BAB IV ANALISIS DAN PEMBAHASAN. berganda untuk mengetahui bagaimana pengaruh laba, akrual, dan arus kas dalam

Transkripsi

1 BAB IV ANALISIS DAN PEMBAHASAN Pada bab ini akan disajikan hasil dari analisis data berdasarkan pengamatan sejumlah variabel yang digunakan dalam model analisis regresi berganda untuk mengetahui bagaimana pengaruh laba, akrual, dan arus kas dalam meningkatkan kualitas prediksi arus kas dimasa depan. Serta menggunakan ukuran perusahaan sebagai variable kontrol. 4.1 STATISTIK DESKRIPTIF Statistik deskriptif penelitian ini dilakukan guna mencari nilai minimum, maksimum, mean dan standar deviasi dari variabel-variabel penelitian. Tabel IV. 1 Uji Statistik Deskriptif Descriptive Statistics Variabel N Minimum Maximum Mean Std. Deviation ak laba piu per hut dep other asset accrual Valid N (listwise) 98 Sumber: Data Sekunder yang Diolah,

2 Variabel Arus Kas Tahun Berikutnya (AK1) memiliki nilai rata-rata sebesar 6,8542. Variabel AK1 memiliki nilai minimum sebesar 6,48 dimiliki oleh PT. Semen Gresik, Tbk (SMGR) pada tahun Sedangkan nilai variabel AK1 maksimum sebesar 6,90 dimiliki oleh PT. Pyridan Farma, Tbk (PYFA) pada tahun 2011 Variabel Laba (Laba) memiliki nilai rata-rata sebesar 4,7200. Variabel laba memiliki niliai minimum sebesar 3,23 yang dimiliki oleh PT. Semen Gresik, Tbk (SMGR) pada tahun Variabel laba memiliki nilai maksimum sebesar 6,56 dimiliki oleh PT. Semen Gresik, Tbk (SMGR) pada tahun Variabel delta piutang (PIU) memiliki nilai rata-rata sebesar 6,8806. Variabel delta piutang memiliki nilai minimum sebesar 6,78 yang dimiliki oleh PT. Semen Gresik, Tbk (SMGR) pada tahun Sedangkan Variabel delta piutang memiliki nilai maksimum sebesar 6, 89 yang dimiliki oleh PT. Citra Turbindo, Tbk (CTBN) Tahun Variabel delta persediaan (PER) memiliki nilai rata-rata sebesar 6,1334. Variabel delta persediaan memiliki nilai minimum sebesar 5,94 yang dimiliki oleh PT. Japfa Comfeed Indonesia, Tbk (JPFA) tahun Variabel delta persediaan memiliki nilai maksimum sebesar 6,28 yang dimiliki oleh PT. Japfa Comfeed Indonesia, Tbk (JPFA) tahun Variabel delta hutang (hut) memiliki nilai rata-rata sebesar 5,8129. Variabel delta hutang memiliki nilai minimum sebesar 5,32 oleh PT. Citra Turbindo, Tbk (CTBN) Tahun Variabel delta hutang memiliki nilai maksimum sebesar 5,96 oleh PT. Citra Turbindo, Tbk (CTBN) Tahun Variabel Depresiasi dan amortisasi (dep) memiliki nilai rata-rata sebesar 4,3438. Variabel depresiasi commit dan to user amortisasi memiliki nilai minimum 38

