4.2. Deskripsi Hasil Penelitian 1. Data tentang Rasio Lancar 1.Data tentang Rasio Lancar
4.2.5. Data tentang Kinerja Keuangan (laba bersih)
Kinerja keuangan adalah pengukuran prestasi perusahaan yang ditimbulkan sebagai akibat dari proses pengambilan keputusan manajemen yang kompleks dan sulit, karena menyangkut efektitas pemanfaatan modal, efisiensi dan rentabilitas dari kegiatan perusahan. Kinerja keuangan diambil berdasarkan pada laba setelah pajak, berdasarkan hasil penelitian sebagai berikut:
Tabel 4.5: Data Kinerja Keuangan (Laba Bersih) pada Perusahaan Food and Beverages yang Terdaftar di BEI Selama Tahun 2005-2008
Tahun Nama Perusahaan
2005 2006 2007 2008
Rata-rata PT Aqua Golden Mississippi Tbk 64350000000 48850000000 65913000000 82336000000 65362250000
PT Cahaya Kalbar Tbk -21594000000 15294000000 24676000000 27867000000 11560750000
PT Delta Djakarta Tbk 56405000000 43284000000 47331000000 83754000000 57693500000
PT Indofood Sukses Makmur Tbk 124018000000 661210000000 980357000000 1034389000000 551221250000
PT Mayora Indah Tbk 45730000000 45730000000 141589000000 196230000000 107319750000
PT Multi Bintang Indonesia Tbk 87014000000 73581000000 84385000000 222308000000 116822000000 PT Prasidha Aneka Niaga Tbk 118433000000 11847000000 -8646000000 9448000000 32770500000
PT Sekar Laut Tbk 91549000000 4637000000 5742000000 4271000000 26549750000
PT Siantar Top Tbk 10637000000 14426000000 15595000000 4816000000 113685000000
PT SMART Tbk 304203000000 628005000000 988944000000 1046389000000 741885250000
PT Tunas Baru Lampung Tbk 6219000000 52884000000 97227000000 63337000000 54916750000
PT Ultra Jaya Milk Tbk 4528000000 14732000000 30317000000 303711000000 88322000000
Rata-rata per Tahun 74291000000 84949250000 206119166667 256571333333
Sumber : Lampiran 5 (data diolah)
Perusahaan yang memiliki kinerja keuangan tertinggi selama periode pengamatan yaitu dari tahun 2005-2008 secara rata-rata adalah PT. SMART Tbk, sebaliknya perusahaan yang memiliki kinerja keuangan terendah adalah PT. Siantar Top Tbk. Semakin tinggi rasio ini
menunjukkan kemampuan perusahaan yang juga semakin tinggi dalam menghasilkan laba bersih dari kegiatan operasional yang dilakukan oleh perusahaan, sebaliknya apabila memiliki nilai terkecil menunjukkan lemahnya kemampuan perusahaan dalam menghasilkan laba bersih dari kegiatan operasional perusahaan.
4.3. Uji Kualitas Data 4.3.1. Uji Normalitas
Uji normalitas digunakan untuk mengetahui apakah suatu data mengikuti sebaran normal atau tidak. Untuk mengetahui apakah data tersebut mengikuti sebaran normal dapat dilakukan dengan metode dalam model regresi, variabel terikat dan variabel bebas keduanya mempunyai distribusi normalitas ataukah tidak (Ghozali, 2001: 74). Model regresi yang baik adalah memiliki distribusi data normal atau mendekati normal. Uji normalitas dengan menggunakan Kolmogorov-Smirnov, dimana:
Jika nilai signifikan (nilai profitabilitasnya) lebih kecil dari 5%, maka distribusi adalah tidak normal.
Jika nilai signifikasi (nilai profitabilitasnya) lebih besar dari nilai 5%, maka distribusi adalah normal.
