Food Tbk. Untuk nilai tingkat perputaran piutang tertinggi terdapat pada PT. Fast Food Indonesia Tbk. sedangkan nilai tingkat perputaran piutang terendah terdapat
pada PT. Delta Djakarta Tbk.
C. Statistik Deskriptif
Statistik deskriptif adalah ilmu statistik yang mempelajari cara-cara pengumpulan, penyusunan, dan penyajian data suatu penelitian. Tujuannya adalah
memudahkan orang untuk membaca data serta memahami maksudnya.
Tabel 4.4
Descriptive Statistics
N Minimum
Maximum Mean
Std. Deviation LnPertumbuhan_Penjualan
35 1.39
4.95 3.4371
.79350 LnPerputaran_Piutang
35 .75
5.79 2.6988
1.14519 LnLikuiditas
35 -.89
3.31 .6533
.87573 Valid N listwise
35
Sumber : Diolah dari SPSS, 2010 Tabel 4.4 menunjukkan bahwa variable tingkat likuiditas current assets
memiliki nilai minimum negative. Hasil ini didapat setelah transformasi data ke dalam bentuk logaritma natural sehingga untuk setiap nilai negatif secara tidak
langsung dihilangkan karena tidak dapat dilogaritmanaturalkan. Maka, jumlah yang menjadi sampel yang layak untuk menjadi objek penelitian adalah sebanyak
35 buah. Berikut ini perincian data deskriptif yang telah diolah : - Variabel Tingkat Pertumbuhan Penjulan memiliki nilai minimum 1,39 dan
nilai maksimum 4,95 , rata-rata Tingkat Pertumbuhan Penjualan 3,4371 dan standar deviasi sebesar 0,79350 dengan jumlah sampel sebanyak 35.
Universitas Sumatera Utara
- Variabel Tingkat Perputaran Piutang memiliki nilai minimum 0,75 dan nilai maksimum 5,79, rata-rata Tingkat Perputaran Piutang 2,6988 dan
standar deviasi sebesar 1,14519 dengan jumlah sampel sebanyak 35. - Variabel Tingkat Likuiditas memiliki nilai minimum -0,89 dan nilai
maksimum 3,31., rata-rata Tingkat Likuiditas 0,6533 dan standar deviasi sebesar 0,87573 dengan jumlah sampel sebanyak 35.
D. Pengujian Asumsi Klasik
Salah satu syarat yang mendasari penggunaan model regresi adalah dipenuhinya semua asumsi klasik, agar hasil pengujian bersifat tidak bias dan
dapat diterima secara ekonometrik. Pengujian asumsi klasik ini terdiri dari pengujian normalitas, multikolinearitas, autokorelasi, dan pengujian
heterokondastisitas. Pengujian asumsi klasik dalam penelitian ini dilakukan dengan bantuan program statistic SPSS For Windows.
