BAB III METODE PENELITIAN
G. Teknik Pengumpulan Data
Teknik pengumpulan data yang digunakan pada penelitian ini adalah dari dokumen. Teknik ini dilakukan dengan cara mencatat variabel yang berkaitan dengan penelitian yaitu informasi mengenai laba dan arus kas pada laporan keuangan. Dokumen yang digunakan pada penelitian ini adalah data laporan keuangan tahunan (Annual Report) perusahaan manufaktur yang terdaftar di Bursa Efek Indoensia (BEI) periode 2016-2019. Data ini diperoleh dari situs http://www.idx.co.id serta berbagai literatur seperti buku, jurnal ilmiah, artikel, penelitian terdahulu dan lainnya.59
H. Teknik Analisa Data
Teknik analisa data pada penelitian ini yang digunakan adalah Analisa data dengan teknik statistik deskriptif. Teknik statistik deskriptif adalah metode yang berkaitan dengan transformasi data mentah kedalam suatu bentuk informasi atau angka yang ditampilkan sehingga lebih mudah dipahami dan ditafsirkan oleh pembaca.
I. Pengujian Model 1. Uji asumsi klasik
59 Titin Kostia Ramon, Op.Cit, Hal.15.
a. Uji normalitas
Uji normalitas bertujuan untuk menguji apakah variabel dependen dan variabel independen dalam model regresi tersebut terdistribusi secara normal. Model regresi yang baik adalah model regresi yang mempunyai distribusi data normal atau mendekati normal. Untuk mengetahui apakah residual terdistribusi secara normal atau tidak dapat dilakukan dengan cara menggunakan analisis grafik dan uji statistik non-parametik Kolmogorov-Smirnov (K-S).
Dengan menggunakan analisis grafik, normalitas mampu dideteksi dilihat dari penyebaran data pada sumbu diagonal dari grafik atau melihat histrogram dari residualnya. Normalitas terpenuhi jika titik data terkumpul disekitar garis lurus. Uji normalitas dapat dilihat dengan menggunakan Kolmogorov Smirnov apabila:60
1) Probabilitas data > 0,05 maka H0 diterima yang artinya data terdistribusi secara normal.
2) Probabilitas data < 0,05 maka H0 ditolak yang artinya data tidak terdistribusi secara normal.
b. Uji heterokedastisitas
Uji heterokedastisitas bertujuan untuk mengetahui dan menguji apakah dalam suatu model regresi terjadi ketidaksamaan varian dari residual suatu pengamatan terhadap pengamatan lain. Apabila varian residual suatu
60 Ibid., Hal.15.
pengamatan sama maka disebut homokedastisitas. Suatu model regresi dikatakan baik apabila tidak terjadi heterokedastisitas. Dalam menguji terjadi atau tidaknya heterokedastisitas adalah apabila sig > 0,05 maka dapat dikatakan tidak terdapat gejala heterokedastisitas. Namun apabila sig < 0,05 dapat dikatakan akan terjadi heterokedastisitas.61
c. Uji autokorelasi
Uji autokorelasi adalah uji yang bertujuan untuk menguji apakah pada model regresi linear terdapat korelasi antara kesalahan penggangu pada periode t dengan kesalahan penggangu pada periode sebelumnya (t-1).
Apabila terjadi korelasi maka dikatakan ada masalah autokorelasi.
Autokorelasi muncul karena adanya observasi yang dilakukan secara berurutan sepanjang waktu yang berkaitan antara satu dengan yang lainnya.
