BAB IV ANALISIS HASIL PENELITIAN
B. Analisis Data Penelitian
Statistik deskriptif ini memberikan gambaran mengenai nilai minimum, nilai maksimum, mean, serta standar deviasi. Statistik deskriptif adalah proses transformasi data penelitian dalam bentuk tabulasi sehingga mudah dipahami. Statistik deskriptif akan dijelaskan dalam tabel berikut ini.
Tabel 4.1 Statistik Deskriptif
Descriptive Statistics
N Minimum Maximum Mean Std. Deviation
Ln_Kas 56 -1,61 4,39 1,1061 1,39985
Ln_Piutang 56 -,29 4,78 2,1921 1,19361
Ln_Persediaan 56 -3,22 3,87 -,1867 2,13021
Ln_CR 56 -,92 4,73 ,8569 1,04408
Valid N (listwise) 56
Sumber : Output SPSS, diolah Penulis, 2011 Penjelasan tabel diatas sebagai berikut :
1. Rata-rata dari Perputaran Kas adalah 1,1061 dengan standar deviasi 1,39985 dan jumlah data yang ada adalah 56. Nilai perputaran kas tertinggi adalah 4,39 sedangkan nilai terendah adalah -1,61.
2. Rata-rata dari Perputaran Piutang adalah 2,1921 dengan standar deviasi 1,19361 dan jumlah data yang ada adalah 56. Nilai perputaran piutang tertinggi adalah 4,78 sedangkan nilai terendah adalah -0,29.
3. Rata-rata dari Perputaran Persediaan adalah -0,1867 dengan standar deviasi 2,13021 dan jumlah data yang ada adalah 56. Nilai perputaran persediaan tertinggi adalah 3,87 sedangkan nilai terendah adalah -3,22.
4. Rata-rata dari CR adalah 0,8569 dengan standar deviasi sebesar 1,04408 dan jumlah data yang ada adalah 56. Nilai CR tertinggi adalah 4,73 sedangkan nilai CR terendah adalah -0,92.
4.2Pengujian Asumsi Klasik
Untuk menghasilkan suatu model regresi yang baik diperlukan pengujian asumsi klasik terlebih dahulu sebelum melakukan pengujian hipotesis. Pengujian asumsi klasik dalam penelitian ini dilakukan dengan bantuan program statistik. Menurut Ghozali (2005:123), asumsi klasik yang harus dipenuhi adalah :
1. berdistribusi normal,
2. non-multikolinearitas yaitu antara variabel independen dalam model regresi tidak memiliki korelasi atau hubungan secara sempurna ataupun mendekati sempurna,
3. non-autokorelasi yaitu kesalahan pengganggu dalam model regresi tidak saling berkorelasi,
4. non-heteroskedastisitas yaitu variance variabel independen dari satu pengamatan ke pengamatan lain adalah konstan atau sama.
4.2.1 Uji Normalitas
Pengujian normalitas data dalam penelitian ini menggunakan uji statistik non parametrik Kolmogorov-Smirnov untuk mengetahui apakah data sudah terdistribusi secara normal atau tidak. Ghozali (2005:115), memberikan pedoman pengambilan keputusan rentang data mendekati atau merupakan distribusi normal berdasarkan uji Kolmogorov- Smirnov, dapat dilihat dari:
1. Jika nilai signifikan < 0,05 maka distribusi data tidak normal, dan 2. Jika nilai signifikan > 0,05 maka distribusi data normal.
Hipotesis yang digunakan adalah :
H0 : Data residual berdistribusi normal, dan Ha : Data residual tidak berdistribusi normal.
Tabel 4.2
Hasil Uji Normalitas (Sebelum Transformasi)
One-Sample Kolmogorov-Smirnov Test
Unstandardized Residual
N 56
Normal Parametersa,b Mean ,0000000
Std. Deviation 15,13863201
Most Extreme Differences Absolute ,329
Positive ,329
Negative -,325
Kolmogorov-Smirnov Z 2,460
Asymp. Sig. (2-tailed) ,000
a. Test distribution is Normal. b. Calculated from data.
