Gambar 4.2 Normal P-P Plot
Sumber : Diolah dari SPSS, 2010 Hasil uji normalitas dengan menggunakan normal probability plot, dimana
terlihat bahwa titik-titik menyebar di sekitar garis diagonal serta penyebarannya mengikuti garis diagonal sehingga dapat disimpulkan bahwa
data dalam model regesi terdistribusi secara normal.
2. Uji Multikolinearitas
Pengujian terhadap multikolinieritas dilakukan untuk mengetahui ada atau tidaknya korelasi antar variabel independent yang digunakan dalam persamaan
regresi. Pengujian multikolinearitas dilakukan dengan melihat nilai VIF dan korelasi di antara variabel independen. Jika nilai VIF lebih besar dari 2, maka
Universitas Sumatera Utara
terjadi multikolinearitas di antara variabel independen. Di samping itu, suatu model dikatakan terdapat gejala multikolinearitas jika korelasi di antara
variabel independen lebih besar dari 0,9. Ghozali, 2005. Hasil uji multikolinearitas dapat dilihat pada tabel berikut :
Tabel 4.7 Hasil Uji Multikolinearitas
Model Collinearity Statistics
VIF 1
LnPertumbuhan_Penjualan 1.002
1.002 LnPerputaran_Piutang
a. Dependent Variable: LnLikuiditas
Dilihat dari hasil penghitungan menunjukkan bahwa tidak ada variabel independent yang memiliki nilai VIF lebih dari 10. Jadi dapat disimpulkan
bahwa tidak ada multikolinieritas antar variabel independen dalam model regresi.
3. Uji Heterokondastisitas
Uji heterokondastisitas dilakukan untuk menguji apakah dalam sebuah model regresi terjadi ketidaksamaan varians dari residual dari suatu
pengamatan ke pengamatan lain. Heterokondastisitas ini dapat dilihat dengan grafik scatterplot. Hasil uji heterokondastisitas dapat dilihat pada grafik
scatterplot berikut ini :
Universitas Sumatera Utara
Hasil Uji Heterokondastisitas
Gambar 4.3 Grafik Scatterplot
Dari gambar scatterplot diatas, terlihat bahwa titik-titik menyebar secara acak di atas dan di bawah angka 0 pada sumbu Y. Hal ini mengindikasikan
tidak terjadi heterokondastisitas pada model regresi sehingga model regresi layak dipakai.
4. Uji Autokorelasi
Pengujian autokorelasi menurut Ghozali 2005 bertujuan untuk menguji apakah dalam model regresi linear terdapat korelasi pengganggu antara
kesalahan pengganggu pada periode t dengan kesalahan pada periode t-1. Autokorelasi menunjukkan adanya korelasi diantara data pengamatan yang
Universitas Sumatera Utara
tersusun baik seperti data cross section dan atau data time series. Jika terjadi autokorelasi dalam model regresi berarti koefisien korelasi yang diperoleh
menjadi tidak akurat, sehigga model regresi yang baik adalah model regresi yang bebas dari autokorelasi. Berikut ini hasil uji Durbin Watson dengan
menggunakan program SPSS :
Tabel 4.8 Hasil Uji Autokorelasi
Model R
R Square Adjusted R
Square Std. Error of the
Estimate Durbin-Watson
1 .235
a
.055 -.004
.87735 1.240
a. Predictors: Constant, LnPerputaran_Piutang, LnPertumbuhan_Penjualan b. Dependent Variable: LnLikuiditas
Sumber : Diolah dari SPSS, 2010 Hasil uji autokorelasi di atas menunjukkan nilai statistic Durbin Watson
DW sebesar 1.240 yang artinya dalam model regresi tidak terdapat autokorelasi atau kesalahan pengganggu, sebab DW terletak diantara -2
sampai +2 berarti tidak ada autokorelasi.
E. Model dan Teknik Analisis Data