Analisis Statistik Deskriptif Pengujian Hipotesis

BAB IV HASIL PENELITIAN DAN PEMBAHASAN

4.1 Data Penelitian

Metode analisis data yang digunakan dalam penelitian ini adalah metode analisis statistik yang menggunakan persamaan regresi berganda. Analisis data dimulai dengan mengolah data dengan menggunakan Microsoft Excel, selanjutnya dilakukan pengujian asumsi klasik dan pengujian menggunakan regresi berganda. Pengujian asumsi klasik dan pengujian regresi berganda dilakukan dengan menggunakan software SPSS versi 16.0 for Windows. Prosedur dimulai dengan memasukkan variabel-variabel penelitian ke program SPSS tersebut dan menghasilkan output-output sesuai metode analisis data yang telah ditentukan. Berdasarkan metode pemilihan sampel yang digunakan, didapat 150 perusahaan yang dijadikan sampel dalam penelitian ini dan diamati selama periode 2008- 2010.

4.2 Analisis Hasil Penelitian

4.2.1 Analisis Statistik Deskriptif

Informasi yang dibutuhkan dalam penelitian ini merupakan data sekunder yang diperoleh dari www.idx.co.id berupa data keuangan sampel perusahaan dari tahun 2008 sampai tahun 2010 yang dijabarkan dalam bentuk statistik. Variabel dari penelitian ini terdiri dari ukuran perusahaan, modal kerja, arus kas sebagai variabel bebas dan likuiditas sebagai variabel terikat. Statistik deskriptif dari variabel tersebut dari sampel perusahaan selama periode 2008 sampai dengan tahun 2010 disajikan dalam tabel 4.1 berikut. Tabel 4.1 Statistik Deskriptif Variabel-Variabel Penelitian Descriptive Statistics N Minimum Maximum Mean Std. Deviation Likuiditas 377 .0136 2.960 1.309 .6414 Total aktiva 377 556667431 8.E13 4.01E12 1.042E13 Perputaran Modal Kerja 377 -1.093 2.942 7.916 1.518 Arus Kas Operasi 377 -9.E11 3.E13 5.27E11 2.623E12 Valid N listwise 377 Tabel di atas menunjukkan bahwa hanya variabel perputaran modal kerja dan arus kas operasi memiliki nilai minimum negatif, namun hal ini tidak bisa dijadikan sebagai dasar untuk menyatakan bahwa perusahaan yang dijadikan sampel selalu merugi selama periode pengamatan. Untuk nilai maksimum, semua variabel memiliki nilai yang positif. Berikut ini perincian data deskriptif yang telah diolah : a. Variabel likuiditas memiliki nilai minimum 0,0136 dan maksimum 2,960 dengan rata-rata likuiditas sebesar 1,309 dengan jumlah sampel sebanyak 377 perusahaan. b. Variabel total aktiva memiliki nilai minimum Rp. 556667431 dan nilai maksimum 8,E13 dengan rata-rata total aktiva sebesar 4,01E12 dengan jumlah sampel sebanyak 377 perusahaan. c. Variabel perputaran modal kerja memiliki nilai minimum -1,093 dan nilai maksimum 2,942 dengan rata-rata perputaran modal kerja sebesar 7,916 dengan jumlah sampel sebanyak 377 perusahaan. d. Variabel arus kas operasi memiliki nilai minimum -9,E11 dan nilai maksimum 3,E13 dengan rata-rata arus kas operasi sebesar 5,27E11 dengan jumlah sampel 377 perusahaan.

4.2.2 Uji Asumsi Klasik

Ada beberapa syarat asumsi klasik yang harus dipenuhi agar model persamaan regresi berganda dapat digunakan dalam menganalisis faktor-faktor yang mempengaruhi likuiditas, antara lain uji normalitas, uji multikolinieritas, uji heteroskedastisitas, dan uji autokorelasi.

