Data Penelitian Pembahasan Hasil Penelitian

BAB IV ANALISIS HASIL PENELITIAN

4.1 Data Penelitian

Objek penelitian ini adalah perusahaan property dan real estate yang terdaftar di Bursa Efek Indonesia. Setelah dilakukan pemilihan sampel dengan teknik purposive sampling, maka diperoleh sebanyak 20 perusahaan yang memenuhi kriteria sampel yang ditetapkan. Periode penelitian dimulai dari tahun 2009 sampai dengan tahun 2011. Metode analisis data yang dipakai dalam penelitian ini adalah metode analisis statistik yang menggunakan persamaan regresi berganda. Analisis data dimulai dengan mengumpulkan serta mengolah data yang diperlukan dengan menggunakan Microsoft Excel. Selanjutnya dilakukan pengujian asumsi klasik dan pengujian regresi berganda dengan menggunakan software SPSS. Prosedur dimulai dengan memasukkan variabel-variabel penelitian ke program SPSS tersebut dan menghasilkan output sesuai metode analisis data yang telah ditentukan. 7.2. Hasil Analisis Penelitian 7.2.1. Analisis Statistik Deskriptif Metode yang digunakan dalam penelitian ini adalah metode statistik deskriptif, yaitu penelitian yang dilakukan untuk memperoleh gambaran yang sebenarnya tentang kondisi perusahaan Universitas Sumatera Utara dalam analisis. Statistik deskriptif memberikan penjelasan mengenai nilai minimum, nilai maximum, dan nilai rata-rata mean, dan nilai standar deviasi dari variabel-variabel independen dan variabel dependen. Informasi yang dibutuhkan dalam penelitian ini merupakan data sekunder yang diperoleh dari www.idx.co.id dan Indonesian Capital Market Directory berupa data keuangan sampel perusahaan property dan resl estate dari tahun 2009 sampai tahun 2011 yang dijabarkan dalam bentuk statistik. Tabel 4.1 Hasil Uji Statistik Deskriptif Descriptive Statistics N Minimum Maximum Mean Std. Deviation ln_ako 40 19.34 28.42 25.2992 1.77593 ln_gpm 40 -3.02 -.32 -.7805 .39944 ln_LB 40 18.58 27.11 24.7156 1.83647 ln_AKMD 40 20.39 28.55 24.7352 2.17839 Valid N listwise 40 Berdasarkan table 4.1 dapat dijelaskan bahwa: 1. jumlah sampel N dalam penelitian ini sebanyak 40, 2. variabel arus kas aktivitas operasi ako memiliki nilai minimum 19,34, nilai maximum 28,42, rata-rata 25,2992, dan standar deviasi 1,77593, 3. variabel gross profit margin gpm memiliki nilai minimum -3,02, nilai maximum -0,32, rata-rata -0,7805 dan standart deviasi 0,39944, Universitas Sumatera Utara 4. variabel laba bersih memiliki nilai minimum 18,58, nilai maximum 27,11, nilai rata-rata 24,7156 dan standar deviasi 1,83647 5. variabel arus kas masa depan memiliki nilai minimum 20,39, nilai maximum 28,55, nilai rata-rata 24,7352 dan standar deviasi 2.17839.

4.2.2. Pengujian Asumsi Klasik

Syarat yang mendasari penggunaan model regresi berganda adalah dipenuhinya semua asumsi klasik agar hasil pengujian bersifat efisien dan tidak bias. Menurut Ghozali 2005:123, asumsi klasik yang harus dipenuhi adalah berdistribusi normal, non-multikolinearitas, non-autokorelasi dan non- heterokedastisitas.

