BAB IV METODE PENELITIAN
4.6. Model dan Teknik Analisis Data
4.6.5. Pengujian Asumsi Klasik
Uji asumsi klasik merupakan pengujian yang harus dilakukan pada setiap model regresi linear, untuk mengetahui apakah data yang digunakan dalam pengujian hipotesis bebas dari asumsi klasik. Asumsi klasik adalah syarat-syarat yang harus dipenuhi suatu persamaan model regresi, agar model tersebut dinyatakan valid sebagai alat penduga. Sebelum data dianalisis dengan analisis regresi, data tersebut harus memenuhi persyaratan yaitu : (1) normal; (2) homogen; dan (3) linear (Gunawan, 2017). Uji penyimpangan asumsi klasik
digunakan untuk mengetahui normalitas data, serta ada tidaknya multikolinearitas, autokorelasi, dan heteroskedastis dalam model regresi.
4.6.3.1. Uji Normalitas
Ghozali dan Ratmono (2017) berpendapat bahwa uji normalitas bertujuan untuk menguji apakah dalam model regresi, variabel pengganggu atau residual mempunyai distribusi normal. Pengujian distribusi normal bertujuan untuk melihat apakah sampel yang diambil mewakili distribusi populasi. Suatu sampel dapat dikatakan mewakili populasi, jika distribusi sampel tersebut normal.
Pengujian normalitas residual yang banyak digunakan adalah dengan menggunakan Uji Jarque-Bera (J-B). Jika nilai koefisien J-B < 2 dan nilai probabilitasnya > 0,05 , maka data terdistribusi normal (Winarno, 2017).
4.6.3.2. Uji Multikolinearitas
Uji multikolinearitas bertujuan untuk mengetahui apakah pada suatu model regresi linear ditemukan adanya korelasi atau hubungan yang kuat antar variabel independen. Dalam hal terjadi gejala multikolinearitas, maka nilai koefisien beta dari sebuah variabel independen dapat berubah dramatis apabila ada penambahan atau pengurangan variabel independen ke dalam model regresi.
Jika dalam sebuah model regresi terdapat sebuah variabel independen yang berkorelasi kuat dengan variabel independen yang lain, maka kekuatan prediksi dari variabel independen tersebut tidak handal/tidak stabil (Statistikian.com, 2017).
Ghozali (2016) berpendapat multikolinearitas dalam model regresi dapat dideteksi salah satunya dengan cara menganalisa matrik korelasi variabel
independen. Apabila terdapat korelasi yang cukup tinggi antar variabel independen (umumnya di atas 0,90), hal ini mengindikasikan adanya multikolonieritas.
4.6.3.3. Uji Autokorelasi
Menguji apakah dalam model regresi linear terdapat korelasi residual pada periode t dengan residual pada periode t-1 (sebelumnya) merupakan tujuan dari uji autokorelasi. Model regresi yang baik adalah regresi yang bebas dari autokorelasi. Masalah autokorelasi sering ditemukan pada data time series, dimana nilai pada sampel atau observasi tertentu sangat dipengaruhi oleh nilai observasi sebelumnya (Ghozali, 2016).
Masalah autokorelasi dapat dideteksi dengan mempergunakan berbagai analisis, salah satunya adalah dengan uji Durbin-Watson (DW Test) (Ghozali, 2016). Nilai statistik dari uji Durbin-Watson berkisar di antara 0 dan 4. Nilai statistik dari uji Durbin-Watson yang lebih kecil dari 1 atau lebih besar dari 3 diindikasi terjadi autokorelasi (Field, 2009).
4.6.3.4. Uji Heteroskedastisitas
Uji heterokedastisitas dilakukan untuk menguji apakah dalam model regresi terjadi ketidaksamaan varians dari residual satu pengamatan ke pengamatan lain. Model regresi yang baik adalah bebas dari heterokedastisitas (Ghozali, 2016). Situasi heterokedastisitas sering terjadi pada data cross section,
karena menghimpun data yang mewakili berbagai ukuran (kecil, sedang dan besar).
Beberapa metode yang dapat digunakan untuk mendeteksi ada tidaknya heterokedastisitas antara lain: metode grafik, Uji Park, Uji Glejser, Uji Korelasi Spearman, Uji Goldfeld-Quandt, Uji White dan Uji Breusch-Pagan-Godfrey (Winarno, 2017). Dalam penelitian ini, digunakan Uji Breusch-Pagan-Godfrey, dimana jika nilai probabilitasChi-square pada Obs*R-Squared > 0,05 maka tidak ada masalah heterokedastisitas atau model regresi bersifat homoskedastisitas.
