3.4. Metode Pengolahan dan Analisis Data
3.4.4. Analisis Regresi Berganda dan Korelasi
Lancar Kewajiban Bank Kas Kas Rasio = & ... (11)
3.4.4. Analisis Regresi Berganda dan Korelasi
Analisis regresi berganda dan korelasi digunakan untuk menganalisis pengaruh dan hubungan dari kinerja piutang terhadap stabilitas kas dan likuiditas perusahaan. Analisis yang dilakukan antara lain :
A. Analisis Korelasi Pearson
Analisis korelasi pearson digunakan untuk menjelaskan derajat hubungan antara variabel bebas (independent) dengan variabel terikat (dependent). Menurut Ridwan (2004) korelasi pearson mempunyai ketentuan nilai r adalah -1≤ r ≤ +1. Apabila nilai r = -1 artinya korelasinya negatif sempurna; r = 0 artinya tidak ada korelasi; r = 1 berarti korelasinya sangat kuat.
Hipotesis nol dan hipotesis alternatif yang akan diusulkan dan akan diuji secara korelasi adalah :
Ho1 = Variabel Kas/Likuiditas tidak berkorelasi dengan Perputaran Piutang Ha1 = Variabel Kas/Likuiditas berkorelasi dengan Perputaran Piutang
Ho2 = Variabel Kas/Likuiditas tidak berkorelasi dengan Penagihan Rata-Rata Ha2 = Variabel Kas/Likuiditas berkorelasi dengan Penagihan Rata-Rata Ho3 = Variabel Kas/Likuiditas tidak berkorelasi dengan Investasi Piutang Ha3 = Variabel Kas/Likuiditas berkorelasi dengan Investasi Piutang
Ho4 = Variabel Perputaran Piutang tidak berkorelasi dengan Penagihan Rata-Rata Ha4 = Variabel Perputaran Piutang berkorelasi dengan Penagihan Rata-Rata Ho5 = Variabel Perputaran Piutang tidak berkorelasi dengan Investasi Piutang Ha5 = Variabel Perputaran Piutang berkorelasi dengan Investasi Piutang
Ho6 = Variabel Penagihan Rata-Rata tidak berkorelasi dengan Investasi Piutang Ha6 = Variabel Penagihan Rata-Rata berkorelasi dengan Investasi Piutang
Menurut Aminah dan Sutarman (2008), pedoman yang digunakan untuk menerima atau menolak hipotesis jika menggunakan hipotesis nol (Ho) yang diusulkan adalah sebagai berikut :
∼ Ho diterima jika r-hitung < r-tabel, atau nilai p-value pada kolom sig.(2-tailed) > level significant (α).
∼ Ho ditolak jika r-hitung > r-tabel, atau nilai p-value pada kolom sig.(2-tailed) < level significant (α).
B. Analisis Regresi Berganda
Definisi regresi berganda menurut Boedijoewono (2001) adalah yang menggunakan lebih dari satu variabel yang mempengaruhi (independent variabel) untuk menaksir variabel dependent agar taksiran menjadi lebih akurat. Regresi menunjukan hubungan antara variabel yang satu dengan variabel yang lain.
Sifat hubungan ini juga dapat dijelaskan antara variabel yang satu sebagai penyebab sedang yang lain sebagai akibat, dalam bentuk variabel yang independent (X) dan variabel yang dependent (Y). Pada penelitian ini analisis regresi berganda menghubungkan antara variabel kinerja piutang : Account Receivable Turn-Over Ratio (X1), Average Collection Period (X2) dan investasi piutang (X3) dengan Cash Conversion Cycle (Y1), serta Account Receivable Turn-Over Ratio (X1), Average Collection Period (X2) dan investasi piutang (X3) dengan Likuiditas (Y2).
Hubungan ini ditampilkan dalam bentuk persamaan regresi, dimana variabel terikat (Y) dihubungkan dengan lebih dari satu variabel bebas (X1, X2, X3,..., Xn) yang dapat dirumuskan sebagai berikut :
Y = f (X)
Y = f (X1, X2, X3,..., Xn)
Dimana : Stabilitas Kas Y1 = f (X1, X2, X3)
Y1 = a + b1 X1 + b2 X2 + b3 X3 Likuiditas Y2 = f (X1, X2, X3)
Keterangan :
Y1 = Cash Conversion Cycle (CCC) Y2 = Likuiditas
a = Nilai intercept (konstanta) b = Koefisien regresi
X1 = Account Receivable Turn-Over Ratio X2 = Average Collection Period
X3 = Investasi piutang
Linieritas hanya dapat diterapkan pada regresi berganda, karena memiliki variabel independent lebih dari satu. Suatu model regresi berganda dikatakan linier jika memenuhi syarat-syarat linieritas seperti normalitas data, bebas dari asumsi klasik statistik multikolineritas, autokorelasi dan heteroskedastisitas (Aminah dan Sutarman (2008).