4.2.2.1. Uji Normalitas

Uji normalitas bertujuan untuk mengetahui apakah dalam model regresi, variabel penggangu atau residual memiliki distribusi normal. Pengujian ini diperlukan karena untuk melakukan uji t dan uji F perlu mengasumsikan bahwa nilai residual mengikuti distribusi normal. Pengujian normalitas dalam penelitian ini menggunakan dua metode yang secara umum digunakan oleh penelitian lainnya, yaitu analisis statistik dengan menggunakan uji non-parametrik Kolmogorov- Smirnov K-S dan analisis grafik yang terdiri dari histogram dan normal probability plot. Universitas Sumatera Utara Pengujian normalitas data dalam penelitian ini menggunakan uji statistik non-parametrik Kolmogorov-Smirnov K-S dengan membuat hipotesis: 1. jika Z hitung Kolmogrov Smirnov Z tabel 1,96 atau angka signifikan signifikansi α 0,05 maka distribusi data dikatakan normal, 2. jika Z hitung Kolmogrov Smirnov Z tabel 1,96 atau angka signifikansi signifikansi α 0,05 maka distribusi data dikatakan tidak normal. Tabel 4.2 Uji Normalitas Sebelum Data Ditransformasi One-Sample Kolmogorov-Smirnov Test Unstandardized Residual N 40 Normal Parameters a Mean -.0001312 Std. Deviation 5.93729070E11 Most Extreme Differences Absolute .251 Positive .251 Negative -.211 Kolmogorov-Smirnov Z 1.589 Asymp. Sig. 2-tailed .013 a. Test distribution is Normal b. Calculated from data Sumber : Output SPSS Hasil pengolahan data tersebut terlihat bahwa Asymp. Sig 0,013 signifikansi 0,05. Hal ini menunjukkan bahwa data terdistribusi tidak normal. Seperti yang terlihat dalam grafik histogram dan grafik normal plot data. Penelitian ini menunjukkan bahwa nilai residual dalam Universitas Sumatera Utara penelitian ini tidak terdistribusi normal. Hal ini ditunjukkan oleh grafik histogram yang terlalu melenceng ke kiri positif skewness dan distribusi data tidak mengikuti garis diagonal. Normal probability plot juga menunjukkan hal yang sama, dimana titik-titik dalam plot terlihat tidak mengikuti garis diagonal dan bergerak menjauhi garis diagonal. Persamaan regresi dalam penelitian ini menjadi kurang baik, karena uji t dan uji F dalam persamaan regresi mensyaratkan distribusi residual haruslah normal. Distribusi residual dalam penelitian ini kembali normal, maka dilakukan langkah perbaikan dengan mentransformasi seluruh variabel yang digunakan dalam penelitian ini kedalam bentuk logaritma natural Ln. Setelah dilakukan transformasi, data kemudian di uji kembali berdasarkan uji normalitas. Hasil uji kolmogrov-smirnov setelah dilakukan transformasi data ke dalam bentuk logaritma natural dapat dilihat dibawah ini : Tabel 4.3 Hasil Uji Normalitas setelah transformasi One-Sample Kolmogorov-Smirnov Test Unstandardiz ed Residual N 40 Normal Parameters a Mean .0000000 Std. Deviation 1.61216789 Most Extreme Differences Absolute .130 Positive .061 Negative -.130 Kolmogorov-Smirnov Z .821 Asymp. Sig. 2-tailed .511 Universitas Sumatera Utara One-Sample Kolmogorov-Smirnov Test Unstandardiz ed Residual N 40 Normal Parameters a Mean .0000000 Std. Deviation 1.61216789 Most Extreme Differences Absolute .130 Positive .061 Negative -.130 Kolmogorov-Smirnov Z .821 Asymp. Sig. 2-tailed .511 a. Test distribution is Normal. b. Calculated from data Sumber : Output SPSS Hasil pengolahan data tersebut terlihat bahwa Asymp. Sig 0,511 signifikansi 0,05 dan Z hitung Kolmogrov Smirnov 0,821 dari 1,96. Hasil uji normalitas dengan menggunakan grafik histogram dan normal probability plot juga menunjukkan bahwa data terdistribusi normal. Hal tersebut dilihat memalui grafik histogram dan normal probability plot dibawah ini. Gambar 4.1 Histogram Setelah Data Ditransformasi Universitas Sumatera Utara Uji Normalitas Histogram Sumber: Output SPSS Setelah adanya transformasi data, distribusi residual menjadi relative lebih normal. Hal ini ditunjukkan oleh grafik histogram pada gambar 4.3 tidak terlalu menceng, baik ke kanan maupun ke kiri. Hasil yang sama juga dapat dilihat dari grafik normal probability plot pada gambar diabwah ini. Gambar 4.2 Grafik Normal P-P Setalah Data Ditransformasi Pola titik-titik pada normal probability plot gambar 4.4 setelah ditransformasikan menunjukkan pola titiik-titik menyebar, mendekati dan searah dengan garis diagonal menunjukkan bahwa data residual telah terdistribusi dengan normal. Seringkali data kelihatan normal karena mengikuti garis diagonal. Padahal belum tentu data tersebut berdistribusi normal.