Model regresi linear yang baik ditunjukkan dengan tidak adanya autokorelasi. Untuk menguji apakah ada atau tidaknya gejala auto korelasi pada model regresi digunakan model statistik dari Durbin Watson (DW Test), dengan kriteria sebagai berikut ini :62
Tabel 3.1 Kriteria Autokorelasi Nilai d Keterangan
<1,10 Terjadi korelasi
61 Ibid., hal.15.
62 Ndaru Hesti Cahyaningrum, Op.cit, Hal.50.
1,10-1,54 Tidak terjadi korelasi 1,55-2,46 Tidak terjadi korelasi 2,47-2,90 Tidak terjadi korelasi
>2,91 Terjadi korelasi
2. Analisis regresi
Pengujian hipotesis pada penelitian ini akan diuji dengan menggunakan analisis linear sederhana karena pada penelitian ini akan menguji ketergantungan satu variabel bebas terhadap satu variabel terikat. Persamaan analisis regresi linear sederhana sebagai berikut :
Y = α + βX + e Keterangan :
Y = variabel dependen tahun pengamatan.
α = konstanta.
β = koefesien regresi.
X = variabel independent tahun sebelumnya.
e = variabel gangguan.
Metode pooled regression pada penelitian ini digunakan untuk menguji kemampuan laba dan arus kas dalam memprediksi laba dan arus kas masa
mendatang. Persamaan metode pooled regression untuk menguji hipotesis adalah sebagai berikut :63
a. Untuk menguji hipotesis pertama LLbt = αi + βiLLbt-1 + ei
Persamaan ini digunakan untuk menguji hipotesis prediksi laba tahun sebelumnya (t-1) terhadap laba tahun pengamatan (t).
b. Untuk menguji hipotesis kedua LLbt = αi + βiLAkt-1 + ei
Persamaan ini digunakan untuk menguji hipotesis prediksi arus kas tahun sebelumnya (t-1) terhadap laba tahun pengamatan (t).
c. Untuk menguji hipotesis ketiga LAkt = αi + βiLLbt-1 + ei
Persamaan ini digunakan untuk menguji hipotesis prediksi laba tahun sebelumnya (t-1) terhadap arus kas tahun pengamatan (t).
d. Untuk menguji hipotesis keempat LAkt = αi + βiLAkt-1 + ei
Persamaan ini digunakan untuk menguji hipotesis prediksi arus kas tahun sebelumnya (t-1) terhadap arus kas tahun pengamatan (t).
Keterangan:
LLbt = Logaritma laba bersih setelah pajak tahun yang diprediksi.
63 P. D’yan Yaniartha S, “Kemampuan Prediksi Laba dan Arus Kas Dalam Memprediksi Laba dan Arus Kas Pada Masa Mendatang”, (Bali : Jurnal Ilmiah Akuntansi dan Bisnis Universitas Udayana, Vol.6, No.2, 2011), Hal.10.
LAkt = Logaritma arus kas operasi tahun yang diprediksi.
αi = Konstanta.
βi = Koefisien yang mengukur perubahan Lbt akibat perubahan Lbt-1. LLbt-1 = Logaritma laba bersih setelah pajak sebelum tahun prediksi.
LAkt-1 = logaritma arus kas operasi sebelum tahun prediksi.
3. Uji Hipotesis
a. Uji t (Uji Parsial)
Uji t dilakukan untuk menguji pengaruh variabel dependen (terikat) dan variabel independen (bebas) secara terpisah.64 Dalam pengambilan keputusan yang didasarkan nilai t hitung masing-masing koefisien regresi dengan menggunakan t tabel sesuai dengan tingkat signifikan yang digunakan. Untuk menguji hipotesis menggunakan uji t yaitu sebagai berikut:
1) Berdasarkan nilai signifikan.
Apabila probabilitas (signifikansi) < 0,05 maka variabel independen (bebas) mempunyai pengaruh terhadap variabel dependen (terikat), yang artinya hipotesis diterima. Sebaliknya, apabila probabilitas (signifikansi) > 0,05 maka variabel independen (bebas) tidak mempunyai pengaruh terhadap variabel dependen (terikat), yang artinya hipotesis ditolak.
2) Membandingkan nilai t hitung dengan t tabel.
64 Ibid., Hal.16.
Apabila t hitung lebih kecil dari t tabel maka variabel independen (bebas) tidak mempunyai pengaruh terhadap variabel dependen (terikat), artinya hipotesis ditolak. Sebaliknya, apabila t hitung lebih besar dari t tabel maka variabel independent (bebas) mempunyai pengaruh terhadap variabel dependen (terikat), artinya hipotesis diterima.