Dari hasil pengolahan data diperoleh hasil untuk uji normalitas pada tabel 4.6:
Tabel 4.6: Hasil Uji Normalitas menggunakan Uji Kolmogorov-Smirnov
Unstandardized Residual
Kolmogorov-Smirnov Z 1,628
Nilai Signifikasi (2-arah) 0,010 Sumber: Lampiran 8
Berdasarkan hasil pengujian yang disajikan pada tabel 4.6. di atas diketahui bahwa nilai Kolmogorov-Smirnov yang diperoleh memiliki nilai taraf signifikan sebesar 0,010 melihat taraf signifikan yang kurang dari 0,05 menunjukkan bahwa data yang digunakan tidak terdistribusi normal. Tetapi menurut Djarwanto (1996 : 26) apabila ukuran sampel cukup besar (n > 30) maka distribusi sampling harga mean (X) dikatakan normal karena mempunyai mean yang sama dengan mean populasinya
4.4. Uji Asumsi Klasik
Untuk menghasilkan keputusan yang BLUE maka persamaan regresi harus memenuhi ketiga asumsi klasik ini :
4.4.1. Autokorelasi
Uji autokorelasi bertujuan untuk menguji apakah dalam suatu model regresi linier ada korelasi antara korelasi pengganggu pada periode t-1 (sebelumnya). Untuk menguji apakah terjadi autokorelasi atau tidak, digunakan uji Durbin-Watson (DW-Test). Berdasarkan hasil pengujian yang dilakukan diperoleh hasil besarnya nilai Durbin Watson hitung sebesar 1,134 (lampiran 7.2)
Untuk mengetahui adanya gejala autokorelasi maka perlu dilihat tabel Durbin Watson dengan jumlah variabel bebas K = 4 sedangkan jumlah pengamatan 48 maka diperoleh dl = 1,361 dan du = 1,721 (lampiran 9) selanjutnys nilai tersebut diplotkan ke kurva Durbin Watson dibawah ini :
Gambar 4.1. Distribusi Daerah Keputusan Autokorelasi
Daerah Daerah Daerah Daerah
Kritis Ketidak- Ketidak- Kritis pastian pastian D.W= Tidak ada 1,134 autokorelasi dL= 1,361 dU = 1,721 4-dU = 2,279 4-dL = 2,639
Berdasarkan gambar diatas dapat diketahui bahwa distribusi daerah penentuan keputusan dimulai dari 0 (nol) sampek 4 (empat). Dan dapat disimpulkan karena nilai dari analisis sebesar 1,134 berada pada daerah ada autokorelasi sehingga dapat diputuskan bahwa data yang digunakan dalam penelitian ini terjadi penyimpangan autokorelasi.
4.4.2. Multikolinieritas
Uji multikolonieritas bertujuan untuk menguji apakah model regresi ditemukan adanya korelasi antar variabel bebas (independen) (Ghozali, 2001: 57). Identifikasi secara statistik ada atau tidaknya gejala
multikolinieritas dapat dilakukan dengan menghitung Variance Inflation Factor (VIF). Berdasarkan hasil pengujian diperoleh hasil sebagai berikut:
Tabel 4.7.
Hasil Uji Multikolinieritas
Variabel bebas Tolerance VIF
Rasio Lancar (X1) 0,471 2,122
Return On Assets (X2) 0,850 1,176
Perputaran Total Aktiva (X3) 0,514 1,946 Debt To Total Assets (X4) 0,576 1,736 Sumber : Lampiran 7.2
VIF menyatakan tingkat “pembengkakan” varians. Apabila varians lebih besar dari 10, maka terjadi multikolinieritas pada data penelitian yang digunakan, berdasarkan tabel di 4.7. di atas diketahui bahwa nilai VIF dari masing-masing variabel bebas yang diteliti dahwa nilai VIF yang lebih kecil dari 10, hal tersebut menunjukkan bahwa pada model regresi yang digunakan tidak terjadi gejala multikolinieritas.
4.4.3. Heteroskedastisitas
Uji heteroskedastisitas bertujuan menguji apakah dalam model regresi terjadi ketidaksamaan variance dari residual satu pengamatan ke pengamatan yang lain (Ghozali, 2001: 69). Pada regresi linier nilai-nilai residual tidak boleh ada hubungan dengan variabel X. Hal ini bias diidentifikasikan dengan cara menghitung korelasi rank Spearman antara residual dengan seluruh variabel bebas atau yang menjelaskan dimana nilai signifikansi yang diperoleh harus lebih besar dari 0,05.
Hasil perhitungan heteroskedastisitas pada penelitian ini dapat dilihat pada tabel berikut ini :
Tabel 4.8.