Sumber : Output SPSS, diolah Penulis, 2011
Dari hasil pengolahan data pada tabel 4.2 diperoleh besarnya nilai Kolmogorov-Smirnov adalah 2,460 dan signifikan pada 0,05 karena Asymp. Sig. (2-tailed) 0,000 < dari 0,05. Nilai signifikansi lebih kecil dari 0,05, maka H0 ditolak atau H1 diterima yang berarti data residual berdistribusi tidak normal. Data yang tidak terdistribusi secara normal tersebut juga dapat dilihat melalui grafik histogram dan grafik normal plot data.
Sumber : Output SPSS, diolah Penulis, 2011 Gambar 4.1 Histogram
Grafik histogram menunjukkan pola distribusi tidak normal karena grafik cenderung menceng (skewness) ke kiri. Dengan demikian, dapat disimpulkan bahwa model regresi belum memenuhi asumsi normalitas. Begitu juga hasil tampilan grafik Normal P-Plot Regression di bawah ini, dapat dilihat titik - titik menyebar jauh dari garis diagonal yang menunjukkan data tidak terdistribusi dengan normal.
Sumber : Output SPSS, diolah Penulis, 2011 Gambar 4.2 Grafik Normal P-Plot
Data yang tidak berdistribusi normal dapat disebabkan oleh adanya data yang outlier yaitu data yang memiliki nilai yang sangat menyimpang dari nilai data lainnya. Beberapa cara mengatasi data outlier menurut Erlina (2008:106) yaitu:
a) lakukan transformasi data ke bentuk lainnya, b) lakukan trimming yaitu membuang data outlier,
c) lakukan winsorizing yaitu mengubah nilai data yang outlier ke suatu nilai tertentu.
Hasil uji normalitas pada tabel 4.2 menunjukkan data tidak terdistribusi normal, sehingga akan dilakukan tindakan perbaikan (treatment) agar model regresi memenuhi asumsi normalitas. Untuk mengubah nilai residual agar berdistribusi normal, penulis melakukan transformasi data ke model logaritma natural (Ln) dari Current Ratio = f(Kas, Piutang, Persediaan) menjadi Ln_Current Ratio = f(Ln_Kas, Ln_Piutang, Ln_Persediaan). Kemudian data diuji ulang berdasarkan asumsi normalitas, berikut ini hasil pengujian dengan Kolmogorov-Smirnov.
Tabel 4.3
Hasil Uji Normalitas (Setelah Transformasi)
One-Sample Kolmogorov-Smirnov Test
Unstandardized Residual
N 56
Normal Parametersa,b Mean ,0000000
Std. Deviation ,92053323
Most Extreme Differences Absolute ,097
Positive ,097
Negative -,061
Kolmogorov-Smirnov Z ,723
Asymp. Sig. (2-tailed) ,672
a. Test distribution is Normal. b. Calculated from data.
Sumber : Output SPSS, diolah Penulis, 2011
Dari transformasi data, maka nilai Kolmogrov – Smirnov menjadi 1,448 dan signifikan lebih 0,05 karena Asymp. Sig. (2-tailed) 0,672 > dari 0,05. Nilai signifikansi lebih besar dari 0,05, maka H0 diterima atau H1
ditolak yang berarti data residual telah berdistribusi normal. Dengan demikian, secara keseluruhan dapat disimpulkan bahwa nilai-nilai observasi data telah terdistribusi secara normal dan dapat dilanjutkan dengan uji asumsi klasik lainnya. Untuk lebih jelas, berikut ini turut dilampirkan grafik histogram dan plot data yang terdistribusi normal.
Sumber : Output SPSS, diolah Penulis, 2011 Gambar 4.3
Histogram
Grafik histogram pada gambar 4.3 menunjukkan pola distribusi normal karena grafik tidak menceng (skewness) kiri maupun menceng kanan. Dengan demikian, dapat disimpulkan bahwa model regresi telah
memenuhi asumsi normalitas. Demikian pula hasil uji normalitas dengan menggunakan grafik normal p-plot.