4. Analisis koefesien determinasi (R2)
Analisis koefesien determinasi (R2) digunakan untuk mengukur seberapa jauh model variasi dari variabel dependen yang dijelaskan oleh variabel independen. Nilai koefisien determinasi adalah antara nol dan satu. Hal ini menunjukkan bahwa nilai koefisien determinasi (R2) yang kecil menunjukkan kemampuan variabel independen (bebas) dalam menjelaskan variabel dependen (terikat) sangat terbatas. Apabila R2 sama dengan nol, berarti variabel independen (bebas) tidak mempunyai pengaruh terhadap variabel dependen (terikat). Namun, apabila nilai koefisien determinasi mendekati 1, artinya variabel independen (bebas) mempunyai pengaruh yang sempurna terhadap variabel dependen (terikat). 65
Jadi Analisis koefesien determinasi (R2) digunakan untuk menjelaskan kemampuan variabel independent (bebas) dalam menjelaskan variabel dependen terikat dengan rumus sebagai berikut :
KD = r2 × 100%
65 Ibid., hal.16.
Keterangan :
KD = Koefesien Determinasi.
r2 = Koefesien Regresi.
53 BAB IV
HASIL PENELITIAN DAN PEMBAHASAN
A. Sejarah dan Perkembangan Bursa Efek Indonesia
Di Indonesia pasar modal atau bursa efek telah ada jauh sebelum Indonesia merdeka yaitu sejak zaman penjajahan kolonial belanda pada tahun 1912 yang berada di Batavia. Pada awal nya pasar modal didirikan oleh pemerintah Hindia Belanda untuk kepentingan VOC atau pemerintah kolonial. Walaupun pasar modal telah ada sejak 1912, akan tetapi perkembangan dan pertumbuhannya tidak berjalan sesuai dengan yang diharapkan, bahkan kegiatan pasar modal sempat terhenti pada beberapa periode.
Kevakuman kegiatan pasar modal tersebut disebabkan oleh perang dunia ke I dan II, perpindahan kekuasaan dari pemerintahan kolonial belanda kepada pemerintah Republik Indonesia, serta berbagai situasi dan kondisi yang menyebabkan kegiatan bursa efek tidak dapat berjalan dengan efektif. Pada tahun 1977 pemerintah Republik Indonesia mengaktifkan kembali bursa efek atau pasar modal. Setelah beberapa tahun kemudian bursa efek mengalami pertumbuhan seiring dengan insentif dan regulasi yang dikeluarkan oleh pemerintah. Akan tetapi pada tahun 1977-1987 perdagangan pada pasar modal kembali menurun dikarenakan jumlah perusahaan dari tahun 1977-1987 hanya mencapai 24 peusahaan saja. Hal ini dikarenakan masyarakat lebih memilih instrument perbankan daripada instrument bursa efek.
Berikut adalah perkembangan pasar modal di Indonesia secara singkat, yaitu:
Tabel 4.1
Tonggak Perkembangan Pasar Modal di Indonesia
Desember 1912
Pendirian Bursa Efek pertama di Indonesia yang dibentuk di Batavia oleh pemerintah Hindia Belanda.
1914-1918 Penutupan Bursa Efek di Batavia selama Perang Dunia I
1925-1942
Dibuka kembali Bursa Efek di Jakarta bersamaan dengan Bursa Efek di Semarang dan Surabaya.
Awal 1939
Adanya isu politik (Perang Dunia II) Bursa Efek di Semarang dan Surabaya di tutup.
1942-1952
Selama Perang Dunia II Bursa Efek di Jakarta di tutup kembali.
1956-1977 Perdagangan di Bursa Efek vakum.
10 Agustus 1977
Mengaktifkan kembali Bursa Efek yang diresmikan oleh Presiden Soeharto. BEJ dijalankan dibawah BAPEPAM (Badan Pelaksana Pasar Modal).