3 sebesar 1,53 dimiliki oleh PT. Semen Gresik, Tbk (SMGR) pada tahun Variabel depresiasi dan amortisasi memiliki nilai maksimum sebesar 5,68 dimiliki oleh PT. Berlina, Tbk tahun Variabel other (other) memiliki nilai rata-rata sebesar 7,0956 Variabel Other memiliki nilai minimum sebesar 7,06 dimiliki oleh PT. Fajar Surya Wisesa, Tbk (FASW) tahun Variabel other memiliki nilai maksimum sebesar 7,13 yang dimiliki oleh PT. Astra Autopart, Tbk (AUTO) tahun Variabel akrual (accrual) memiliki nilai rata-rata 6,4547. Variabel akrual memiliki nilai minimum sebesar 6,14 dimiliki oleh PT. Fajar Surya Wisesa, Tbk (FASW) tahun Variabel akrual memiliki nilai maksimum sebesar 7,19 yang dimiliki oleh PT. Astra Autopart, Tbk (AUTO) tahun UJI ASUMSI KLASIK Pengujian asumsi klasik dilakukan sebelum melakukan pengujian hipotesis karena merupakan prasyarat bagi analisis regresi serta agar hasil analisis regresi dapat dipercaya atau valid Uji Normalitas Data Uji normalitas dilakukan untuk mengetahui apakah data terdistribusi secara normal atau tidak. Dalam penelitian ini menggunakan dua cara untuk mengetahui normalitas data yaitu analisis grafik dan analisis statistik. 39

4 Untuk menguji normalitas data pengaruh laba terhadap peramalan arus kas yang diproksikan dengan persamaan pertama secara grafik menggunakan histogram dan normal probability plot yang digambarkan sebagai berikut: Gambar 4. 1 Uji Normalitas: Grafik Histogram Model 1 (Sebelum Transformasi) Gambar 4. 2 Uji Normalitas: Grafik Normal P-Plot Model 1 (Sebelum Transformasi) 40

5 Gambar 4.1 menunjukkan bahwa grafik histogram tidak membentuk lonceng atau pola distribusi tidak normal dan pada Gambar 4.2 menunjukkan penyebaran titik- titik tidak berada di sekitar garis diagonal atau searah dengan garis diagonal. Tabel IV. 2 Uji Kolmogorov- Smirnov Model 1 (Sebelum Transformasi) One-Sample Kolmogorov-Smirnov Test Unstandardized Residual N 147 Normal Parameters a,,b Mean Std. Deviation E5 Most Extreme Differences Absolute.255 Positive.251 Negative Kolmogorov-Smirnov Z Asymp. Sig. (2-tailed).000 a. Test distribution is Normal. b. Calculated from data. Berdasarkan pada Tabel IV.2, uji normalitas terhadap data residual menunjukan bahwa besarnya Asymp. Sig (2-tailed) sebesar 0,000 dibawah tingkat signifikansi 0,05. Berdasarkan analisis grafik dan statistik diatas dapat diketahui bahwa model regresi tidak memenuhi asumsi normalitas. Oleh karena data tidak normal maka dilakukan proses transformasi. 41

6 Peneliti melakukan screening terhadap data yang digunakan dari berbagai variabel yang diteliti. Hasil screening data yang timbul menunjukkan bahwa data residual tidak berdistribusi secara normal. Menurut Ghozali (2006) bahwa data yang berdistribusi secara normal dapat ditransformasi agar menjadi normal. Karenanya, peneliti menstransformasi data yang ada menjadi log10 untuk variabel Laba, Asset, Depresiasi dan Amortisasi sedangkan data variabel delta piutang, delta persediaan, delta hutang, Other, Akrual ditransformasi menjadi log10(k-x). Proses transformasi juga dilakukan dengan cara membuang data outlier atau data pengganggu. Dengan proses pembuangan data pengganggu diharapkan dapat diperoleh data penelitian yang normal, sehingga proses regresi dapat dilakukan. Setelah melakukan proses transformasi diperoleh data penelitian yang normal adalah 98 data yang berarti terdapat 49 data pengganggu dan dikeluarkan dari data penelitian ini. Berikut disajikan hasil uji normalitas data setelah dilakukan proses membuang outlier data. 42

7 Gambar 4. 3 Uji Normalitas: Grafik Histogram (Setelah Transformasi) Gambar 4. 4 Uji Normalitas: Grafik Normal P-Plot (Setelah Transformasi) 43