4.6.4. Pengujian Hipotesis
Ketepatan suatu fungsi regresi dapat diukur melalui nilai koefiesien determinasi, nilai statistik F dan nilai statistik t (Ghozali, 2016).
4.6.4.1. Uji Koefisien Determinasi (R2 Koefisien determinasi (R
)
2) mengukur seberapa jauh kemampuan model dalam menerangkan variasi variabel independen. Nilai R2adalah antara nol dan satu. Nilai R2sebesar 1 berarti fluktuasi variabel dependen seluruhnya dapat dijelaskan oleh variabel independen dan tidak terdapat faktor lainnya. Nilai R2 berkisar antara 0 sampai 1 berarti variabel independen memberikan hampir semua informasi yang diperlukan untuk memprediksi variasi variabel dependen. Secara umum, nilai R2 untuk data time series biasanya tinggi (Ghozali, 2016).
4.6.4.2. Uji F (Uji Simultan)
Uji F dilakukan untuk menguji signifikansi model secara simultan atau bersama-sama, yaitu melihat pengaruh dari seluruh variabel independen terhadap variabel dependen. Hipotesis dirumuskan dengan :
a. H0: b1 = b2 = b3 = b4 = b5
b. H
=0, artinya Current Ratio,Debt to Asset Ratio, Total Asset Turn Over, Inventory Turn Over dan Pertumbuhan Penjualantidak berpengaruh signifikan terhadap Pertumbuhan Laba;
a : b1 ≠ b2 ≠ b3 ≠ b4 ≠ b5
Kriteria pengambilan keputusan :
≠0, artinya Current Ratio,Debt to Asset Ratio, Total Asset Turn Over, Inventory Turn Over dan Pertumbuhan Penjualanberpengaruh signifikan terhadap Pertumbuhan Laba.
(1) Jika F hitung > F tabel dengan tingkat signifikansi 5%, maka H0
(2) Jika F hitung < F tabel dengan tingkat signifikansi 5%, maka H
ditolak atau hipotesis yang diajukan diterima, yang menyatakan bahwa semua variabel independen secara simultan dan signifikan mempengaruhi variabel dependen;
0
Hipotesis juga dapat diuji dengan melihat nilai probabilitasnya dengan memakai software Eviews. Jika nilai Prob. (F-statistics)< 0,05 maka H
diterima atau hipotesis yang diajukan ditolak.
a diterima;
dan jika nilai probabilitasnya >0,05 maka Ho diterima.
4.6.4.3. Uji t (Uji parsial)
Uji t dilakukan untuk menguji signifikansi model secara parsial, yaitu melihat pengaruh dari variabel independen secara individual terhadap variabel dependen. Pengujian ini dilakukan pada taraf signifikansi 0,05 dengan ketentuan sebagai berikut:
Ho : apabila probabilitas t-Statistics > 0,05, maka Ho H
diterima
a : apabila probabilitas t-Statistics < 0,05, maka Ha diterima
Jika Ho diterima berarti variabel independen yang diuji tidak berpengaruh terhadap variabel dependen. Jika Hoditolak berarti variabel independen yang diuji berpengaruh terhadap variabel dependen.
4.6.5. Model Pengujian Variabel Moderating
Menurut Ghozali (2016), ada 3 (tiga) metode yang digunakan untuk melakukan uji regresi dengan variabel moderating yaitu uji interaksi, uji nilai selisih absolut dan uji residual. Pengujian variabel moderating dengan uji interaksi dan uji selisih mutlak mempunyai kencenderungan akan terjadi multikolinieritas yang tinggi antara variabel independen. Untuk mengatasi multikolineritas ini, maka dikembangkan metode lain yang disebut uji residual.
Dalam penelitian ini menggunakan metode uji residual dalam melakukan uji regresi dengan variabel moderating. Adapun kriteria apakah suatu variabel dapat memoderasi sebagai berikut:
a. Jika nilai probabilitas > 0,05, maka Z tidak mampu memoderasi hubungan X dan Y;
b. Jika nilai probabilitas < 0,05, maka Z mampu memoderasi hubungan X dan Y.
