lainnya”. Variabel independen dalam penelitian ini adalah aktivitas operasi, aktivitas investasi dan aktivitas pendanaan.
3.1.2 Variabel Dependen terikat Variabel dependen menurut Sugiyono 2005:33 adalah ” variabel yang
dipengaruhi atau terikat oleh variabel dependen”. Variabel dependen dalam penelitian ini adalah Likuiditas.
F. Metode Analisis Data
Analisa data ini dilakukan dengan menggunakan metode analisa kuantitatif yaitu mengumpulkan, mengolah, dan menginterprestasikan data yang diperoleh
sehingga memberi keterangan yang benar dan lengkap untuk pemecahan masalah yang dihadapi. Metode analisis data yang digunakan dalam penelitian ini adalah
model regresi berganda dengan menggunakan bantuan software SPSS for window v. 19. Ada dua jenis pengujian yang dapat dipakai dalam penelitian ini, yaitu uji
asumsi klasik dan pengujian hipotesis.
3.1 Pengujian asumsi klasik
3.1.1 Uji normalitas
Uji normalitas berguna pada tahap awal dalam metode penelitian analisis data. Jika data normal, maka digunakan statistik parametik, dan jika
data tidak normal digunakan statistik nonparametik. Tujuan uji normalitas data ini adalah untuk mengetahui apakah dalam model regresi variabel
pengganggu atau residual memiliki distribusi normal. Pengujian ini diperlukan untuk melakukan uji t dan uji f mengasumsikan bahwa nilai
Universitas Sumatera Utara
residual mengikuti distribusi normal Erlina, 2007 : 103. Cara yang digunakan untuk mendeteksi apakah residual mengikuti berdistribusi normal
atau tidak adalah dengan analisis grafik. Jika data menyebar disekitar garis diagonal atau grafik histogramnya menunjukkan pola distribusi normal,
maka model regresi memenuhi asumsi distribusi normalitas. Menurut Ghozali 2005:110 cara yang digunakan untuk mendeteksi apakah residual
berdistribusi normal atau tidak, dengan analisis grafik dan analisis statistik. a.
Analisis grafik Salah satu cara termudah melihat normalitas residual adalah dengan
melihat grafik histogram yang membandingkan antara data observasi dengan distribusi yang mendekati normal. Dasar pengambilan keputusan
adalah : 1.
Jika data menyebar disekitar garis diagonal, mengikuti arah garis diagonal atau grafik histogramnya menunjukkan pola berdistribusi
normal, maka model regresi memenuhi asumsi normalitas. 2.
Jika data menyebar jauh dari diagonal, tidak mengikuti arah garis diagonal atau grafik histogram tidak menunjukkan data berdistribusi
normal. Maka model regresi tidak memenuhi asumsi normalitas. b.
Analisis statistik ”Uji statistik yang dapat digunakan untuk menguji normalitas
residual adalah uji statistik Kolmogrov-Smirnov K-S” Ghozali, 2005 : 115. Uji K-S dibuat dengan membuat hipotesis :
Universitas Sumatera Utara
Ho : Data residual berdistribusi normal Ha : data residual tidak berdistribusi normal
Bila sig 0,05 dengan α = 5, berarti distribusi data normal Ho
diterima, sebaliknya bila sig 0,05 dengan α = 5, berarti distribusi
data tidak normal Ha diterima. Distribusi yang melanggar asumsi normalitas dapat dijadikan menjadi bentuk normal melalui transformasi
data, trimming dan winzorising. a.
Transformasi data Transformasi data dapat dilakukan dengan logaritma natural ln, log
10, maupun akar kuadrat. Jika ada data bernilai negatif, transformasi data dengan log akan menghilangkannya sehingga sampel n akan
berkurang. b.
Trimming Trimming adalah membuang memangkas observasi yang bersifat
outlier, yaitu yang nilainya lebih kecil dari µ-2 σ atau lebih besar dari
µ+2 σ. Metode ini juga akan mengecilakan sampelnya.
c. Winzorising
Winzorising mengubah nilai-nilai outliers menjadi nilai-nilai minimum atau maksimum uang diizinkan supaya distribusi menjadi normal.
Nilai–nilai observasi yang lebih kecil dari µ-2 σ akan diubah nilainya
menjadi µ-2 σ dan nilai-nilai yang lebih besar dari µ+2σ akan diubah
menjadi µ+2 σ.
Universitas Sumatera Utara
3.1.2 Uji multikolinearitas
Pengujian ini bertujuan untuk menguji apakah model regresi ditemukan adanya korelasi diantara variabel independen. Model regresi yang baik
seharusnya tidak terjadi korelasi antara variabel indevenden Ghozali, 2005 : 91. Untuk mendeteksi ada atau tidaknya multikolinieritas didalam model
regresi adalah : a.
Menganalisis matriks korelasi variabel-variabel independen, jika diantara variabel independen ada korelasi yang cukup tinggi umumnya
diatas 0,09, maka hal ini merupakan indikasi adanya multikolinearitas. b.
Multikolinearitas dapat juga dilihat dari 1 nilai tolerance dan lawannya 2 variance inflation factor VIF. Nilai cutoff yang umum dipakai
untuk menunjukkan adanya multikolinearitas adalah nilai tolerance 0,01 atau sama dengan nilai VIF 10.
3.1.3 Uji Heterokedastisitas Pengujian ini bertujuan untuk melihat apakah dalam model regresi terjadi
ketidaksamaan variabel dari residual satu pengamatan kepengamatan lain. Jika variabel residual tersebut tetap, maka disebut homoskedastisitas dan jika berbeda
disebut heterokedastisitas. Model regresi yang baik adalah homoskedastisitas Ghozali, 2005: 105. Ada tidaknya heteroskedastisitas dapat dilihat dengan
melihat grafik scaterplot antara nilai prediksi variabel independen dengan nilai residualnya. Dasar yang digunakan untuk menentukan heteroskedastisita antara
lain :
Universitas Sumatera Utara
a. Jika ada pola tertentu, seperti titik-titik yang ada membentuk pola
tertentu yang teratur bergelombang, melebar kemudian menyempit, maka mengindikasikan telah terjadi heteroskedastisitas.
b. Jika tidak ada pola tertentu, serta titik-titik yang menyebar diatas dan
dibawah angka 0 pada sumbu Y, maka mengindikasikan tidak terjadi heteroskedastisitas.
3.1.4 Uji AutoKorelasi
Pengujian ini bertujuan untuk melihat apakah dalam suatu model regresi linear ada korelasi antara kesalahan pengganggu pada periode t dengan
kesalahan pengganggu pada periode t-1 sebelumnya. Jika terjadi korelasi, maka dinamakan ada problem autokorelasi. Autokorelasi muncul karena
observasi yang berurutan sepanjang waktu berkaitan satu sama lain. Hal ini sering ditemukan pada time series. Salah satu cara yang digunakan untuk
mendeteksi masalah autokorelasi adalah dengan uji durbin watson. Pengambilan keputusan ada tidaknya autokorelasi adalah :
Tabel 3.2
Hipotesis Nol Keputusan
Jika Tidak ada autokorelasi positif
Tolak 0 d dl
Tidak ada autokorelasi positif No decision
dl ≤ d ≤ du
Tidak ada autokorelasi negatif Tolak
4- dl d 4 Tidak ada autokorelasi negatif
No decision 4 – du
≤ d ≤ 4 – dl Tidak ada autokorelasi, positif
atau negatif Tidak ditolak
du d 4 – du
Universitas Sumatera Utara
3.2 Model dan Teknik Analisis Data