Sumber : Output SPSS, diolah Penulis, 2011 Gambar 4.4
Histogram
Berdasarkan grafik normal p-plot di atas terlihat bahwa data menyebar disekitar garis diagonal, maka dapat disimpulkan bahwa model regresi telah memenuhi asumsi nomalitas. Hal ini sesuai dengan pernyataan Ghozali (2005:112), dimana pendeteksian normalitas dapat dilakukan dengan melihat penyebaran data (titik) pada sumbu diagonal dari grafik, yaitu jika data (titik) menyebar di sekitar garis diagonal dan
mengikuti arah garis diagonal, hal ini menunjukkan data yang telah terdistribusi normal.
4.2.2 Uji Multikolinearitas
Uji multikolinearitas bertujuan untuk menguji apakah terdapat korelasi antar variabel independen dalam model regresi. Jika pada model regresi terjadi multikolinearitas, maka koefisien regresi tidak dapat ditaksir dan nilai standard error menjadi tidak terhingga. Cara yang digunakan untuk mendeteksi ada tidaknya multikolinearitas adalah dengan melihat tolerance value dan VIF. Menurut Ghozali (2005) “adanya gejala multikolinearitas dapat dilihat dari tolerance value atau nilai variance inflation factor (VIF). Batas tolerance value adalah 0,1 dan batas VIF adalah 10”. Apabila tolerance value < 0,1 atau VIF > 10 = terjadi multikolinearitas. Apabila tolerance value > 0,1 atau VIF < 10 = tidak terjadi multikolinearitas.
Tabel 4.4
Hasil Uji Multikolinearitas
Coefficientsa
Model Collinearity Statistics
Tolerance VIF 1 (Constant) Ln_Kas ,983 1,017 Ln_Piutang ,940 1,064 Ln_Persediaan ,941 1,063 a. Dependent Variable: Ln_CR
Berdasarkan data diatas dapat dilihat bahwa tolerance value dari setiap variabel independen adalah lebih besar dari 0,10 dan nilai VIF dari setiap variabel independen adalah lebih kecil dari 10. Dengan demikian dapat disimpulkan bahwa dalam model regresi tidak terjadi multikolinearitas antar variabel independen.
4.2.3 Uji Heteroskedastisitas
Uji heteroskedastisitas bertujuan untuk menguji apakah terjadi ketidaksamaan variance dari residual satu pengamatan ke pengamatan lain dalam model regresi. Model regresi yang baik adalah tidak terjadi heteroskedastisitas atau terjadi homokedastisitas apabila titik-titik yang ada membentuk pola tertentu yang teratur. Menurut Ghozali (2005:105), terdapat dua dasar pengambilan keputusan penentuan uji heteroskedastisitas.
1) Jika ada pola tertentu seperti titik-titik yang ada membentuk pola tertentu yang teratur (bergelombang, melebar kemudian menyempit), maka mengindikasikan telah terjadi heteroskedastisitas.
2) Jika tidak ada pola yang jelas serta titik-titik menyebar di atas dan di bawah angka 0 pada sumbu Y, maka tidak terjadi heteroskedastisitas.
Berikut ini dilampirkan grafik scatterplot untuk menganalisis apakah terjadi heterokedastisitas dengan mengamati penyebaran titik-titik pada gambar.
Sumber : Output SPSS, diolah Penulis, 2011
Gambar 4.5 Grafik Scatterplot
Dari gambar scatterplot di atas, terlihat bahwa titik-titik menyebar secara acak serta tidak membentuk pola tertentu atau tidak teratur, serta titik-titik menyebar di atas dan di bawah angka 0 pada sumbu Y. Hal ini mengindikasikan tidak terjadi heteroskedastisitas pada model regresi sehingga model regresi layak dipakai untuk memprediksi variabel dependen (rasio lancar) berdasarkan masukan variabel independen yang terdiri dari perputaran kas, perputaran piutang dan perputaran persediaan.
