal kerja =
gLancar Hu
ar AktivaLanc
Penjualan
− tan x 100%
b. Return Spread
Return spread merupakan selisih antara return yang dihasilkan oleh aset perusahaan dengan return aset bebas resiko. Formula yang digunakan untuk menghitung return spread adalah :
Return spread = return aset yang dihasilkan perusahaan (ROA) – return aset bebas resiko (Suku Bunga SBI)
3.5.2. Variabel Dependen (Terikat)
Menurut Sugiyono ( 2006 : 33 ) “ Variabel terikat merupakan variabel yang mempengaruhi atau yang menjadi akibat karena adanya variabel bebas
“. Variabel dependen dalam penelitian ini adalah likuiditas perusahaan tahun 2008 – 2010. Likuiditas adalah menunjukan kemampuan suatu perusahaan untuk memenuhi kewajiban keuangannya yang harus segera dipenuhi, atau kemampuan perusahaan untuk memenuhi kewajiban keuangan pada saat ditagih. Likuiditas perusahaan dalam penelitian ini diuji dengan menggunakan rasio lancar (current ratio) yaitu rasio yang menunjukkan kemampuan perusahaan untuk membayar kewajiban jangka pendeknya dengan menggunakan aktiva lancar. Rasio ini dapat dihitung dengan
Rasio Lancar = x 100%
Utang Lancar
30 3.6. Definisi Operasional Variabel Penelitian
Tabel 3.2
Operasionalisasi Variabel
Variabel Definisi Pengukuran Skala Data Sumber Data Variabel
Dependen : Likuiditas perusahaan
Kemampuan perusahaan dalam melunasi kewajiban jangka pendek
Aktiva lancar/
kewajiban lancar
Rasio Annual Report
Variabel Independen : Perputaran modal kerja
Kegiatan
operasi suatu kas
diinvestasikan dalam
komponen – komponen
modal kerja sampai
kembali lagi menjadi kas.
Total penjualan/
modal kerja bersih
Rasio
Annual Report
Return spread Selisih antara return yang dihasilkan aset perusahaan dengan return asset bebas resiko
ROA – suku bunga SBI
Rasio Annual Report
Sumber: Data diolah oleh Peneliti, 2011 3.7. Metode Analisis Data
memberikan jawaban dari maslaah yang dibahas dalam penelitian ini. Dalam
31 menganalisis data, peneliti menggunakan program SPSS 18.0. Adapun metode analisis data yang digunakan dalam penelitian ini adalah sebagai berikut :
3.7.1. Pengujian Asumsi Klasik 3.7.1.1. Uji Normalitas
Menurut Erlina dan Mulyani ( 2007 : 103 ) “ Tujuan uji normalitas adalah ingin mengetahui apakah dalam model regresi variabel pengganggu atau residual memiliki distribusi normal “. Cara yang dapat digunakan untuk menguji apakah variabel pengganggu atau residual memiliki distrisubsi normal adalah dengan melakukan uji Kolmogrov-Smirnov terhadap model yang diuji. Kriteria pengambilan keputusan adalah apabila nilai signifikansi atau probabilitas lebih besar dari 0,05 maka residual memiliki distribusi normal dan apabila nilai signifikansi lebih kecil dari 0,05 maka residual tidak memiliki distribusi normal. Pengujian dengan model histogram memiliki ketentuan bahwa data normal berbentuk lonceng. Data yang baik adalah data yang memiliki pola distribusi normal.
Jika data melenceng ke kanan atau melenceng ke kiri berarti data tidak terdistribusi secara normal.
Dasar pengambilan keputusan dalam uji normalitas menurut Ghozali ( 2005 : 110 ) sebagai berikut :
diagonal atau grafik histogramnya menunjukkan pola distribusi normal, maka model regresi memenuhi asumsi normalitas.
b). Jika data menyebar jauh dari diagonal dan atau tidak mengikuti arah garis diagonal atau grafik histogram tidak menunjukkan pola distribusi normal, maka model regresi tidak memenuhi asumsi normalitas.
32 Jika data tidak normal, ada beberapa cara mengubah model regresi menjadi normal, yaitu: (1) lakukan transformasi data, misalnya mengubah data menjadi bentuk logaritma (Log) atau natural (ln), (2) menambah jumlah data, (3) menghilangkan data yang dianggap sebagai penyebab tidak normalnya data, dan (4) menerima data apa adanya.
