BAB IV ANALISIS HASIL PENELITIAN
4.2. Analisis Hasil Penelitian
4.2.1. Analisis Statistik Deskriptif
Statistik Deskriptif merupakan bagian dari ilmu statistika yang mempelajari alat, teknik, atau prosedur yang digunakan untuk menggambarkan atau mendeskripsikan kumpulan data atau hasil pengamatan. Berikut merupakan data statistik deskriptif secara umum dari seluruh data yang digunakan :
Tabel 4.2 Statistik Deskriptif
Descriptive Statistics
N Minimum Maximum Mean Std. Deviation
x1 48 1.6419 325.7131 32.738779 70.4566814 x2 48 1.2695 105.0017 12.027667 20.5290165
y 48 .34 7.82 2.1790 1.80581
Valid N (listwise) 48
Dari tabel 4.2 di atas, dapat dijelaskan beberapa hal sebagai:
a. Rata-rata dari perputaran piutang usaha adalah 32.738779 dengan standard deviasi 70.4566814 dan jumlah data yang ada adalah 48. Nilai perputaran piutang usaha tertingi adalah 325.7131 dan nilai perputaran piutang usaha terendah adalah 1.6419
b. Rata-rata dari perputaran persediaan adalah 12.027667 dengan standard deviasi 20.5290165 dan jumlah data yang ada adalah 48. Nilai perputaran persediaan tertingi adalah 105.0017 dan nilai perputaran persediaan terendah adalah 1.2695
c. Rata-rata dari likuiditas adalah 2.1790 dengan standard deviasi 1.80581 dan jumlah data yang ada adalah 48. Nilai likuiditas tertinggi adalah 7.82 dan nilai likuiditas terendah adalah 0.34.
4.2.2. Pengujian Asumsi Klasik 4.2.2.1. Uji Normalitas
Uji normalitas bertujuan untuk menguji apakah variabel residual berdistribusi normal. Pengujian normalitas data dalam penelitian ini mengunakan uji statistik non parametrik Kolmogorov Smirnov (K-S) dengan membuat hipotesis:
H0 H
: Data residual berdistribusi normal. 1
Dasar pengambilan keputusan dengan melihat angka probabilitas dengan aturan: : terdapat perbedaan antara distribusi data dengan berdistribusi normal.
Probabilitas Sig. > 0.05, maka Ho diterima. Probabilitas Sig. < 0.05, maka Ho ditolak.
Tabel 4.3
Uji Normalitas ( sebelum data ditransformasi ) One-Sample Kolmogorov-Smirnov Test
Unstandardize d Residual
N 48
Normal Parametersa,b Mean .0000000
Std. Deviation 1.27783744 Most Extreme Differences Absolute .215 Positive .215 Negative -.118 Kolmogorov-Smirnov Z 1.488
Asymp. Sig. (2-tailed) .024
a. Test distribution is Normal. b. Calculated from data.
Hasil analisis metode One-Sample Kolmogorov-Smirnov, menunjukkan bahwa Nilai Kolmogrov – Smirnov sebesar 1.488 dan signifikan pada 0.024 (karena Asymp. Sig. (2-tailed) 0.024 < dari 0.05). Dari hasil yang diproleh maka HO ditolak atau H1 diterima, dengan kata lain data tidak terdistribusi normal. Data yang tidak terdistribusi secara normal tersebut juga dapat dilihat melalui grafik histogram dan grafik normal plot data.
Gambar 4.1 Grafik Histogram Sumber : Diolah dari SPSS (2011)
Hasil uji normalitas di atas memperlihatkan bahwa pada grafik histogram di atas distribusi data tidak mengikuti kurva berbentuk lonceng namun distribusi data condong (skewness) ke kanan atau bisa disimpulkan bahwa data tersebut tidak normal.