8 Gambar 4.3 menunjukkan bahwa grafik histogram tidak membentuk lonceng dan pada Gambar 4.4 menunjukkan penyebaran titik- titik berada di sekitar garis diagonal. Hal ini menunjukkan bahwa data belum terdistribusi normal. Tabel IV. 3 Uji Kolmogorov- Smirnov (Setelah Transformasi) One-Sample Kolmogorov-Smirnov Test Unstandardized Residual N 98 Normal Parameters a,,b Mean Std. Deviation Most Extreme Differences Absolute.081 Positive.079 Negative Kolmogorov-Smirnov Z.804 Asymp. Sig. (2-tailed).537 a. Test distribution is Normal. b. Calculated from data. Sumber : Hasil Pengolahan Data, 2014 Hasil uji normalitas seperti tersaji pada Tabel IV.3 menunjukkan bahwa data penelitian telah normal yang dibuktikan dengan asymp sig. sebesar 0,537 yaitu lebih besar dari tingkat signifikansi penelitian 5%. Oleh karena data penelitian telah normal, maka data dapat digunakan dalam pengujian dengan model regresi berganda. 44

9 4.2.2 Uji Multikolinearitas Uji multikolinearitas digunakan untuk mengetahui ada tidaknya korelasi antar variabel independen. Model regresi yang baik tidak terjadi korelasi antar variabel independen. Uji ini dapat dilihat dari nilai tolerance dan Variance Inflation Factor (VIF). Nilai cut-off yang sering dipakai adalah nilai tolerance 0,10 atau sama dengan nilai VIF diatas 10, sehingga data tidak terkena multikolinearitas nilai toleransinya harus > 0,10 atau nilai VIF < 10. Tabel IV. 4 Uji Multikolinearitas Coefficients a Collinearity Statistics Model 1 (Constant) Tolerance VIF laba piu per hut dep other accrual asset a. Dependent Variable: ak1 Sumber : Hasil Pengolahan Data,

10 Hasil pengujian tolerance tersaji pada Tabel IV.4 menunjukan bahwa tidak ada variabel independen yang memiliki nilai tolereance kurang dari 0,10 (10%). Hasil perhitungan VIF juga menunjukan bahwa tidak ada variabel independen yang memiliki nilai VIF lebih dari 10. Oleh karena itu, dapat disimpulkan bahwa antara variabel independen dalam model regresi terbebas dari multikolinearitas Uji Autokorelasi Autokorelasi menunjuk pada hubungan yang terjadi antara anggotaanggota dari serangkaian observasi yang terletak berderetan secara series dalam bentuk waktu (time series) atau hubungan antara tempat yang berdekatan (cross sectional). Uji autokorelasi dilakukan dengan menggunakan uji Durbin Watson (DW test), yaitu dengan ketentuan pengambilan keputusan adalah sebagi berikut: 1) Jika nilai dw lebih dari 0 dan kurang dari d1, maka terjadi autokorelasi. 2) Jika nilai dw berada diantara dl dan du, maka hasilnya tidak dapat disimpulkan. 3) Jika nilai dw lebih dari 4 - d1, maka terjadi autokorelasi. 4) Jika nilai dw berada diantara 4 - du dan 4 - dl, maka tidak dapat disimpulkan. 5) Jika nilai dw lebih. dari 4 dl, maka tidak terjadi autokorelasi. Nilai du dapat dilihat dari Tabel Durbin Watson dengan menggunakan nilai signifikansi 5 % (0,05), jumlah sampel yang digunakan (n), dan jumlah variabel independen yang digunakan dalam penelitian. 46

