BAB IV
ANALISIS HASIL PENELITIAN
A. Data Penelitian
Untuk mengetahui pengaruh yang terjadi dalam penelitian ini, maka diperlukan data dari perusahaan-perusahaan yang diteliti agar dapat diketahui
bagaimana pengaruh yang terjadi antara perputaran kas, perputaran piutang, dan perputaran persediaan terhadap likuiditas. Populasi yang diteliti dalam penelitian
ini adalah perusahaan real estate dan property yang terdaftar di Bursa Efek Indonesia sebanyak 48 populasi. Setelah dilakukan pemilihan sampel dengan
teknik purposive sampling diperoleh 19 sampel perusahaan sesuai dengan kriteria- kriteria yang telah ditentukan sebelumnya. Berdasarkan analisis data diperoleh
jumlah sampel secara keseluruhan yang diteliti adalah sebanyak 57 perusahaan untuk periode 3 tahun dimulai dari tahun 2007 sampai dengan tahun 2009.
B. Analisis Data Penelitian
4.1 Statistik Deskriptif
Statistik deskriptif ini memberikan gambaran mengenai nilai minimum, nilai maksimum, mean, serta standar deviasi. Statistik deskriptif adalah proses
transformasi data penelitian dalam bentuk tabulasi sehingga mudah dipahami. Statistik deskriptif akan dijelaskan dalam tabel berikut ini.
Universitas Sumatera Utara
Tabel 4.1 Statistik Deskriptif
Descriptive Statistics
N Minimum
Maximum Mean
Std. Deviation Ln_Kas
56 -1,61
4,39 1,1061
1,39985 Ln_Piutang
56 -,29
4,78 2,1921
1,19361 Ln_Persediaan
56 -3,22
3,87 -,1867
2,13021 Ln_CR
56 -,92
4,73 ,8569
1,04408 Valid N listwise
56
Sumber : Output SPSS, diolah Penulis, 2011
Penjelasan tabel diatas sebagai berikut : 1.
Rata-rata dari Perputaran Kas adalah 1,1061 dengan standar deviasi 1,39985 dan jumlah data yang ada adalah 56. Nilai perputaran kas
tertinggi adalah 4,39 sedangkan nilai terendah adalah -1,61. 2.
Rata-rata dari Perputaran Piutang adalah 2,1921 dengan standar deviasi 1,19361 dan jumlah data yang ada adalah 56. Nilai perputaran piutang
tertinggi adalah 4,78 sedangkan nilai terendah adalah -0,29. 3.
Rata-rata dari Perputaran Persediaan adalah -0,1867 dengan standar deviasi 2,13021 dan jumlah data yang ada adalah 56. Nilai perputaran
persediaan tertinggi adalah 3,87 sedangkan nilai terendah adalah -3,22.
Universitas Sumatera Utara
4. Rata-rata dari CR adalah 0,8569 dengan standar deviasi sebesar 1,04408
dan jumlah data yang ada adalah 56. Nilai CR tertinggi adalah 4,73 sedangkan nilai CR terendah adalah -0,92.
4.2 Pengujian Asumsi Klasik
Untuk menghasilkan suatu model regresi yang baik diperlukan pengujian asumsi klasik terlebih dahulu sebelum melakukan pengujian hipotesis. Pengujian
asumsi klasik dalam penelitian ini dilakukan dengan bantuan program statistik. Menurut Ghozali 2005:123, asumsi klasik yang harus dipenuhi adalah :
1. berdistribusi normal,
2. non-multikolinearitas yaitu antara variabel independen dalam model regresi
tidak memiliki korelasi atau hubungan secara sempurna ataupun mendekati sempurna,
3. non-autokorelasi yaitu kesalahan pengganggu dalam model regresi tidak
saling berkorelasi, 4.
non-heteroskedastisitas yaitu variance variabel independen dari satu pengamatan ke pengamatan lain adalah konstan atau sama.
4.2.1 Uji Normalitas
Pengujian normalitas data dalam penelitian ini menggunakan uji statistik non parametrik Kolmogorov-Smirnov untuk mengetahui apakah
data sudah terdistribusi secara normal atau tidak. Ghozali 2005:115, memberikan pedoman pengambilan keputusan rentang data mendekati
atau merupakan distribusi normal berdasarkan uji Kolmogorov- Smirnov, dapat dilihat dari:
1. Jika nilai signifikan 0,05 maka distribusi data tidak normal, dan
2. Jika nilai signifikan 0,05 maka distribusi data normal.
Universitas Sumatera Utara
Hipotesis yang digunakan adalah : H
: Data residual berdistribusi normal, dan H
a
: Data residual tidak berdistribusi normal.
