Pengujian Asumsi Klasik HASIL DAN PEMBAHASAN

Investasi X2 tertinggi adalah 1020614, dan nilai Aktivitas Investasi X2 terendah adalah 46463. c. Rata-rata dari Aktivitas Pendanaan X3 adalah 396129,10 dengan standar deviasi 872962.173 dan jumlah data sebanyak 20 data. Nilai Aktivitas Pendanaan X3 tertinggi adalah 4028188, dan nilai Aktivitas Pendanaan X3 terendah adalah 10055. d. Rata-rata dari Likuiditas Y adalah 118.6955 dengan standar deviasi sebesar 23.79337 dan jumlah data sebanyak 20 data. Nilai Likuiditas Y tertinggi adalah 157.32 dan nilai Likuiditas Y terendah adalah 71,33.

4.2 Pengujian Asumsi Klasik

Pengujian asumsi klasik dalam penelitian ini dilakukan dengan bantuan program statistik normalitas data, autokorelasi, heterokedastisitas dan asumsi- asumsi klasik lainnya agar hasil pengujian tidak bersifat bias dan efisien. Menurut Ghozali 2005:123 asumsi klasik yang harus dipenuhi adalah berdistribusi normal, non-multikolinearitas, non-autokorelasi dan non-heterokedastisitas.

4.2.1 Uji Normalitas

Tujuan uji normalitas data ini adalah untuk mengetahui apakah dalam model regresi variabel pengganggu atau residual memiliki distribusi normal. Jika data normal, maka digunakan statistik parametrik, dan jika data tidak normal,gunakan statistik nonparametrik. Ghozali 2005 : 115, memberikan pedoman pengambilan keputusan rentang data mendekati atau merupakan distribusi normal berdasarkan uji Kolmogorov- Smirnov yang dapat dilihat dari: Universitas Sumatera Utara 1. jika nilai signifikan 0.05 maka distribusi data tidak normal, 2. jika nilai signifikan 0.05 maka distribusi data normal. Hipotesis yang digunakan :  Ho : data residual berdistribusi normal  Ha : data residual tidak berdistribusi normal Hasil uji normalitas dengan menggunakan model Kolmogorov-Smirnov adalah seperti yang ditampilkan berikut ini : Tabel 4.3 One-Sample Kolmogorov-Smirnov Test One-Sample Kolmogorov-Smirnov Test Unstandardized Residual N 20 Normal Parameters a,b Mean .0000000 Std. Deviation 22.87848643 Most Extreme Differences Absolute .144 Positive .099 Negative -.144 Kolmogorov-Smirnov Z .644 Asymp. Sig. 2-tailed .801 a. Test distribution is Normal. b. Calculated from data. Sumber : Diolah dari SPSS 2011 Dari hasil pengolahan data pada Tabel 4.3 diperoleh besarnya nilai Kolmogorov-Smirnov adalah 0.644 dan signifikan pada 0.801. Nilai signifikansi lebih kecil dari 0,05 maka H diterima, yang berarti data residual berdistribusi normal. Hasil dari uji normalitas dengan grafik histogram, ditunjukkan sebagai berikut: Universitas Sumatera Utara Gambar 4.1 Sumber : Data diolah dari SPSS 2011 Berdasarkan kurva histogram di atas, dapat dilihat bahwa kurva menyerupai bentuk lonceng yang hampir sempurna dengan kemiringan yang cenderung imbang baik dari sisi kiri maupun dari sisi kanan, hal ini menunjukkan bahwa data telah terdistribusi secara normal. Menurut Ghozali 2005 : 112, pendeteksian normalitas dapat dilakukan dengan melihat penyebaran data titik pada sumbu diagonal dari grafik Grafik Normal P-P Plot of Regression, yaitu jika data titik menyebar di sekitar garis diagonal dan mengikuti arah garis diagonal, hal ini menunjukkan data yang telah terdistribusi normal. Universitas Sumatera Utara Gambar 4.2 Sumber : Data diolah dari SPSS 2011 Grafik Normal P-P Plot of Regression di atas memperlihatkan titik-titik menyebar berhimpitan di sekitar diagonal dan ini menunjukkan data dalam model regresi berdistribusi normal. Karena secara keseluruhan data telah terdistribusi secara normal, maka dapat dilakukan pengujian asumsi klasik lainnya.