4.2.4 Uji Autokorelasi
Uji autokorelasi bertujuan untuk menguji apakah dalam suatu model regresi linier ada korelasi antara kesalahan pengganggu pada periode saat ini (t) dengan kesalahan pengganggu sebelumnya (t-1). Jika terjadi korelasi, maka terdapat autokorelasi. Autokorelasi muncul karena observasi yang berurutan sepanjang waktu berkaitan satu sama lain. Masalah ini timbul karena residual atau kesalahan pengganggu tidak bebas dari satu observasi ke observasi lainnya. Jika terjadi autokorelasi dalam model regresi berarti koefisien korelasi yang diperoleh menjadi tidak akurat, sehingga model regresi yang baik adalah model regresi yang bebas dari autokorelasi.
Ada beberapa cara yang dapat digunakan untuk mendeteksi masalah dalam autokorelasi diantaranya adalah dengan Uji Durbin Watson. Pengambilan keputusan ada tidaknya autokeralsi adalah sebagai berikut:
1) angka D-W di bawah –2 berarti ada autokorelasi positif,
2) angka D-W di antara -2 sampai +2, berarti tidak ada autokorelasi, dan 3) angka D-W di atas +2 berarti ada autokorelasi negatif.
Tabel 4.5 Hasil Uji Autokorelasi
Hasil uji autokorelasi diatas menunjukkan bahwa tidak terjadi autokorelasi antar kesalahan pengganggu antar periode. Hal tersebut dilihat dari nilai Durbin-Watson (D-W) sebesar 1,564. Angka D-W berada diantara -2 dan 2, yang mengartikan bahwa angka DW lebih besar dari -2 dan lebih kecil dari 2. Dengan demikian, dapat dikemukakan bahwa tidak ada autokorelasi positif maupun negatif.
4.3Analisis Regresi
Berdasarkan hasil pengujian asumsi klasik, disimpulkan bahwa model regresi yang dipakai dalam penelitian ini telah memenuhi model estimasi yang Best Linear Unbiased Estimator (BLUE). Analisis statistik selanjutnya adalah análisis regresi dengan SPSS 18.0. Analisis regresinya yaitu analisis koefisien regresi, analisis koefisien korelasi dan determinasi, dan melakukan pengujian hipótesis. Model Summaryb Model R R Square Adjusted R Square Std. Error of the Estimate Durbin-Watson 1 ,472a ,223 ,178 ,94671 1,564
4.1 a. Predictors: (Constant), Ln_Kas, Ln_ Piutang, Ln_Persediaan, Dependent Variable: Ln_CR
4.3.1 Persamaan Regresi
Dalam pengolahan data dengan menggunakan regresi linear, dilakukan beberapa tahapan untuk mencari hubungan antara variabel independen dan variabel dependen, melalui pengaruh Perputaran Kas (X1), Perputaran Piutang (X2) dan Perputaran Persediaan (X3) terhadap Rasio Lancar/CR (Y). Hasil regresi dapat dilihat pada tabel berikut ini :
Tabel 4.6 Analisis Hasil Regresi
Sumber : Output SPSS, diolah Penulis, 2011
Model regresi berdasarkan hasil analisis regresi diatas adalah sebagai berikut:
Y= 1,675 - 0,256 X1 - 0,237 X2 + 0,080 X3 + e
Model regresi diatas dapat diinterpretasikan sebagai berikut :
a. Konstanta (a) sebesar 1,675, menyatakan bahwa jika variabel independen dianggap konstan (X1=X2=X3=X4=0), maka CR sebesar 1,675.
