1. Variabel Perputaran Modal Kerja memiliki nilai minimum sebesar -
148,986, nilai maksimum sebesar 47,103, nilai rata-rata sebesar 2,109, dan standar deviasi sebesar 17,333 dengan jumlah sampel sebanyak 99.
2. Variabel Aktiva Tetap memiliki nilai minimum sebesar 6560, nilai
maksimum sebesar 8079455, nilai rata-rata sebesar 844718,48, dan standar deviasi sebesar 1663943,378 dengan jumlah sampel
sebanyak 99. 3.
Variabel Return Spread memiliki nilai minimum sebesar -0,9528, nilai maksimum sebesar 0,8272, nilai rata-rata sebesar -0,38753,
dan standar deviasi sebesar
,
1868813 dengan jumlah sampel sebanyak 99.
4. Variabel Likuiditas memiliki nilai minimum sebesar 0
,
12, nilai maksimum sebesar 24,40, nilai rata-rata sebesar 3,1864, dan
standar deviasi sebesar 3,36543 dengan jumlah sampel sebanyak
99.
2. Uji Asumsi Klasik
a. 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
Universitas Sumatera Utara
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 Parametersa,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.
Universitas Sumatera Utara
Untuk mengubah nilai residual agar berdistribusi normal, penulis melakukan transformasi data ke model logaritma natural Ln
yaitu dari persamaan Perputaran Modal Kerja PMK = fPMK menjadi LN_PMK = fLN_PMK, persamaan Aktiva Tetap AT =
fAT menjadi LN_AT =fLN_AT, persamaan Return Spread RS =fRS, dan persamaan Likuiditas =fLikuiditas 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 Parametersa,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
Universitas Sumatera Utara
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 -1
-2
Frequency
6 5
4 3
2 1
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.
Universitas Sumatera Utara
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
