BAB IV HASIL PENELITIAN DAN PEMBAHASAN
4.2. Analisis Hasil Penelitian
4.2.2. Pengujian Asumsi Klasik
Agar model regresi tidak bias atau agar model regresi BLUE (Best Linear Unbiased Estimator) maka perlu dilakukan uji asumsi klasik terlebih dahulu (Damodar Gujarati, 2006). Menurut Ghozali (2005 :123), asumsi klasi yang harus dipenuhi adalah :
• Berdistribusi Normal
• Non-Multikolinearitas, artinya antar variabel independen dalam model regresi tidak memiliki korelasi atau hubungan secara sempurna ataupun mendekati sempurna.
• Non autokorelasi, artinya kesalahan pengganggu dalam model regresi tidak saling berkorelasi.
• Non-Heterokedastisitas, artinya variance variable dari satu pengamatan ke pengamatan lain adalah konstan atau sama.
4.2.2.1. UjiNormalitas
Menurut Erlina (2008 : 100) bahwa “ uji normalitas data bertujuan untuk mengetahui apakah dalam model regresi variabel pengganggu atau residual memiliki distribusi normal”. Ada dua cara yang dapat dilakukan untuk mendeteksi apakah residul distribusi normal atau tidak yaitu dengan analisis grafik dan uji statistik. Data
yang tidak berdistribusi secara normal dalam persamaan regresi maka akan memberikan hasil yang bias. Awalnya, data penelitian ini tidak normal sehingga perlu ditansformasi bentuk dalam logaritma natural (Ln). Oleh karena itu, masing-masing variabel penelitian yang digunakan telah ditransformasi bentuk (dalam penulisan ditambah kata Ln).
Analisis grafik yang handal untuk menguji normalitas data adalah dengan melihat normal probability plot dan histogram . Uji normalitas yang pertama dengan bantuan aplikasi SPSS 16.0 menghasilkan grafik secara histogram . Berdasarkan hasil komputasi, maka dihasilkan grafik historgram seperti terlihat pada gambar 4.1 berikut ini:
Gambar 4.1 Grafik Histogram
Berdasarkan gambar 4.1 di atas, dapat dilihat bahwa bentuk histogram menggambarkan data yang berdistribusi normal atau mendekati normal karena membentuk seperti lonceng (bell shaped). Bentuk histogram seperti bentuk lonceng (bell shaped curve) mengindikasikan bahwa data berdistribusi normal.
Uji normalitas yang kedua adalah dengan melihat normal probability plot. Berdasarkan hasil komputasi dengan bantuan aplikasi SPSS 16.0, maka dihasilkan grafik historgram seperti terlihat pada gambar 4.2 berikut ini:
Gambar 4.2 Normal Probability Plot
Sumber : Output SPSS, diolah peneliti (2014)
terpenuhi. Selain secara grafik, pengujian normalitas data dapat dilakukan secara statistik . Pengujian normalitas data secara statistik dapat dilakukan dengan menggunakan Uji Kolmogorov – Smirnov. Hasil uji kolmogorov-smirnov dapat dilihat pada tabel 4.4 berikut ini :
Tabel 4.4
Uji Kolmogorov-Smirnov
One-Sample Kolmogorov-Smirnov Test
Unstandardized Residual
N 69
Normal Parametersa Mean .0000000 Std. Deviation .78670049 Most Extreme Differences Absolute .062
Positive .040
Negative -.062
Kolmogorov-Smirnov Z .518
Asymp. Sig. (2-tailed) .951
a. Test distribution is Normal.
Sumber : Output SPSS, diolah peneliti (2014)
Berdasarkan Tabel 4.4 dapat dilihat bahwa nilai Signifikansi Kolmogorov- Smirnov adalah 0.518 dan signifikansi 0.951 berada diatas 0,05, maka disimpulkan data terdistribusi secara normal. Secara keseluruhan, dengan menggunakan metode grafik (normal probability plot dan histogram) dan statistik (Kolmogorov-Smirnov) dapat dinyatakan bahwa asumsi normalitas dipenuhi dalam penelitian ini sehingga dapat dilakukan pengujian asumsi klasik lainnya.
