B. Analisis Hasil Penelitian 1. Analisis Statistik Deskriptif
Tabel 4.2 Statistik Deskriptif
N Minimum
Maximum Mean
Std. Deviation inv. Turn over
99 .44
74.21 5.9949
11.18753 current ratio
99 .12
24.40 3.1864
3.36543 Valid N listwise
99
Tabel 4.2 menunjukkan bahwa baik variabel CR Current Ratio Rasio Lancar maupun IT Inventory Turnover Perputaran Persediaan memiliki nilai
minimum, nilai maksimum dan nilai rata-rata yang positif karena baik CR Rasio Lancar maupun IT Perputaran Persediaan nilainya adalah positif. Berikut ini
adalah perincian data deskriptif yang telah diolah: 1.
Variabel CR 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.
Variabel IT memiliki nilai minimum sebesar 0,44 , nilai maksimum sebesar 74,21 , nilai rata-rata sebesar 5,9949 , dan standar deviasi sebesar
11,18753 dengan jumlah sampel sebanyak 99.
2. Uji Asumsi Klasik a. Uji Normalitas
Pengujian data statistik dengan menggunakan model Kolmogorov-Smirnov dilakukan untuk mengetahui apakah data terdistribusi secara normal atau tidak,
dengan hipotesis sebagai berikut:
Universitas Sumatera Utara
Ho : data residual terdistribusi normal Ha : data residual terdistribusi tidak normal
Dalam uji Kolmogrov Smirnov, pedoman yang digunakan dalam pengambilan keputusan yaitu:
b. Jika nilai signifikansi 0,05 maka distribusi data tidak normal
c. Jika nilai signifikansi 0,05 maka distribusi data normal
Tabel 4.3 Uji Normalitas 1
One-Sample Kolmogorov-Smirnov Test
Unstandardized Residual
N 99
Normal Parameters
a
Mean .0000000
Std. Deviation 3.28240861
Most Extreme Differences Absolute
.194 Positive
.194 Negative
-.179 Kolmogorov-Smirnov Z
1.931 Asymp. Sig. 2-tailed
.001 a. Test distribution is Normal.
Dari hasil pengolahan data, diperoleh bahwa data dalam penelitian ini tidak terdistribusi secara normal. Dari tabel 4.3, dapat dilihat bahwa nilai Kolmogorov-
Smirnov sebesar 1,931 dan signifikansi pada 0,001, p= 0, 001 0,05 artinya Ha diterima yang berarti data residual terdistribusi tidak normal. Data residual yang
terdistribusi tidak normal juga dapat dilihat melalui grafik histogram dan grafik
Normal P-P Plot
Universitas Sumatera Utara
Gambar 4.1 Grafik Histogram 1
Grafik histogram menunjukkan bahwa data residual terdistribusi normal. Hal ini dilihat dari grafik histogram yang menunjukkan distribusi data mengikuti
kurva yang tidak menceng ke kanan ataupun menceng ke kiri. Akan tetapi, hasil uji normalitas dengan menggunakan model Kolmogorov-Smirnov mendukung
hasil uji normalitas dengan menggunakan grafik Normal P-P Plot . Grafik Normal
P-P Plot menunjukkan titik-titik dalam plot terlihat menyebar jauh dari garis diagonal baik di atas maupun di bawah garis diagonal. Grafik Normal P-P Plot
dapat dilihat sebagai berikut:
Universitas Sumatera Utara
Gambar 4.2 Grafik Normal P-P Plot 1
Dalam penelitian ini data residual tidak terdistribusi secara normal, maka perlu dilakukan tindakan penormalan data. Data yang tidak terdistribusi secara
normal dapat ditransfomasi agar menjadi normal Ghozali, 2003:32. Menurut Erlina 2007:106, ada beberapa cara mengubah model regresi menjadi normal
yaitu: b.
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
Agar nilai residual berdistribusi normal, maka dilakukan transformasi data ke model SQRT, yaitu ke dalam bentuk akar kuadrat. Lalu, data diuji ulang
berdasarkan asumsi normalitas kembali. Berikut ini hasil pengujian Kolmogorov- Smirnov K-S:
Tabel 4.4 Uji Normalitas 2
Uji Normalitas Setelah Data Ditransformasi
One-Sample Kolmogorov-Smirnov Test
Unstandardized Residual
N 99
Normal Parameters
a
Mean .0000000
Std. Deviation .71536641
Most Extreme Differences Absolute
.126 Positive
.126 Negative
-.084 Kolmogorov-Smirnov Z
1.253 Asymp. Sig. 2-tailed
.087 a. Test distribution is Normal.