4.2.2.2. Uji Multikolinieritas

Multikolinieritas menunjukkann ada tidaknya variable independen yang memiliki hubungan yang kuat dengan variabel independen lainnya dalam model regresi, agar pengambilan keputusan pengaruh pada uji parsial masing-masing variabel independen tidak bias. Untuk mengetahui Universitas Sumatera Utara ada tidaknya multikolinearitas dapat dilihat dari nilai Variance Inflation Factor VIF dan korelasi diantara variable independen. Jika nilai VIF 10 atau nilai tolerance 0,10, maka tidak terjadi multikolonearitas. Tabel 4.4 Hasil Uji Multikolinearitas Berdasarkan pada tabel diatas, dapat disimpukan bahwa tidak terjadi gejala multikolonieritas antara variabel independen yang di indikasikan dari nilai tolerance setiap variabel dari 0,1. Nilai tolerance AKO 0,231,GPM 0,901, dan LABA 0,233. Hasil perhitungan VIF, diperoleh nilai sebesar 4.321 pada AKO, 1,110 pada GPM dan 4,286 pada LABA, yang mengindikasikan bahwa ketiga variabel independen memiliki nilai VIF 10, sehingga dapat disimpulkan bahwa tidak terdapat multikolimearitas antar variabel independen dalam model regresi.

4.2.2.3. Uji Heteroskedastisitas

Penelitian ini, dilakukan untuk mendeteksi ada tidaknya gejala Heteroskedastisitas adalah dengan melihat plot grafik yang dihasilkan dari Coefficients a Model Collinearity Statistics Tolerance VIF 1Constant ln_ako .231 4.321 ln_gpm .901 1.110 ln_LB .233 4.286 a. DependentVariable:ln_AKMD Sumber : Output SPSS Universitas Sumatera Utara pengolahan data dengan menggunakan program SPSS. Dasar pengambilan keputusannya adalah: 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 seperti titik-titik menyebar diatas dan dibawah angka 0 pada sumbu Y, maka tidak terjadi Heteroskedastisitas atau terjadi Homoskedastisitas. Berikut ini dilampirkan grafik scatterplot untuk menganalisis apakah terjadi Heteroskedastisitas atau terjadi Homoskedastisitas dengan mengamati penyebaran titik-titik pada gambar. Gambar 4.3 Hasil Uji Heteroskedastisitas Scatterplot Universitas Sumatera Utara Sumber : Output SPSS Grafik scatterplot terlihat bahwa titik-titik menyebar secara acak dan tidak membentuk suatu pola tertentu serta tersebar baik di atas maupun dibawah angka 0 pada sumbu Y dan berada disekitar angka 0, sehingga dapat disimpulkan bahwa tidak terjadi heteroskedastisitas pada model regresi, sehingga model regresi layak dipakai untuk memprediksi arus kas masa depan berdasarkan masukan variable independen arus kas aktivitas operasi, gross profit margin dan laba bersih. Adanya titik-titik yang menyebar menjauh dari titik-titik yang lain dikarenakan adanya data observasi yang sangat berbeda dengan data observasi yang lain.