11 Tabel IV. 5 Uji Autokorelasi Model Summary b Adjusted R Std. Error of the Model R R Square Square Estimate Durbin-Watson a a. Predictors: (Constant), asset, other, hut, accrual, per, piu, dep, laba b. Dependent Variable: ak1 Sumber : Hasil Pengolahan Data, 2014 Berdasarkan Tabel IV.5 dapat diketahui bahwa nilai dw sebesar 1,952. Untuk menghitung uji autokorelasi dapat melihat di tabel untuk menentukan nilai du nya. Sehingga dapat diketahui nilai du berdasar tabel adalah 1,850. Dapat dijabarkan dalam dengan rumus 1,850 < 1,952 < 4 1,850, sehingga berdasarkan rumus tersebut dapat diketahui bahwa data diatas terbebas dari autokorelasi Uji Heteroskedastisitas Uji Heteroskedastisitas ditunjukkan dengan menggunakan grafik Scatter Plot antara variabel dependen (SRESID) dan variabel residualnya (ZPRED). Grafik ini menunjukan pola penyebaran titik-titik. Jika titik-titik menyebar di atas dan di bawah 0 pada sumbu Y, berarti tidak terjadi heteroskedastisitas pada data yang akan digunakan. 47

12 Gambar 4.5 Uji Heteroskedastisitas 4.3 PENGUJIAN HIPOTESIS Tujuan penelitian ini adalah memperoleh bukti empiris terkait pengaruh laba, arus kas saat ini, dan akrual dalam memprediksi arus kas masa depan. Analisis data terdiri dari uji signifikansi-f dan uji koefisien determinasi yang dipaparkan seperti di bawah ini Uji Signifikansi-F Uji signifikansi-f dilakukan guna menentukan good of fittest atau uji kelayakan model regresi untuk digunakan dalam melakukan analisis hipotesis dalam penelitian. Kriteria yang digunakan dalam pengujian ini adalah probability value (sig), apabila probability value dalam hasil pengujian lebih kecil dari 5%, maka dapat dinyatakan bahwa model layak (fit) untuk digunakan sebagai model regresi dalam penelitian yaitu Arus commit Kas Saat to user ini (AK0), Laba (Laba), perubahan 48

13 piutang (PIU), perubahan persediaan (PER), perubahan hutang (HUT), depresiasi dan amortisasi (DEP), Lain-lain (OTHER), Akrual (ACRUAL) dan Aset (ASSET) sebagai variabel kontrol dan sebaliknya jika probability value lebih besar dari 5%, maka dapat dinyatakan bahwa model tidak layak untuk digunakan dalam pengujian hipotesis penelitian. Berikut disajikan hasil uji signifikansi-f dalam penelitian ini. Tabel IV. 6 Uji Signifikansi-F ANOVA b Model Sum of Squares df Mean Square F Sig. 1 Regression a Residual Total a. Predictors: (Constant), asset, other, hut, accrual, per, piu, dep, laba b. Dependent Variable: ak1 Sumber : Hasil Pengolahan Data, 2014 Dari hasil pengujian yang tersaji pada Tabel IV.6 dengan nilai F, terlihat bahwa nilai F = 122,030 dengan probabilitas signifikan 0,000. Karena signifikansi lebih kecil dari 0,05, maka dapat disimpulkan bahwa secara simultan variabel laba dengan asset sebagai variabel kontrol mempunyai pengaruh dalam memprediksi arus kas di masa depan. 49

14 4.3.2 Uji Koefisien Determinasi Koefisien determinasi menyatakan persentase total variasi dari variabel dependen yang dapat dijelaskan oleh variabel independen dalam model. Untuk model regresi dengan satu variabel independen koefisien determinasi ditunjukkan oleh nilai R square (R 2 ) dan untuk model regresi dengan menggunakan dua atau lebih variabel independen koefisien determinasi ditunjukkan oleh nilai adjusted R square (adj R 2 ). Penelitian ini menggunakan nilai adj R 2. Berikut ini disajikan hasil uji koefisien determinasi. Tabel IV. 7 Uji Koefisien Determinasi Model Summaryb Model R R Square Adjusted R Square Std. Error of the Estimate a a. Predictors: (Constant), asset, other, hut, accrual, per, piu, dep, laba b. Dependent Variable: ak1 Sumber : Hasil Pengolahan Data, 2014 Pada Tabel IV. 19, diketahui bahwa koefisien determinasi yang ditunjukan oleh nilai adjusted R 2 sebesar 0,909. Hal ini berarti bahwa 90,9% prediksi arus kas masa depan dapat dijelaskan secara signifikan oleh variabel laba, akrual, perubahan piutang, perubahan persediaan, perubahan hutang, depresiasi dan amortisasi, dan other sedangkan 9,1% prediksi arus kas masa depan dapat dijelaskan oleh variabel lain. 50