Gambar 4.2
Normal Probability Plot
Sumber : Diolah dari SPSS (2011)
Demikian pula dengan hasil uji normalitas dengan menggunakan grafik plot. Pada grafik normal plot, terlihat titik-titik tidak menyebar disekitar garis diagonal serta penyebarannya menjauhi garis diagonal sehingga dapat disimpulkan bahwa data dalam model regresi tidak berdistribusi secara normal. Semua hasil pengujian melalui analisis grafik dan statistik diatas menunjukkan
hasil yang sama yaitu data tidak berdistribusi secara normal, sehingga dilakukan tindakan perbaikan yaitu dengan melakukan transformasi seluruh variabel penelitian ke dalam fungsi LN (Logaritma Natural). Hasil pengujian data ulang menghasilkan:
Tabel 4.4 Uji Normalitas
Setelah Transformasi dengan LN One-Sample Kolmogorov-Smirnov Test
Unstandardized Residual
N 48
Normal Parametersa,b Mean .0000000 Std. Deviation .57522248 Most Extreme Differences Absolute .137
Positive .121
Negative -.137
Kolmogorov-Smirnov Z .946
Asymp. Sig. (2-tailed) .333
a. Test distribution is Normal. b. Calculated from data.
Dari transformasi data, maka nilai Kolmograf – Smirnov menjadi 0.946 dan signifikan pada 0.333 sehingga dapat disimpulkan bahwa data dalam model regresi telah terdistribusi secara normal, dimana nilai signifikansinya lebih dari 0.005 (Karena Asymp. Sig. (2-tailed) 0.333 > dari 0.05). Dengan demikian secara keseluruhan dapat dilanjutkan dengan uji asumsi klasik lainnya. Untuk lebih jelas, berikut ini turut dilampirkan grafik histogram dan plot data yang terdistribusi normal.
Gambar 4.3 Grafik Histogram
setelah transformasi dengan LN Sumber : Diolah dari SPSS (2011)
Hasil uji normalitas setelah dilakukan transformasi data di atas memperlihatkan bahwa pada grafik histogram di atas distribusi data mengikuti kurva berbentuk lonceng yang tidak condong (skewness) ke kiri maupun condong ke kanan atau bisa disimpulkan bahwa data tersebut berdistribusi secara normal.
Gambar 4.4
Normal Probability Plot
Setelah transformasi dengan LN Sumber : Diolah dari SPSS (2011)
Demikian pula dengan hasil uji normalitas dengan menggunakan grafik plot. Pada grafik normal plot, terlihat titik-titik menyebar disekitar garis diagonal serta penyebarannya agak mendekati dengan garis diagonal sehingga dapat disimpulkan bahwa data dalam model regresi setelah ditransformasi kedalam bentuk LN juga berdistribusi secara normal.
4.2.2.2. Uji Multikolinearitas
Dalam penelitian ini, untuk mendeteksi ada tidaknya gejala multikolinearitas adalah dengan melihat besaran korelasi antar variabel independen dan besarnya tingkat kolinearitas yang masih dapat ditolerir, yaitu nilai Tol > 0.10 dan Variance Inflation Factor (VIF) < 10. Berikut disajikan tabel hasil pengujian:
Tabel 4.5 Uji Multikolinearitas Setelah transformasi dengan LN
Melihat hasil besaran korelasi antar variabel independen tampak bahwa variabel perputaran piutang mempunyai korelasi sebesar 0.056 atau sekitar 5.6%. Hasil dari coefficient correlations tersebut menunjukkan tidak ada korelasi yang
Coefficientsa Model Collinearity Statistics Tolerance VIF 1 ln_x1 .997 1.003 ln_x2 .997 1.003
a. Dependent Variable: ln_y
Coefficient Correlationsa Model ln_x2 ln_x1 1 Correlations ln_x2 1.000 -.056 ln_x1 -.056 1.000 Covariances ln_x2 .011 .000 ln_x1 .000 .006
tinggi (umumnya diatas 0,90), maka hal ini merupakan indikasi tidak adanya multikolonieritas. Hasil perhitungan nilai tolerance lebih dari 0.10 yaitu 0.997 yang berarti tidak terjadi korelasi antar variabel independen. Hasil perhitungam VIF juga menunjukkan hal yang sam dimana variabel independen memiliki nilai VIF kurang dari 10 yaitu 1.003. Berdasarkan tabel diatas dapat disimpulkan bahwa tidak ada multikolonieritas antar variabel independen dalam model ini.
Dari hasil pengujian di atas, dapat dilihat bahwa angka tolerance perputaran piutang (X1), perputaran persediaan (X2) > 0.10 dan Variance Inflation Factor (VIF) nya < 10. Ini mengindikasikan bahwa tidak terjadi multikolinearitas di antara variabel independen dalam penelitian.