4.2.2.4. Uji Autokorelasi

Pengujian autokorelasi bertujuan untuk menguji apakah terdapat korelasi antara kesalahan pengganggu pada suatu periode dengan kesalahan pengganggu periode sebelumnya dalam model regresi. Jika terjadi autokorelasi dalam model regresi berarti koefisien korelasi yang diperoleh menjadi tidak akurat. Cara yang dapat digunakan untuk mendeteksi ada masalah autokorelasi adalah dengan menggunakan uji Durbin-Watson. Dasar untuk pengambilan keputusan autokorelasi melalui uji Durbin-Watson adalah sebagai berikut: Tabel 4.5 Kriteria Pengambilan Keputusan Uji Durbin-Watson Universitas Sumatera Utara Hipotesis Nol Keputusan Jika Tidak ada autokorelasi positif Tolak 0 d dl Tidak ada autokorelasi positif No decision dl ≤ d ≤ du Tidk ada korelasi negatif Tolak 4-dl d 4 Tidak ada korelasi negatif No decision 4-du ≤ d ≤ 4-dl Tidak ada korelasi, positif atau negatif Tidak ditolak du d 4-du Sumber : ghozali 2005:96 Tabel 4.6 Hasil Uji Autokorelasi Durbin-Watson Model Summary b Model R R Square Adjusted R Square Std. Error of the Estimate Durbin- Watson 1 .673 a .452 .407 1.67800 2.137 a. Predictors: Constant, ln_lb, ln_GPM, ln_ako b.Dependent Variable: ln_AKMD Sumber: Output SPSS, diolah oleh penulis Berdasarkan tabel 4.5 hasil uji Durbin-Watson sebesar 2,137. Nilai DW dalam perhitungan tersebut akan dibandingkan dengan nilai kritis tabel Durbin-Watson dengan menggunakan pengujian du d 4 - du. Variabel bebas k = 3 dan jumlah sampel N = 40 besar DW tabel dl batas luar = 1,3384 dan du batas dalam = 1,6589; 4–du = 2,3411. Berdasarkan tabel dapat dilihat perbandingan nilai DW berada diantara du dan 4–du 1,6589 2,137 2,3411. Menurut tabel, nilai ini menunjukan suatu kesimpulan bahwa model regresi linier dalam penelitian menunjukan tidak terjadinya autokorelasi, sehingga model regresi penelitian ini masih layak digunakan. Universitas Sumatera Utara

4.2.3. Pengujian Hipotesis

Uji hipotesis dilakukan dengan dua tahap, yakni uji t dan uji F. pengaruh variabel bebas terhadap variabel terikat secara parsial akan diketahui dengan menggunakan uji t. Pengaruh variabel bebas terhadap variabel terikat secara simultan akan dilihat dengan menggunakan uji F. Berdasarkan hasil pengolahan data dengan program SPSS, maka diperoleh hasil sebagai berikut:

4.2.3.1. Uji Signifikansi t-test

Uji t dilakukan untuk mengetahui hubungan antara variable- variabel independen terhadap variabel dependen secara parsial. Hipotesis yang akan di uji adalah : H o : kemampuan informasi arus kas, gross profit margin, dan laba secara parsial tidak mempunyai pengaruh terhadap arus kas masa depan. H a : kemampuan informasi arus kas, gross profit margin, dan laba secara parsial mempunyai pengaruh terhadap arus kas masa depan Uji ini dilakukan dengan membandingkan signifikansi thitung dengan ketentuan: - Jika t hitung t tabel pada α 0,05, maka Ha ditolak - Jika t hitung t tabel pada α 0,05, maka Ha diterima. Tabel 4.7 Nilai Signifikansi Secara Parsial Universitas Sumatera Utara Coefficients a Model Unstandardized Coefficients Standardize d Coefficients t Sig. B Std. Error Beta 1 Constant 3.647 3.900 .935 .356 ln_ako .390 .314 .318 2.240 .023 ln_gpm -.231 .708 -.042 -.327 .746 ln_LB .447 .303 .377 2.475 .039 a. Dependent Variable: ln_AKMD Sumber: Output SPSS Tabel 4.6 menunjukkan hasil pengujian statistic t sehingga dapat menjelaskan pengaruh variabel independen secara parsial. 1. Pengaruh arus kas aktivitas operasi terhadap arus kas masa depan Variabel arus kas aktivitas operasi memiliki t hitung 2,240 dengan nilai signifikansi 0,023. Dengan menggunakan tabel uji t, diperoleh t tabel 1,68. Hal ini menunjukkan bahwa t hitung sebesar 2.240 t tabel sebesar 1,68 maka Ho ditolak dan Ha diterima. Nilai signifikansi variabel arus kas aktivitas operasi sebesar 0,023 0,05 yang berarti variable tersebut mempengaruhi variabel dependen secara signifikan. Hal tersebut berarti arus kas aktivitas operasi secara parsial mempunyai pengaruh yang signifikan terhadap arus kas masa depan. 2. Pengaruh Gross Profit Margin terhadap arus kas masa depan Variabel gross profit margin memiliki t hitung -0,327 dengan nilai signifikansi 0,746. Dengan menggunakan tabel uji t, diperoleh t tabel 1,68. Hal ini menunjukkan bahwa t hitung sebesar -0,327 t tabel sebesar 1,68 maka Universitas Sumatera Utara Ha ditolak dan Ho diterima. Nilai signifikansi variable gross profit margin sebesar 0,746 0,05 yang berarti variabel tersebut tidak mempengaruhi variabel dependen secara signifikan. Hal tersebut berarti gross profit margin secara parsial tidak mempunyai pengaruh yang signifikan terhadap arus kas masa depan. 3. Pengaruh Laba bersih terhadap arus kas masa depan Variabel laba bersih memiliki t hitung 2,475 dengan nilai signifikansi 0,039. Dengan menggunakan tabel uji t, diperoleh t tabel 1,68. Hal ini menunjukkan bahwa t hitung sebesar 2,475 t tabel sebesar 1,68 maka H ditolak dan H a diterima. Nilai signifikansi variabel laba bersih sebesar 0,039 0,05 yang berarti variabel tersebut mempengaruhi variabel dependen secara signifikan. Hal tersebut berarti laba bersih berpengaruh secara parsial terhadap arus kas masa depan.