Menurut Ghozali (2005 : 91) tujuan dari uji multikolinearitas adalah “untuk meneliti apakah dalam model regresi ditemukan adanya korelasi di antara variabel independen. Jika terjadi korelasi, berarti terjadi masalah multikolinieritas”. Model regresi yang valid adalah model regresi yang bebas dari multikolinearitas. Hasil pengujian multikolinearitas dapat dilihat dari tabel dibawah ini :
Tabel 4.5
Hasil Uji Multikolinearitas
Coefficientsa Model Unstandardize d Coefficients Standardiz ed Coefficient s t Sig. Collinearity Statistics B Std.
Error Beta Tolerance VIF 1 (Constant) -3.555 .538 -6.605 .000 Ln_PerputaranKas -.458 .093 -.506 -4.947 .000 .886 1.128 Ln_PerputaranPiutang .709 .137 .544 5.172 .000 .841 1.189 Ln_PerputaranPersediaan .555 .234 .239 2.372 .021 .916 1.092 a. Dependent Variable: Ln_ROA
Sumber : Output SPSS, diolah peneliti (2014)
Berdasarkan tabel diatas dapat dilihat bahwa nilai tolerance dari masing-masing variable independen lebih besar dari 0.10, yaitu untuk variabel perputaran kas 0.886, variabel perputaran piutang 0.841, dan variabel perputaran persediaan 0.916. Nilai VIF dari masing-masing
variabel independen diketahui kurang dari 10, yaitu untuk variabel perputaran kas 1.128, variabel perputaran piutang 1,189, dan variabel perputaran persediaan 1,092. Dengan demikian dapat disimpulkan bahwa pada penelitian ini tidak terdapat multikolinearitas.
4.2.2.3.Uji Heterokedastisitas
Menurut Ghozali (2005 : 105), “Uji heterokedastisitas memiliki tujuan menguji apakah dalam model regresi terjadi ketidaksamaan varians dari residual satu pengamatan ke pengamatan yang lain”. Jika varians dari residual satu pengamatan ke pengamatan yang lain tetap, maka disebut homoskedastisitas dan jika berbeda disebut heteroskedastisitas. Model regresi yang baik adalah yang tidak terjadi heterokedastisitas. Hasil uji Heterokedastisitas dapat dilihat pada gambar grafik berikut.
Gambar 4.3
Dari grafik scatterplot terlihat bahwa titik- titik menyebar secara acak serta tersebar baik diatas maupun di bawah angka 0 pada sumbu Y, sehingga dapat disimpulkan bahwa tidak terjadi heteroskedastisitas pada model regresi. Adanya titik- titik menyebar menjauh dari titik- titik lain dikarenakan adanya data observasi yang sangat berbeda dengan data observasi yang lain.
4.2.2.4.Uji Autokorelasi
Uji ini bertujuan untuk melihat apakah dalam suatu model regresi linier terdapat korelasi antara kesalahan pengganggu pada periode t dengan kesalahan periode t-1 (sebelumnya). Jika terjadi korelasi maka dinamakan ada problem autokorelasi. Model regresi yang baik adalah yang bebas autokorelasi. Autokorelasi muncul karena observasi yang berurutan sepanjang tahun yang berkaitan satu dengan yang lainnya. Hal ini sering ditemukan pada time series.