3.7.1.2. Uji Autokorelasi
Menurut Ghozali ( 2005 : 95 ) “ uji autokorelasi menguji apakah dalam model regresi linear ada korelasi antara kesalahan pengganggu pada periode t dengan kesalahan pangganggu paa periode t-1 ( sebelumnya )”.
Cara yang dapat dilakukan untuk mendeteksi ada tidaknya autokorelasi adalah dengan melakukan pengujian Durbin Watson (DW). Pengambilan keputusan ada tidaknya autokorelasi adalah sebagai berikut :
a). Bila nilai Durbin – Watson (DW) terletak antara batas atas atau Upper Bound (DU) dan 4 – DU, maka koefisien autokorelasi sama dengan nol, berarti tidak ada autokorelasi.
b). nilai DW lebih rendah dari pada batas bawah atau Lower Bound (DL), maka koefisien autokorelasi lebih besar dari nol, berarti ada autokorelasi positif.
autokorelasi lebih kecil dari nol, berarti ada autokorelasi negatif.
33 d). Bila nilai DW terletak di antara batas atas (DU) dan batas bawah (DL) atau DW terletak antara ( 4-DU) dan (4-DL), maka hasilnya tidak dapat disimpulkan.
3.7.1.3. Uji Multikolinearitas
Uji multikolinearitas bertujuan untuk menguji apakah dalam model regresi ditemukan adanya korelasi antara variabel bebas ( independen ).
Model regresi yang baik harusnya tidak terjadi korelasi antara variabel bebas. Untuk menguji ada tidaknya multikolinearitas di dalam model regresi menurut Ghozali ( 2005 : 95 ) dapat dilihat dari :
i. Nilai tolerance dan lawannya ii. Variance inflation factor
Kedua ukuran ini menunjukkan setiap variabel independen manakah yang dijelaskan oleh variabel independen lainnya. Tolerance mengukur variabilitas variabel independen yang terpilih yang tidak dijelaskan oleh variabel independen lainnya. Nilai tolerance yang rendah sama dengan nilai VIF yang tinggi ( karena VIF=1/Tolerance ). Nilai cut off yang umum dipakai untuk menunjukkan adanya multikolinearitas adalah Tolerance < 0.10 atau sama dengan VIV > 10.
Uji ini bertujuan untuk melihat apakah dalam model regresi terjadi ketidaksamaan variabel dari residual satu pengamatan ke pengamatan lainnya. Jika residual dari satu pengamatan ke pengamatan lain tetap,
34 maka disebut Homokedastisitas dan jika varians berbeda maka disebut Heteroskedastisitas. Suatu model dikatakan terdapat gejala heterosdekastisitas jika koefisien parameter beta dari persamaan regresi tersebut signifikan secara statistik.
Menurut Imam Ghozali (2005:105), uji heteroskedastisitas bertujuan mengujiapakah dalam model regresi terdapat ketidaksamaan variance dari residual satu pengamatan ke pengamatan lain. Konsekuensinya adanya heteroskedastisitas dalam model regresi adalah penaksir yang diperoleh tidak efisien, baik dalam sampel kecil maupun besar. Salah satu cara yang dapat digunakan untuk mengetahui ada tidaknya gejala heteroskedastisitas adalah dengan melihat pada grafik scatter plot.
Jika ada pola tertentu seperti titik-titik yang membentuk pola tertentu yang teratur (bergelombang, melebar, kemudian menyempit) maka mengindikasikan telah terjadi heteroskedastisitas. Jika tak ada pola yang jelas maka tidak terjadi gejala heteroskedastisitas.
Untuk mengetahui ada tidaknya heteroskedastisitas juga dapat diketahui dengan melakukan uji glejser. Jika variabel bebas signifikan
heteroskedastisitas (Ghozali, 2005:69).
3.7.2. Pengujian Hipotesis
Metode analisis yang digunakan dalam penelitian ini adalah analisis berganda dengan terlebih dahulu menguji variabel – variabel dari
35 karakteristik perusahaan. Hal ini dilakukan untuk mencari tingkat signifikan yang lebih tinggi di antara variabel – variabel tersebut. Variabel perputaran modal kerja dan return spread dengan tingkat signifikan yang paling tinggi akan di regresi dengan indeks likuiditas perusahaan.