4.2.2.1 Uji Normalitas

Tujuan uji normalitas adalah untuk mengetahui apakah distribusi sebuah data mengikuti atau mendekati distribusi normal. Pengujian normalitas data dalam penelitian ini menggunakan uji statistik non parametrik one-sample kolmogrov smirnov, tingkat signifikan 5 dengan membuat hipotesis: H H : data residual berdistribusi normal 1 Apabila nilai signifikansinya lebih besar dari 0,05 maka H : data residual tidak berdistribusi normal diterima, sedangkan jika nilai signifikansinya lebih kecil dari 0,05 maka H ditolak. Hasil Uji Normalitas Sebelum Data di Trimming Grafik Normal P-Plot sebelum data di- trimming Gambar 4.1 Hasil uji normalitas dengan menggunakan grafik plot. Pada grafik normal plot, kelihatan titik-titik menyebar di sekitar garis diagonal serta mendekati garis diagonal sehingga disimpulkan bahwa data dalam model regresi terlihat terdistribusi secara normal. Dari hasil uji normalitas dengan grafik histogram, dan grafik normal plot, menunjukkan data tidak terdistribusi secara normal. Histogram sebelum data di- trimming Gambar 4.2 Dengan cara membandingkan antara data observasi dengan distribusi yang mendekati distribusi normal, dari grafik di atas dapat disimpulkan bahwa distribusi data tidak normal karena grafik histogram menunjukkan distribusi data tidak mengikuti garis diagonal yaitu menceng ke kiri. Ada beberapa cara mengubah model regresi menjadi normal menurut Erlina 2009: 106, yaitu : 1 Lakukan transformasi data ke bentuk lainnya. 2 Lakukan trimming, yaitu membuang data outlier. 3 Lakukan winsorizing, yaitu mengubah nilai data yang outlier ke suatu nilai tertentu. Untuk mengubah nilai residual agar terdistribusi normal, penulis melakukan trimming data. Kemudian data diuji ulang berdasarkan asumsi normalitas. Berikut ini hasil pengujian Kolmogorov-Smirnov K-S: 1 Analisis Grafik Uji normalitas yang digunakan dalam analisis grafik ini adalah dengan melihat grafik histogram dan normal probability plot sebagai berikut Uji Normalitas Setelah Data Di- trimming Histogram Dependent Variable Likuiditas Gambar 4.3 Histogram setelah data di- trimming Gambar 4.3 menunjukkan bahwa grafik histogram memberikan pola distribusi yang tidak menceng ke kiri atau menceng ke kanan. Hal ini berarti data residual mempunyai distribusi normal. Uji normalitas dapat juga dilakukan dengan analisis statistik selain dengan analisis grafik histogram melalui grafik normal p-p plot regression standardized residual seperti yang disajikan pada Gambar 4.4 Gambar 4.4 Grafik Normal P-Plot setelah data di- trimming Gambar 4.4 menunjukkan bahwa titik-titik pada scatter plot mengikuti data di sepanjang garis diagonal. Hal ini menunjukkan bahwa data residual mempunyai distribusi normal. Uji normalitas dapat juga dilakukan dengan analisis statistik. Analisis statistik memberikan hasil yang lebih akurat dibandingkan dengan analisis grafik. 2 Analisis Statistik Uji normalitas yang digunakan dalam analisis statistik ini adalah uji statistik non-parametrik One-Sample Kolmogrov Smirnov. Tabel 4.3 ditampilkan sebagai berikut: Tabel 4.2 Hasil Uji Normalitas Setelah Data Di- trimming Tabel 4.2 memperlihatkan bahwa nilai Asymp.Sig 2-tailed Unstandardized Residual bernilai 0, 118 yang lebih besar dibandingkan dengan taraf nyata α yaitu 0,05. Hal ini berarti model regresi variabel dependen dan independen mempunyai distribusi normal.

