Analisis dan Pengujian Hipotesis - HASIL DAN PEMBAHASAN

BAB IV HASIL DAN PEMBAHASAN

4.4 Analisis dan Pengujian Hipotesis

Analisis regresi berganda ini dilakukan untuk menghitung besarnya pengaruh antara variable bebas yang terdiri dari Cash Turn Over, Receivable Turn Over, dan Inventory Turn Over terhadap variabel terikat yaitu Return On Assets. Dari hasil analisis perhitungan komputer menggunakan program SPSS, diperoleh hasil sebagai berikut :

Tabel 6 : Koefisien Regresi Linier Berganda

Coefficientsa ,630 ,286 2,205 ,036 -,309 ,140 -,330 -2,205 ,036 -,256 -,385 -,315 ,910 1,099 ,086 ,109 ,121 ,789 ,437 ,038 ,147 ,113 ,864 1,158 ,498 ,118 ,631 4,219 ,000 ,540 ,623 ,602 ,912 1,097 (Constant) log_x1 log_x2 log_x3 Model 1 B Std. Error Unstandardized Coefficients Beta Standardized Coefficients

t Sig. Zero-order Partial Part

Correlations

Tolerance VIF

Collinearity Statistics

Dependent Variable: log_y a.

Sumber: Lampiran 2

Berdasarkan pada tabel tersebut, dapat diketahui persamaan regresi linier berganda sebagai berikut :

Y = β0 + β1X1 + β2X2 + β3X3 + e

Y = 0,630 – 0,309 X1 + 0,086 X2 + 0,498 X3

Dari persamaan regresi linier berganda di atas dapat diuraikan sebagai berikut:

a. Konstanta

Artinya tanpa pengaruh dari variabel bebas Cash Turn Over (X1),

Receivable Turn Over (X2) serta Inventory Turn Over (X3), maka nilai

b. Koefisien regresi Cash Turn Over (β1) = – 0,309

Artinya jika Cash Turn Over (X1) mengalami kenaikan 1 satuan maka profitabilitasnya akan mengalami penurunan sebesar 0,309 satuan dengan asumsi variabel Cash Turn Over (X1), Receivable Turn Over (X2) serta Inventory Turn Over (X3) tetap.

c. Koefisien regresi Receivable Turn Over (β2) = 0,086

Artinya jika Receivable Turn Over (X2) mengalami kenaikan 1 satuan maka profitabilitasnya akan mengalami kenaikan sebesar 0,086 satu satuan rupiah dengan asumsi variabel Cash Turn Over (X1),

Receivable Turn Over (X₂) serta Inventory Turn Over (X₃) tetap. d. Koefisien regresi Inventory Turn Over (β3) = 0,498

Artinya jika Inventory Turn Over (X3) mengalami kenaikan 1 satuan maka profitabilitasnya akan mengalami kenaikan sebesar 0,498 satu satuan rupiah dengan asumsi variabel Cash Turn Over (X1),

Receivable Turn Over (X2) serta Inventory Turn Over (X3) tetap. 4.4.2 Koefisien Determinasi Berganda (R²)

Analisis ini digunakan untuk mengetahui sampai sejauh mana variabel-variabel bebas mampu menjelaskan variabel terikat. Dari analisa perhitungan komputer diperoleh hasil koefisien korelasi berganda (R)=0,655 atau sebesar 65,5% yang menunjukkan bahwa hubungan antara variabel Cash Turn Over, Receivable Turn Over, serta Inventory Turn Over dengan Return On Assets adalah kuat. Koefisien determinasi (R²)=0,430. Artinya bahwa 43% variasi dari variabel Return On Assets (Y)

mampu dijelaskan oleh variabel-variabel bebas yang terdiri dari Cash Turn Over, Receivable Turn Over, serta Inventory Turn Over. Sedangkan sisanya 57 % variabel Return On Assets akan dijelaskan oleh variabel selain

Cash Turn Over, Receivable Turn Over, serta Inventory Turn Over yang tidak dibahas dalam penelitian ini. Dapat dilihat dalam tabel sebagai berikut : Tabel 7 : Hasil R² Model Summaryb ,655a ,430 ,368 ,26465 ,430 7,027 3 28 ,001 1,436 Model 1 R R Square Adjusted R Square Std. Error of the Estimate R Square

Change F Change df1 df2 Sig. F Change Change Statistics

Durbin-Watson Predictors: (Constant), log_x3, log_x1, log_x2

Dependent Variable: log_y b.