Persamaan regresi variabel moderating adalah sebagai berikut:
Z = a + b1.X1 + b2.X2 + b3.X3 + b4.X4 + b5.X5
|e| = a + b
+ e ….……...….(Model Regresi II)
1
Keterangan :
.Y …...………..……...…….(Model Regresi Uji Residual)
Z = Ukuran Perusahaan (Size)
a = konstanta
b1-b5 = koefisien regresi variabel X1 – X Y = Pertumbuhan Laba (Profit Growth)
5
= Total Asset Turn Over
4
X
= Inventory Turn Over
5
e = kesalahan residual
= Pertumbuhan Penjualan (Sales Growth)
|e| = absolute residual
BAB V
HASIL PENELITIAN DAN PEMBAHASAN
5.1 Hasil Penelitian 5.1.1 Statistik Deskriptif
Penelitian ini bertujuan untuk mengetahui pengaruh rasio keuangan terhadap pertumbuhan laba dan apakah ukuran perusahaan dapat memoderasi pengaruh tersebut. Variabel-variabel yang digunakan dalam penelitian ini adalah (1) Variabel Dependen : Pertumbuhan Laba (Profit_Gro); (2) Variabel Independen : Current Ratio (CR), Debt to Asset Ratio (DAR), Total Asset Turn Over (TATO), Inventory Turn Over (ITO), Pertumbuhan Penjualan (Sales_Gro);
dan (3) Variabel Moderating : Ukuran Perusahaan (Size).
Populasi dalam penelitian ini meliputi perusahaan sektor consumer goods yang terdaftar di Bursa Efek Indonesia dengan periode pengamatan tahun 2013
sampai dengan 2017 (5 tahun) berjumlah 38 perusahaan. Dari populasi tersebut terpilih 24 perusahaan yang dijadikan sampel penelitian dengan menggunakan metode purposive sampling, sehingga total pengamatan variabel penelitian sebanyak 120.
Statistik deskriptif digunakan untuk mengetahui deskripsi suatu data dari nilai maksimum, nilai minimum, nilai rata-rata (mean) dan nilai standar deviasi.
Perhitungan statistik deskriptif dilakukan terhadap variabel-variabel yang digunakan dalam penelitian ini. Hasil analisis statistik deskriptif masing-masing variabel disajikan dalam Tabel 5.1 di bawah ini.
Tabel 5.1 Statistik Deskriptif
Variabel Min Max Mean Std. Dev
PROFIT_GRO -0.70 3.59 0.160 0.538
CR 0.51 10.25 3.007 2.153
DAR 0.07 0.75 0.356 0.178
TATO 0.55 3.06 1.425 0.592
ITO 1.14 24.06 5.454 4.464
SALES_GRO -0.28 1.25 0.112 0.162
LnSIZE 25.8 32.15 28.844 1.598
N = 120
Sumber : Hasil Olahan Software Eviews 9
Tabel 5.1 menunjukkan bahwa nilai rata-rata (mean) variabel Pertumbuhan Laba (Profit Growth) adalah 0,160, dimana 65% perusahaan mempunyai nilai di bawah nilai rata-rata dan 35% perusahaan mempunyai nilai di atas nilai rata-rata. Nilai minimum sebesar -0,70 dimiliki oleh Mandom Indonesia Tbk (TCID) pada tahun 2016 dan nilai maksimum sebesar 3,59 dimiliki oleh Sekar Bumi Tbk (SKBM) pada tahun 2013.
Variabel Current Ratio (CR) memiliki nilai rata-rata sebesar 3,007, dimana 70% perusahaan mempunyai nilai di bawah nilai rata-rata dan 30%
perusahaan mempunyai nilai di atas nilai rata-rata. Nilai minimum sebesar 0,51 dimiliki oleh Multi Bintang Indonesia Tbk (MLBI) pada tahun 2014 dan nilai maksimum sebesar 10,25 dimiliki oleh Industri Jamu dan Farmasi Sido Muncul Tbk (SIDO) pada tahun 2014.
Variabel Debt to Asset Ratio (DAR) memiliki nilai rata-rata sebesar 0,356, dimana 44% perusahaan mempunyai nilai di bawah nilai rata-rata dan 56%
perusahaan mempunyai nilai di atas nilai rata-rata. Nilai minimum sebesar 0,07 dimiliki oleh Industri Jamu dan Farmasi Sido Muncul Tbk (SIDO) pada tahun 2014 dan nilai maksimum sebesar 0,75 dimiliki oleh Multi Bintang Indonesia Tbk (MLBI) pada tahun 2014.