4.2.2 Uji Multikolineritas

Pengujian ini bertujuan untuk menguji apakah model regresi ditemukan adanya korelasi diantara variabel independen. Model regresi yang baik seharusnya tidak terjadi korelasi diantara variabel independen Ghozali, 2005 : 91. Untuk Universitas Sumatera Utara mendeteksi ada atau tidaknya multikolonieritas di dalam model regresi adalah sebagai berikut : 1 menganalisis matrik korelasi variabel – variabel independen, jika diantara variabel independen ada korelasi yang cukup tinggi umumnya diatas 0.90, maka hal ini merupakan indikasi adanya multikolonieritas, 2 multikolonieritas dapat juga dilihat dari 1 nilai tolerance dan lawannya 2 variance inflation factor VIF,nilai cutoff yang umum dipakai untuk menunjukkan adanya multikolonieritas adalah nilai tolerance 0,10 atau sama dengan nilai VIF 10. Hasil uji multikolinearitas disajikan dalam daftar tabel 4.4 berikut ini. Tabel 4.4 Uji Multikolinearitas Coefficients a Model Unstandardized Coefficients Standardized Coefficients T Sig. Collinearity Statistics B Std. Error Beta Tolerance VIF 1 Constant 3.564 .683 5.219 .000 Aktivitas Operasi .058 .055 .327 1.059 .305 .513 1.948 Aktivitas Investasi .021 .074 .086 .285 .779 .543 1.841 Aktivitas Pendanaan .019 .037 .130 .514 .614 .769 1.300 a. Dependent Variable: Likuiditas Sumber : Data diolah dari SPSS 2011 Universitas Sumatera Utara Dari hasil pengujian pada able 4.4, dapat dilihat bahwa angka tolerance Aktivitas Operasi adalah sebesar 0.513 0.1 dan VIF 1.948 10, tolerance Aktivitas Investasi adalah sebesar 0.543 0,1 dan VIF 1.841 10, tolerance Aktivitas Pendanaan adalah sebesar 0.769 0,1 dan VIF 1.300 10. Hal ini mengindikasikan bahwa tidak terjadi multikolinearitas di antara variabel independen dalam penelitian.

4.2.3 Uji Heterokedastisitas

Pengujian ini bertujuan untuk melihat apakah dalam model regresi terjadi ketidaksamaan variabel dari residual satu pengamatan ke pengamatan lain. Jika variabel residual tersebut tetap, maka disebut homokedastisitas dan jika berbeda disebut heterokedastisitas. Model regresi yang baik adalah homokedastisitas Ghozali, 2005 : 105. Ada tidaknya heteroskedastisitas dapat dilakukan dengan melihat grafik Scaterplot antara nilai prediksi variabel independen dengan nilai residualnya. Dasar yang digunakan untuk menentukan heteroskedastisitas antara lain : 1 jika ada pola tertentu, seperti titik – titik yang ada membentuk pola tertentu yang teratur bergelombang, melebar kemudian mnenyempit, maka mengindikasikan telah terjadi heteroskedastisitas, 2 jika tidak ada pola yang jelas, serta titik – titik yang menyebar di atas dan di bawah angka 0 pada sumbu Y, maka tidak terjadi heteroskedastisitas. Hasil dari uji heteroskedastisitas dapat dilihat pada grafik scatterplot berikut ini: Universitas Sumatera Utara Gambar 4.3 Sumber : Data diolah dari SPSS 2011 Dari grafik scatterplot terlihat bahwa titik-titik menyebar secara acak dengan tidak adanya pola yang jelas serta tersebar baik di atas maupun di bawah angka 0 pada sumbu Y. Hal tersebut menunjukkan bahwa tidak terjadi heterokedastisitas, sehingga model ini layak dipakai untuk memprediksi Likuiditas di PT Perkebunan Nusantara IV, berdasarkan masukan variabel independen yaitu Aktivitas Operasi, Aktivitas Investasi dan Aktivitas Pendanaan. Universitas Sumatera Utara

4.2.4 Uji Autokorelasi

Pengujian ini bertujuan untuk melihat apakah dalam suatu model regresi linear ada korelasi antara kesalahan pengganggu pada periode t dengan kesalahan pengganggu pada periode t-1 sebelumnya. Jika terjadi korelasi, maka dinamakan ada problem autokorelasi. Autokorelasi muncul karena observasi yang berurutan sepanjang waktu berkaitan satu sama lainnya. Hal ini sering ditemukan pada time series. Salah satu cara yang dapat digunakan untuk mendeteksi masalah autokorelasi adalah dengan uji Durbin Watson. Pengambilan keputusan adsa tidaknya autokorelasi adalah Hipotesis Nol Keputusan Jika Tidak ada autokorelasi positif Tolak 0 d dl Tidak ada autokorelasi positif No decision dl ≤ d ≤ du Tidak ada autokorelasi negatif Tolak 4 – dl d 4 Tidak ada autokorelasi negatif No decision 4 – du ≤ d ≤ 4 – dl Tidak ada autokorelasi, positif atau negatif Tidak ditolak du d 4 – du Hasil dari uji autokorelasi dapat dilihat pada tabel berikut ini : Tabel 4.5 Uji Autokorelasi Model Summary b Model R R Square Adjusted R Square Std. Error of the Estimate Durbin- Watson 1 .465 a .216 .070 .21655 1.013 a. Predictors: Constant, Aktivitas Pendanaan, Aktivitas Investasi, Aktivitas Operasi b. Dependent Variable: Likuiditas Sumber : Data diolah dari SPSS 2011 Universitas Sumatera Utara Dari Tabel 4.5 diatas, dapat dilihat bahwa nilai Durbin-Watson sebesar 1,013 dengan jumlah sampel 16 dan jumlah variable independen 3, maka pada tabel Durbin-Watson didapat nilai batas bawah dl 0,63 dan nilai batas atas du 1,44. Oleh karena itu, nilai Durbin-Watson berada pada rentang dl ≤ d ≤ du sehingga 0,63 ≤ 1,013 ≤ 1.44. Dengan demikian, maka dalam model regresi linear berganda ini ada autokorelasi positif antara kesalahan pengganggu pada periode penelitian dengan kesalahan pengganggu pada periode sebelum penelitian.

4.3 Model dan Teknik Analisis Data