BAB III METODE PENELITIAN
4.2 Hasil Penelitian
4.2.1 Uji Statistik Deskriptif
Deskriptif statistik menjelaskan besarnya nilai rata-rata, deviasi standar, nilai minimum, dan nilai maksimum untuk variabel-variabel kecuali variabel
dummy. Hasil statistik deskriptif disajikan pada Tabel 4.2 di bawah ini.
Tabel 4.1
Hasil Deskriptif Statistik Variabel Penelitian N = 75 Descriptive Statistics
N Minimum Maximum Mean
Std. Deviation Likuiditas 225 ,4800 7,5152 2,1347 1,4392 Laba 225 -,1147 1,0815 ,1306 ,1379 Arus Kas 225 ,0003 ,5836 ,1046 ,1095 Financial Distress 225 0 1 ,07 ,258 Valid N (listwise) 225
Sumber : Output SPSS 18, Diolah 2015
Berikut ini adalah perincian deskriptif dari data yang telah diolah :
1. Variabel Likuiditas memiliki jumlah sampel (N) sebanyak 225, dengan nilai minimum 0,48 dan nilai maksimum 7,5152 serta mean (nilai
rata-rata) 2,1347. Standard deviation (simpangan baku) variabel ini adalah
2. Variabel Laba memiliki jumlah sampel (N) sebanyak 225, dengan nilai minimum -0,1147 dan nilai maksimum 1,0815 serta mean (nilai
rata-rata) 0,1306. Standard deviation (simpangan baku) variabel ini adalah
0,1379.
3. Variabel Arus Kas memiliki jumlah sampel (N) sebanyak 225, dengan nilai minimum 0,0003 dan nilai maksimum 0,5836 serta mean (nilai
rata-rata) 0,1046. Standard deviation (simpangan baku) variabel ini
adalah 0,1095.
4. Variabel Likuiditas memiliki jumlah sampel (N) sebanyak 225, dengan nilai minimum 0 dan nilai maksimum 1 serta mean (nilai rata-rata)
0,07. Standard deviation (simpangan baku) variabel ini adalah 0,258.
4.2.2 Uji Asumsi Klasik 4.2.2.1 Uji Normalitas
Uji Normalitas bertujuan untuk menguji apakah model regresi berdistribusi normal. Uji normalitas dapat dilakukan dengan analisis grafik yaitu pada Normal P-P Plot of Regression Standarizied Residual.
Apakah titik menyebar di sekitar garis diagonal maka data telah berdistribusi normal. Normal P-P Plot of Regression Standarizied
Gambar 4.1 :Pegujian Normalitas.
Sumber : Output SPSS 18, Diolah 2015
Gambar 4.1 dapat dilihat bahwa titik-titik menyebar mengikuti data di sepanjang garis diagonal, hal ini berarti data berdistribusi normal.
4.2.2.2 Uji Heteroskedastisitas
Uji heteroskedastisitas dapat dilakukan dengan grafik dan analisis statistic berupa Uji Glejser. Melalui analisis grafik, suatu model
regresi dianggap tidak terjadi heteroskedastisitas jika titik-titik menyebar secara acak dan tidak membentuk suatu pola tertentu yang jelas serta tersebar di atas maupun di bawah angka nol pada sumbu Y.
Scatterplot
Gambar 4.2 : Pengujian Heteroskedastisitas.
Sumber : Output spss 18, Diolah 2015
Pada gambar 4.2 dapat dilihat bahwa titik menyebar secara acak dan tidak membentuk suatu pola tertentu yang jelas serta tersebar baik di atas maupun di bawah angka nol pada sumbu Y. Hal ini tidak terjadi heteroskedasitisitas pada model regresi, sehingga model regresi layak dipakai untuk memperdiksi kondisi financial distress pada perusahaan
manufaktur yang terdaftar di Bursa Efek Indonesia berdasarkan variabel independennya.
4.2.2.3 Uji Multikolinieritas
Gejala multikolinieritas dapat dilihat dari besarnya nilai
menunjukkan setiap variabel indenpenden manakah yang dijelaskan oleh variabel dependen lainnya. Tolerance adalah mengukur
variabalitas variabel independen yang terpilih yang tidak dijelaskan variabel independen lainnya. Nilai yang dipakai untuk Tolerance > 0,10
dan VIF < 10, maka tidak terjadi multikolinieritas.