Untuk mengetahui adanya autokorelasi dalam suatu model regresi dilakukan melalui pengujian terhadap nilai uji Durbin-Watson (Uji DW). Nilai DW pada penelitian dibandingkan dengan nilai dtabel dengan tingkat signifikansi 5% dengan df = n-k-1. Hasil uji autokorelasi dengan Durbin-Watson dapat dilihat pada tabel 4.6 dibawah ini :
Tabel 4.6
Hasil Uji Autokorelasi
Model Summaryb Model R R Square Adjusted R Square Std. Error of the Estimate Durbin-Watson 1 .630a .396 .368 .80465 1.809 a. Predictors: (Constant), Ln_PerputaranPersediaan, Ln_PerputaranKas,
Ln_PerputaranPiutang
b. Dependent Variable: Ln_ROA
Sumber Output SPSS, diolah penulis (2014)
Hasil uji Durbin-Watson pada tabel 4.6 menunjukkan nilai sebesar 1.809 sedangkan kriteria yang digunakan untuk model yang bebas autokorelasi adalah 1.7015< DW < 2.2657. Nilai Durbin-Watson hasil pengolahan data diperoleh sebesar 1.809 dan nilai tersebut terletak diantara 1.7015 dan 2.3657 maka dapat disimpulkan tidak terjadi autokorelasi.
Koefisien determinasi (R2) bertujuan untuk mengetahui seberapa besar kemampuan variabel bebas menjelaskan variabel terikat (Lubis, 2007 : 48). Semakin mendekati 0, semakin tidak baik nilai koefisien determinasi, yang berarti bahwa variasi model dalam menjelaskan semakin terbatas. Semakin mendekati 1, maka semakin baik model regresi tersebut.
Dari tabel diatas diperoleh nilai koefisien determinasi adalah 0,396 yang berarti 39,6% return on asset dapat diprediksi dengan variabel perputaran kas, perputaran piutang dan perputaran persediaan,
sedangkan 60.4% selebihya dijelaskan oleh variabel-variabel lain yang tidak diteliti dalam penelitian ini.
Nilai adjusted R Square atau koefisien determinasi adalah sebesar 0,368 yang berarti bahwa return on asset mampu diprediksikan oleh perputaran kas, perputaran piutang dan perputaran persediaan sebesar 36.8% sedangkan 63.2% selebihnya dijelaskan oleh variabel-variabel yang tidak diteliti dalam penelitian ini.
Jika terdapat 2 variabel atau lebih dalam penelitian, maka uji yang digunakan untuk memprediksi hubungan antara variabel bebas dan variabel terikat adalah adjusted R Square.
4.2.3. Uji Hipotesis
4.2.3.1. Analisis Regresi
penelitian ini digunakan analisis regresi berganda untuk melihat seberapa besar pengaruh modal kerja terhadap profitabilitas perusahaan dengan model sebagai berikut :
�= −3.555−0.458�1+ 0.709�2+ 0.555�3+ �
Dari hasil persamaan regresi berganda diatas, masing-masing variabel independen dapat diinterpreasikan pengaruhnya terhadap Return On Asset (ROA) sebagai berikut :
1. Konstanta (a) sebesar -3.555 menyatakan bahwa jika variabel dependen dianggap konstan, maka ROA adalah sebesar -3.555. 2. Koefisien perputaran kas (b1) sebesar -0.458. Hal ini menunjukkan
maka akan menurunkan ROA sebesar 0.458, dengan asumsi variabel lainnya dianggap tetap atau sama dengan nol.
3. Koefisien perputaran piutang (b2) sebesar 0.709. Hal ini menunjukkan apabila terjadi peningkatan variabel perputaran kas sebesar 1%, maka akan meningkatkan ROA sebesar 0.709, dengan asumsi variabel lainnya dianggap tetap atau sama dengan nol. 4. Koefisien perputaran persediaan (b3) sebesar 0.555. Hal ini
menunjukkan apabila terjadi peningkatan variabel perputaran kas sebesar 1%, maka akan meningkatkan ROA sebesar 0.555, dengan asumsi variabel lainnya dianggap tetap atau sama dengan nol.
