46
B. Statistik Deskriptif
Statistik deskriptif memberikan gambaran atau deskripsi suatu data yang dilihat dari nilai rata-rata, standar deviasi, nilai maksimum dan minimum. Berikut
ini merupakan gambaran data penelitian.
Tabel 4.5 Statistik Deskriptif
N Minimum
Maximum Mean
Std. Deviation CR
66 5.86
20.19 9.9488
2.41313 LDR
66 20.17
85.60 59.4195
17.35880 GPM
66 -147.73
45.60 13.4333
29.04344 Unstandardized Residual
66 -147.28297
37.24949 .0000000
27.74496889 Valid N listwise
66 Sumber: Hasil Pengolahan SPSS 2008
Dari data diatas dapat dijelaskan bahwa :
1. Rata-rata cash ratio adalah 9,9488 dengan standar deviasi 2,41313.
2. Rata-rata LDR adalah 59,4195 dengan standar deviasi 17,35880.
3. Rata-rata GPM adalah 13,4333 dengan standar deviasi 29,04344.
Tabel 4.6 Statistik Deskriptif setelah Outlier Tidak Disertakan
N Minimum
Maximum Mean
Std. Deviation CR
57 5.86
20.19 10.0377
2.47317 LDR
57 20.17
85.60 58.9525
17.23177 GPM
57 .91
40.80 18.4809
8.85625 Unstandardized Residual
57 -15.22022
15.57960 .0000000
7.82537006 Valid N listwise
57
Sumber: Hasil Pengolahan SPSS 2008
Dari data diatas dapat dijelaskan bahwa : 1.
Rata-rata cash ratio adalah 10,0377 dengan standar deviasi 2,47317. 2.
Rata-rata LDR adalah 58,9525 dengan standar deviasi 17,23177. 3.
Rata-rata GPM adalah 18,4809 dengan standar deviasi 8,85625.
Universitas Sumatera Utara
47
C. Asumsi Klasik 1. Uji Normalitas
Uji normalitas bertujuan untuk menguji apakah dalam model regresi, variabel pengganggu atau residual berdistribusi normal. Pengujian normalitas ini
menggunakan uji statistik Kolmogorov-Smirnov K-S dan analisis grafik. Pengujian statistik Kolmogorov-Smirnov dimulai dengan membuat
hipotesis: Ho: data berdistribusi dengan normal
Ha: data tidak berdistribusi dengan normal Apabila nilai signifikasi 0,05 maka Ho diterima, sedangkan jika nilai
signifikasi 0,05 maka Ho ditolak dan Ha diterima.
Tabel 4.7 Hasil Uji Normalitas
CR LDR
GPM Unstandardized
Residual N
66 66
66 66
Normal Parametersa,b Mean
9.9488 59.4195
13.4333 .0000000
Std. Deviation 2.41313
17.35880 29.04344
27.74496889 Most Extreme
Differences Absolute
.120 .117
.270 .274
Positive .120
.117 .178
.176 Negative
-.091 -.113
-.270 -.274
Kolmogorov-Smirnov Z .977
.949 2.193
2.226 Asymp. Sig. 2-tailed
.296 .329
.000 .000
Sumber:Hasil Pengolahan SPSS 2008
Dari tabel diatas dapat dilihat bahwa Unstandardized Residual tidak berdistribusi nomal karena nilai signifikasi 0,05. Pengujian normalitas juga
dapat dilihat dari grafik Histogram dan Nomal P-P Plot of Regression.
Universitas Sumatera Utara
48
Gambar 4.1 Histogram
Dari histogram diatas dapat dilihat bahwa data berdistribusi dengan tidak normal.
Gambar 4.2 Normal P-P Plot Regression
Dari grafik Normal P-P plot Regression diatas dapat dilihat titik-titik menyebar jauh dari garis diagonal yang menunjukan data tidak berdistribusi
-6 -4
-2 2
Regression Standardized Residual
10 20
30 40
F R
E Q
U E
N C
y
0.0 0.2
0.4 0.6
0.8 1.0
Observed Cum Prob
0.0 0.2
0.4 0.6
0.8 1.0
Expect ed
Cum Prob
Universitas Sumatera Utara
49
dengan normal. Pada pengolahan data ditemukan data outlier. Data outlier dapat dilihat pada tabel berikut ini.
