Masa DepanLaba Bersih
G. Analisis Data
Metode analisis data yang digunakan dalam penelitian ini, yaitu metode analisis regresi linier berganda dan metode analisis deskriptif kualitatif. Metode tersebut digunakan untuk meramalkan pengaruh dari suatu variabel terikat (prediksi arus kas aktivitas operasional masa depan perusahaan) berdasarkan variabel bebas (laba bersih dan piutang pelanggan).
1. Uji Normalitas
Uji normalitas data dilakukan untuk melihat apakah suatu data terdistribusi secara normal atau tidak. Tujuan uji normalitas adalah mengetahui apakah dalam model regresi variabel pengganggu atau residual memiliki distribusi normal. Cara untuk mendeteksi apakah residual berdistribusi normal atau tidak adalah dengan dilakukan
Kolmogorov Sminov Test yang terdapat pada program SPSS. Distribusi
data dapat dikatakan normal apabila signifikansi > 0,05.
Terdapat cara untuk mendeteksi apakah residual berdistribusi normal atau tidak yaitu dengan analisis grafik dan uji statistik.
a) Analisis Grafik
Salah satu cara untuk melihat normalitas residual adalah dengan menggunakan metode normal probalility plot yang membandingkan
distribusi kumulatif dan distribusi normal. Distribusi normal akan membentuk satu garis lurus diagonal dan ploting data residual akan dibandingkan dengan garis diagonal tersebut.
b) Uji Statistik
Salah satu cara yang dapat untuk menguji normalitas residual adalah dengan uji statistik non-parametrik Kolmogorov-Smitrov (K-S).
2. Uji Asumsi Klasik
Penggunaan uji asumsi klasik dilakukan untuk menguji kelayakan atas model regresi yang digunakan pada penelitian. Ini juga untuk memastikan bahwa di dalam model regresi yang diuji mempunyai data yang terdistribusi secara normal dan bebas dari multikolinieritas dan autokorelasi.
Pengujian asumsi klasik terdiri atas :
1) Uji Multikolinieritas
Multikolinieritas dikemukakan pertama kali oleh Ragner Frish yang mana menyatakan bahwa multikolinier adalah adanya lebih dari satu hubungan linier yang sempurna. Apabila terjadi multikolinier terutama kolinier sempurna (koefisien korelasi antarvariabel bebas = 1), maka koefisien regresi dari variabel bebas tidak dapat ditentukan dan standart eroronya tidak terhingga.6 Pengujian multikolinieritas dilakukan dengan melihat nilai VIF dan nilai Tolerance. Jika nilai VIF tidak lebih kecil dari 10 dan nilai Tolerance lebih besar dari 0,1 maka hal ini menunjukkan tidak terjadi problem multikolinieritas.7
2) Uji Autokolerasi
Uji autokorelasi bertujuan untuk menguji apakah terdapat korelasi atau hubungan antara kesalahan pada periode tertentu dengan kesalahan pada periode lainnya. Jika terjadi korelasi maka dinamakan ada problem
6Suharyadi dan Purwanto S.K, Statistika Untuk Ekonomi dan Keuangan Modern Edisi 2, (Jakarta: Penerbit Salemba Empet, 2009), h, 231.
7Ghazali, Imam, Analisis Multivariate dengan Program IBM SPSS 21, (Semarang: Penerbit UNDIP, 2013), h. 92..
auto korelasi. Autokorelasi merupakan korelasi antara anggota observasi yang disusun menurut urutan waktu. Masalah ini timbul karena residual tidak bebas dari satu observasi ke observasi yang lain. Dengan kata lain, masalah ini seringkali ditemukan apabila menggunakan data runtun waktu. Model regresi yang baik adalah regresi yang bebas dari autokorelasi. Suatu persamaan regresi dikatakan terbebas dari autokorelasi jika hasil uji statistik run testnya tidak signifikan atau diatas 0,05. Salah satu cara mendeteksi masalah autokorelasi adalah dengan melihat nilai Durbin-Watsson. Panduan mengenai angka D-W, yang bisa dilihat pada buku statistik yang relevan. Namun demikian secara umum bisa diambil patokan.
1. Angka D-W dibawah -2 berarti ada autokorelasi positif.
2. Angka D-W di antara -2 sampai +2, berarti tidak ada autokorelasi. 3. Angka D-W diatas +2 berarti ada autokorelasi negative.