Tabel 4. 2 Uji Multikolinieritas Coefficientsa Model Collinearity Statistics Tolerance VIF 1 Likuiditas ,552 1,810 Laba Bersih ,857 1,167 Arus Kas ,529 1,892
a. Dependent Variable: Financial Distress
Sumber : Output SPSS 18, Diolah 2015
Pada tabel 4.2 memperlihatkan semua nilai variabel independen memiliki nilai Tolerance > 0,1 dan VIF < 10,00. dimana nilai tolerance
variabel Rasio Likuiditas 0,552 > 1,0; nilai tolerance Laba Bersih 0,857
> 0,1 dan nilai tolerance Arus Kas 0,529 > 1.00 demikian juga nilai
VIF variabel Rasio Likuiditas 1,810 < 10,00; nilai VIF Laba Bersih 1,167 < 10,00 dan nilai VIF Arus Kas 1,892 < 10,00. Dengan demikian dapat ditarik kesimpulan dalam penelitian ini berarti tidak terjadi multikolinieritas.
4.2.3 Pengujian Hipotesis
Untuk menguji hipotesis adanya pengaruh rasio laba sebelum pajak dan arus kas terhadap terjadinya financial distress akan digunakan analisis regresi
logistik.
4.2.3.1 Analisis Regresi Logistik
Penggunaan analisis regresi logistik ini adalah karena variabel terikat yaitu financial distress adalah merupakan data yang berbentuk
dummy, dimana variabel ini merupakan variabel yang dinyatakan dalam
nilai 0 untuk menunjukkan perusahaan dalam kondisi sehat (non financial distress) dan nilai 1 yang menunjukkan bahwa perusahaan dalam kondisi
financial distress.
4.2.3.1.1 Uji Kelayakan Model Penelitian (Goodness of Fit)
Pengujian regresi logistik juga diuji terhadap ketepatan antara prediksi model regresi logistik dengan data hasil pengamatan yang dinyatakan dalam uji kelayakan model (goodness of fit).
Pengujian ini diperlukan untuk memastikan tidak adanya kelemahan atas kesimpulan model yang diperoleh. Pengujian ini dilakukan dengan menggunakan pengujian terhadap nilai -2 log likelihood. Nilai
-2 log likelihood yang rendah menunjukkan bahwa model akan
Tabel 4.3 Hasil Uji Likelihood
-2 log likelihood Awal (Block Number 0) 115,427
-2 log likelihood Awal (Block Number 1) 36,107
Pengujian pada blok 0 atau pengujian dengan tidak memasukkan seluruh prediktor diperoleh nilai -2 log likelihood
sebesar 115,427. Nilai tersebut tidak mengalami penurunan rendah yang menunjukkan sebagai model yang belum dapat menjelaskan hubungan variabel bebas dan variabel terikatnya.
Sedangkan pada blok 1 setelah memasukkan variabel likuiditas, laba dan arus kas ke dalam model diperoleh nilai -2 log
likelihood sebesar 36, 107. Hal ini menunjukkan ada penurunan nilai
-2 log likelihood yang cukup besar yang memungkinkan akan semakin
adanya hubungan antara variabel bebas dengan variabel terikatnya. Penentuan nilai -2 log likelihood tersebut disajikan dalam
nilai chi-square dalam omnibus test of model coefficient. Uji
kemaknaan koefesien regresi secara keseluruhan dari 3 prediktor secara keseluruhan dilakukan dengan menggunakan omnibus test of
model coefficient. Hasil pengujian omnibus test diperoleh nilai
chi-square (penurunan nilai -2 likelihood) sebesar 79,32 dengan
signifikansi sebesar 0,000. Dengan nilai signifikansi yang lebih kecil dari 0,05 tersebut maka dapat disimpulkan bahwa secara
bersama-sama financial distress dapat diprediksi oleh ketiga prediktor dalam
model.
Tabel 4.4 Nilai Chi-Square
Omnibus Tests of Model Coefficients
Chi-square df Sig.
Step 1 Step 79,319 3 ,000
Block 79,319 3 ,000
Model 79,319 3 ,000
Sumber : Output SPSS 18, Diolah 2015
Berdasarkan tabel 4.4 di atas, dapat dilihat bahwa korelasi bersama likuiditas, laba, dan arus kas terhadap financial distress
denan teknik Chi-Square didapat nilai Chi-Square 79,319 dengan nilai
Sig 0,000 < 0,05 berarti secara bersama-sama bahwa likuiditas, laba, dan arus kas berhubungan dengan financial distress.