Model Unstandardized Coefficients Standardized Coefficients t Sig. B Std. Error Beta 1 (Constant) 1,675 ,284 5,889 ,000 Ln_Kas -,256 ,092 -,343 -2,782 ,008 Ln_Piutang -,237 ,110 -,271 -2,150 ,036 Ln_Persediaan ,080 ,062 ,164 1,300 ,199
b. Koefisien X1 = 0,256, ini menunjukkan apabila terjadi perubahan variabel perputaran kas sebesar 1 satuan akan meningkatkan CR sebesar 0,256 atau 25,6% dengan asumsi variabel independen lainnya tetap atau sama dengan nol.
c. Koefisien X2 = 0,237, ini menunjukkan bahwa apabila terjadi perubahan perputaran piutang sebesar 1 satuan akan meningkatkan CR sebesar 0,237 atau 23,7% dengan asumsi variabel independen lainnya tetap atau sama dengan nol.
d. Koefisien X3 = 0,080, ini menunjukkan bahwa apabila terjadi perubahan perputaran persediaan sebesar 1 satuan akan meningkatkan CR sebesar 0,080 atau 8% dengan asumsi variabel independen lainnya tetap atau sama dengan nol.
4.3.2 Analisis Koefisien Korelasi dan Koefisien Determinasi
Nilai koefisien korelasi (R) menunjukkan seberapa besar korelasi atau hubungan antara variabel-variabel independen dengan variabel dependen. Koefisien korelasi dikatakan kuat jika nilai R berada diatas 0,5 dan mendekati 1. Koefisien determinasi (R square) menunjukkan seberapa besar variabel independen menjelaskan variabel dependennya. Nilai R square adalah nol sampai dengan satu. Apabila nilai R square semakin mendekati satu, maka variabel-variabel independen memberikan semua informasi yang dibutuhkan untuk memprediksi variasi variabel dependen. Sebaliknya, semakin kecil nilai R square, maka kemampuan
variabel-variabel independen dalam menjelaskan variasi variabel dependen semakin terbatas. Oleh karena itu, digunakan nilai adjusted R square untuk mengevaluasi mana model regresi terbaik.
Tabel 4.7
Hasil Analisis Koefisien Korelasi dan Koefisien Determinasi
Pada model summary di atas, angka R sebesar 0,472 menunjukkan bahwa terdapat korelasi atau hubungan yang kuat antara CR dengan perputaran kas, perputaran piutang dan perputaran persediaan yaitu sebesar 47,2% yang berada dibawah 0,5 (50%). Angka adjusted R.Square atau koefisien determinasi adalah 0,178. Angka ini mengindikasikan bahwa 17,8% variasi atau perubahan dalam CR dapat dijelaskan oleh variasi variabel perputaran kas, perputaran piutang, dan perputaran persediaan. Sedangkan sisanya (82,2%) dijelaskan oleh faktor-faktor lain yang tidak dimasukkan dalam model penelitian. Standar Error of Estimate (SEE) adalah 0,94671, semakin besar SEE akan membuat model regresi kurang tepat dalam memprediksi variabel dependen.
Model Summaryb Model R R Square Adjusted R Square Std. Error of the Estimate 1 ,472a ,223 ,178 ,94671
a. Predictors: (Constant), Ln_Kas, Ln_ Piutang, Ln_Persediaan b. Dependent Variabel : Ln _CR
4.3.3 Pengujian Hipotesis
a.Uji Signifikansi Simultan (F)
Secara simultan, pengujian hipotesis dilakukan dengan uji F (F test). Uji F dilakukan untuk menguji apakah variabel-variabel independen berpengaruh secara simultan terhadap variabel dependen. Adapun hipotesis untuk uji F adalah :
H1 : Perputaran Kas, Perputaran Piutang, Perputaran dan Persediaan berpengaruh signifikan terhadap Rasio Lancar (CR).
Uji ini membandingkan signifikansi Fhitung dengan ketentuan:
1) jika Fhitung < Ftabel pada α 0,05, maka H1 ditolak, dan 2) jika Fhitung > Ftabel pada α 0,05, maka H1 diterima.
Setelah uji F dilakukan, maka diperoleh nilai F hitung dan nilai signifikansi seperti dibawah ini.
Tabel 4.8 Hasil Uji F
Sumber : Output SPSS, diolah Penulis, 2011 ANOVAb
Model Sum of Squares df Mean Square F Sig.