Variabel Total Asset Turn Over (TATO) memiliki nilai rata-rata sebesar 1,425, dimana 74% perusahaan mempunyai nilai di bawah nilai rata-rata dan 26%
perusahaan mempunyai nilai di atas nilai rata-rata. Nilai minimum sebesar 0,55 dimiliki oleh Nippon Indosari Corpindo Tbk (ROTI) pada tahun 2017 dan nilai maksimum sebesar 3,06 dimiliki oleh Wilmar Cahaya Indonesia Tbk (CEKA) pada tahun 2017.
Variabel Inventory Turn Over (ITO) memiliki nilai rata-rata sebesar 5,454, dimana 61% perusahaan mempunyai nilai di bawah nilai rata-rata dan 39%
perusahaan mempunyai nilai di atas nilai rata-rata. Nilai minimum sebesar 1,14 dimiliki oleh Delta Djakarta Tbk (DLTA) pada tahun 2017 dan nilai maksimum sebesar 24,06 dimiliki oleh Nippon Indosari Corpindo Tbk (ROTI) pada tahun 2016.
Variabel Pertumbuhan Penjualan (Sales Growth) memiliki nilai rata-rata sebesar 0,112, dimana 59% perusahaan mempunyai nilai di bawah nilai rata-rata dan 41% perusahaan mempunyai nilai di atas nilai rata-rata. Nilai minimum sebesar -0,28 dimiliki oleh Merck Tbk (MERK) pada tahun 2014 dan nilai maksimum sebesar 1,25 dimiliki oleh Wilmar Cahaya Indonesia Tbk (CEKA) pada tahun 2013.
Variabel Ukuran Perusahaan (Size) memiliki nilai rata-rata sebesar 28,844, dimana 62% perusahaan mempunyai nilai di bawah nilai rata-rata dan 38% perusahaan mempunyai nilai di atas nilai rata-rata. Nilai minimum sebesar 25,80 dimiliki oleh Pyridam Farma Tbk (PYFA) pada tahun 2017 dan nilai maksimum sebesar 32,15 dimiliki oleh Indofood Sukses Makmur Tbk (INDF) pada tahun 2015.
Standar deviasi merupakan akar kuadrat dari varian untuk mengukur seberapa besar keragaman data. Nilai rata-rata (mean) hanya menggambarkan sentral dari kelompok data dan bukan penyebarannya. Dengan menggunakan standar deviasi dapat diketahui penyebaran nilai data atau dengan kata lain seberapa besar perbedaan nilai masing-masing data (Thoifah, 2015). Semakin besar standar deviasi yang dimiliki oleh suatu variabel, maka nilai data menyebar atau perbedaan nilai masing-masing data besar. Sebaliknya semakin kecil standar deviasi, maka nilai data saling berdekatan atau perbedaan nilai masing-masing data kecil. Standar deviasi tertinggi dimiliki oleh variabel Inventory Turn Over(ITO) dengan nilai 4,464; sedangkan standar deviasi terendah dimiliki oleh variabel Pertumbuhan Penjualan (Sales Growth) dengan nilai 0,162.
5.1.2 Uji Asumsi Klasik
5.1.2.1 Uji Normalitas
Dalam penelitian ini, uji normalitas terhadap residual menggunakan uji Jarque-Bera (J-B). Adapun tingkat signifikansi yang digunakanadalah𝛼𝛼 = 0,05.
Dasar pengambilan keputusan adalah dengan melihat angka probabilitas dari statistik J-B, dengan ketentuan sebagai berikut:
a. Jika nilai probabilitas 𝑝𝑝 ≥ 0,05, maka asumsi normalitas terpenuhi.
b. Jika probabilitas < 0,05, maka asumsi normalitas tidak terpenuhi.
Gambar 5.1 Uji Normalitas dengan Uji Jarque-Bera Sumber: Hasil Olahan Software Eviews 9
Gambar 5.1 menunjukkan bahwa nilai probabilitas dari statistik J-B adalah 0,553877 (𝑝𝑝> 0,05) berarti data terdistribusi normal sehingga asumsi normalitas terpenuhi.
5.1.2.2 Uji Multikolinearitas
Gejala multikolinearitas dapat dilihat dari nilai korelasi antar variabel independen yang terdapat dalam matriks korelasi. Ghozali (2016) menyatakan jika terdapat korelasi yang cukup tinggi antar variabel independen, umumnya di atas
0 Skewness 0.191772 Kurtosis 2.701304 Jarque-Bera 1.181627 Probability 0.553877
0,90, hal ini mengindikasikan adanya multikolinearitas. Hasil uji multikolinearitas disajikan pada Tabel 5.2.