Tabel 4.2 Hasil Uji Normalitas Sebelum Transformasi
One-Sample Kolmogorov-Smirnov Test
Unstandardized Residual
N 56
Normal Parameters
a,b
Mean ,0000000
Std. Deviation 15,13863201
Most Extreme Differences Absolute
,329 Positive
,329 Negative
-,325 Kolmogorov-Smirnov Z
2,460 Asymp. Sig. 2-tailed
,000 a. Test distribution is Normal.
b. Calculated from data.
Sumber : Output SPSS, diolah Penulis, 2011
Dari hasil pengolahan data pada tabel 4.2 diperoleh besarnya nilai Kolmogorov-Smirnov adalah 2,460 dan signifikan pada 0,05 karena
Asymp. Sig. 2-tailed 0,000 dari 0,05. Nilai signifikansi lebih kecil dari 0,05, maka H
ditolak atau H
1
diterima yang berarti data residual berdistribusi tidak normal. Data yang tidak terdistribusi secara normal
tersebut juga dapat dilihat melalui grafik histogram dan grafik normal plot data.
Universitas Sumatera Utara
Sumber : Output SPSS, diolah Penulis, 2011
Gambar 4.1 Histogram
Grafik histogram menunjukkan pola distribusi tidak normal karena grafik cenderung menceng skewness ke kiri. Dengan demikian, dapat
disimpulkan bahwa model regresi belum memenuhi asumsi normalitas. Begitu juga hasil tampilan grafik Normal P-Plot Regression di bawah ini,
dapat dilihat titik - titik menyebar jauh dari garis diagonal yang menunjukkan data tidak terdistribusi dengan normal.
Universitas Sumatera Utara
Sumber : Output SPSS, diolah Penulis, 2011
Gambar 4.2 Grafik Normal P-Plot
Data yang tidak berdistribusi normal dapat disebabkan oleh adanya data yang outlier yaitu data yang memiliki nilai yang sangat menyimpang
dari nilai data lainnya. Beberapa cara mengatasi data outlier menurut Erlina 2008:106 yaitu:
a lakukan transformasi data ke bentuk lainnya,
b lakukan trimming yaitu membuang data outlier,
c lakukan winsorizing yaitu mengubah nilai data yang outlier ke suatu nilai
tertentu.
Universitas Sumatera Utara
Hasil uji normalitas pada tabel 4.2 menunjukkan data tidak terdistribusi normal, sehingga akan dilakukan tindakan perbaikan
treatment agar model regresi memenuhi asumsi normalitas. Untuk mengubah nilai residual agar berdistribusi normal, penulis melakukan
transformasi data ke model logaritma natural Ln dari Current Ratio = fKas, Piutang, Persediaan menjadi Ln_Current Ratio = fLn_Kas,
Ln_Piutang, Ln_Persediaan. Kemudian data diuji ulang berdasarkan asumsi normalitas, berikut ini hasil pengujian dengan Kolmogorov-
Smirnov.
Tabel 4.3 Hasil Uji Normalitas Setelah Transformasi
One-Sample Kolmogorov-Smirnov Test
Unstandardized Residual
N 56
Normal Parameters
a,b
Mean ,0000000
Std. Deviation ,92053323
Most Extreme Differences Absolute
,097 Positive
,097 Negative
-,061 Kolmogorov-Smirnov Z
,723 Asymp. Sig. 2-tailed
,672 a. Test distribution is Normal.
b. Calculated from data.
Sumber : Output SPSS, diolah Penulis, 2011
Dari transformasi data, maka nilai Kolmogrov – Smirnov menjadi 1,448 dan signifikan lebih 0,05 karena Asymp. Sig. 2-tailed 0,672 dari
0,05. Nilai signifikansi lebih besar dari 0,05, maka H diterima atau H
1
Universitas Sumatera Utara
ditolak yang berarti data residual telah berdistribusi normal. 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 jelas, berikut ini turut
dilampirkan grafik histogram dan plot data yang terdistribusi normal.
Sumber : Output SPSS, diolah Penulis, 2011
Gambar 4.3 Histogram
Grafik histogram pada gambar 4.3 menunjukkan pola distribusi normal karena grafik tidak menceng skewness kiri maupun menceng
kanan. Dengan demikian, dapat disimpulkan bahwa model regresi telah
Universitas Sumatera Utara
memenuhi asumsi normalitas. Demikian pula hasil uji normalitas dengan menggunakan grafik normal p-plot.
Sumber : Output SPSS, diolah Penulis, 2011
Gambar 4.4 Histogram
Berdasarkan grafik normal p-plot di atas terlihat bahwa data menyebar disekitar garis diagonal, maka dapat disimpulkan bahwa model
regresi telah memenuhi asumsi nomalitas. Hal ini sesuai dengan pernyataan Ghozali 2005:112, dimana pendeteksian normalitas dapat
dilakukan dengan melihat penyebaran data titik pada sumbu diagonal dari grafik, yaitu jika data titik menyebar di sekitar garis diagonal dan
Universitas Sumatera Utara
mengikuti arah garis diagonal, hal ini menunjukkan data yang telah terdistribusi normal.
