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