4.2.3.2 Uji Signifikansi Simultan F-test

Uji F ini dilakukan untuk melihat seberapa besar pengaruh variabel independen terhadap variabel dependen secara simultan. Hipotesis yang akan di uji adalah: H o : kemampuan informasi arus kas, gross profit margin, dan laba secara simultan tidak mempunyai pengaruh terhadap arus kas masa depan. H a : kemampuan informasi arus kas, gross profit margin, dan laba mempunyai pengaruh secara simultan terhadap arus kas masa depan Uji ini akan dilakukan dengan membandingkan signifikansi F hitung dengan ketentuan: Universitas Sumatera Utara - Jika F hitung F tabel pada α 0,05, maka Ho ditolak, dan - Jika F hitung F tabel pada α 0,05, maka Ha diterima Tabel 4.8 Hasil Uji Simultan F-test ANOVA b Model Sum of Squares df Mean Square F Sig. 1 Regression 83.705 3 27.902 9.909 .000 a Residual 101.364 36 2.819 Total 185.070 39 a. Predictors: Constant, ln_LB, ln_gpm, ln_ako b. Dependent Variable: ln_AKMD Hasil uji F yang ditampilkan dalam tabel 4.7 menunjukkan bahwa nilai F hitung adalah 9,909 dengan tingkat signifikansi 0,000. Dengan menggunakan tabel uji F, nilai F tabel diperoleh sebesar 2,84. Hal tersebut menunjukkan bahwa F hitung sebesar 9,909 F tabel sebesar 2,84 sehingga H a diterima dan H o ditolak. Nilai signifikansi sebesar 0,000 dari signifikansi 0,05 yang berarti variabel tersebut mempengaruhi variabel dependen secara signifikan. Hal tersebut berarti arus kas aktivitas operasi, gross profit margin dan laba bersih secara simultan mempunyai pengaruh yang signifikan terhadap arus kas masa depan. 8.2.3.3.Koefisien Determinasi R 2 Koefisien determinasi R Square menunjukkan seberapa besar variable independen menjelaskan variabel dependennya. Nilai R Square R 2 dikatakan baik jika diatas 0,5 karena nilai R Square R 2 bekisar antara 0 sampai 1. Apabila Universitas Sumatera Utara nilai R Square R 2 semakin mendekati 1 maka variabel-variabel independen mendekati semua informasi yang dibutuhkan untuk memprediksi variasi variabel dependen. Sebaliknya, semakin kecil nilai R Square maka kemampuan variabel- variabel independen untuk menjelaskan variasi variable dependen semakin terbatas. Umumnya sampel dengan data deret waktu time series memiliki R Square maupun Adjusted R Square cukup tinggi diatas 0,5. R Square memiliki kelemahan yaitu R Square R 2 akan meningkat setiap ada penambahan suatu variabel dependen meskipun variabel independen tersebut tidak berpengaruh signifikan terhadap variabel dependen. Dalam kenyataanya nilai adjusted R Square dapat bernilai negatif, walaupun yang dikehendaki harus bernilai positif. Jika dalam uji empiris didapat nilai adjusted R Square negative, maka nilai adjusted R Square dianggap Nol. Tabel 4.9 Hasil Koefisien Determinasi Pada tabel 4.8, output spss memiliki nilai koefisien determinasi yang sudah disesuaikan Adjusted R Square sebesar 40,7 variabel dependen arus kas masa depan dijelaskan oleh variabel independen arus kas aktivitas operasi, gross profit Model Summary b Model R R Square Adjusted R Square Std. Error of the Estimate 1 .673 a .452 .407 1.67800 a. Predictors: Constant, ln_LB, ln_gpm, ln_ako b. Dependent Variable: ln_AKMD Universitas Sumatera Utara margin dan laba bersih, dan sisanya 59,3 dijelaskan oleh variabel lain diluar variabel yang digunakan. Standar Error of Estimate SEE adalah sebesar 1.67800, yang mana semakin besar SEE akan membuat model regresi kurang tepat dalam memprediksi variabel dependen.

4.2.4 Analisis Regresi Liner Berganda

Analisis regresi berganda digunakan untuk mengetahui seberapa besar pengaruh variabel arus kas yang berasal dari aktivitas operasi X 1 , gross profit margin X 2 , laba bersih X 3 , terhadap arus kas masa depan Y. Hasil analisis regresi dengan menggunakan software pengolah data ststistik SPSS disajikan pada tabel berikut ini: Tabel 4 Koefisien Regresi Coefficients a Model Unstandardized Coefficients Standardize d Coefficients t Sig. B Std. Error Beta 1 Constant 3.647 3.900 .935 .356 ln_ako .390 .314 .318 2.240 .023 ln_gpm -.231 .708 -.042 -.327 .746 ln_LB .447 .303 .377 2.475 .039 a. Dependent Variable: ln_AKMD Sumber : Output SPSS Universitas Sumatera Utara Berdasarkan hasil pengolahan regresi berganda yang ditunjukkan dalam Tabel 4.10, maka diperoleh hasil regresi berganda sebagai berikut : Y= 3,647 + 0,390 X 1 - 0,231 X 2 + 0,447 X 3 + e a. Konstanta a = 3,647, ini menunjukkan harga konstanta dimana jika arus kas yang berasal dari aktivitas operasi X 1 , gross profit margin X 2 dan laba bersih X 3 = 0, maka prediksi arus kas masa depan adalah sebesar 3,647. b. Koefisien X 1 b 1 = 0,390, hal ini menunjukkan bahwa variabel arus kas yang berasal dari aktivitas operasi berpengaruh secara positif untuk memprediksi arus kas masa depan atau dengan kata lain jika variabel arus kas yang berasal dari aktivitas operasi ditingkatkan sebesar satu satuan maka prediksi arus kas masa depan akan bertambah 0,390 dengan asumsi bahwa variabel bebas yang lain dari model regresi adalah tetap. c. Koefisien X 2 b 2 = - 0,231 hal ini menunjukkan bahwa variabel gross profit margin berpengaruh secara negatif untuk memprediksi arus kas masa depan. Artinya jika variabel gross profit margin ditingkatkan sebesar satu satuan makaprediksi arus kas masa depan akan turun sebesar 0,231 dengan asumsi bahwa variabel bebas yang lain dari model regresi adalah tetap. d. Koefisien X 3 b 3 = 0,447, hal ini menunjukkan bahwa variabel laba bersih berpengaruh secara positif untuk memprediksi arus kas masa depan atau dengan kata lain jika variabel laba bersih ditingkatkan sebesar satu satuan Universitas Sumatera Utara maka prediksi arus kas masa depan akan bertambah 0,447 dengan asumsi bahwa variabel bebas yang lain dari model regresi adalah tetap.