Sumber : Lampiran 2

4.4.3 Uji Asumsi Klasik

Pengujian asumsi klasik ini perlu dilakukan untuk mengetahui apakah hasil estimasi regresi yang silakukan betul-betul terbebas dari adanya gejala multikolinearitas, gejala auto korelasi dan gejala heteroskedastisitas. Hasil pengujian disajikan sebagai berikut :

1. Uji Multikolonearitas

Menurut Widarjono (2003:131), mengemukakan bahwa multikolinearitas berarti adanya hubungan linier antara variabel independen di dalam regresi linier berganda dalam suatu persamaan.

Multikolinearitas merupakan korelasi variabel independen dalam regresi berganda.

Deteksi adanya Multikolinearitas :

a. Besarnya VIF (Variance Inflation Factor)

Jika VIF melebihi angka 10, maka variabel tersebut mengindikasikan adanya multikolinearitas.

b. Nilai Eigenvalue mendekati 0 dan Condition Index melebihi angka 15 (Nachrowi dan Usman,2006: 100)

Tabel 8 : Data Uji Multikolinearitas

Coefficients a ,910 1,099 ,864 1,158 ,912 1,097 log_x1 log_x2 log_x3 Model 1 Tolerance VIF Collinearity Statistics

Dependent Variable: log_y a.

Sumber: Lampiran 2

Dari hasil pengujian multikolinieritas diketahui bahwa besarnya nilai VIF untuk masing-masing variabel bebas nilainya kurang dari 10. Oleh karena itu dapat diputuskan bahwa data dalam penelitian ini tidak terjadi multikolinearitas.

1. Uji Autokorelasi

Autokorelasi dapat didefinisikan sebagai dua observasi yang diurutkan berdasarkan urut waktu (Date Time Series) atau data yang diambil dari waktu tertentu ( Gujarati,2003:201). Jadi dalam model regresi linier diasumsikan tidak dapat gejala autokorelasi. Artinya residual (Y

observasi- Y prediksi ) pada waktu ke-t (et). Identifikasi ada atau tidaknya gejala autokorelasi dapat dites dengan menghitung nilai Durbin Watson.

Berdasarkan jumlah sampel dan jumlah variable independent menentukan nilai dL dan dU berdasarkan tabel Durbin Watson. Langkah selanjutnya adalah menarik kesimpulan:

Tabel Durbin Watson

Nilai d Kesimpulan 0 < d < dL Ada korelasi positif dL ≤ d ≤ dL Tidak ada kesimpulan d_U< d < 4-d_L Tidak ada auto korelasi 4-dU ≤ d ≤ 4-dL Tidak ada kesimpulan 4-dL < d < 4 Ada korelasi negatif Sumber: Gujarati (2003:201)

Tabel 9 : Uji Auto Korelasi

Dari hasil pengujian autokorelasi diketahui bahwa besarnya nilai durbin watson dalam penelitian ini berada pada daerah bebas autokorelasi. oleh karena itu dapat diputuskan bahwa data dalam penelitian ini tidak mengalami autokorelasi. Model Summary^b ,655^a 1,436 Model 1 R Durbin-Watson

Predictors: (Constant), log_x3, log_x1, log_x2 a.

Dependent Variable: log_y b.

3. Heterokedastisitas

Heteroskedastisitas merupakan varian dari residual atau error yang tidak konstan atau berubah-ubah. Model regresi yang baik tidak mempunyai Heteroskedastisitas (Nachrowi dan Usman,2006: 109). Pengujian terhadap adanya gejala heteroskedastisitas dalam penelitian ini adalah denhgan mempergunakan pengujian Korelasi Rank Spearman , yaitu dengan mengkorelasikan nilai absolut residual dengan seluruh variabel bebas, apabila p (probabilitas) > α (α = 0,05 ) maka tidak terjadi heteroskedastisitas. Berikut hasil uji heteroskedastisitas untuk masing-masing variabel.