02 Juni 1988
Mulai beroperasinya Bursa Paralel Indonesia (BPI) yang dikelola oleh Persatuan Perdagangan Uang dan Efek (PPUE).
16 Juni 1989 Mulai beroperasi kembali Bursa Efek Surabaya (BES) yang
dikelola oleh perseroan terbatas milik swasta yaitu PT.
Bursa Efek Surabaya.
10 November 1995
Pemerintah mengeluarkan undang-undang No.8 tahun 1995 tentang pasar modal yang mulai diberlakukan januari 1996.
1995
Bursa Paralel Indonesia melakukan penggabungan dengan Bursa Efek Surabaya.
21 Juli 2000
Pengaplikasian sistem perdagangan tanpa warkat (scripless trading) di pasar modal Indonesia.
30 November 2007
Bursa Efek Surabaya (BES) melakukan penggabungan ke Bursa Efek Jakarta (BEJ) dan berubah nama menjadi Bursa Efek Indonesia (BEI).
02 maret 2009
Peluncuran system perdagangan baru PT Bursa Eek Indonesia : JATS-NextG.
Januari 2012 Pembentukan otoritas jasa keuangan (OJK).
2012
Peluncuran prinsip Syariah dan Mekanisme Perdagangan Syariah.
Sumber: www.idx.co.id
B. Visi dan Misi Bursa Efek Indonesia (BEI) 1. Visi
“Menjadi bursa yang kompetitif dengan kredibiltas tingkat dunia”.
2. Misi
“Menciptakan infrastruktur pasar keuangan yang terpercaya dan kredibel untuk mewujudkan pasar yang teratur, wajar, dan efisien, serta dapat diakses oleh semua pemangku kepentingan melalui produk dan layanan yang inovatif”.
C. Perusahaan Manufaktur yang Terdaftar Di Bursa Efek Indonesia (BEI) Pada penelitian ini objek yang digunakan adalah perusahaan manufaktur selama periode 2016-2019. Jumlah populasi adalah 178 perusahaan manufaktur, namun perusahaan manufaktur yang memenuhi kriteria penelitian hanya berjumlah 54 perusahaan, rincian pemilihan sampel dapat dilihat sebagai berikut:
Tabel 4.2
Gambaran Tahap Penyeleksian Sampel Penelitian
KRITERIA JUMLAH
Jumlah perusahaan yang ada pada sektor manufaktur yang terdaftar di BEI
178
Pelanggaran kriteria:
1. Perusahaan yang tidak mempublikasikan laporan keuangan lengkap selama periode 2016-2019.
(29)
2. Perusahaan yang menghasilkan laba dan arus kas operasi negatif selama periode 2016-2019.
(76)
3. Perusahaan yang menggunakan mata uang asing pada laporan keuangannya.
(19)
Jumlah sampel penelitian 54
Daftar perusahaan yang digunakan sebagai sampel penelitian adalah sebagai berikut :
Tabel 4.3
Daftar Sampel Penelitian
No. Sub Sektor Kode Saham Nama Perusahaan
1.
Sub Sektor Otomotif Dan Komponen
ASII Astra International Tbk AUTO Astra Otoparts Tbk
BOLT PT Garuda Metalindo Tbk INDS Indospring Tbk
SMSM Selamat Sempurna Tbk
2. Sub Sektor Farmasi
DVLA Darya-Varia Laboratoria Tbk KLBF Kalbe Farma Tbk
PYFA Pyridma Farma Tbk
SIDO
PT Industri Jamu Dan Farmasi Sido Muncul Tbk
TSPC Tempo Scan Pacific Tbk
3.