4.2.2.2 Uji multikolineritas

Dalam penelitian ini, untuk mendeteksi data ada tidaknya gejala multikolinieritas adalah dengan melihat besaran korelasi antar variable independen dan besarnya tingkat kolinieritas yang masih dapat ditolerir, yaitu : Tolerance 0,10 dan Variance Inflation Factor VIF 10. Berikut disajikan tabel hasil pengujian: One-Sample Kolmogorov-Smirnov Test Unstandardized Residual N 377 Normal Parameters a Mean .0000000 Std. Deviation .63875859 Most Extreme Differences Absolute .061 Positive .061 Negative -.034 Kolmogorov-Smirnov Z 1.190 Asymp. Sig. 2-tailed .118 a. Test distribution is Normal. b Calculated from data. Tabel 4.3 Hasil Uji Multikolinearitas Model Unstandardized Coefficients Standardized Coefficients t Sig. Collinearity Statistics B Std. Error Beta Tolerance VIF 1 Constant 1.299 .036 35.949 .000 Total aktiva 7.682E-15 .000 .125 1.355 .176 .313 3.192 Perputaran Modal Kerja -8.998E-6 .000 -.021 -.413 .680 1.000 1.000 Arus Kas Operasi -3.867E-14 .000 -.158 -1.717 .087 .313 3.192 a. Dependent Variable: Likuiditas Coefficient Correlations a Model Arus Kas Operasi Perputaran Modal Kerja Total aktiva 1 Correlations Arus Kas Operasi 1.000 -.007 -.829 Perputaran Modal Kerja -.007 1.000 .016 Total aktiva -.829 .016 1.000 Covariances Arus Kas Operasi 5.074E-28 -3.212E-21 -1.059E-28 Perputaran Modal Kerja -3.212E-21 4.750E-10 1.926E-21 Total aktiva -1.059E-28 1.926E-21 3.217E-29 a.Dependent Variable : Likuiditas c. Uji Heterokedastisitas Dalam penelitian ini, untuk mendeteksi ada tidaknya heterokedastisitas adalah dengan melihat plot grafik yang dihasilkan dari pengolahan data dengan menggunakan program SPSS. Berikut ini dilampirkan grafik scatterplot untuk menganalisis apakah terjadi heterokedastisitas atau terjadi homokedastisitas dengan mengamati penyebaran titik-titik pada gambar. Gambar 4.5 Dari grafik scatterplot terlihat bahwa titik-titik yang ada membentuk pola tertentu yang teratur bergelombang, melebar kemudian menyempit , maka mengindikasikan telah terjadi heterokedatisitas. Tindakan perbaikan yang dilakukan dalam penelitian ini menggunakan salah satu dari beberapa cara yang telah dikemukakan pada bab sebelumnya, yaitu dengan menggunakan transformasi seluruh variabel penelitian ke dalam fungsi logaritma natural LN. Sehingga data total aktiva, perputaran modal kerja dan arus kas operasi menjadi LN total aktiva LNX 1 , LN perputaran modal kerja LNX 2 dan LN arus kas operasi LNX 3 . Kemudian data diuji ulang berdasarkan asumsi normalitas. Gambar 4.6 Dari gambar 4.7 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 likuiditas berdasarkan masukan variabel independen, total aktiva, perputaran modal kerja dan arus kas operasi.

4.2.2.3 Uji Autokorelasi

Hasil dari uji autokorelasi dapat dilihat pada tabel berikut ini : Tabel 4.4 Uji Autokorelasi Durbin-Watson Model Summary b Model R R Square Adjusted R Square Std. Error of the Estimate Durbin-Watson 1 .612 a .375 .365 .22630 2.077 a. Predictors: Constant, LN_X3, LN_X2, LN_X1 b. Dependent Variable: LN_Y Berdasarkan tabel 4.4 di atas, diketahui bahwa nilai dw sebesar 2,077. Angka ini terletak diantara -2 sampai +2, dengan demikian dapat disimpulkan bahwa tidak terdapat autokorelasi positif maupun autokorelasi negatif pada model regresi penelitian ini.

4.2.3 Analisis Regresi

Dari hasil pengujian asumsi klasik disimpulkan bahwa model regresi yang dipakai dalam penelitian ini telah memenuhi model estimasi yang Best Linear Unbiased Estimator BLUE dan layak dilakukan analisis regresi. Pengujian hipotesis menggunakan analisis regresi berganda. Berdasarkan hasil pengolahan data dengan program SPSS 16.0 maka diperoleh hasil sebagai berikut:

4.2.3.1 Persamaan Regresi

Dalam pengolahan data dengan menggunakan regresi linear dilakukan beberapa tahapan untuk mencari hubungan antara variabel independen dan variabel dependen melalui pengaruh total aktiva X 1 , perputaran modal kerja X 2 , arus kas operasi X 3 terhadap likuiditas Y. Hasil regresi dilihat pada tabel 4.6 berikut: Tabel 4.5 Analisis Hasil Regresi Coefficients a Model Unstandardized Coefficients Standardized Coefficients t Sig. Collinearity Statistics B Std. Error Beta Tolerance VIF 1 Constant .893 .295 3.027 .003 LN_X1 -.005 .017 -.029 -.302 .763 .359 2.78 2 LN_X2 -.171 .016 -.615 - 10.519 .000 .974 1.02 7 LN_X3 .002 .012 .018 .187 .852 .361 2.76 7 a. Dependent Variable : LN_Y Berdasarkan tabel di atas, didapatlah persamaan regresi sebagai berikut: LNY = 0,893 - 0,005 LNX 1 - 0,171 LNX 2 + 0,002 LNX 3 Dimana: + e LNY = Logaritma Natural Likuiditas LNX 1 LNX = Logaritma Natural Total Aktiva 2 LNX = Logaritma Natural Perputaran Modal Kerja 3 Keterangan: = Logaritma Natural Arus Kas Operasi 1. Konstanta sebesar 0,893 menyatakan bahwa jika variabel independen dianggap konstan, maka LN Likuiditas sebesar 0,893. 2. LN Total Aktiva memiliki koefisien regresi bertanda negatif sebesar 0,005, artinya apabila terjadi perubahan variabel LN Total Aktiva sebesar 1 akan menurunkan LN Likuiditas sebesar 0,005 atau 0,5 interprestasi elastisitas karena model logaritma. 3. LN Perputaran Modal Kerja memiliki koefisien regresi bertanda negatif sebesar 0,171, artinya apabila terjadi perubahan variabel LN Perputaran Modal Kerja sebesar 1 akan menurunkan LN Likuiditas sebesar 0,171 atau 17,1 . 4. LN Arus Kas Operasi memiliki koefisien regresi bertanda positif sebesar 0,002, artinya apabila terjadi perubahan variabel LN Arus Kas Operasi sebesar 1 akan menaikkan LN Likuiditas sebesar 0,002 atau 0,2.