4.2.3.2. Uji Parsial t (t-test)
Menurut Ghozali (2005 : 84) “Uji statistik t pada dasarnya menunjukkan seberapa jauh pengaruh satu variabel penjelas/independen secara individual dalam menerangkan variasi variabel dependen”. Hasil uji parsial dapat dilihat pada tabel 4.8 dibawah ini :
Tabel 4.7 Hasil Uji t Coefficientsa Model Unstandardized Coefficients Standardized Coefficients t Sig. B Std. Error Beta 1(Constant) -3.555 .538 -6.605 .000 Ln_PerputaranKas -.458 .093 -.506 -4.947 .000 Ln_PerputaranPiutang .709 .137 .544 5.172 .000
Ln_PerputaranPersediaan .555 .234 .239 2.372 .021 a. Dependent Variable: Ln_ROA Sumber : Output SPSS, diolah penulis (2014)
Dalam uji-t, suatu variabel independen memiliki pengaruh terhadap variabel dependennya jika :
-ttabel > -thitung atau thitung > ttabel
Ttabel dapat diperoleh dari tabel t pada tingkat signifikansi 5%, dengan derajat kebebasan (df) = n-k, dimana n = banyak observasi dan k = banyaknya variabel (independen maupun dependen), maka df = 69 – 4 = 65. Selain itu uji parsial dapat diketahui dengan membandingkan nilai probabilitas signifikansi pada tabel hasil penelitian dengan α = 5%. Suatu variabel independen memiliki pengaruh apabila nilai signifikansi tabel lebih kecil dari 0.005 (α = 5%).
Dari Tabel 4.8 tersebut dapat disimpulkan bahwa : 1. Perputaran Kas
Perputaran kas secara parsial tidak berpengaruh terhadap profabilitas yang diukur dengan ROA pada perusahan manufaktur sektor konsumsi pada periode 2010-2012. Hal ini terlihat dari :
thitung = 5.172 > ttabel = 1.997 Sig. tabel = 0.000 < α = 0.05 2. Perputaran Piutang
Perputaran piutang secara parsial berpengaruh terhadap profabilitas yang diukur dengan ROA pada perusahan manufaktur sektor
thitung = -4.947 < ttabel = -1.997 Sig. tabel = 0.000 < α = 0.05 3. Perputaran Persediaan
Perputaran persediaan secara parsial tidak berpengaruh terhadap profabilitas yang diukur dengan ROA pada perusahan manufaktur sektor konsumsi pada periode 2010-2012. Hal ini terlihat dari :
thitung = 2.372 > ttabel = 1.997 Sig. tabel = 0.021 < α = 0.05
4.2.3.3.Uji Simultan F (F-test)
Menurut Ghozali (2005 : 84) “Uji statistik F pada dasarnya menunjukkan apakah semua variabel independen atau bebas yang dimasukkan dalam model regresi berganda memiliki pengaruh secara bersama – sama terhadap variabel dependen”. Hasil uji F dapat dilihat pada tabel berikut :
Tabel 4.8 Hasil Uji F
ANOVAb
Model Sum of Squares df Mean Square F Sig. 1 Regression 27.631 3 9.210 14.225 .000a
Residual 42.085 65 .647
Total 69.716 68
a. Predictors: (Constant), Ln_PerputaranPersediaan, Ln_PerputaranKas, Ln_PerputaranPiutang
b. Dependent Variable: Ln_ROA
Jika nilai F-hitung > F-tabel variabel X secara bersama-sama memiliki pengaruh terhadap variabel Y. Dari tabel diatas dapat dilihat bahwa nilai sig.F adalah 14.225 sedangkan nilai α adalah 0.000. Dengan demikian nilai dari sig.F (0.000) < sig. α 0.05. Nilai F-hitung ( 14.225) > F-tabel (2.75) sehingga dapat disimpulkan bahwa semua variabel independen (perputaran kas, perputaran piutang, dan perputaran persediaan) secara bersama-sama berpengaruh terhadap variabel dependen (ROA).