Minuman CEKA PT Wilmar Cahaya Indonesia Tbk CLEO PT Sariguna Primatirta Tbk DLTA Delta Djakarta Tbk
ICBP
Indofood CBP Sukses Makmur Tbk
INDF Indofood Sukses Makmur Tbk MLBI Multi Bintang Indonesia Tbk MYOR Mayora Indah Tbk
ROTI PT Nippon Indosari Corpindo Tbk SKLT Sekar Laut Tbk
STTP PT Siantar Top Tbk
ULTJ Ultra Jaya Milk Industry Tbk
4. Sub Sektor Kimia
AGII PT Aneka Gas Industri Tbk BUDI PT Budi Starch & Sweetner Tbk EKAD Ekadharma International Tbk MDKI PT Emdeki Utama Tbk
SRSN Indo Acidatama Tbk
5. Sub Sektor Semen
INTP
Indocement Tunggal Prakarsa Tbk
SMBR PT Semen Baturaja (Persero) Tbk SMGR Semen Indonesia (Persero) Tbk
6. Sub Sektor Alas Kaki BATA PT Sepatu Bata Tbk
7. Sub Sektor Kabel
JECC PT Jembo Cable Company Tbk VOKS PT Voksel Electric Tbk
8.
Sub Sektor Pakan Ternak
JPFA PT Japfa Comfeed Indonesia Tbk CPIN PT Charoen Pokphand Indonesia
Tbk
MAIN PT Malindo Feedmill Tbk
9.
Sub Sektor Keramik Porselen dan Kaca
ARNA PT Arwana Citramulia Tbk MLIA PT Mulia Industrindo Tbk TOTO PT Surya Toto Indonesia Tbk
10.
KINO PT Kino Indonesia Tbk TCID PT. Mandom Indonesia Tbk UNVR PT Unilever Indonesia Tbk
11.
Sub Sektor Plastik dan Kemasan
IGAR PT Champion Pacific Indonesia Tbk
IMPC
PT Impack Pratama Industri Tbk TALF
PT. Fajar Surya Wisesa Tbk SPMA
WIIM
PT Wismilak Inti Makmur Tbk 14.
Sub Sektor Tekstil dan Garmen
STAR
PT Star Petrochem Tbk TRIS
PT Trisula International Tbk Sumber : www.idx.co.id
D. Hasil Penelitian
1. Analisis Statistik Deskriptif
Teknik analisis statistik deskriptif merupakan teknik statistik yang digunakan untuk menganalisa suatu data dengan cara menguraikan data yang telah dikumpulkan dan bertujuan untuk memberikan gambaran data dalam variabel berdasarkan nilai rata-rata (mean), minimun, maksimum serta standar deviasi. Pada penelitian ini pengolahan data dilakukan dengan menggunakan SPSS 16.0 dan Microsoft Excel yang betujuan untuk mengolah data dan mendapatkan hasil dari variabel yang diteliti yaitu Laba (t-1), Laba (t), Arus Kas Operasi (t-1) dan Arus Kas Operasi (t). Berikut adalah hasil dari analisis statistik deskriptif dapat dilihat pada tabel 4.4 :
Tabel 4.4
Hasil Uji Statistik Deskriptif
Descriptive Statistics
N Minimum Maximum Mean Std. Deviation
Laba t-1 162 38242000.00 982129000.00 331020126.5926 240394090.42528 Laba t 162 30073855.00 975980000.00 334241903.6296 248575507.98657 Arus Kas Operasi t-1 162 4592732.00 846389000.00 203374692.7778 190486208.07764 Arus kas Operasi t 162 4592732.00 889775270.00 220285528.6543 213887485.72608 Valid N (listwise) 162
Sumber data : olahan data SPSS 16.0.2021
Berdasarkan tabel 4.4 di atas menggambarkan bahwa N merupakan jumlah data dari setiap variabel yang berjumlah 162 data selama periode penelitian 2016-2019. Dari data tersebut Laba (t-1) memiliki nilai minimum 38242000.00 dan nilai maksimum 982129000.00, sementara itu standar deviasi memiliki nilai sebesar 240394090.42528 dan nilai rata-rata (mean) memiliki nilai sebesar 331020126.5926, dari penjelasan tersebut dapat disimpulkan bahwa nilai mean lebih besar daripada nilai standar deviasi yang artinya data terdistribusi dengan baik.