Tabel 4.8 Data
Outlier
Case Number Kode Bank
Standar Residual GPM
4 5
6 18
23 25
31 47
51 BBCA
BCIC BDMN
PAN ANKB
BABP BKSW
BABP BEKS
2,117 -5,226
2,573 2,414
-4,543 -2,317
-2,097 -2,014
-2,751 35,50
-147,73 45,60
42,95 -125,07
-6,54 0,53
1,46 -13,51
Sumber:Hasil Pengolahan SPSS 2008
Munculnya outlier pada observasi akan mengganggu estimasi koefisien regresi sehingga data outlier ini tidak disertakan dalam model yang akan dibentuk,
jadi model akan diestimasi berdasarkan 57 observasi. Setelah data outlier dikeluarkan maka dilakukan pengujian data kembali yang meliputi uji normalitas
dengan uji statistik dan analisis grafik.
Tabel 4.9 Hasil Uji Normalitas setelah
Outlier dikeluarkan
CR LDR
GPM Unstandardized
Residual N
57 57
57 57
Normal Parametersa,b
Mean 10.0377
58.9525 18.4809
.0000000 Std. Deviation
2.47317 17.23177
8.85625 7.82537006
Most Extreme Differences
Absolute .131
.149 .069
.080 Positive
.131 .149
.069 .080
Negative -.099
-.123 -.057
-.061 Kolmogorov-Smirnov Z
.987 1.124
.519 .604
Asymp. Sig. 2-tailed .284
.159 .950
.859 Sumber: Hasil Pengolahan SPSS 2008
Berdasarkan tabel diatas dapat disimpulkan bahwa residual berdistribusi normal dengan nilai 0,604 dan signifikasi 0,859 0,05.
Universitas Sumatera Utara
50
Pengujian normalitas dengan Histogram dan Normal P-P plot Regression Standardized Residual
dapat dilihat pada gambar berikut.
Gambar 4.3 Histogram
Histogram menggambarkan data berdistribusi normal dan berbentuk simetris karena tidak menceng ke kanan atau ke kiri.
-2
-1 1
2
Regression Standardized Residual
2 4
6 8
10 12
F R
E Q
U E
N C
Y
Universitas Sumatera Utara
51
Gambar 4.4 Normal P-P Plot Regression Standard Residual
Grafik Normal P-P plot Regression Standardized Residual diatas memperlihatkan titik-titik menyebar berhimpitan disekitar diagonal dan ini
menunjukkan data dalam model regresi berdistribusi normal.
0.0 0.2
0.4 0.6
0.8 1.0
Observed Cum Prob
0.0 0.2
0.4 0.6
0.8 1.0
Expected Cum
prob
Universitas Sumatera Utara
52
2. Uji Multikolonieritas
Tabel 4.10 Hasil Uji Multikolonieritas
Model Collinearity Statistic
Tolerance VIF
Cash Ratio Loan To Deposit Ratio
0,878 0,878
1,139 1,139
Sumber: Hasil Pengolahan SPSS 2008
Dari tabel diatas dapat disimpulkan bahwa tidak terdapat multikolonieritas pada model karena nilai tolerance tidak ada yang kurang dari 0,10 dan nilai VIF
tidak ada yang lebih besar dari 10.
3. Uji Autokorelasi Untuk mendeteksi ada tidaknya autokorelasi dalam penelitian ini, digunakan
uji Durbin Watson DW test dengan membuat hipotesis pengujian: Ho: tidak ada autokorelasi
Ha: ada autokorelasi
Tabel 4.11 Hasil Uji Autokorelasi
Model Standard Error of The Estimate
Durbin-Watson 1 7,96897
1,948
Sumber: Hasil Pengolahan SPSS 2008
Tabel diatas memperlihatkan nilai statistik DW sebesar 1,948. Nilai ini dibandingkan dengan nilai tabel menggunakan signifikasi 0,05 dengan n = 57
dengan jumlah variabel independen 2 k = 2 diperoleh nilai batas atas du 1,645 dan batas bawah dl 1,504. Oleh karena nilai DW 1,948 lebih besar dari du
1,645 dan kurang dari 2,355 4 – 1,645, maka dapat disimpulkan bahwa tidak terjadi autokorelasi positif maupun negatif 1,645 1,948 2,355.
Universitas Sumatera Utara
53
4.Uji Heteroskedastisitas
Gambar 4.5 Scatterplot
Grafik scatterplot diatas menunjukkan titik-titik menyebar secara acak random baik diatas maupun dibawah angka 0 pada sumbu Y, dapat disimpulkan
bahwa tidak terjadi heteroskedastisitas pada model regresi.
D. Analisis Regresi dan Pengujian Hipotesis 1. Analisis Regresi