4.2.3.2 Analisis Koefisien Korelasi dan Koefisien Adjusted Determinasi

Nilai koefisien korelasi R menunjukkan seberapa besar korelasi atau hubungan antara variabel-variabel independen dengan variabel dependen. Koefisien korelasi dikatakan kuat apabila 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 variabel-variabel independen dalam menjelaskan variasi variabel dependen semakin terbatas. Nilai R square memiliki kelemahan yaitu nilai R square akan meningkat setiap ada penambahan satu variabel independen meskipun variabel independen tersebut tidak berpengaruh signifikan terhadap variabel dependen. Tabel 4.6 Hasil Analisis Koefisien Korelasi dan Koefisien Adjusted Determinasi Model Summary b Model R R Square Adjusted R Square Std. Error of the Estimate Durbin-Watson 1 .612 a .375 .365 .22630 2.077 a. Predictors: Constant, LN_X3, LN_X2, LN_X1 b. Dependent Variable: LN_Y Pada model summary di atas, angka R sebesar 0,612 menunjukkan bahwa korelasi atau hubungan antara LN Likuiditas LNY dengan LN Total Aktiva LNX 1 , LN Perputaran Modal Kerja LNX 2 dan LN Arus Kas Operasi LNX 3 , erat karena 0,5 50. Angka R square atau koefisien determinasi adalah 0,375. Angka ini mengindikasikan bahwa 37,5 variasi atau perubahan dalam LN Likuiditas tidak dapat dijelaskan oleh variasi variabel LN total aktiva, LN perputaran modal kerja dan LN arus kas operasi. Sedangkan sisanya dijelaskan oleh sebab-sebab lain yang tidak dimasukkan dalam model penelitian. Standar Error of Estimate SEE adalah 0,22630 dimana semakin besar SEE akan membuat model regresi kurang tepat dalam memprediksi variabel dependen.

4.2.4 Pengujian Hipotesis

Untuk mengetahui apakah variabel independen dalam model regresi berpengaruh terhadap variabel dependen, maka dilakukan pengujian dengan menggunakan uji F F test dan uji t t test. 4.2.4.1 Uji signifikan simultan F- test Untuk melihat pengaruh total aktiva, perputaran modal kerja, arus kas operasi terhadap likuiditas secara simultan dapat dihitung dengan menggunakan F test. Berdasarkan hasil pengolahan data dengan program SPSS versi 16.0 for Windows, maka diperoleh hasil sebagai berikut: Tabel 4.7 Uji Statistik F ANOVA b Model Sum of Squares df Mean Square F Sig. 1 Regression 5.772 3 1.924 37.569 .000 a Residual 9.627 188 .051 Total 15.399 191 a. Predictors: Constant, LN_X3, LN_X2, LN_X1 b. Dependent Variable: LN_Y Berdasarkan hasil uji F F test diperoleh F hitung adalah 37,569 dengan tingkat signifikansi 0.000 yang lebih kecil dari 0.05, sedangkan F tabel sebesar 2,652646 dengan tingkat signifikansi 0,05. Berdasarkan hasil tersebut dapat disimpulkan bahwa total aktiva, perputaran modal kerja dan arus kas operasi berpengaruh secara simultan dan signifikan terhadap likuiditas karena F hitung F tabel 37,569 2,652646 dan signifikansi penelitian 0,05 0,0000,05.

4.2.4. Uji signifikan parsial t test