Laba (t) memiliki nilai minimum sebesar 30073855.00 dan nilai maksimum 975980000.00. Sementara itu standar deviasi memiliki nilai sebesar 248575507.98657 dan nilai rata-rata (mean) memiliki nilai sebesar
334241903.6296, dengan demikian dapat dilihat bahwa nilai mean lebih besar daripada nilai standar deviasi yang berarti data terdistribusi dengan baik.
Arus Kas Operasi (t-1) mempunyai nilai minimum sebesar 4592732.00 dan nilai maksimum sebesar 846389000.00, sedangkan nilai rata-rata (mean) sebesar 203374692.7778 dan standar deviasi memiliki nilai sebesar 190486208.07764.
Oleh karena, itu dapat dilihat bahwa nilai mean lebih besar daripada nilai standar deviasi yang artinya data terdistribusi dengan baik.
Arus Kas Operasi (t) memiliki nilai minimum sebesar 4592732.00 dan nilai maksimum sebesar 889775270.00, sementara itu nilai rata-rata (mean) memiliki nilai sebesar 220285528.6543 dan standar deviasi sebesar 213887485.72608, dapat dilihat bahwa nilai mean lebih besar daripada nilai standar deviasi yang berarti data terdistribusi dengan baik. Dengan demikian dapat disimpulkan bahwa dari ke empat variabel mempunyai nilai standar deviasi yang lebih kecil daripada nilai mean, yang artinya tiap variabel memiliki penyimpangan data yang rendah dan data terdistribusi dengan baik.
2. Uji Asumsi Klasik a. Uji Normalitas
Uji normalitas digunakan untuk menguji apakah data terdistribusi secara normal atau tidak. Nilai residual terdistribusi secara normal atau tidak dapat dilakukan dengan menggunakan analisis grafik dan uji statistik non
parametik Kolmogorov-Smirnov (K-S). Hasil pengujian dari uji normalitas adalah sebagai berikut :
Tabel 4.5
Hasil Uji Normalitas Non-Parametik Kolmogorov-Smirnov Test
One-Sample Kolmogorov-Smirnov Test
LB_t_1 LB_t AKO_t_1 AKO_t
N 162 162 162 162
Normal Parametersa
Mean 3.3102E8 3.3424E8 2.0337E8 2.2029E8
Std.
Deviation 2.40394E8 2.48576E8 1.90486E8 2.13887E8 Most Extreme
Differences
Absolute .155 .168 .148 .157
Positive .155 .168 .135 .141
Negative -.112 -.111 -.148 -.157
Kolmogorov-Smirnov Z 1.970 2.140 1.888 1.993
Asymp. Sig. (2-tailed) .001 .000 .002 .001
a. Test distribution is Normal.
Berdasarkan tabel 4.5 dapat dilihat bahwa semua variabel mempunyai nilai residual yang belum terdistribusi normal, dimana setiap variabel memiliki nilai signifikansi kecil dari 0,05. Untuk memperoleh data dengan distribusi normal maka dilakukan transformasi data dengan menggunakan transformasi akar kuadrat (square root). Berikut ini hasil uji normalitas setelah dilakukan transformasi data :
1) Hasil pengujian normalitas pada model regresi untuk memprediksi kemampuan laba terhadap laba masa mendatang.
Gambar 4.1
Hasil Uji Normalitas Grafik Normal P-P Plot
Sumber : data yang diolah, SPSS 16.0,2021
Berdasarkan grafik normal P-P Plot di atas dapat diketahui bahwa penyebaran data menyebar disekitar garis diagonal dan mengikuti arah garis diagonal, yang artinya model regresi ini memenuhi asumsi normalitas serta layak digunakan dalam penelitian ini.
Tabel 4.6
Hasil Uji Normalitas Non-Parametik Kolmogorov-Smirnov Test
One-Sample Kolmogorov-Smirnov Test
Unstandardized Residual
N 162
Normal Parametersa Mean .0000000
Std. Deviation 4944.23521777
Most Extreme Differences Absolute .082
Positive .073
Negative -.082
Kolmogorov-Smirnov Z 1.039
Asymp. Sig. (2-tailed) .230
a. Test distribution is Normal.
