75
bulan desember sebesar 92,14. Selama periode penelitian dari tahun 2011-2015, nilai likuiditas yang tertinggi pada bulan juli 2013 sebesar
104,83 dan yang terendah pada bulan maret 2012 sebesar 87,13.
C. Analisis dan Pembahasan
Semua data yang digunakan dalam analisis ini merupakan data sekunder deret waktu time series dari januari 2011 sampai dengan desember 2015.
Variabel dependen yang digunakan yaitu likuiditas FDR. Sedangkan variabel independen bebas yang digunakan yaitu Dana Pihak Ketiga
DPK, Capital Adequacy Ratio CAR dan Non Performing Financing NPF.
1. Uji Asumsi Klasik
Keseluruhan data variabel dalam penelitian ini diolah atau ditransformasikan kedalam bentuk Ln Logaritma Natural. Menurut
Algifari 2013, untuk menstandarkan data yang dikarenakan data memiliki satuan yang berbeda agar menjadi sama, maka model
kemudian ditransformasikan ke dalam bentuk persamaan logaritma natural Ln pada prinsipnya model ini merupakan hasil transformasi
dari suatu model tidak linier menjadi model linier, dengan jalan membuat model dalam bentuk logaritma.
a. Uji Normalitas
Uji normalitas bertujuan untuk menguji apakah dalam model regresi, variabel pengganggu atau residual memiliki distribusi
normal. Seperti diketahui bahwa uji t dan f mengansumsikan bahwa
76
nilai residual mengikuti distribusi normal. Kalau asumsi ini dilanggar maka uji statistik menjadi tidak valid untuk jumlah
sampel kecil Ghozali, 2012. Nilai residual dikatakan berdistribusi normal jika nilai residual terstandarisasi tersebut sebagian besar
mendekati nilai rata- ratanya. Untuk mendeteksi apakah nilai residual terstandarisasi berdistribusi normal atau tidak, maka dapat
digunakan metode analisis grafik dan metode statistik. Dalam penelitian ini, peneliti menggunakan uji normalitas dengan analisis
grafik dan uji Kolmogrov-Smirnov. Berikut adalah hasil dari uji normalitas :
1 Analisis Grafik Histogram
Gambar 4.1 Histogram
Sumber : Data diolah Berdasarkan grafik 4.1 di atas, histogarm Regression Residual
membentuk kurva seperti lonceng maka nilai residual tersebut dinyatakan normal atau data berdistribusi normal.
77
2 Analisis Grafik dengan Normal Probability Plot Normal P-P
Plot Gambar 4.2
Grafik P-P Plot
Sumber : data diolah Berdasarkan Grafik 4.2 di atas, terlihat bahwa penyebaran
data titik menyebar disekitar garis diagonal dan mengikuti arah garis diagonal yang berarti bahwa data berdistribusi normal atau
model regresi memenuhi asumsi normalitas.
3 Uji Kolmogrov-Smirnov
Tabel 4.5 Kolmogorov-Smirnov
78
Berdasarkan Tabel 4.5 di atas, menunjukkan hasil Kolmogrov-Smirnov sebesar 0,930 dan signifikan pada 0,352 lebih
besar dari 0,05 Sig. α. Hal itu berarti nilai residual terstandarisasi
dikatakan menyebar secara normal.
b. Uji Multikolinearitas
Uji multikolinieritas bertujuan untuk menguji apakah dalam model regresi yang terbentuk ada korelasi yang tinggi atau sempurna
diantara variabel bebas atau tidak. Model regresi yang baik seharusnya tidak terjadi korelasi di antara variabel bebas. Untuk
mendeteksi ada atau tidaknya multikolinieritas di dalam model regresi dapat dilihat dari nilai Tolerance dan Variance Inflation
Factor VIF. Nilai cut off yang umum dipakai untuk menunjukkan adanya multikolinieritas adalah nilai Tolerance 0,10 atau sama
dengan VIF 10, maka model dinyatakan tidak terdapat gejala multikolinieritas.
Tabel 4.6 Uji Multikolinieritas
Sumber : data diolah
79
Berdasarkan output pada Coefficients dalam Tabel 4.6 di atas, terlihat bahwa nilai Tolerance menunjukkan terdapat ketiga
variabel independen yang memiliki nilai Tolerance lebih dari 0,10, yaitu DPK dengan nilai 0,053, dan CAR dengan nilai -0,059 dan
NPF dengan nilai -0,096. Hasil dari perhitungan nilai Variance Inflation Factor VIF juga menunjukkan hal yang sama, yaitu
ketiga variabel independen yang memiliki nilai VIF lebih kurang dari 10. Pada variabel DPK dengan nilai VIF sebesar 1,897, variabel
CAR dengan nilai VIF sebesar 1,475 serta pada variabel NPF dengan nilai VIF sebesar 1,447. Dengan demikian dapat
disimpulkan bahwa tidak terjadi multikolinieritas.
c. Uji Autokorelasi
Uji Autokorelasi bertujuan untuk mengetahui apakah ada korelasi antara anggota serangkaian data observasi yang diuraikan
menurut waktu time-series atau ruang cross section. Beberapa penyebab munculnya masalah autokorelasi dari sebagian data time
series dalam analisis regresi adalah adanya kelembaman inertia artinya data observasi pada periode sebelumnya dan periode
sekarang kemungkinan
besar akan
mengandung saling
ketergantungan interdependence Uji Durbin-Watson Uji D-W merupakan uji yang sangat
populer untuk menguji ada-tidaknya masalah autokorelasi dari
80
model empiris yang diestimasi. Berikut adalah hasil dari uji autokorelasi:
Tabel 4.7 Uji Auto Korelasi
Sumber : Data diolah Berdasarkan tabel di atas, diketahui nilai Durbin Watson
sebesar 0,525. Oleh karena itu, nilai DW = 0,525 yang berada diantara -2 dan +2. Maka dapat disimpulkan data dalam penelitian
ini tidak ada auto korelasi.
d. Uji Heteroskedastisitas
Heteroskedastisitas berarti ada varian variabel pada model regresi yang tidak sama konstan. Sebaliknya, jika varian variabel
pada model regresi memiliki nilai yang sama atau kosntan maka disebut dengan homoskedatisitas. Berikut adalah hasil dari uji
heteroskedasitas :
81
Analisis Grafik dengan Scatterplot Gambar 4.3
Scatterplot
Sumber : Data diolah Berdasarkan tampilan pada Scatterplot dalam Gambar di
atas, terlihat bahwa plot menyebar secara acak di atas maupun di bawah angka nol pada sumbu Regression Studentized Residual.
Oleh karena itu maka berdasarkan uji heteroskedastisitas menggunakan metode analisis grafik, pada model regresi yang
terbentuk dinyatakan tidak terjadi gejala heteroskedastisitas.
2. Hipotesis