15 4.3.3 Uji Signifikansi-t Uji signifikansi-t dimaksudkan untuk menguji pengaruh variabel independen terhadap variabel dependen dalam penelitian sebagaimana dinyatakan dalam hipotesis penelitian ini. Selain untuk menguji pengaruh tersebut, uji ini juga dapat digunakan untuk mengetahui tanda koefisien regresi masing-masing variabel independen, sehingga dapat ditentukan arah pengaruh masing-masing variabel independen terhadap variabel dependen. Kriteria pengambilan kesimpulan atas hasil pengujian adalah probability value (sig)-t, apabila probability value (sig)-t lebih kecil dari atau 5%, maka dapat dinyatakan bahwa variabel independen berpengaruh terhadap variabel dependen, sehingga hipotesis yang diajukan dalam penelitian dapat diterima atau didukung oleh data penelitian. hasil uji signifikansi-t dalam penelitian ini sebagai berikut: Tabel IV. 8 Uji Signifikansi-t Coefficients a Model B t Sig. Keterangan (Constant) laba * signifikan piu * signifikan per hut * signifikan dep other * signifikan accrual * signifikan 1 asset a. Dependent Variabel: ak1 *signifikan pada commit α= 5 % to user 51

16 AK1 = -11,185-0,08LABA+0,242ACRUAL+2,954PIU - 0,024PER 0,043HUT 0,0001DEP -0,0,478OTHER -0,03ASSET Hasil pengujian hipotesis yang menunjukkan pengaruh variabel independen terhadap variabel dependen adalah sebagai berikut: 1. Hipotesis Pertama Hipotesis Pertama bertujuan untuk menguji apakah Laba merupakan prediktor dalam memprediksi arus kas di masa depan. Berdasarkan uji signifikansi-t pada Tabel IV.8 diperoleh bukti empiris bahwa LABA dan ASSET sebagai variabel kontrol memiliki pengaruh dalam memprediksi arus kas di masa depan. Variabel laba memiliki koefisien -0,08 dengan signifikansi 0,013 < (0,05), berarti secara parsial LABA berpengaruh negatif dan signifikan terhadap AK1. Maka H 1 didukung. Variabel laba merupakan prediktor, sehingga dapat digunakan untuk memprediksi AK1 dengan arah koefisien negatif. Ini berarti jika satuan LABA naik sebesar 1 satuan maka menyebabkan AK1 turun sebesar -0, Hipotesis Kedua Hipotesis kedua bertujuan untuk menguji apakah akrual merupakan prediktor dalam memprediksi arus kas di masa depan. Berdasarkan uji signifikansi-t pada Tabel IV.8 diperoleh bukti empiris bahwa Variabel ACCRUAL memiliki koefisien 0,242 dengan signifikansi 0,000 < (0,05), berarti secara parsial ACCRUAL berpengaruh positif dan signifikan terhadap AK1. Variabel ACCRUAL merupakan prediktor, sehingga dapat digunakan untuk memprediksi AK1 dengan arah koefisien positif. Maka H 2 didukung. Ini berarti jika satuan ACCRUAL naik sebesar 1 satuan maka menyebabkan commit AK1 to naik user sebesar 0,242 52