4.2.2 Uji Multikolinearitas
Uji multikolinearitas bertujuan untuk menguji apakah terdapat korelasi antar variabel independen dalam model regresi. Jika pada model
regresi terjadi multikolinearitas, maka koefisien regresi tidak dapat ditaksir dan nilai standard error menjadi tidak terhingga. Cara yang
digunakan untuk mendeteksi ada tidaknya multikolinearitas adalah dengan melihat tolerance value dan VIF. Menurut Ghozali 2005
“adanya gejala multikolinearitas dapat dilihat dari tolerance value atau nilai variance inflation factor VIF. Batas tolerance value adalah 0,1 dan
batas VIF adalah 10”. Apabila tolerance value 0,1 atau VIF 10 = terjadi multikolinearitas. Apabila tolerance value 0,1 atau VIF 10 =
tidak terjadi multikolinearitas.
Tabel 4.4 Hasil Uji Multikolinearitas
Coefficients
a
Model Collinearity Statistics
Tolerance VIF
1 Constant
Ln_Kas ,983
1,017 Ln_Piutang
,940 1,064
Ln_Persediaan ,941
1,063 a. Dependent Variable: Ln_CR
Sumber : Output SPSS, diolah Penulis, 2011
Universitas Sumatera Utara
Berdasarkan data diatas dapat dilihat bahwa tolerance value dari setiap variabel independen adalah lebih besar dari 0,10 dan nilai VIF dari
setiap variabel independen adalah lebih kecil dari 10. Dengan demikian dapat disimpulkan bahwa dalam model regresi tidak terjadi
multikolinearitas antar variabel independen.
4.2.3 Uji Heteroskedastisitas
Uji heteroskedastisitas bertujuan untuk menguji apakah terjadi ketidaksamaan variance dari residual satu pengamatan ke pengamatan
lain dalam model regresi. Model regresi yang baik adalah tidak terjadi heteroskedastisitas atau terjadi homokedastisitas apabila titik-titik yang
ada membentuk pola tertentu yang teratur. Menurut Ghozali 2005:105, terdapat dua dasar pengambilan keputusan penentuan uji
heteroskedastisitas.
1 Jika ada pola tertentu seperti titik-titik yang ada membentuk pola
tertentu yang teratur bergelombang, melebar kemudian menyempit, maka mengindikasikan telah terjadi heteroskedastisitas.
2 Jika tidak ada pola yang jelas serta titik-titik menyebar di atas dan di
bawah angka 0 pada sumbu Y, maka tidak terjadi heteroskedastisitas.
Berikut ini dilampirkan grafik scatterplot untuk menganalisis apakah terjadi heterokedastisitas dengan mengamati penyebaran titik-titik
pada gambar.
Universitas Sumatera Utara
Sumber : Output SPSS, diolah Penulis, 2011
Gambar 4.5 Grafik Scatterplot
Dari gambar scatterplot di atas, terlihat bahwa titik-titik menyebar secara acak serta tidak membentuk pola tertentu atau tidak teratur, serta
titik-titik menyebar di atas dan di bawah angka 0 pada sumbu Y. Hal ini mengindikasikan tidak terjadi heteroskedastisitas pada model regresi
sehingga model regresi layak dipakai untuk memprediksi variabel dependen rasio lancar berdasarkan masukan variabel independen yang
terdiri dari perputaran kas, perputaran piutang dan perputaran persediaan.
Universitas Sumatera Utara
4.2.4 Uji Autokorelasi
Uji autokorelasi bertujuan untuk menguji apakah dalam suatu model regresi linier ada korelasi antara kesalahan pengganggu pada
periode saat ini t dengan kesalahan pengganggu sebelumnya t-1. Jika terjadi korelasi, maka terdapat autokorelasi. Autokorelasi muncul karena
observasi yang berurutan sepanjang waktu berkaitan satu sama lain. Masalah ini timbul karena residual atau kesalahan pengganggu tidak
bebas dari satu observasi ke observasi lainnya. Jika terjadi autokorelasi dalam model regresi berarti koefisien korelasi yang diperoleh menjadi
tidak akurat, sehingga model regresi yang baik adalah model regresi yang bebas dari autokorelasi.
Ada beberapa cara yang dapat digunakan untuk mendeteksi masalah dalam autokorelasi diantaranya adalah dengan Uji Durbin
Watson. Pengambilan keputusan ada tidaknya autokeralsi adalah sebagai berikut:
1 angka D-W di bawah –2 berarti ada autokorelasi positif,
2 angka D-W di antara -2 sampai +2, berarti tidak ada autokorelasi, dan
3 angka D-W di atas +2 berarti ada autokorelasi negatif.
Universitas Sumatera Utara
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