4.2.2.3. Uji Heterokedasititas
Dalam penelitian ini, untuk mengetahui apakah dalam penelitian terjadi Heteroskedastisitas, dapat dilihat dengan grafik scatterplot. Hasil dari uji heteroskedastisitas dapat dilihat pada grafik scatterplot berikut ini:
Gambar 4.5 Grafik Scatterplot
Sumber : Diolah dari SPSS (2011)
Dari gambar di atas, terlihat bahwa titik-titik menyebar secara acak serta tidak membentuk pola tertentu atau tidak teratur, serta titik-titik menyebar di atas dan dibawah angka 0 pada sumbu Y. Hal ini mengindikasikan tidak terjadi heteroskedastisitas pada model regresi sehingga model regresi layak dipakai untuk memprediksi variabel dependen (Likuiditas) berdasarkan masukan variabel independen, perputaran piutang usaha dan perputaran persediaan.
4.2.2.4. Uji Autokorelasi
Hasil dari uji autokorelasi dapat dilihat pada tabel berikut ini: Tabel 4.6
Uji Autokorelasi
Setelah transformasi dengan LN Model Summary Model b Durbin-Watson 1 1.302 a. Predictors : (Constant), LN_X2, LN_X1 b. Dependent Variable: LN_Y
Sumber : Diolah dari SPSS (2011)
Dari tabel diatas dapat dilihat bahwa nilai Durbin-Watson sebesar 1.302. Hal ini menunjukkan bahwa tidak terjadi autokorelasi karena nilai Durbin-Watson berada pada rentang -2 ≤ 1.302 ≤ 2. Dengan demikian, maka dalam model
regresi linear berganda ini tidak terjadi autokorelasi antara kesalahan pengganggu pada periode penelitian dengan kesalahan pengganggu pada periode sebelum penelitian.
Regresi Berganda
Tabel 4.7
Regresi Linear Berganda setelah transformasi dengan LN Coefficientsa Model Unstandardized Coefficients Standardized Coefficients t Sig. B Std. Error Beta 1 (Constant) .096 .293 .328 .745 ln_x1 -.151 .078 -.244 -1.940 .059 ln_x2 .414 .105 .497 3.961 .000
a. Dependent Variable: ln_y Sumber: Diolah dari SPSS (2011)
Dari nilai-nilai koefisien di atas, persamaan regresi yang dapat disusun untuk variabel perputaran piuang usaha dan perputaran persediaan adalah :
LNY = 0.096 - 0.151 LNX1 + 0.414 LNX Setelah diantilogaritma natural maka persamaannya menjadi :
2
Y = 1.101 + 0.860X1+ 1.513X Dimana :
2
LNY = Logaritma Natural Likuiditas LNX1
LNX
= Logaritma Natural Perputaran Piutang Usaha 2
Adapun interpretasi dari persamaan di atas adalah : = Logaritma Natural Perputaran Persediaan
a. Konstanta (a) sebesar 1.101, menyatakan bahwa jika variabel independen dianggap konstan, maka Likuiditas sebesar 1.101.
b. Koefisien X1 (b1) = 0.860, ini menunjukkan apabila terjadi perubahan variabel perputaran piutang sebesar 1 satuan akan meningkatkan
Likuiditas sebesar 0.860 dengan asumsi variabel lainnya tetap atau sama dengan nol.
c. Koefisien X2 (b2) = 1.513, ini menunjukkan bahwa apabila terjadi perubahan perputaran persediaan sebesar 1 satuan, maka akan meningkatkan Likuiditas sebesar 1.513, dengan asumsi variabel lainnya tetap atau sama dengan nol.
Koefisien Determinasi (R2) Tabel 4.8 Koefisien Determinasi (R2) Model Summaryb Model R R Square Adjusted R Square Std. Error of the Estimate 1 .541a .293 .262 .58787 a. Predictors: (Constant), ln_x2, ln_x1 b. Dependent Variable: ln_y
Pada model summary di atas, angka R sebesar 0.541 menunjukkan bahwa terdapat korelasi atau hubungan antara Likuiditas dengan perputaran piutang dan perputaran persediaan yaitu sebesar 54% yang berada di atas 0.5 (50%). Angka adjusted R. Square atau koefisien determinasi adalah 0.262. Angka ini mengindikasikan bahwa 26.2% variasi atau perubahan dalam likuiditas dapat dijelaskan oleh variasi variabel perputaran piutang usaha dan perputaran persediaan.