Tabel 10 : Data Uji Heteroskedastisitas

Correlations 1,000 ,061 -,003 -,099 . ,742 ,987 ,591 32 32 32 32 ,061 1,000 -,549** ,033 ,742 . ,000 ,835 32 42 42 42 -,003 -,549** 1,000 -,262 ,987 ,000 . ,094 32 42 42 42 -,099 ,033 -,262 1,000 ,591 ,835 ,094 . 32 42 42 42 Correlation Coefficien Sig. (2-tailed) N Correlation Coefficien Sig. (2-tailed) N Correlation Coefficien Sig. (2-tailed) N Correlation Coefficien Sig. (2-tailed) N Unstandardized Residua log_x1 log_x2 log_x3 Spearman's rho Unstandardiz

ed Residual log_x1 log_x2 log_x3

Correlation is significant at the 0.01 level (2-tailed). **.

Dari hasil pengujian heteroskedastisitas dengan menggunakan metode rank spearman diketahui bahwa besarnya nilai signifikansi untuk tiap variabel yang diteliti lebih besar dari 0,05. Oleh karena itu diputuskan bahwa data dalam penelitian ini tidak mengalami heteroskedastisitas.

4.4.4 Uji Hipotesis Dengan Uji t

Uji t digunakan untuk menguji pengaruh secara parsial masing-masing variabel bebas (Cash Turn Over, Receivable Turn Over, Inventory Turn Over) terhadap variabel terikat (Return Turn Over). Pengujian ini dilakukan dengan uji dua arah dan menggunakan tingkat signifikan 0,05 (5%) ; (df : 38)dengan nilai ttabel adalah sebesar = 2,042(Lampiran III).

Tabel 11 : Uji t Analisis Regresi

t Sig. Zero-order Partial Part Correlations

Tolerance VIF Collinearity Statistics

Dependent Variable: log_y a.

Sumber : Lampiran 2

Adapun hasil pengujian hipotesis berdasarkan hasil pada tabel di atas adalah sebagai berikut :

1. Pengaruh Secara Parsial Cash Turn Over terhadap Return On Assets Dari uji-t atau t-test dari Variabel X1 (CTO), didapat thitung adalah

-2,205 dengan tingkat signifikansi 0,036 (lampiran 2). Sedangkan ttabel 2,042 (lampiran III). Karena probabilitas (0,036) lebih kecil dari 0,05 atau nilai thitung > ttabel sehingga nilai thitung di daerah terima Hi maka Cash Turn Over berpengaruh negatif secara nyata terhadap profitabilitas perusahaan

Food and Beverages, sehingga penggunaan variabel bebas Food and

2. Pengaruh Secara Parsial Receivable Turn Over terhadap Return On Assets

Dari uji-t atau t-test dari Variabel X2 (RTO), didapat thitung adalah 0,789 dengan tingkat signifikansi 0,437 (lampiran II). Sedangkan ttabel 2,042 Karena probabilitas (0,437) lebih besar dari 0,05 atau nilai thitung < ttabel sehingga nilai thitung di daerah terima HO maka Receivable Turn Over tidak berpengaruh secara nyata terhadap profitabilitas perusahaan

Food and Beverages.

3. Pengaruh Secara Parsial Inventory Turn Over terhadap Return On Assets Dari uji-t atau t-test dari Variabel X3 (ITO), didapat thitung 4,219

adalah dengan tingkat signifikansi 0,000 (lampiran II). Sedangkan t_tabel 2,042. Karena probabilitas (0,000) lebih kecil dari 0,05 atau nilai t_hitung > ttabel sehingga nilai thitung di daerah terima Hi maka Inventory Turn Over

berpengaruh positif secara nyata terhadap profitabilitas perusahaan Food and Beverages sehingga penggunaan variabel bebas Inventory Turn Over

untuk menganalisis variabel terikat dapat dipercaya.

Dalam dokumen ANALISIS PENGELOLAHAN MODAL KERJA DAN PENGARUHNYA TERHADAP PROFITABILITAS PADA PERUSAHAAN FOOD AND BEVERAGES DI BURSA EFEK INDONESIA. (Halaman 81-88)