Sumber : data yang diolah, SPSS 16.0,2021
Berdasarkan tabel diatas diketahui hasil uji normalitas One Sample Kolmogorov-Smirnov Test memiliki nilai signifikansi yaitu 0,230 > 0,05. Oleh karena itu dapat disimpulkan bahwa nilai residual berdistribusi normal.
2) Hasil pengujian normalitas pada model regresi untuk memprediksi kemampuan arus kas operasi terhadap laba masa mendatang.
Gambar 4.2
Hasil Uji Normalitas Grafik Normal P-P Plot
Sumber : data yang diolah, SPSS 16.0,2021
Dari grafik normal P-P Plot di atas dapat dilihat bahwa penyebaran data menyebar disekitar garis diagonal dan mengikuti arah garis diagonal, berarti model regresi ini memenuhi asumsi normalitas dan layak digunakan dalam penelitian ini.
Tabel 4.7
Hasil Uji Normalitas Non-Parametik Kolmogorov-Smirnov Test
One-Sample Kolmogorov-Smirnov Test
Unstandardized Residual
N 162
Normal Parametersa Mean .0000000
Std. Deviation 6472.56896420
Most Extreme Differences Absolute .093
Positive .093
Negative -.051
Kolmogorov-Smirnov Z 1.186
Asymp. Sig. (2-tailed) .120
a. Test distribution is Normal.
Sumber : data yang diolah, SPSS 16.0,2021
Berdasarkan hasil output data diatas diketahui hasil uji normalitas One Sample Kolmogorov-Smirnov Test meghasilkan nilai signifikansi yaitu 0,120 > 0,05. Maka, dapat disimpulkan bahwa nilai residual berdistribusi normal.
3) Hasil pengujian normalitas pada model regresi untuk memprediksi kemampuan laba terhadap arus kas operasi masa mendatang.
Gambar 4.3
Hasil Uji Normalitas Grafik Normal P-P Plot
Sumber : data yang diolah, SPSS 16.0,2021
Berdasarkan grafik di atas dapat diketahui bahwa penyebaran data menyebar disekitar garis diagonal dan mengikuti arah garis diagonal, sehingga dapat disimpulkan bahwa model regresi ini memenuhi asumsi normalitas dan layak digunakan dalam penelitian ini.
Tabel 4.8
Hasil Uji Normalitas Non-Parametik Kolmogorov-Smirnov Test
One-Sample Kolmogorov-Smirnov Test
Unstandardized Residual
N 162
Normal Parametersa Mean .0000000
Std. Deviation 6749.44966041
Most Extreme Differences Absolute .091
Positive .091
Negative -.047
Kolmogorov-Smirnov Z 1.163
Asymp. Sig. (2-tailed) .133
a. Test distribution is Normal.
Sumber : data yang diolah, SPSS 16.0,2021
Berdasarkan tabel diatas hasil uji normalitas One Sample Kolmogorov-Smirnov Test meghasilkan nilai signifikansi yaitu 0,133 >
0,05. Jadi, dapat disimpulkan bahwa nilai residual berdistribusi normal.
4) Hasil pengujian normalitas pada model regresi untuk memprediksi kemampuan arus kas operasi terhadap arus kas operasi masa mendatang.
Gambar 4.4
Hasil Uji Normalitas Grafik Normal P-P Plot
Sumber : data yang diolah, SPSS 16.0,2021
Dari grafik normal P-P Plot di atas dapat diketahui bahwa penyebaran data menyebar disekitar garis diagonal dan mengikuti arah garis diagonal, dapat disimpulkan model regresi ini memenuhi asumsi normalitas dan layak digunakan dalam penelitian ini.