Tabel 5.2
Uji Multikolinearitas dengan Matriks Korelasi
CR DAR TATO ITO Sales_Gro
CR 1.000000 -0.613370 -0.221427 -0.290880 -0.275410 DAR -0.613370 1.000000 0.190262 0.402729 0.260391 TATO -0.221427 0.190262 1.000000 -0.013047 0.260309 ITO -0.290880 0.402729 -0.013047 1.000000 0.173439 Sales_Gro -0.275410 0.260391 0.260309 0.173439 1.000000 Sumber: Hasil Olahan Software Eviews 9
Tabel 5.2 menunjukkan bahwa nilai korelasi antar variabel independen tidak lebih dari 0,90 sehingga dapat disimpulkan bahwa tidak terdapat gejala multikolinearitas antar variabel independen.
5.1.2.3 Uji Autokorelasi
Asumsi mengenai independensi terhadap residual (non-autokorelasi) dapat diuji dengan menggunakan uji Durbin-Watson. Nilai statistik dari uji Durbin-Watson berkisar di antara 0 dan 4. Nilai statistik dari uji Durbin-Watson yang lebih kecil dari 1 atau lebih besar dari 3 diindikasi terjadi autokorelasi.
Tabel 5.3
Uji Autokorelasi dengan Uji Durbin-Watson
Log likelihood -181.7353 Hannan-Quinn criter. 3.185523 Durbin-Watson stat 1.581858 Sumber: Hasil Olahan Software Eviews 9
Tabel 5.3 menunjukkan nilai statistik Durbin-Watson adalah 1,581858 yaitu terletak di antara 1 dan 3 (1 < 1,581858 < 3),sehingga dapat disimpulkan tidak terjadi gejala autokorelasi yang tinggi pada residual.
5.1.2.4 Uji Heterokedastisitas
Model regresi yang baik adalah bebas dari heterokedastisitas. Salah satu metode yang dapat digunakan untuk mendeteksi ada tidaknya heteroskedastisitas adalah dengan menggunakan Uji Breusch-Pagan-Godfrey. Hasil uji heterokedastisitas disajikan pada Tabel 5.4.
Tabel 5.4
Uji Heteroskedastisitas (Uji Breusch-Pagan-Godfrey) Heteroskedasticity Test: Breusch-Pagan-Godfrey
F-statistic 2.254972 Prob. F(5,114) 0.0536 Obs*R-squared 10.80012 Prob. Chi-Square(5) 0.0555 Sumber: Hasil Olahan Software Eviews 9
Tabel 5.4 menunjukkan bahwa nilai Prob Obs*R-Squared adalah 0,0555> 0,05, berarti tidak ada masalah heteroskedastisitas.
5.1.3 Pemilihan Model Estimasi 5.1.3.1 Uji Chow
Uji Chow digunakan untuk menentukan apakah model estimasi Common Effect Model (CEM) atauFixed Effect Model (FEM) yang lebih baik digunakan dalam membentuk model regresi. Hipotesis yang diuji sebagai berikut.
Ho H
:Probabilitas cross-section Chi-square> 0,05 dipilih common effect model
1
Hasil Uji Chow disajikan dalam Tabel 5.5.
: Probabilitas cross-section Chi-square< 0,05 dipilih fixed effect model
Tabel 5.5 Hasil Uji Chow
Effects Test Statistic d.f. Prob.
Cross-section F 2.689675 (23,91) 0.0005
Cross-section Chi-square 62.241540 23 0.0000
Sumber : Hasil Olahan Software Eviews 9
Berdasarkan Tabel 5.5 diketahui bahwa nilai probabilitas pada cross-section Chi-square adalah 0,0000 yaitu lebih kecil dari 0,05; sehingga model estimasi yang lebih baik adalah Fixed Effect Model (FEM).
5.1.3.2 Uji Hausman
Uji Hausman digunakan untuk menentukan apakah model estimasi Fixed Effect Model (FEM) atauRandom Effect Model (REM) yang lebih baik digunakan dalam membentuk model regresi. Hipotesis yang diuji sebagai berikut.
Ho H
:Probabilitas cross-section random > 0,05 dipilih random effect model
1
Hasil Uji Hausman disajikan dalam Tabel 5.6.