4.3. Pembahasan Hasil Penelitian

Berdasarkan hasil pengujian variabel bebas arus kas operasi, gross profit margin dan laba terhadap variabel terikat arus kas masa depan yang telah di uraikan secara statistic dengan menggunakan SPSS, maka hipotesis dapat dijelaskan sebagai berikut: Variabel arus kas aktivitas operasi secara parsial mempunyai pengaruh yang signifikan terhadap arus kas masa depan. Hal ini dapat dilihat dari nilai signifikansi variabel arus kas aktivitas operasi sebesar 0,023 0,05 yang berarti variable tersebut mempengaruhi variabel dependen secara signifikan. Penelitian ini sejalan dengan penelitian yang dilakukan Bandi dan Rahmawati 2005, Dahler dan Febrianto 2006, serta As’ad 2010, yang sama-sama menggunakan komponen arus kas dalam memprediksi arus kas masa depan. Dalam penelitian Dahler dan Febrianto 2006 serta As’ad 2010, keduanya sama-sama menyatakan bahwa arus kas aktivitas operasi merupakan komponen arus kas yang lebih baik dalam menganalisis arus kas. Variabel gross profit margin secara parsial tidak mempunyai pengaruh yang signifikan terhadap arus kas masa depan. Hal ini dapat dilihat dari nilai signifikansi variable gross profit margin sebesar 0,746 0,05 yang berarti variabel tersebut tidak mempengaruhi variabel dependen secara signifikan. Penelitian ini bertolak belakang dengan penelitian Daniati dan Suhairi, 2006 yang membuktikan bahwa kandungan informasi pada laba, khususnya angka Universitas Sumatera Utara gross profit margin tidak memiliki pengaruh bagi para investor ataupun kreditor dalam membuat keputusan ekonomi. Hal ini mengindikasikan bahwa, angka gross profit margin tidak mampu memberikan nilai informasi yang dapat digunakan dalam memprediksi arus kas masa depan serta untuk memenuhi kebutuhan informasi bagi pemakai laporan keuangan, khususnya investor dan kreditor. Variabel laba bersih secara parsial mempunyai pengaruh yang signifikan terhadap arus kas masa depan. Hal ini dapat dilihat dari nilai signifikansi variabel laba bersih sebesar 0,039 0,05 yang berarti variabel tersebut mempengaruhi variabel dependen secara signifikan. Hasil ini bertentangan dengan akuntansi akrual, yang menyatakan angka laba bersih tidak akan mencerminkan arus kas bersih di masa mendatang. Pernyataan tersebut tidak mendukung hasil penelitian ini dimana laba bersih mempunyai hubungan yang positif terhadap arus kas masa depan. Hal ini juga dapat dilihat dari besarnya nilai pengaruh variabel yang ditunjukkan oleh nilai Adjusted R Square sebesar 0,407 yaitu persentase pengaruh arus kas operasi, gross profit margin dan laba bersih terhadap arus kas masa depan sebesar 40,7 sehingga variabel lain yang diluar variabel- variabel independen tersebut faktor internal yang menjelaskan arus kas masa depan secara menyeluruh adalah 59,3. Dengan demikian pengaruh dari semua variabel yang digunakan dalam penelitian ini tidak berpengaruh besar. Universitas Sumatera Utara BAB V KESIMPULAN DAN SARAN

9.1. Kesimpulan