Tabel 4.5 Hasil Uji Autokorelasi
Hasil uji autokorelasi diatas menunjukkan bahwa tidak terjadi autokorelasi antar kesalahan pengganggu antar periode. Hal tersebut
dilihat dari nilai Durbin-Watson D-W sebesar 1,564. Angka D-W berada diantara -2 dan 2, yang mengartikan bahwa angka DW lebih besar
dari -2 dan lebih kecil dari 2. Dengan demikian, dapat dikemukakan bahwa tidak ada autokorelasi positif maupun negatif.
4.3 Analisis Regresi
Berdasarkan hasil pengujian asumsi klasik, disimpulkan bahwa model regresi yang dipakai dalam penelitian ini telah memenuhi model estimasi yang
Best Linear Unbiased Estimator BLUE. Analisis statistik selanjutnya adalah análisis regresi dengan SPSS 18.0. Analisis regresinya yaitu analisis koefisien
regresi, analisis koefisien korelasi dan determinasi, dan melakukan pengujian hipótesis.
Model Summary
b
Model R
R Square
Adjusted R Square
Std. Error of the Estimate
Durbin- Watson
1 ,472
a
,223 ,178
,94671 1,564
4.1 a. Predictors: Constant,
Ln_Kas, Ln_ Piutang, Ln_Persediaan, Dependent Variable: Ln_CR
Sumber : Output SPSS, diolah Penulis, 2011
Universitas Sumatera Utara
4.3.1 Persamaan Regresi
Dalam pengolahan data dengan menggunakan regresi linear, dilakukan beberapa tahapan untuk mencari hubungan antara variabel
independen dan variabel dependen, melalui pengaruh Perputaran Kas X1, Perputaran Piutang X2 dan Perputaran Persediaan X3 terhadap
Rasio LancarCR Y. Hasil regresi dapat dilihat pada tabel berikut ini :
Tabel 4.6 Analisis Hasil Regresi
Sumber : Output SPSS, diolah Penulis, 2011
Model regresi berdasarkan hasil analisis regresi diatas adalah sebagai berikut:
Y= 1,675 - 0,256 X
1
- 0,237 X
2
+ 0,080 X
3
+ e
Model regresi diatas dapat diinterpretasikan sebagai berikut : a.
Konstanta a sebesar 1,675, menyatakan bahwa jika variabel independen dianggap konstan X
1
=X
2
=X
3
=X
4
=0, maka CR sebesar 1,675.
Model Unstandardized Coefficients
Standardized Coefficients
t Sig.
B Std. Error
Beta 1
Constant 1,675
,284 5,889
,000 Ln_Kas
-,256 ,092
-,343 -2,782
,008 Ln_Piutang
-,237 ,110
-,271 -2,150
,036 Ln_Persediaan
,080 ,062
,164 1,300
,199
Universitas Sumatera Utara
b. Koefisien X
1
= 0,256, ini menunjukkan apabila terjadi perubahan variabel perputaran kas sebesar 1 satuan akan meningkatkan CR sebesar 0,256 atau
25,6 dengan asumsi variabel independen lainnya tetap atau sama dengan nol.
c. Koefisien X
2
= 0,237, ini menunjukkan bahwa apabila terjadi perubahan perputaran piutang sebesar 1 satuan akan meningkatkan CR sebesar 0,237
atau 23,7 dengan asumsi variabel independen lainnya tetap atau sama dengan nol.
d. Koefisien X
3
= 0,080, ini menunjukkan bahwa apabila terjadi perubahan perputaran persediaan sebesar 1 satuan akan meningkatkan CR sebesar
0,080 atau 8 dengan asumsi variabel independen lainnya tetap atau sama dengan nol.
4.3.2 Analisis Koefisien Korelasi dan Koefisien Determinasi
Nilai koefisien korelasi R menunjukkan seberapa besar korelasi atau hubungan antara variabel-variabel independen dengan variabel
dependen. Koefisien korelasi dikatakan kuat jika nilai R berada diatas 0,5 dan mendekati 1. Koefisien determinasi R square menunjukkan
seberapa besar variabel independen menjelaskan variabel dependennya. Nilai R square adalah nol sampai dengan satu. Apabila nilai R square
semakin mendekati satu, maka variabel-variabel independen memberikan semua informasi yang dibutuhkan untuk memprediksi variasi variabel
dependen. Sebaliknya, semakin kecil nilai R square, maka kemampuan
Universitas Sumatera Utara
variabel-variabel independen dalam menjelaskan variasi variabel dependen semakin terbatas. Oleh karena itu, digunakan nilai adjusted R
square untuk mengevaluasi mana model regresi terbaik.
Tabel 4.7 Hasil Analisis Koefisien Korelasi dan Koefisien Determinasi
Pada model summary di atas, angka R sebesar 0,472 menunjukkan bahwa terdapat korelasi atau hubungan yang kuat antara CR dengan
perputaran kas, perputaran piutang dan perputaran persediaan yaitu sebesar 47,2 yang berada dibawah 0,5 50. Angka adjusted R.Square
atau koefisien determinasi adalah 0,178. Angka ini mengindikasikan bahwa 17,8 variasi atau perubahan dalam CR dapat dijelaskan oleh
variasi variabel perputaran kas, perputaran piutang, dan perputaran persediaan. Sedangkan sisanya 82,2 dijelaskan oleh faktor-faktor lain
yang tidak dimasukkan dalam model penelitian. Standar Error of Estimate SEE adalah 0,94671, semakin besar SEE akan membuat
model regresi kurang tepat dalam memprediksi variabel dependen.
Model Summary
b
Model R
R Square Adjusted R
Square Std. Error of the
Estimate 1
,472
a
,223 ,178
,94671
a. Predictors: Constant, Ln_Kas, Ln_ Piutang, Ln_Persediaan b. Dependent Variabel : Ln _CR
Sumber : Output SPSS, diolah Penulis, 2011
Universitas Sumatera Utara
4.3.3 Pengujian Hipotesis
a. Uji Signifikansi Simultan F