: Probabilitas cross-section random< 0,05 dipilih fixed effect model
Tabel 5.6 Hasil Uji Hausman
Test Summary Chi-Sq. Statistic Chi-Sq. d.f. Prob.
Cross-section random 13.425172 5 0.0197
Sumber : Hasil Olahan Software Eviews 9
Berdasarkan Tabel 5.6 diketahui bahwa nilai probabilitas cross-section random adalah 0,0197 yaitu lebih kecil dari 0,05; sehingga model estimasi yang lebih baik adalah Fixed Effect Model (FEM).
5.1.4 Pengujian Hipotesis
Pada pengujian hipotesis akan dilakukan uji koefisien determinasi (R2), uji pengaruh simultan (uji F), dan pengujian pengaruh parsial (uji t). Nilai-nilai statistik dari koefisien determinasi, uji F, dan uji t disajikan pada Tabel 5.7.
Tabel 5.7
Nilai statistik dari Koefisien Determinasi,Uji F, dan Uji t
Variable Coefficient Std. Error t-Statistic Prob.
CR? -0.181439 0.082463 -2.200242 0.0303
DAR? 2.100878 0.945495 2.221986 0.0288
TATO? 0.222136 0.339212 0.654859 0.5142
ITO? 0.129227 0.110008 1.174704 0.2432
Sales_Gro? -0.293238 0.637969 -0.459643 0.6469
C -3.021114 0.777732 -3.884520 0.0002
R-squared 0.511993 Mean dependent var -1.829806 Adjusted R-squared 0.361837 S.D. dependent var 1.220279 S.E. of regression 0.974821 Akaike info criterion 2.993576 Sum squared resid 86.47517 Schwarz criterion 3.667220 Log likelihood -150.6146 Hannan-Quinn criter. 3.267146 F-statistic 3.409739 Durbin-Watson stat 2.392896 Prob(F-statistic) 0.000005
Sumber : Hasil Olahan Software Eviews 9
5.1.4.1 Uji Koefisien Determinasi (R2
Tabel 5.7 menunjukkan bahwa nilai koefisien determinasi (Adjusted R-squared) sebesar 𝑅𝑅2 = 0,3618. Nilai tersebut dapat diartikan bahwa CR, DAR, TATO, ITO, Sales_Gro mampu mempengaruhi/menjelaskan Profit_Gro secara
)
simultan atau bersama-sama sebesar 36,18%, dan sisanya sebesar 63,82%
dipengaruhi oleh faktor-faktor lain yang tidak dimasukkan dalam model regresi.
5.1.4.2 Uji F (Uji Simultan)
Uji 𝐹𝐹 bertujuan untuk menguji pengaruh variabel independen secara bersama-sama atau simultan terhadap variabel dependen.Tabel 5.7 menunjukkan bahwa nilai Prob. (F-statistics)yaitu 0,000005< 0,05, sehingga dapat disimpulkan bahwa seluruh variabel independen, yakni CR, DAR, TATO, ITO, Sales_Gro secara simultan berpengaruh signifikan terhadap variabel Profit_Gro.
5.1.4.3 Uji t (Uji parsial)
Berdasarkan Tabel 5.7 diperoleh persamaan regresi data panel sebagai berikut:
𝑃𝑃𝑃𝑃𝑃𝑃𝑃𝑃𝑃𝑃𝑃𝑃_𝐺𝐺𝑃𝑃𝑃𝑃 = −3,02 − 0,18𝐶𝐶𝑅𝑅 + 2,10𝐷𝐷𝐷𝐷𝑅𝑅 + 0,22𝑇𝑇𝐷𝐷𝑇𝑇𝑇𝑇 + 0,12𝐼𝐼𝑇𝑇𝑇𝑇 − 0,29𝑆𝑆𝑆𝑆𝑆𝑆𝑆𝑆𝑆𝑆_𝐺𝐺𝑃𝑃𝑃𝑃
Persamaan tersebut dapat diartikan sebagai berikut:
a. Nilai koefisien dari variabel CR adalah -0,18, yakni bernilai negatif. Nilai tersebut dapat diinterpretasikan variabel CR berpengaruh negatif terhadap variabel Profit_Gro. Diketahui nilai Prob dari variabel CR adalah 0,0303, yakni < 0,05, maka variabel CR berpengaruh signifikan (secara statistika) terhadap variabel Profit_Gro, pada tingkat signifikansi 5%.