3.7.2.1 Metode Regresi Linear Berganda
Analisis regresi pada dasarnya adalah studi mengenai ketergantungan variabel dependen terhadap satu atau lebih variabel independen, dengan tujuan untuk mengestimasi dan memprediksi rata – rata populasi atau nilai rata – rata variabel dependen, berdasarkan nilai independen yang diketahui [ Ghozali ( 2005 )]. Variabel independen dalam penelitian in adalah perputaran modal kerja dan return spread. Sedangkan variabel dependennya adalah likuiditas perusahaan. Adapun persamaan untuk menguji hipotesis secara keseluruhan pada penelitian ini adalah sebagai berikut :
Y = α + β1X1 + β2X2 + e Keterangan :
Y = Likuiditas perusahaan
β = Koefisien regresi X1 = Perputaran modal kerja X2 = Return spread
e = error
36 3.7.2.2. Uji Signifikan Parameter Individual ( Uji Statistik t )
Menurut Ghozali ( 2005 : 84 ), uji statistik t pada dasarnya menunjukkan seberapa jauh pengaruh satu variabel independen secara individual dalam menerangkan variabel dependen. Pengujian dilakukan dengan menggunakan significance level 0.05 (α = 5%). Penerimaan atau penolakan hipotesis dilakukan dengan kriteria sebagai berikut :
a). Jika nilai signifikan ≥ 0.05, maka hipotesis ditolak ( koefisien regresi tidak signifikan ). Ini berarti secara parsial, variabel independen tersebut tidak berpengaruh signifikan terhadap variabel dependen.
b). Jika nilai signifikan ≤ 0.05, maka hipotesis diterima ( koefisien regresi signifikan ). Ini berarti secara parsial, variabel independen mempunyai pengaruh yang signifikan terhadap variabel dependen.
3.7.2.3. Uji Signifikan Parameter Simultan ( Uji Statistik F )
Menurut Ghozali ( 2005 : 84 ) uji statistik F pada dasarnya menunjukkan apakah semua variabel bebas yang dimaksudkan dalam model mempunyai pengaruh secara simultan terhadap variabel dependen.
Pengujian secara simultan terhadap variabel dependen. Pengujian
Ketentuan penolakan atau penerimaan hipotesis adalah sebagai berikut : a). Jika nilai signifikan > 0.05 maka hipotesis diterima ( koefisien regresi
tidak signifikan ). Ini berarti bahwa secara simultan variabel
37 independen tersebut tidak mempunyai pengaruh yang signifikan terhadap variabel dependen.
b). Jika nilai signifikan < 0.05 maka hipotesis ditolak ( koefisien regresi signifikan ). Ini berarti secara simultan variabel independen tersebut mempunyai pengaruh yang signifikan terhadap variabel dependen.
3.7.3. Koefisien Determinasi
Koefisien determinasi ( R2 ) pada intinya mengukur seberapa jauh kemampuan model dalam menerangkan variasi variabel dependen. Nilai koefisien determinasi berada diantara nol dan satu. Nilai R2 yang kecil seperti kemampuan variabel – variabel independen dalam menjelaskan variabel dependen sangat terbatas. Nilai yang mendekati satu berarti variabel indpenden memberikan hampir semua informasi yang dibutuhkan untuk memprediksi variasi variabel dependen ( Ghozali , 2005 : 83 ). Data dalam penelitian ini akan diolah dengan menggunakan program Statistical Package for Social Science ( SPSS ) 18.0. Hipotesis dalam penelitian ini dipengaruhi oleh nilai signifikan koefisien variabel yang bersangkutan setelah dilakukan pengujian. Kesimpulan hipotesis dilakukan berdasarkan
terhadap variabel dependen.
38 3.8. Jadwal Penelitian
Jadwal penelitian direncanakan sebagai berikut : Tabel 3.3
Jadwal Penelitian Tahapan
Penelitian Studi Pendahuluan Pengajuan Proposal Penyetujuan Proposal Bimbingan Proposal Seminar Proposal Pengumpulan dan Pengolahan data Bimbingan dan Penyelesaian Skripsi Ujian Komprehensif
Feb.