Hasil Uji Heteroskesdastisitas Variabel bebas Nilai mutlak dari residual
Taraf Signifikansi
Rasio Lancar (X1) 0,285 0,050
Return On Assets (X2) 0,385 0,007
Perputaran Total Aktiva (X3) 0,251 0,085 Debt To Total Assets (X4) -0,307 0,034 Sumber : Lampiran 7.3
Berdasarkan tabel 4.8. di atas menunjukkan bahwa nilai korelasi yang diperoleh dari variabel-variabel bebas yang diteliti tidak seluruhnya memiliki taraf signifikan lebih dari 0,05, seperti yang ditunjukkan oleh variabel Return On Assets dan Debt To Total Assets, yang memiliki taraf signifikan kurang dari 0,05, sehingga dapat diputuskan bahwa pada model regresi yang digunakan belum terbebas dari gejala heteroskedastisitas. Menurut Ghozali (2001 : 73) apabila terdapat gejala heteroskedastisitas maka untuk memperbaikinya dengan melakukan transformasi dalam bentuk model regresi dengan membagi model regresi dengan salah satu variabel bebas yang digunakan dalam model tersebut.
Berdasarkan pengujian terhadap kualitas data baik dari uji kualitas normalitas, autokorelasi, multikolinieritas maupun heteroskedastisitas, menunjukkan bahwa data yang digunakan dalam penelitian belum sepenuhnya terbebas dari berbagai asumsi BLUE yang dipersyaratkan, oleh karena itu untuk membuktikan hipotesis yang diajukan, perlu kiranya dilakukan proses transformasi dalam bentuk log untuk memperbaiki kondisi data yang masih kurang baik (Ghozali, 2001:73).
4.5. Uji Asumsi Klasik Setelah Di Log 4.5.1. Autokorelasi
Uji autokorelasi bertujuan untuk menguji apakah dalam suatu model regresi linier ada korelasi antara korelasi pengganggu pada periode t-1 (sebelumnya). Untuk menguji apakah terjadi autokorelasi atau tidak, digunakan uji Durbin-Watson (DW-Test). Berdasarkan hasil pengujian yang dilakukan diperoleh hasil besarnya nilai Durbin Watson hitung sebesar 0,918 (lampiran 7.5).
Langkah selanjutnya adalah menentukan hasil pengambilan keputusan untuk nilai Durbin Watson hasil perhitungan. Kriteria penentuan hasil pengujian autokorelasi yang dikemukakan oleh Santoso (2001:219) diperoleh kriteria sebagai berikut :
1. Angka D-W dibawah -2 berarti ada autokorelasi positif.
2. Angka D-W diantara -2 sampai +2 berarti tidak ada autokorelasi. 3. Angka D-W di atas +2 berarti ada autokorelasi negatif.
Berdasarkan kriteria di atas maka nilai Durbin Watson hitung pada penelitian ini sebesar 0,918 (lampiran 7.5) berada pada kriteria diantara -2 sampai +2 yang berarti tidak ada autokorelasi sehingga dapat diputuskan bahwa data yang digunakan dalam penelitian ini terjadi tidak terjadi penyimpangan autokorelasi sehingga layak untuk dilakukan pengujian selanjutnya.
4.5.2.Multikolinieritas
Hasil perhitungan Multikolinieritas pada penelitian ini dapat dilihat pada tabel berikut ini :
Tabel 4.9.
Hasil Uji Multikolinieritas
Variabel bebas Tolerance VIF
Rasio Lancar (X1) 0,627 1,594
Return On Assets (X2) 0,845 1,183
Perputaran Total Aktiva (X3) 0,713 1,403 Debt To Total Assets (X4) 0,642 1,557 Sumber : Lampiran 7.6
VIF menyatakan tingkat “pembengkakan” varians. Apabila varians lebih besar dari 10, maka terjadi multikolinieritas pada data penelitian yang digunakan, berdasarkan tabel di 4.9. di atas diketahui bahwa nilai VIF dari masing-masing variabel bebas yang diteliti dahwa nilai VIF yang lebih kecil dari 10, hal tersebut menunjukkan bahwa pada model regresi yang digunakan tidak terjadi gejala multikolinieritas.
4.5.3.Heteroskedastisitas
Hasil perhitungan heteroskedastisitas pada penelitian ini dapat dilihat pada tabel berikut ini :
Tabel 4.10.
Hasil Uji Heteroskesdastisitas Variabel bebas Nilai mutlak dari residual
Taraf Signifikansi
Rasio Lancar (X1) 0,092 0,543
Return On Assets (X2) 0,106 0,485
Perputaran Total Aktiva (X3) -0,189 0,207 Debt To Total Assets (X4) -0,116 0,445 Sumber : Lampiran 7.7
Berdasarkan tabel 4.10. diketahui hasil uji heteroskedastisitas pada nilai residual variabel bebas penelitian menunjukkan nilai signifikan > 0,05. Dengan demikian asumsi tidak terjadi heteroskedastisitas dapat dipenuhi.