3. Regresi Linier Berganda
Metode analisis data yang digunakan dalam penelitian ini, yaitu metode analisis regresi linier berganda. Metode tersebut digunakan untuk meramalkan pengaruh dari suatu variabel terikat (prediksi arus kas aktivitas operasional masa depan perusahaan) berdasarkan variabel bebas (laba bersih dan piutang pelanggan). Data yang diperolah kemudian di analisis dengan analisis regresi berganda, dengan menggunakan program SPSS dan kemudian dijelaskan secara deskriptif. Berdasarkan spesifikasi model regresi maka model persamaan dalam penelitian ini adalah sebagai berikut :
𝑌 = 𝛼 + 𝛽1 𝑋1 + 𝛽2𝑋2 + 𝑒 Dimana :
Y = Arus Kas Aktivitas Operasional Masa Depan
X1 = Laba Bersih
β1β2 = Koefisien Regresi
𝑒 = error term
4. Uji Hipotesis
1) Koefisien Determinan (R2)
Koefisien determinan (R2) pada dasarnya digunakan untuk mengukur besarnya kontribusi atau pengaruh variabel bebas terhadap variasi naik turunya variabel terikat. Nilai koefisien determinasi berada antara 0 sampai 1. Dengan kata lain, koefisien determinasi merupakan kemampuan variabel X dalam menjelaskan variabel Y.
Koefisien determinasi (R2) pada intinya mengukur seberapa jauh kemampuan model dalam menerangkan variasi variabel independen. Nilai koefisien determinasi adalah antara nol dan satu. Nilai (R2) yang kecil berarti kemampuan variabel-variabel independen dalam menjelaskan variasi variabel dependen sangat terbatas. Nilai yang mendekati satu berarti variabel-variabel independen memberikan hamper semua informasi yang dibutuhkan untuk memprediksi variasi variabel dependen.
Namun Ghozali juga menambahkan bahwa koefisien determinasi hanyalah salah satu dan bukan satu-satunya kriteria memilih model yang baik dengan alasan apabila suatu estimasi regresi linear menghasilkan koefisien determinasi yang tinggi tetapi tidak konsisten dengan teori yang dipilih oleh peneliti, atau tidak lolos dari uji asumsi klasik maka model tersebut bukanlah model penelitian yang baik dan seharusnya tidak dipilih menjadi model empiris dan menggantinya dengan model lain.8
2) Uji Statistik (Uji Signifikan Parsial)
Uji t digunakan untuk menguji apakah suatu variabel bebas berpengaruh
atau tidak terhadap variabel terikat. Pengujian secara parsial ini bertujuan
8Anis Chariri dan Imam Ghozali. “Teori Akuntansi”,(Semarang: Penerbit UNDIP, 2001), h. 155.
untuk melihat seberapa jauh pengaruh satu variabel bebas secara individual dalam menerangkan variasi variabel terikat.
Adapun prosedur uji t adalah sebagai berikut : 1) Menentukan hipotesis
a) H0 : B1 = 0 Ha : B1 ≠ 0
b) H0 : B2 = 0 Ha : B2 ≠ 0
2) Menghitung nilai thitung dan mencari nilai ttabel dari tabel distribusi t dan ɑ dan degree of freedom tertentu.
3) Membandingkan nilai thitung dengan ttabel. Keputusan menerima dan menolak H0 adalah sebagai berikut :
a) Jika t hitung > t tabel atau t statistik < 0,05, maka Ha diterima dan H0 ditolak, berarti terdapat pengaruh yang signifikan dari variabel bebas terhadap variabel terikat.
b) Jika t hitung < t tabel atau t statistik > 0,05, maka Ha ditolak dan H0 diterima, berarti tidak terdapat pengaruh yang signifikan dari variabel bebas terhadap variabel terikat.
3) Uji F Statistik (Uji Signifikansi Simultan)
Uji statistik F dasarnya menunjukkan apakah semua variabel bebas yang dimasukkan dalam model mempunyai pengaruh secara bersama-sama (serempak) terhadap variabel terikat.9 Uji F statistik dalam regresi berganda dapat digunakan untuk menguji signifikansi koefisien determinasi R2. Dengan demikian nilai F statistik dapat digunakan untuk mengevaluasi hipotesis bahwa apakah tidak ada variabel independen yang menjelaskan variasi Y disekitar nilai rata-ratanya dengan derajat kepercayaan k-1 dan n-k tertentu.
Langkah uji F dapat ditentukan sebagai berikut : 1) Membuat H0 dan Ha sebagai berikut :
a) H0 : B1 = B2 = 0 b) Ha : B1 ≠ B2 ≠ 0
9Ibid,. h. 98.
2) Mencari nilai Fhitung dan nilai kritis F statistik dari tabel F. Nilai kritis F berdasarkan besarnya ɑ dan df.
3) Keputusan menolak H0 atau menerima adalah sebagai berikut :
a) Jika F hitung > F tabel atau F statistik < 0,05 maka H0 ditolak dan Ha diterima, berarti terdapat pengaruh yang signifikan secara simultan antara variabel bebas dengan variabel terikat.
b) Jika F hitung < F tabel atau F statistik > 0,05 maka H0 diterima dan Ha ditolak, berarti tidak terdapat pengaruh yang signifikan secara simultan antara variabel bebas terhadap variabel terikat.
56