Dari hasil pengolahan data tersebut dengan menggunakan SPSS 16, maka diperoleh besarnya nilai Kolmogorov-Smirnov adalah 1,253
dan signifikansi pada 0,087, maka dapat disimpulkan bahwa data terdistribusi secara normal karena
p= 0,087 0,05. Data yang terdistribusi secara normal tersebut juga dapat dilihat melalui grafik histogram dan grafik Normal P-P Plot.
Universitas Sumatera Utara
Gambar 4.3 Grafik Histogram 2
Grafik Histogram Setelah Data Ditransformasi
Gambar 4.4 Grafik Normal P-P Plot 2
Grafik Normal P-P Plot Setelah Data Ditransformasi
Universitas Sumatera Utara
Dengan membandingkan grafik di atas dapat disimpulkan bahwa distribusi data normal karena grafik histogram menunjukkan distribusi data yang tidak
menceng skewness ke kiri maupun ke kanan atau normal. Pada grafik Normal P- P Plot, terlihat titik-titik menyebar disekitar garis diagonal serta penyebarannya
agak mendekati dengan garis diagonal sehingga dapat disimpulkan bahwa data dalam model regresi terdistribusi secara normal.
b. Uji Heterokedasitas
Dalam penelitian ini, untuk mengetahui apakah dalam penelitian terjadi Heteroskedastisitas, dapat dilihat dengan grafik scatterplot dan Uji Glejser.
• Grafik scatterplot
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 program SPSS. Dasar pengambilan keputusannya adalah:
1 jika ada pola tertentu, seperti titik-titik yang ada membentuk pola tertentu yang terartur bergelombang, melebar kemudian menyempit, maka
mengindikasikan telah terjadi heteroskedastisitas, 2
jika tidak ada pola yang jelas, seperti titik-titik menyebar di atas dan di bawah angka 0 pada sumbu Y, maka tidak terjadi heteroskedastisitas atau terjadi
homoskedastisitas.
Hasil dari uji heteroskedastisitas dapat dilihat pada grafik scatterplot berikut ini:
Universitas Sumatera Utara
Gambar 4.5 Grafik Scatterplot
Dari gambar scatterplot di atas, dapat dilihat bahwa titik-titik menyebar secara acak serta tidak membentuk pola tertentu atau tidak teratur, serta titik-titik
menyebar di atas dan di bawah angka 0 pada sumbu Y. Hal ini mengindikasikan tidak terjadi heteroskedastisitas pada model regresi.
• Uji Glejser
Uji ini untuk meregres nilai absolut residual terhadap variabel independen. Jika variabel independen signifikan secara statistik mempengaruhi variabel
dependen, maka ada indikasi terjadi Heterokedastisitas. Jika probabilitas signifikansinya di atas tingkat kepercayaan 5 , maka dapat disimpulkan bahwa
model regresi tidak mengandung adanya Heterokedastisitas.
Universitas Sumatera Utara
Hasil uji heteroskedastisitas dapat dilihat juga melalui statistik uji glejser
berikut ini Tabel 4.5
Hasil Uji Glejser
Coefficients
a
Model Unstandardized
Coefficients Standardized
Coefficients t
Sig. Collinearity Statistics
B Std. Error
Beta Tolerance
VIF 1
Constant .438
.098 4.467
.000 SQRT_IT
.039 .040
.098 .970
.334 1.000
1.000 a. Dependent Variable: ABS_2
Hasil tampilan output SPSS di atas menunjukkan nilai probabilitas signifikansinya di atas tingkat kepercayaan 5 yakni sebesar 0,334 atau sebesar
33,4. Jadi disimpulkan model bahwa regresi tidak mengandung adanya heteroskedastisitas.
c.. Uji Autokorelasi
Menurut Singgih 2002 : 218 Untuk mendeteksi adanya autokorelasi bisa digunakan tes Durbin Watson D-W. Panduan mengenai angka D-W untuk
mendeteksi autokorelasi bisa dilihat pada tabel D-W, yang bisa dilihat pada buku statistik yang relevan. Namun demikian secara umum bisa diambil patokan:
3 Angka D-W di bawah -2 berarti ada autokorelasi positif.
4 Angka D-W di antara -2 sampai +2, berarti tidak ada autokorelasi.
5 Angka D-W diatas +2 berarti ada autokorelasi negatif
Universitas Sumatera Utara
Tabel 4.6 Hasil Uji Autokorelasi
Model Summary
b
Model R
R Square Adjusted R
Square Std. Error of the
Estimate Durbin-Watson
1 .213
a
.045 .035
.71904 1.842
a. Predictors: Constant, SQRT_IT b. Dependent Variable: SQRT_CR
Tabel 4.6 di atas memperlihatkan bahwa nilai statistik D-W sebesar 1,842. Nilai statistik D-W sebesar 1,842 terletak diantara -2 dan +2, dapat disimpulkan
bahwa tidak terjadi autokorelasi baik autokorelasi positif maupun autokorelasi negatif.
3. Analisis Regresi