1. Uji Normalitas
Pengujian ini bertujuan untuk mengetahui apakah distribusi sebuah data mengikuti atau mendekati distribusi normal. Hasil uji normalitas dengan
grafik histogram yang diolah dengan SPSS, normal probability plot serta Kolmogorov-Smirnov Test ditunjukkan sebagai berikut :
Universitas Sumatera Utara
Tabel 4.5 Uji Normalitas Data
One-Sample Kolmogorov-Smirnov Test
Sumber : Data diolah dari SPSS, 2010
Dari hasil pengolahan data tersebut, diperoleh bahwa data dalam penelitian ini tidak terdistribusi secara normal, dimana hal ini disebabkan karena variabel
dependen yang memiliki nilai signifikansi yang lebih kecil dari 0.05. Oleh karena itu diperlukan tindakan perbaikan treatment agar model regresi
memenuhi asumsi normalitas. Dalam penelitian ini, peneliti melakukan transformasi data ke dalam model Logaritma Natural. Kemudian data diuji
ulang berdasarkan asumsi normalitas dengan hasil sebagai berikut :
Likuiditas N
38 Normal Parameters
a
Mean 2,9168
Std. Deviation 4,62399
Most Extreme Differences Absolute
.333 Positive
.333 Negative
-.289 Kolmogorov-Smirnov Z
2.053 Asymp. Sig. 2-tailed
.000
Universitas Sumatera Utara
Tabel 4.6 Hasil Uji Normalitas Data Setelah Transformasi Data
One-Sample Kolmogorov-Smirnov Test
Sumber : Diolah dari SPSS, 2010
Dari hasil pengolahan data tersebut, diperoleh bahwa nilai Kolmogorov- Smirnov sebesar 1,002 dan tidak signifikansi pada 0,05 karena p= 0,267
0,05. Dengan demikian, secara keseluruhan dapat disimpulkan bahwa nilai- nilai observasi data telah terdistribusi secara normal dan dapat dilanjutkan
dengan uji asumsi klasik lainnya. Untuk lebih jelasnya, dalam penelitian ini juga disertakan dengan grafik histogram dan plot data yang terdistribusi
normal seperti berikut :
LnLikuiditas N
35 Normal Parameters
a
Mean .6533
Std. Deviation .87573
Most Extreme Differences Absolute
.169 Positive
.169 Negative
-.079 Kolmogorov-Smirnov Z
1.002 Asymp. Sig. 2-tailed
.267
Universitas Sumatera Utara
Gambar 4.1 Histogram
Sumber : Diolah dari SPSS, 2010
Hasil uji normalitas di atas memperlihatkan bahwa pada grafik histogram diatas distribusi data mengikuti kurva berbentuk lonceng yang tidak menceng
skewness kiri maupun menceng kanan atau dapat disimpulkan bahwa data tersebut normal.
Universitas Sumatera Utara
Gambar 4.2 Normal P-P Plot
Sumber : Diolah dari SPSS, 2010 Hasil uji normalitas dengan menggunakan normal probability plot, dimana
terlihat bahwa titik-titik menyebar di sekitar garis diagonal serta penyebarannya mengikuti garis diagonal sehingga dapat disimpulkan bahwa
data dalam model regesi terdistribusi secara normal.
2. Uji Multikolinearitas
Pengujian terhadap multikolinieritas dilakukan untuk mengetahui ada atau tidaknya korelasi antar variabel independent yang digunakan dalam persamaan
regresi. Pengujian multikolinearitas dilakukan dengan melihat nilai VIF dan korelasi di antara variabel independen. Jika nilai VIF lebih besar dari 2, maka
Universitas Sumatera Utara
terjadi multikolinearitas di antara variabel independen. Di samping itu, suatu model dikatakan terdapat gejala multikolinearitas jika korelasi di antara
variabel independen lebih besar dari 0,9. Ghozali, 2005. Hasil uji multikolinearitas dapat dilihat pada tabel berikut :
Tabel 4.7 Hasil Uji Multikolinearitas
Model Collinearity Statistics
VIF 1
LnPertumbuhan_Penjualan 1.002
1.002 LnPerputaran_Piutang
a. Dependent Variable: LnLikuiditas
Dilihat dari hasil penghitungan menunjukkan bahwa tidak ada variabel independent yang memiliki nilai VIF lebih dari 10. Jadi dapat disimpulkan
bahwa tidak ada multikolinieritas antar variabel independen dalam model regresi.
3. Uji Heterokondastisitas
Uji heterokondastisitas dilakukan untuk menguji apakah dalam sebuah model regresi terjadi ketidaksamaan varians dari residual dari suatu
pengamatan ke pengamatan lain. Heterokondastisitas ini dapat dilihat dengan grafik scatterplot. Hasil uji heterokondastisitas dapat dilihat pada grafik
scatterplot berikut ini :
Universitas Sumatera Utara
Hasil Uji Heterokondastisitas
Gambar 4.3 Grafik Scatterplot
Dari gambar scatterplot diatas, terlihat bahwa titik-titik menyebar secara acak di atas dan di bawah angka 0 pada sumbu Y. Hal ini mengindikasikan
tidak terjadi heterokondastisitas pada model regresi sehingga model regresi layak dipakai.