17 3. Hipotesis Ketiga Hipotesis Ketiga mengetahu apakah perubahan piutang merupakan prediktor dalam memprediksi arus kas di masa depan. Berdasarkan uji signifikansi-t pada Tabel IV.8 diperoleh bukti empiris bahwa Variabel PIU memiliki koefisien 0,242 dengan signifikansi 0,000 < (0,05), berarti secara parsial PIUTANG berpengaruh positif dan signifikan terhadap AK1. Maka H 3 didukung. Variabel PIUTANG merupakan prediktor, sehingga dapat digunakan untuk memprediksi AK1 dengan arah koefisien positif. Ini berarti jika satuan PIUTANG naik sebesar 1 satuan maka menyebabkan AK1 naik sebesar 0, Hipotesis Keempat Hipotesa Keempat bertujuan untuk menguji apakah Perubahan Persediaan prediktor dalam memprediksi arus kas di masa depan. Berdasarkan uji signifikansi-t pada Tabel IV.8 diperoleh bukti empiris bahwa variabel PER memiliki koefisien - 0,024 dengan signifikansi 0,503 > (0,05), berarti secara parsial PER berpengaruh negatif dan tidak signifikan terhadap AK1. Maka H 4 tidak di dukung. Variabel Perubahan Persediaan bukan Prediktor yang signifikan dalam memprediksi arus kas masa depan. 5. Hipotesis Kelima Hipotesis Kelima bertujuan untuk menguji apakah Perubahan Hutang merupakan prediktor dalam memprediksi arus kas di masa depan. Berdasarkan uji signifikansi-t pada Tabel IV.8 diperoleh bukti empiris bahwa Variabel HUT memiliki koefisien -0,043 dengan signifikansi 0,957 < (0,05), berarti secara parsial HUT berpengaruh positif dan signifikan terhadap AK1. Maka H 5 didukung. 53

18 Variabel HUT merupakan prediktor, sehingga dapat digunakan untuk memprediksi AK1 dengan arah koefisien positif. Maka H 5 didukung. Ini berarti jika satuan HUT naik sebesar 1 satuan maka menyebabkan AK1 turun sebesar - 0, Hipotesis Keenam Hipotesis Keenam bertujuan untuk menguji apakah Depresiasi dan Amortisasi merupakan prediktor dalam memprediksi arus kas di masa depan. Berdasarkan uji signifikansi-t pada Tabel IV.8 diperoleh bukti empiris bahwa variabel DEP memiliki koefisien 0,00 dengan signifikansi 0,503 > (0,05), berarti secara parsial DEP berpengaruh positif dan tidak signifikan terhadap AK1. Maka H 6 tidak di dukung. Variabel Perubahan Persediaan bukan Prediktor yang signifikan dalam memprediksi arus kas masa depan. 7. Hipotesis Ketujuh Hipotesis Ketujuh bertujuan untuk menguji apakah Akrual Lain merupakan prediktor dalam memprediksi arus kas di masa depan. Berdasarkan uji signifikansi-t pada Tabel IV.8 diperoleh bukti empiris bahwa Variabel OTHER memiliki koefisien 2,954 dengan signifikansi 0,000 < (0,05), berarti secara parsial OTHER berpengaruh positif dan signifikan terhadap AK1. Maka H 7 didukung. Variabel OTHER merupakan prediktor, sehingga dapat digunakan untuk memprediksi AK1 dengan arah koefisien positif. Maka H 7 didukung. Ini berarti jika satuan OTHER naik sebesar 1 satuan maka menyebabkan AK1 naik sebesar 2,

19 4.4 PEMBAHASAN Hasil pengujian terhadap variabel laba menunjukan adanya pengaruh signifikan terhadap arus kas. Laba dapat digunakan dalam memprediksi arus kas. Hasil penelitian ini sama dengan penelitian El-Sayed (2011), Dwiati (2008). Menurut PSAK No 25 dalam Dwiati (2008) menyatakan Laporan laba rugi melaporkan kinerja dari suatu perusahaan selama suatu periode tertentu. Informasi tentang kinerja suatu perusahaan, terutama tentang profitabilitas, dibutuhkan untuk mengambil keputusan tentang sumber ekonomi yang akan dikelola oleh suatu perusahaan di masa yang akan datang. Informasi tersebut juga seringkali digunakan untuk memperkirakan kemampuan suatu perusahaan untuk menghasilkan kas dan aktiva yang disamakan dengan kas di masa yang akan datang. Informasi tentang kemungkinan perubahan kinerja juga penting dalam hal ini. Hasil pengujian terhadap variabel akrual menunjukan adanya pengaruh signifikan terhadap arus kas. Akrual dapat digunakan dalam memprediksi arus kas. Hasil penelitian ini sama dengan penelitian El-Sayed (2011) dan Barth et al. (2001). FASB (1978 dalam El-Sayed, 2011) menyatakan Informasi mengenai laba perusahaan, komponen-komponennya dan akrual yang secara umum memberikan indikasi yang lebih baik dalam memprediksi arus kas perusahaan di masa depan dari pada informasi tentang arus kas saat ini. Hasil pengujian terhadap variabel perubahan piutang menunjukan adanya pengaruh signifikan terhadap arus kas. Piutang dapat digunakan dalam 55

