Jumlah 36
36 36
100 100
100
4.2 Uji Asumsi Klasik
Uji asumsi klasik merupakan prasyarat analisis regresi ganda. Dalam uji asumsi klasik ini meliputi uji normalitas, uji multikoliniearitas dan uji
heteroskedastisitas. Apabila data tidak berdistribusi normal dan mengandung heteroskedastisitas maka perlu adanya perbaikan model regresi dengan cara
mentransformasi data dalam bentuk logaritma. Data hasil transformasi tersebut selanjutnya dianalis kembali menggunakan analisis regresi. Apabila data masih
mengandung multikolinieritas maka salah satu variabel bebas dihilangkan.
4.2.1 Uji Normalitas
Hasil uji normalitas dalam kajian penelitian ini menggunakan P-P plot. Apabila grafik yang diperoleh dari output SPSS ternyata titik-titik mendekati garis diagonal,
dapat disimpulkan bahwa model regresi berdistribusi normal. Lebih jelasnya hasil uji normalitas data dapat dilihat pada grafik berikut.:
PERSAMAAN 1 :
Lev = β
1
Lik + e1
Universitas Sumatera Utara
1.0 0.8
0.6 0.4
0.2 0.0
Observed Cum Prob
1.0 0.8
0.6 0.4
0.2 0.0
Ex pe
ct ed
C um
P ro
b
Dependent Variable: LEV Normal P-P Plot of Regression Standardized Residual
Gambar 4.1 P-P Plot pengujian normalitas model Regresi 1
Dari grafik normal probility plots titik-titik menyebar berhimpit di sekitar diagonal dan hal ini menunjukkan bahwa residual terdistribusi secara normal.
Uji normalitas juga dapat dilihat dari uji statistik non-parametrik Kolmogorov-Smirnov K-S. Hasil uji Kolmogorov-Smirnov menunjukkan nilai
Kolmogorov-Smirnov sebesar 1,276 dan tidak signifikan pada 0,05 karena p=0,077 dari 0,05 Lampiran 2. Jadi kita tidak dapat menolak Ho yang mengatakan bahwa
residual terdistribusi secara normal atau dengan kata lain residual berdistribusi normal.
PERSAMAAN 2 :
KK= β
1
Lik + β
2
Lev + e2
Universitas Sumatera Utara
1.0 0.8
0.6 0.4
0.2 0.0
Observed Cum Prob
1.0 0.8
0.6 0.4
0.2 0.0
Ex pe
ct ed
C um
P ro
b
Dependent Variable: KK Normal P-P Plot of Regression Standardized Residual
Gambar 4.2 P-P Plot pengujian normalitas model Regresi 2
Dari grafik normal probility plots titik-titik menyebar berhimpit di sekitar diagonal dan hal ini menunjukkan bahwa residual terdistribusi secara normal.
Uji normalitas juga dapat dilihat dari uji statistik non-parametrik Kolmogorov-Smirnov K-S. Hasil uji Kolmogorov-Smirnov menunjukkan nilai
Kolmogorov-Smirnov sebesar 0,569 dan tidak signifikan pada 0,05 karena p=0,902 dari 0,05 Lampiran 3. Jadi kita tidak dapat menolak Ho yang mengatakan bahwa
residual terdistribusi secara normal atau dengan kata lain residual berdistribusi normal.
4.2.2 Uji Multikolinearitas
Universitas Sumatera Utara
Uji multikolinieritas digunakan untuk menguji apakah antara variabel bebas memiliki hubungan yang sempurna atau tidak. Syarat diterimanya model regresi
ganda apabila antara variabel bebas tidak mengandung korelasi yang sempurna. Pengujian multikolinieritas dapat dilihat dari nilai variance inflance faktor VIF
berdasarkan hasil output SPSS. Apabila nilai VIF 10 dan mendekati 1 dapat disimpulkan bahwa asumsi adanya multikolinieritas ditolak. Hasil analisis
multikolinieritas selengkapnya dapat dilihat pada tabel 4.4 dan tabel 4,5. Tabel 4.4
Uji Multikolinearitas Persamaan 1
Coeffic ients
a
1.0 00 1.0 00
LIK Mo del
1 To leran ce
VIF Co lline arity Statistics
De pen dent Vari able: LEV a.
Tabel 4.5 Uji Multikolinearitas Persamaan 2
Universitas Sumatera Utara
Coeffic ients
a
.72 5 1.3 80
.72 5 1.3 80
LIK LEV
Mo del 1
To leran ce VIF
Co lline arity Statistics
De pen dent Vari able: KK a.
Berdasarkan hasil penelitian diperoleh nilai VIF pada persamaan 1 untuk variabel likuiditas LIK sebesar 1,000, nilai VIF 10 yang berarti bahwa model regresi
persamaan 1 tidak mengandung multikolinieritas. Begitu juga dengan persamaan 2 diperoleh nilai VIF untuk variabel likuiditas sebesar 1,380, untuk variabel leverage
sebesar 1,380
.
Kedua nilai VIF 10 yang berarti bahwa model regresi persamaan 2 tidak mengandung multikolinieritas.
4.2.3 Uji Heteroskedastisitas