4.2.3.1.2 Uji Koefesien Secara Parsial
Hasil empiris model regresi logistik dengan variabel rasio keuangan sebagai prediktor kondisi kesulitan keuangan pada perusahaan manufaktur yang terdaftar di Bursa Efek Indonesia dari tahun 2010-2012 adalah :
Tabel 4.5
Rangkuman Hasil Analisis Regresi Logistik Variables in the Equation
B S.E. Wald df Sig. Exp(B)
St e p 1a Likuiditas ,409 ,419 ,952 1 ,329 1,505 Laba -179,730 48,596 13,679 1 ,000 ,000 ArusKas 5,479 12,072 ,206 1 ,650 239,517 Constant 1,802 1,080 2,785 1 ,095 6,060
a. Variable(s) entered on step 1: Likuiditas, Laba, ArusKas. Sumber : Output SPSS 18, Diolah 2015
Berdasarkan Tabel 4.4 di atas, dapat diketahui bahwa dapat dibentuk persamaa regresi logitik yang digunakan dalam penelitian ini: Ln = = 1,802 + 0,409X1 - 179,730X2 + 5,479 X3 + e Keterangan : : Financial Distress X1 : Likuiditas X2 : Laba X3 : Arus Kas
Konstanta sebesar1,802 menyatakan bahwa jika tidak
diperhitungkan nilai likuiditas, laba, dan arus kas, maka kemungkinan
financial distress sebesar 1,802.
Model di atas dapat diinterpretasikan sebagai berikut :
1. Variabel X1 (likuiditas) menunjukkan nilai koefesien sebesar 0,409 dengan tingkat signifikan 0,329 lebih besar dari 0,05 (5%) artinya dapat disimpulkan bahwa variabel ini memiliki pengaruh koefesien positif dan tidak signifikan terhadap financial distress. Tanda
positif pada koefesien likuiditas menunjukkan bahwa semakin tinggi likuiditas perusahaan maka akan meningkatkan kemungkinan terjadinya financial distress.
2. Variabel X2 (laba) menunjukkan koefesien sebesar -179,730 dengan tingkat signifikan 0,000 lebih kecil dari 0,05 (5%) artinya dapat disimpulkan bahwa variabel ini memiliki pengaruh koefesien negatif dan signifikan terhadap financial distress. Tanda negatif
pada koefesien laba menunjukkan bahwa semakin tinggi laba perusahaan maka akan menurunkan kemungkinan terjadinya
financial distress.
3. Variabel X3 (arus kas) menunjukkan koefesien sebesar 5,479 dengan tingkat signifikan 0,65 lebih besar dari 0,05 (5%) artinya dapat disimpulkan bahwa variabel ini memiliki pengaruh koefesien positif dan tidak signifikan terhadap financial distress. Tanda
arus kas maka akan meningkatkan kemungkinan terjadinya
financial distress. Nilai signifikan yang berada di atas 0,05
menunjukkan tidak adanya pengaruh yang signifikan arus kas terhadap financial distress.
4.2.3.1.3 Koefesien Determinasi
Untuk mengetahui besarnya variasi prediksi dari kedua variabel tersebut terhadap financial distress dapat dilihat dari nilai
R square.
T
Tabel 4.6 menunjukkan koefesien determinan regresi logistik yakni 0,740 sehingga dapat dikatakan kontribusi variabel likuiditas, laba dan arus kas terhadap financial distress adalah
sebesar 74%.
4.2.3.1.4 Tabel Klasifikasi
Untuk memperjelas gambaran atas ketepatan model regresi logistik dengan data observasi dapat ditunjukkan dengan tabel klasifikasi yang berupa tabel tabulasi silang antara hasil
Tabel 4.6 Model Summary
Step -2 Log likelihood Cox & Snell R Square
Nagelkerke R Square
prediksi dan hasil observasi. Tabulasi silang sebagai konfirmasi tidak adanya perbedaan yang signifikan antara data hasil observasi dengan data prediksi dapat dilihat pada tabel sebagai berikut :
Tabel 4.7
Kemampuan Prediksi Model Regresi Logistik Classification Tablea Observed Predicted Financial Distress Percenta ge Correct Non Financial Distress Financia l Distress Ste p 1 Financial Distress
Non Financial Distress 206 3 98,6
Financial Distress 6 10 62,5
Overall Percentage 96,0
a. The cut value is ,500
Sumber : Output SPSS 18, Diolah 2015
Berdasarkan tabel di atas tentang persentase ketepatan model dalam mengklasifikasi (percentage correct) observasi adalah 96% artinya dari 225
sampel ada 216 sampel observasi yang tepat pengklasifikasiannya oleh model regresi logistik.