b. Nilai koefisien dari variabel DAR adalah 2,10, yakni bernilai positif. Nilai tersebut dapat diinterpretasikan variabel DAR berpengaruh positif terhadap variabel Profit_Gro. Diketahui nilai Prob dari variabel DAR adalah 0,0288, yakni < 0,05, maka variabel DAR berpengaruh signifikan (secara statistika) terhadap variabel Profit_Gro, pada tingkat signifikansi 5%.
c. Nilai koefisien dari variabel TATO adalah 0,22, yakni bernilai positif. Nilai tersebut dapat diinterpretasikan variabel TATO berpengaruh positif terhadap variabel Profit_Gro. Diketahui nilai Prob dari variabel TATO adalah 0,5142, yakni > 0,05, maka variabel TATO berpengaruh tidak signifikan (secara statistika) terhadap variabel Profit_Gro, pada tingkat signifikansi 5%.
d. Nilai koefisien dari variabel ITO adalah 0,12, yakni bernilai positif. Nilai tersebut dapat diinterpretasikan variabel ITO berpengaruh positif terhadap variabel Profit_Gro. Diketahui nilai Prob dari variabel ITO adalah 0,2432, yakni > 0,05, maka variabel ITO berpengaruh tidak signifikan (secara statistika) terhadap variabel Profit_Gro, pada tingkat signifikansi 5%.
e. Nilai koefisien dari variabel Sales_Gro adalah -0,29, yakni bernilai negatif.
Nilai tersebut dapat diinterpretasikan variabel Sales_Gro berpengaruh negatif terhadap variabel Profit_Gro. Diketahui nilai Prob dari variabel Sales_Gro adalah 0,6469, yakni > 0,05, maka variabel Sales_Gro berpengaruh tidak signifikan (secara statistika) terhadap variabel Profit_Gro, pada tingkat signifikansi 5%.
5.1.5 Uji Signifikansi Moderasi Dengan Uji Residual
Uji signifikansi moderasi dengan Uji Residual dilakukan untuk membuktikan apakah Ukuran Perusahaan (Size) dapat memoderasi pengaruh Current Ratio, Debt to Asset Ratio, Total Asset Turn Over, Inventory Turn Over dan Pertumbuhan Penjualan terhadap Pertumbuhan Laba. Analisis regresi dilakukan dengan Ukuran Perusahaan (Size) sebagai variabel dependen dengan hasil sebagaimana disajikan dalam Tabel 5.8.
Tabel 5.8
Hasil Regresi Current Ratio, Debt to Asset Ratio, Total Asset Turn Over, Inventory Turn Over, Pertumbuhan Penjualanterhadap Ukuran Perusahaan
Variable Coefficient Std. Error t-Statistic Prob.
CR 0.053270 0.088834 0.599654 0.5499
DAR 1.007145 1.113546 0.904448 0.3677
TATO 0.071279 0.265311 0.268662 0.7887
ITO 0.007395 0.036724 0.201357 0.8408
Sales_Gro -1.164317 0.983492 -1.183861 0.2389
C 28.31383 0.716610 39.51078 0.0000
Sumber : Hasil Olahan Software Eviews 9
Berdasarkan Tabel 5 .8, persamaan regresi variabel moderating adalah sebagai berikut:
𝑆𝑆𝑃𝑃𝑆𝑆𝑆𝑆 = 28,313 + 0,053𝐶𝐶𝑅𝑅 + 1,007𝐷𝐷𝐷𝐷𝑅𝑅 + 0,071𝑇𝑇𝐷𝐷𝑇𝑇𝑇𝑇 + 0,007𝐼𝐼𝑇𝑇𝑇𝑇 − 1,164𝑆𝑆𝑆𝑆𝑆𝑆𝑆𝑆𝑆𝑆_𝐺𝐺𝑃𝑃𝑃𝑃
Persamaan regresi di atas bertujuan untuk mendapatkan nilai residual dari Ukuran Perusahaan (size)yang akan digunakan pada uji residual.
Hasil pengujian signifikansi Ukuran Perusahaan (size) dalam memoderasi pengaruh Current Ratio, Debt to Asset Ratio, Total Asset Turn Over, Inventory Turn Over dan Pertumbuhan Penjualan terhadap Pertumbuhan Laba dengan menggunakan uji residual disajikan dalam Tabel 5.9.