Tabel 4.9
Hasil Uji Normalitas Non-Parametik Kolmogorov-Smirnov Test
One-Sample Kolmogorov-Smirnov Test
Unstandardized Residual
N 162
Normal Parametersa Mean .0000000
Std. Deviation 4403.76910821
Most Extreme Differences Absolute .046
Positive .045
Negative -.046
Kolmogorov-Smirnov Z .580
Asymp. Sig. (2-tailed) .890
a. Test distribution is Normal.
Sumber : data yang diolah, SPSS 16.0,2021
Berdasarkan hasil output data diatas dapat dilihat hasil uji normalitas One Sample Kolmogorov-Smirnov Test mempunyai nilai signifikansi yaitu 0,890 > 0,05, sehingga dapat disimpulkan bahwa nilai residual berdistribusi normal.
b. Uji Heteroskedastisitas
Untuk mengetahui apakah terjadinya heteroskedastisitas dapat dilakukan dengan cara melihat grafik Scaterplot. Suatu model regresi dapat dikatakan baik apabila tidak terjadi heteroskedastisitas yang ditandai
dengan titik-titik data menyebar baik diatas dan dibawah ataupun disekitar angka nol dengan tidak membentuk suatu pola tertentu.
1) Hasil pengujian heteroskedastisitas pada model regresi untuk memprediksi kemampuan laba terhadap laba masa mendatang.
Gambar 4.5
Hasil Uji Heteroskedastisitas
Sumber : data yang diolah, SPSS 16.0,2021
Berdasarkan hasil pengolahan data yang ditampilkan pada gambar 4.5 menunjukkan bahwa model regresi ini tidak mengandung gejala heteroskedastisitas. Hal ini dapat dilihat dari titik-titik data tidak mengumpul hanya dibawah atau diatas saja, titik-titik data tersebut
menyebar dan tidak membentuk suatu pola tertentu. Jadi, dapat disimpulkan bahwa tidak terjadinya heteroskedastisitas
2) Hasil pengujian heteroskedastisitas pada model regresi untuk memprediksi kemampuan arus kas operasi terhadap laba masa mendatang.
Gambar 4.6
Hasil Uji Heteroskedastisitas
Sumber : data yang diolah, SPSS 16.0,2021
Berdasarkan hasil pengolahan data diatas titik-titik data tidak mengumpul hanya dibawah atau diatas saja, titik-titik data tersebut menyebar dan tidak membentuk suatu pola tertentu. Jadi, dapat
disimpulkan bahwa hasil uji heteroskedastisitas diatas menunjukkan model regresi ini tidak mengandung heteroskedastisitas.
3) Hasil pengujian heteroskedastisitas pada model regresi untuk memprediksi kemampuan laba terhadap arus kas operasi masa mendatang.
Gambar 4.7
Hasil Uji Heteroskedastisitas
Sumber : data yang diolah, SPSS 16.0,2021
Dari hasil pengolahan data yang ditampilkan pada gambar 4.6 diatas memperlihatkan bahwa model regresi ini tidak mengandung gejala heteroskedastisitas. Hal ini ditunjukkan oleh titik-titik data tidak mengumpul hanya dibawah atau diatas saja, titik-titik data tersebut
menyebar dan tidak membentuk suatu pola tertentu, yang artinya tidak terjadinya heteroskedastisitas.
4) Hasil pengujian heteroskedastisitas pada model regresi untuk memprediksi kemampuan arus kas operasi terhadap arus kas operasi masa mendatang.
Gambar 4.8
Hasil Uji Heteroskedastisitas
Sumber : data yang diolah, SPSS 16.0,2021
Dari hasil pengolahan data diatas titik-titik data tidak mengumpul hanya dibawah atau diatas saja, titik-titik data tersebut menyebar dan tidak membentuk suatu pola tertentu. Oleh karena itu
dapat disimpulkan bahwa hasil uji heteroskedastisitas diatas menunjukkan model regresi ini tidak mengandung heteroskedastisitas.
dapat disimpulkan bahwa hasil uji heteroskedastisitas diatas menunjukkan model regresi ini tidak mengandung heteroskedastisitas.