C. Pengujian Hipotesis
Pengujian hipotesis dalam penelitian ini menggunakan : 1. Uji Normalitas
Menurut Aminah dan Sutarman (2008), uji normalitas data ini sebaiknya dilakukan sebelum data diolah berdasarkan model-model penelitian. Uji normalitas ini bertujuan untuk mengetahui distribusi data dalam variabel yang akan digunakan dalam penelitian. Data yang baik dan layak digunakan dalam penelitian adalah data yang memiliki distribusi normal. Normalitas data dapat dilihat dengan beberapa cara, antara lain adalah dengan nilai skewness, histogram dan Normal P-Plot. Nilai ini digunakan untuk mengetahui bagaimana distribusi normal data dalam variabel dengan menilai kemiringan kurva serta letak tersebarnya titik-titik pada Normal P-Plot adalah menyebar di sekitar garis diagonal dan penyebaran titik-titik data searah dengan garis diagonal.
2. Uji Multikolinearitas
Menurut Aminah dan Sutarman (2008), uji ini diperlukan untuk mengetahui ada tidaknya variabel independen yang memiliki kemiripan dengan variabel lain dalam satu model. Selain itu juga bertujuan untuk menghindari kebiasaan dalam
proses pengambilan kesimpulan mengenai pengaruh pada uji parsial masing-masing variabel independen terhadap variabel dependen.
Deteksi multikolinearitas pada suatu model dapat dilakukan dengan antara lain melihat nilai Variance Inflation Factor (VIF) tidak lebih dari 10 dan nilai toleransi tidak kurang dari 0,1, maka model dapat dikatakan terbebas dari asumsi klasik multikolinearitas. Semakin tinggi VIF maka semakin rendah tolerance.
3. Uji Autokorelasi (Uji Durbin Watson)
Menurut Arief (2006), autokorelasi atau korelasi serial kemungkinan terjadi pada data time series. Akibat terjadinya autokorelasi adalah pengujian hipotesis dalam uji F dan uji t menjadi tidak valid dan jika diterapkan akan memberikan kesimpulan yang menyesatkan pada tingkat signifikasi dan koefisien regresi yang ditaksir. Menurut Aminah dan Sutarman (2008), deteksi autokorelasi dapat dilakukan dengan penentuan letak yang dibantu dengan tabel dl (batas bawah) dan du (batas atas), dan nilai k (jumlah variabel independent). Untuk mempercepat proses ada tidaknya autokorelasi dalam suatu model dapat digunakan patokan nilai Durbin Watson hitung mendekati angka 2.
4. Uji Heteroskedastisitas
Heteroskedasitas menguji terjadinya perbedaan variance residual suatu periode pengamatan ke periode pengamatan yang lain, atau gambaran hubungan antara nilai yang diprediksi dengan Studentized Delete Residual nilai tersebut. Model regresi yang baik adalah model regresi yang memiliki persamaan variance residual suatu periode pengamatan dengan periode pengamatan yang lain, atau adanya hubungan antara nilai yang diprediksi dengan Studentized Delete Residual nilai tersebut sehingga dapat dikatakan model tersebut homoskedastisitas.
Cara memprediksinya adalah dengan melihat pola Scatterplot model tersebut. Analisis pada gambar Scatterplot yang menyatakan model regresi linear berganda tidak terdapat heteroskedastisitas.
5. Uji F
Berkaitan dengan uji yang akan dilakukan dalam uji regresi yang akan dilakukan secara simultan dengan F-test maka Ho yang diusulkan dalam uji regresi linier berganda adalah Ho diduga variabel Perputaran Piutang, Penagihan Rata-Rata dan Investasi Piutang secara bersama-sama tidak berpengaruh terhadap variabel Kas/Likuiditas dan sebaliknya untuk Ha (alternatif)
Uji F digunakan untuk menguji hubungan linier dari seluruh variabel bebas secara bersama-sama (simultan) terhadap variabel dependen (Boedijoewono, 2001). Untuk menentukan uji F-tabel, tingkat signifikan yang digunakan sebesar 5% dengan derajat kebebasan (degree of freedom) df = (n-k) dan (k-l) dimana n adalah jumlah variabel termasuk konstanta dengan kriteria uji yang digunakan : - Bila F hitung < F table, maka Ho diterima dan Ha ditolak, berarti semua
variabel independen secara simultan tidak mempunyai hubungan linier yang signifikan terhadap variabel dependen.
- Bila F hitung > F tabel, maka Ho ditolak dan Ha diterima, berarti semua variabel independen secara simultan mempunyai hubungan linier yang signifikan terhadap variabel dependen.
6. Uji t
Guna dari uji t ini untuk menguji pengaruh variabel independen secara parsial terhadap variabel dependen. Untuk menentukan nilai t-tabel, tingkat signifikan yang digunakan sebesar 5% dengan derajat kebebasan (degree of freedom) df = (n-2) dimana n adalah jumlah observasi, k adalah variabel termasuk konstanta, dengan kriteria uji yang digunakan adalah :
- Bila t-hitung > t-tabel, berarti ada pengaruh yang signifikan dari variabel independen terhadap variabel dependen.
- Bila t-hitung < t-tabel, berarti tidak ada pengaruh yang signifikan dari variabel independen terhadap variabel dependen.
4.1. Gambaran Umum Perusahaan