Sedangkan sisanya (73.8%) dijelaskan oleh faktor-faktor lain yang tidak dimasukkan dalam model penelitian. Standar Error of Estimate (SEE) adalah
0.58787, yang mana semakin besar SEE akan membuat model regresi kurang tepat dalam memprediksi variabel dependen.
4.2.3. Pengujian Hipotesis
4.2.3.1. Uji Simultan (Uji F Statistik)
Uji F digunakan untuk menguji pengaruh signifikansi secara simultan dari semua variabel independen terhadap variabel dependen. Hasil pengujian hipotesis dengan menggunakan uji t dapat dilihat pada berikut:
Tabel 4.9 Uji F Statistik ANOVAb Model Sum of Squares Df Mean Square F Sig. 1 Regression 6.444 2 3.222 9.324 .000a Residual 15.551 45 .346 Total 21.996 47 a. Predictors: (Constant), ln_x2, ln_x1 b. Dependent Variable: ln_y
Sumber : Diolah dari SPSS (2011)
Dari uji ANOVA atau F test, diperoleh F hitung sebesar 9.324 dengan tingkat signifikansi 0.000, sedangkan F tabel sebesar 3.20 dengan signifikansi 0.05. Berdasarkan hasil tersebut dapat disimpulkan bahwa perputaran piutang usaha dan perputaran persediaan secara bersama-sama atau secara simultan berpengaruh positif dan signifikan terhadap Likuiditas perusahaan karena F hitung > F tabel (9.324 > 3.20) dan sig penelitian < 0.05 ( 0.000 < 0.05).
4.2.3.2. Uji Parsial (Uji t Statistik)
Uji t digunakan untuk menguji pengaruh signifikansi konstanta dari setiap variabel independen terhadap variabel dependen secara parsial. Hasil pengujian hipotesis dengan menggunakan uji t dapat dilihat pada berikut:
Tabel 4.10 Uji t statistik Coefficientsa Model Unstandardized Coefficients Standardized Coefficients t Sig. B Std. Error Beta 1 (Constant) .096 .293 .328 .745 ln_x1 -.151 .078 -.244 -1.940 .059 ln_x2 .414 .105 .497 3.961 .000
a. Dependent Variable: ln_y Sumber : Diolah dari SPSS (2011)
Hipotesis pertama :
Ho : b1=0, artinya Perputaran Piutang Usaha tidak mempunyai pengaruh terhadap likuiditas perusahaan.
H1 : b1≠0, artinya Perputaran Piutang Usaha berpengaruh terhadap likuiditas
perusahaan.
Kesimpulan yang dapat diambil dari analisis tersebut adalah perputaran piutang usaha (LN_X1) mempunyai nilai signifikansi 0.059 yang berarti nilai ini lebih besar dari 0.05. Selain itu, t hitung diperoleh -1.940 < t tabel 2.01. Berdasarkan nilai tersebut disimpulkan bahwa H1 ditolak, sehingga dapat disimpulkan bahwa variabel perputaran piutang usaha secara parsial tidak berpengaruh secara signifikan terhadap Likuiditas.
Hipotesis kedua:
Ho : b2=0, artinya Perputaran Persediaan tidak mempunyai pengaruh terhadap likuiditas perusahaan.
H1 : b2≠ 0, artinya Perputaran Persediaan berpengaruh terhadap likuiditas
perusahaan.
Kesimpulan yang dapat diambil dari analisis tersebut adalah perputaran persediaan (LN_X2) mempunyai nilai signifikansi 0 .000 yang berarti nilai ini lebih keci dari 0.05, dan t hitung 3.961 > t tabel 2.01. Berdasarkan nilai tersebut disimpulkan bahwa Ha diterima, ini menunjukkan bahwa secara parsial perputaran persediaan berpengaruh positif dan signifikan terhadap Likuiditas.