20 memprediksi arus kas. Hasil penelitian ini sama dengan penelitian El-Sayed (2011). Piutang merupakan jumlah terhutang yang belum dibayarkan oleh konsumen dan apabila terjadi pembayaran piutang maka akan mempengaruhi aliran arus kas, sehingga berpengaruh terhadap prediksi arus kas di masa depan. Hasil pengujian terhadap variabel perubahan hutang menunjukan adanya pengaruh signifikansi terhadap arus kas. Perubahan hutang dapat digunakan dalam memprediksi arus kas. Hasil penelitian ini sama dengan penelitian Barth et al. (2001). Hutang dagang terjadi ketika perusahaan belum membayarkan kewajibannya atas pembayaran pembeliaan barang atau jasa secara kredit. Apabila perusahan melakukan pelunasan atas hutang dagang akan mengakibatkan perubahan atas arus kas. Hasil pengujian terhadap variabel perubahan persediaan menunjukan adanya pengaruh yang tidak signifikan terhadap prediksi arus kas dimasa depan. Hasil penelitian ini sama dengan hasil penelitian Barth et al. (2001). Menurut Sumiyati dan Ardiani (2004), semakin besar perubahan persediaan tidak selalu meningkatkan arus kas operasi. Demikian pula sebaliknya semakin kecil perubahan persediaan tidak selalu menurunkan arus kas operasi. Kondisi ini dimungkinkan terjadi ketika terjadi perubahan persediaan yang meningkat tidak diiringi oleh peningkatan penjualan. Hasil pengujian terhadap variabel depresiasi dan amortisasi menunjukan adanya pengaruh yang tidak signifikan terhadap prediksi arus kas dimasa depan. Hasil penelitian ini sama dengan hasil penelitian Barth et al. (2001). Menurut Prasetio dan Budiyanto (2004) dalam Sumiyati dan Ardiani (2004), beban 56

21 depresiasi bukanlah sumber kas dalam konteks akuntansi keuangan. Namun ketika pajak penghasilan diperhitungkan, kecilnya biaya penyusutan membuat pajak yang harus dibayar tidak berkurang signifikan. Maka ketika menganalisis laporan arus kas sebuah bisnis atau proyek, pengurangan pajak karena penyusutan merupakan sumber kas sejauh bahwa penyusutan menurunkan jumlah pajak penghasilan yang dibayar. Penyusutan adalah penambahan kembali ke laba bersih, untuk meniadakan pengaruh dari pengurangan beban penyusutan dari dalam perhitungan laba bersih pada laporan laba rugi. Pengaruh bersihnya adalah dengan menghapuskan penyusutan dalam perhitungan arus kas. Hasil pengujian terhadap variabel Akrual Lainnya menunjukan adanya pengaruh signifikansi terhadap arus kas. Akrual Lainnya dapat digunakan dalam memprediksi aruskas. Hasil penelitian ini sama dengan penelitian El-Sayed (2011). Akrual lainnya bisa berupa piutang maupun hutang. Apabila perusahaan mendapatkan pelunasan piutang atau melunasi hutangnya, sehingga berpengaruh pada arus kas. 57