4. Uji Autokorelasi
Pengujian autokorelasi menurut Ghozali 2005 bertujuan untuk menguji apakah dalam model regresi linear terdapat korelasi pengganggu antara
kesalahan pengganggu pada periode t dengan kesalahan pada periode t-1. Autokorelasi menunjukkan adanya korelasi diantara data pengamatan yang
Universitas Sumatera Utara
tersusun baik seperti data cross section dan atau data time series. Jika terjadi autokorelasi dalam model regresi berarti koefisien korelasi yang diperoleh
menjadi tidak akurat, sehigga model regresi yang baik adalah model regresi yang bebas dari autokorelasi. Berikut ini hasil uji Durbin Watson dengan
menggunakan program SPSS :
Tabel 4.8 Hasil Uji Autokorelasi
Model R
R Square Adjusted R
Square Std. Error of the
Estimate Durbin-Watson
1 .235
a
.055 -.004
.87735 1.240
a. Predictors: Constant, LnPerputaran_Piutang, LnPertumbuhan_Penjualan b. Dependent Variable: LnLikuiditas
Sumber : Diolah dari SPSS, 2010 Hasil uji autokorelasi di atas menunjukkan nilai statistic Durbin Watson
DW sebesar 1.240 yang artinya dalam model regresi tidak terdapat autokorelasi atau kesalahan pengganggu, sebab DW terletak diantara -2
sampai +2 berarti tidak ada autokorelasi.
E. Model dan Teknik Analisis Data
Dalam pengolahan data dengan menggunakan regresi linear, dilakukan beberapa tahapan untuk mencari hubungan antara variabel-variabel independen
dan variable dependen, melalui pengaruh tingkat pertumbuhan penjualan X1 dan tingkat perputaran piutang X2 terhadap tingkat likuiditas Y. Hasil regresi
dapat dilihar sebagai berikut ini :
Universitas Sumatera Utara
Tabel 4.9 Hasil Analisis Regresi
Model Unstandardized
Coefficients Standardized
Coefficients t
Sig. B
Std. Error Beta
1 Constant 1.035
.745 1.389
.174 LnPertumbuhan_Penjualan
.030 .190
.027 .157
.876 LnPerputaran_Piutang
-.179 .131
-.235 -1.365
.182 a. Dependent Variable: LnLikuiditas
Sumber : diolah dari SPSS, 2010
Berdasarkan hasil pengolahan data yang terlihat pada table 4.10 pada kolom unstandardized coefficients bagian B, diperoleh model persamaan regresi
berganda sebagai berikut :
Y = 1,035 + 0,030X1 – 0,179X2
Adapun interpretasi dari persamaan di atas adalah : a. Konstanta a sebesar 1,035 menunjukkan bahwa jika tidak ada variabel
tingkat pertumbuhan penjualan LnPertumbuhan_Penjualan X1=0 dan variabel tingkat perputaran pitang LnPerputaran_Piutang X2=0, maka
tingkat likuiditas yang terbentuk adalah sebesar 1,035. b. koefisien X1 b1 = 0.030, menunjukkan bahwa setiap variabel
LnPertumbuhan_Penjualan meningkat sebesar 1 satuan, maka tingkat likuiditas current assets akan meningkat sebesar 0,030.
Universitas Sumatera Utara
c. Koefisien X2 b2 = - 0,179, menunjukkan bahwa setiap variabel LnPerputaran_Piutang meningkat sebesar 1 satuan, maka tingkat
likuiditas current assets akan menurun sebesar 0,179
F. Pengujian Hipotesis