Tabel 5.9
Uji Signifikansi Ukuran Perusahaan Dalam Memoderasi
Pengaruh Current Ratio, Debt to Asset Ratio, Total Asset Turn Over, Inventory Turn Over dan Pertumbuhan Penjualanterhadap Pertumbuhan Laba
Variable Coefficient Std. Error t-Statistic Prob.
Profit_Gro -0.011138 0.067988 -0.163823 0.8702
C 1.274799 0.149339 8.536296 0.0000
Sumber : Hasil Olahan Software Eviews 9
Berdasarkan Tabel 5.9 diperoleh persamaan moderasi uji residual sebagai berikut:
|𝑆𝑆| = 1,274 − 0.011138𝑃𝑃𝑃𝑃𝑃𝑃𝑃𝑃𝑃𝑃𝑃𝑃_𝐺𝐺𝑃𝑃𝑃𝑃
Koefisien regresi dari Profit_Gro, pada Tabel 5.9 adalah -0.011138 (bernilai negatif) namun tidak signifikan (Prob.0,8702> 0,05). Hal ini berarti Ukuran Perusahaan (size) tidak dapat memoderasi pengaruh Current Ratio, Debt to Asset Ratio, Total Asset Turn Over, Inventory Turn Over dan Pertumbuhan Penjualan terhadap Pertumbuhan Laba.
5.2 Pembahasan
5.2.1 Pengaruh Current Ratio Terhadap Pertumbuhan Laba (Profit Growth) Hasil penelitian ini menunjukkan bahwa Current Ratio berpengaruh negatif dan signifikan terhadap Pertumbuhan Laba (Profit Growth). Hal ini berarti bahwa Current Ratio yang tinggi belum tentu memberikan dampak yang positif bagi pertumbuhan laba perusahaan, sebab semakin tinggi Current Ratio, semakin rendahPertumbuhan Laba dari waktu ke waktu. Kemampuan perusahaan dalam memenuhi kewajiban jangka pendeknya tidak sejalan dengan kemampuan perusahaan dalam menciptakan pertumbuhan laba yang diinginkan.
Current Ratio yang tinggi bisa saja disebabkan karena kurang efektifnya manajemen kas, persediaan dan piutang, dimana perusahaan memegang uang kas dalam jumlah besar, menumpuknya persediaan di gudang, atau tingginya piutang usaha (Hery, 2016). Perusahaan yang dinilai terlalu likuid akan berdampak buruk bagi kinerja perusahaan, karena manajemen tidak dapat memanfaatkan aktiva produktifnya sehingga menimbulkan biaya bagi perusahaan, yang pada akhirnya akan mengakibatkan penurunan laba. Teori Sinyal menjelaskan bahwa informasi
dalam laporan keuangan merupakan sarana bagi manajemen perusahaan dalam memberikan sinyal kepada publik terutama kepada para investor. Current Ratio yang tinggi bisa berarti merupakan sinyal negatif bagi keberlangsungan investasi yang ditanamkan oleh para investor, karena semakin tinggi Current Ratio semakin rendah pertumbuhan laba yang akan diperoleh.
Berdasarkan data penelitian, diketahui bahwa peningkatan Current Ratio dari tahun ke tahun didorong oleh peningkatan persediaan yang merupakan komponen dalam current asset yang mempunyai porsi terbesar. Dalam laporan keuangan perusahaan sektor consumer goods, persediaan terdiri dari persediaan bahan baku, bahan pembantu, bahan suku cadang, bahan kemasan, barang dalam proses, barang jadi (finished goods) dan lainnya (tidak sama pada semua perusahaan).Bila dilihat dari jenisnya, perusahaan sektor consumer goods memang memerlukan banyak persediaan bahan baku dan persediaan lainnya yang mendukung untuk diolah menjadi barang jadi (finished goods). Persediaan merupakan aset yang dianggap paling tidak likuid diantara akun-akun dalam current asset. Persediaan memerlukan tahapan yang cukup panjang untuk dijadikan kas, karena harus diproses lagi menjadi barang jadi (finished goods) yang siap untuk dijual.
Heikal et al menyatakan bahwa peningkatan bahan baku dan barang dalam proses dapat menyebabkan peningkatan Current Ratio tetapi tidak meningkatkan laba dikarenakan perusahaan harus mengeluarkan biaya untuk memproses bahan baku dan barang dalam proses tersebut untuk dijadikan barang jadi (finished goods) yang siap untuk dijual.