2011
Maret 2011
April 2011
Mei 2011
Juni 2011
Juli 2011
Agust 2011
Sept 2011
Nop 2011 Okt
2011
Des 2011
Sumber: Data diolah oleh Peneliti, 2011
BAB IV
HASIL ANALISIS DAN PEMBAHASAN
4.1. Hasil Penelitian 4.1.1. Data Penelitian
Objek penelitian ini adalah perusahaan Consumer Goods Industry yang terdaftar di Bursa Efek Indonesia, Setelah dilakukan pemilihan sample dengan teknik purposive sampling diperoleh 26 perusahaan. Dapat dilihat pada lampiran 1. Periode penelitian dimulai dari tahun 2008 sampai dengan tahun 2010 dan data penelitian secara keseluruhan berjumlah 78 sampel.
Penelitian menggunakan metode statistic deskriptif dalam penelitian ini, yaitu penelitian yang dilakukan untuk memperoleh gambaran yang sebenarnya tentang kondisi perusahaan dalam analisis. Statistik deskriptif memberikan penjelasan mengenai nilai minimum, nilai maksimum, nilai rata – rata ( mean ), dan nilai standar deviasi dari variabel – variablel independent dan variabel dependen.
39
40 Tabel 4.1
Descriptive Statistics
Descriptive Statistics
N Minimum Maximum Mean Std. Deviation PMK 78 -51.4636 1457.0687 24.336592 167.6265171 Return Spread 78 -.1293 .3391 .038947 .1075440
CR 78 .6588 10.6844 3.013047 2.1915567
Valid N (listwise) 78
Sumber : Output SPSS, diolah penulis, 2011
Tabel 4.1 menunjukkan bahwa perputaran modal kerja memiliki nilai minimum negative, return spread memiliki nilai minimum dan nilai rata – rata yang negative dan likiditas memiliki nilai minimum, nilai maksimum dan nilai rata – rata yang positif. Berikut ini adalah perincian data deskriptif yang telah diolah :
a. Rata-rata dari perputaran modal kerja adalah 24,336592 dengan standar deviasi 167,6265171 dan jumlah data yang ada adalah 78. Nilai perputaran modal kerja tertinggi adalah 1457,0687, dan nilai perputaran modal kerja yang terendah adalah -51,4636.
167,6265171 dan jumlah data yang ada adalah 78. Nilai return spread tertinggi adalah 0,3391 dan nilai return spread yang terendah adalah - 0.1293
c. Rata-rata dari likuiditas ( Current Ratio ) adalah 3,013047 dengan standar deviasi sebesar 2,1915587 dan jumlah data yang ada adalah 78.
41 Nilai likuiditas terendah adalah 0,6588 dan nilai likuiditas tertinggi adalah 10,6844 .
4.1.2. Pengujian Asumsi Klasik 4.1.2.1. Uji Normalitas
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, H0 diterima dan sebaliknya jika nilai signifikansi lebih kecil dari 0.05, H0 ditolak atau H1 diterima.
Tabel 4.2
Uji Normalitas Sebelum Transformasi
One-Sample Kolmogorov-Smirnov Test
Perputaran Modal Return Current
G a m b a r
4.
42 Berdasarkan hasil uji statistik dengan model Kolmogorov- Smirnov seperti yang terdapat dalam tabel 4.2 dapat diketahui bahwa:
a). Nilai K-S untuk variabel perputaran modal kerja adalah 4,221 dengan likuiditas signifikan Asymp.Sig.(2-tailed) 0,000. Nilai tersebut di atas α = 0,05 karena Asymp. Sis (2-tailed) lebih kecil dari α/2 (0,025). Hal ini berarti bahwa variabel perputaran modal kerja terdistribusi secara tidak normal. Ha diterima dan Ho ditolak.
b). Nilai K-S untuk variabel return spread adalah 1,418 dengan likuiditas signifikan Asymp.Sig.(2-tailed) 0,036. Nilai tersebut di atas α = 0,05 karena Asymp. Sis (2-tailed) lebih besar dari α/2 (0,025). Hal ini berarti bahwa variabel return spread terdistribusi secara normal. Ho diterima dan Ha ditolak.
c). Nilai K-S untuk variabel likuiditas ( Current Ratio ) adalah 1,726 dengan likuiditas signifikan Asymp.Sig.(2-tailed) 0,005. Nilai tersebut di bawah α = 0,05 karena Asymp. Sis (2-tailed) lebih kecil
Normal Parametersa
Mean 24.336592 .038947 3.013047
Std. Deviation 167.6265171 .1075440 2.1915567 Most
Extreme Differences
Absolute .478 .161 .195
Positive .478 .161 .195
Negative -.352 -.129 -.149
Kolmogorov-Smirnov Z 4.221 1.418 1.726
Asymp. Sig. (2-tailed) .000 .036 .005
a. Test distribution is Normal.