1 Regression 13,350 3 4,450 4,965 ,004a
Residual 46,606 52 ,896
Total 59,956 55
a. Predictors: (Constant), Ln_Persediaan, Ln_Kas, Ln_Piutang b. Dependent Variable: Ln_CR
Dari hasil uji ANOVA atau F test, diperoleh F hitung sebesar 4,965 dengan tingkat signifikansi 0,004, sedangkan F tabel sebesar 3,225684 dengan signifikansi 0,05 yang berarti H1 diterima. Berdasarkan hasil tersebut dapat disimpulkan bahwa perputaran kas, piutang dan persediaan secara simultan berpengaruh signifikan terhadap rasio lancar (CR) perusahaan karena F hitung > F tabel (4,965 > 3,225684) dan signifikansi penelitian < 0,05 (0,000 < 0,05).
b. Uji Signifikansi Parsial (t)
Uji t digunakan untuk menguji signifikansi konstanta dari setiap variabel independen terhadap variabel dependen secara parsial. Dalam uji t digunakan hipotesis seperti yang terlihat berikut ini.
H0 : b1,b2,b3, = 0, artinya perputaran kas,piutang, persediaan, dan modal kerja tidak berpengaruh signifikan terhadap rasio lancar (CR) secara parsial pada perusahaan yang terdaftar di Bursa Efek Indonesia.
Ha : b1,b2,b3,b4 0, artinya perputaran kas, piutang, persediaan, dan modal kerja berpengaruh signifikan terhadap rasio lancar (CR) secara parsial pada perusahaan yang terdaftar di Bursa Efek Indonesia.
Uji t digunakan untuk menguji signifikansi konstanta dan setiap variabel independennya dengan kriteria sebagai berikut :
1. H0 diterima dan Ha ditolak jika t hitung < t tabel untuk α = 5%, dan 2. Ha diterima dan H0 ditolak jika t hitung > t tabel untuk α = 5%.
Tabel 4.9 Hasil Uji t Coefficienta
Sumber : Output SPSS, diolah Penulis, 2011
Dari uji t yang telah dilakukan, diperoleh nilai t tabel sebesar 2,016692. Dari hasil uji t yang disajikan pada tabel 4.9 dapat diketahui pengaruh masing-masing variabel independen terhadap variabel dependen sebagai berikut :
a. Perputaran Kas (Ln_Kas) mempunyai nilai signifikansi 0,008 yang berarti nilai ini lebih kecil dari 0,05. Nilai t hitung diperoleh sebesar -2,782 yang bermakna nilai t hitung lebih kecil dari nilai t tabel sebesar 2,016692. Berdasarkan nilai tersebut disimpulkan bahwa Ho diterima dan Ha ditolak, artinya secara parsial perputaran kas tidak berpengaruh signifikan terhadap rasio lancar (CR).
b. Perputaran Piutang (Ln_Piutang) mempunyai nilai signifikansi 0,036 yang berarti nilai ini lebih kecil dari 0,05. Nilai t hitung diperoleh sebesar -2,150 yang bermakna nilai t hitung lebih kecil dari nilai t tabel sebesar 2,016692. Berdasarkan nilai tersebut disimpulkan bahwa H0
Model Unstandardized Coefficients Standardized Coefficients t Sig. B Std. Error Beta 1 (Constant) 1,675 ,284 5,889 ,000 Ln_Kas -,256 ,092 -,343 -2,782 ,008 Ln_Piutang -,237 ,110 -,271 -2,150 ,036 Ln_Persediaan ,080 ,062 ,164 1,300 ,199
diterima dan Ha ditolak, artinya secara parsial perputaran piutang tidak berpengaruh signifikan terhadap rasio lancar (CR).
c. Perputaran Persediaan (Ln_Persediaan) mempunyai nilai signifikansi 0,199 yang berarti nilai ini lebih kecil dari 0,05. Nilai t hitung diperoleh 1,300 yang bermakna nilai t hitung lebih kecil dari nilai t tabel sebesar 2,016692. Berdasarkan nilai tersebut disimpulkan bahwa Ho diterima dan Ha ditolak, artinya secara parsial perputaran persediaan tidak berpengaruh signifikan terhadap rasio lancar (CR).