Sumber : Output SPSS, diolah penulis, 2011
secara tidak normal. Ha diterima dan Ho ditolak.
Untuk menguji apakah data grafik variabel Perputaran Modal Kerja, Return Spread dan Likuiditas ( Current Rasio ) memiliki distribusi normal atau tidak, dapat dilakukan dengan menggambarkan kurva histogram yaitu sebagai berikut.
43 Gambar 4.1
Histogram Sebelum Transformasi
Sumber : Output SPSS, diolah penulis, 2011
Hasil tampilan kurva histogram di atas dapat terlihat bahwa bentuk kurva dengan kemiringan cenderung ke kiri, hal ini menunjukkan bahwa data tidak terdistribusi dengan normal.
dilihat titik – titik menyebar jauh dari garis diagonal yang menunjukkan data tidak terdistribusi dengan normal.
44 Gambar 4.2
Grafik Normal P-Plot Sebelum Transformasi
Sumber : Output SPSS, diolah penulis, 2011
Menurut Erlina dan Mulyani (2007 : 106) ada beberapa cara
2). lakukan trimming, yaitu membuang data outlier,
3). lakukan winsorizing, yaitu mengubah nilai data yang outlier ke suatu nilai tertentu.
Untuk mengubah nilai residual agar berdistribusi normal, peneliti melakukan transformasi data ke model logaritma natural (Ln). Setelah itu, data diuji ulang berdasarkan asumsi normalitas. Berikut ini adalah hasil pengujian dengan Kolmogorov - Smirnov setelah dilakukan transformasi:
45 Tabel 4.3
Hasil Uji Normalitas (2)
Setelah Transformasi Dengan Logaritma Natural
Sumber : Output SPSS, diolah penulis, 2011
Berdasarkan diatas, dapat disimpulkan bahwa setelah ketiga
One-Sample Kolmogorov-Smirnov Test
LN_PMK LN_Spread LN_CR
N 70 38 78
Normal Parametersa,b Mean 1.5582 -2.5370 .8767 Std. Deviation 1.06737 .99066 .66571 Most Extreme
Differences
Absolute .176 .093 .079
Positive .176 .084 .079
Negative -.121 -.093 -.078
Kolmogorov-Smirnov Z 1.474 .575 .696
Asymp. Sig. (2-tailed) .026 .895 .717
a. Test distribution is Normal.
b. Calculated from data.
terdistribusi secara normal dengan nilai signifikansi masing - masing variabel yaitu Ln_PMK (0,026), Ln_Spread (0,895) dan Ln_CR (0,717) berada di atas 0,05. Dengan demikian maka Ho diterima yang berarti bahwa data terdistribusi dengan normal. Hasil pengujian normalitas dengan histogram juga dapat dilihat pada gambar berikut:
46
Gambar 4.3
Histogram Setelah Transformasi Dengan Logaritma Natural
Sumber : Output SPSS, diolah penulis, 2011
Berdasarkan kurva histogram di atas, dapat dilihat bahwa kurva menyerupai bentuk lonceng yang hampir sempurna dengan kemiringan
ini menunjukkan bahwa data telah terdistribusi secara normal.
Menurut Ghozali (2005 : 112), “pendeteksian normalitas dapat dilakukan dengan melihat penyebaran data (titik) pada sumbu diagonal dari grafik Normal P-P Plot of Regression, yaitu jika data (titik) menyebar di sekitar garis diagonal dan mengikuti arah garis diagonal, maka data telah terdistribusi normal”.
47 Gambar 4.4
Grafik Normal P-Plot
Setelah Transformasi Dengan Logaritma Natural
Sumber : Output SPSS, diolah penulis, 2011
merupakan grafik Normal P-Plot Regression yang telah ditransformasi dengan Logaritma Natural, di mana memperlihatkan titik – titik menyebar berhimpitan di sekitar diagonal dan ini menunjukkan data dalam model regresi berdistribusi normal. Secara keseluruhan data telah terdistribusi secara normal, selanjutnya dapat dilakukan pengujian asumsi klasik lainnya
48 4.1.2.2. Uji Autokorelasi
Pengujian autokorelasi bertujuan untuk menguji apakah terdapat korelasi antara kesalahan pengganggu pada suatu periode dengan kesalahan pengaganggu periode sebelumnya dalam model regresi.
Autokorelasi menunjukkan adanya korelasi antara kesalahan pengganggu pada kata yang tersusun, baik berupa data cross sectional dan time series. Autokorelasi yang terjadi dalam model regresi menimbulkan koefisien korelasi yang diperoleh menjadi tidak akurat dan model regresi yang baik adalah model regresi yang bebas dari autokorelasi.
autokorelasi adalah dengan melakukan pengujian Durbin Watson (DW).
Dalam model regresi tidak terjadi autokorelasi apaibla nilai d<w<4-du.
Tabel 4.4
Hasil Uji Autokorelasi
Adjusted R Std. Error of the
Square Estimate
1 .675 .456 .420 .45323
a. Predictors: (Constant), LN_Spread, LN_PMK b. Dependent Variable: LN_CR
Model Summary
Model R R Square Durbin-Watson
1.363
Sumber : Output SPSS, diolah penulis, 2011
Berdasarkan uji diatas tampak bahwa nilai Durbin Watson hitung 1,363. Dengan jumlah variabel bebas (k) = 2, dengan jumlah sampel (n) = 78, maka dl = 1,448 dan du = 1,626. Nilai Durbin Watson
49 hitung terletak antara batas atas atau upper bound (du) dan (4-du) yaitu 2,374, sehingga dapat disimpulkan bahwa model regresi linier berganda terbebas dari asumsi klasik statistik autokorelasi.
4.1.2.3. Uji Multikolinearitas
Tabel 4.5
Hasil Uji Multikolinearitas
Coefficient Correlationsa
Model LN_Spread LN_PMK
1 Correlations LN_Spread 1.000 .372
LN_PMK .372 1.000
Covariances LN_Spread .008 -.002
Dari
tabel dapat dilihat bahwa hasil besaran korelasi antar variabel bebas adalah 0,372 atau sekitar 37%. Karena korelasi ini masih di bawah 95%
maka dapat dikatakan bahwa tidak terjadi multikolinearitas yang serius.
Menurut Ghozali (2005 : 91) untuk melihat ada atau tidaknya multikolinieritas dalam model regresi dapat dilihat dari :
1) nilai tolerance dan lawannya, 2) Variance Inflatin Factor (VIF).
Jadi, nilai Tolerance yang rendah sama dengan nilai VIF yang tinggi (karena VIF = 1/tolerance). Nilai cutoff yang umum dipakai untuk menunjukkan adanya multikolineritas adalah nilai Tolerance < 0,10 atau sama dengan VIF > 10.
50
Tabel 4.6
Hasil Uji Multikolinearitas Sumber : Output SPSS, diolah penulis, 2011
Coefficients
Collinearity Statistics Tolerance VIF 1 (Constant)
LN_PMK .861 1.161
LN_Spread .861 1.161
Dari hasil pengujian, dapat dilihat bahwa angka tolerance perputaran modal kerja dan perputaran return spread > 0,10 yaitu 0,861 dan VIFnya < 10 yaitu 1,161. Ini mengindikasikan bahwa tidak terjadi multikolinieritas diantara variabel independen dalam penelitian.
4.1.2.4. 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 menggunakan SPSS 18.0. Model regresi yang baik adalah tidak terjadi heteroskedastisitas atau terjadi homoskedastisitas. Dasar Pengambilan keputusannya adalah :
a). Hasil uji dalam bentuk pola yang tidak jelas berbentuk titik – titik menyebar di atas dan di bawah angka 0 pada sumbu Y tidak terjadi heteroskedastisitas.
51 b). Hasil Uji terdapat pola tertentu berbentuk titik – titik yanga ada
membentuk pola tertentu yang teratur (bergelombang, melebar