BAB IV ANALISIS HASIL

BAB IV ANALISIS HASIL A. Analisis Statistik Deskriptif Statistik deskriptif digunakan untuk melihat gambaran secara umum data yang telah dikumpulkan dalam penelitian ini. Berikut hasil yang telah diperoleh dan dapat dilihat dalam tabel 4.1 sebagai berikut: Tabel 4.1 Statistik Deskriptif Descriptive Statistics N Minimum Maximum Mean Std. Deviation AKMI 28 1.304.977 46.715.147 17.487.082,54 14.556.643,55 AKKI 28 1.203.617 39.655.172 15.502.115,93 12.901.635,51 AKOIt1 28 73.141 11.088.270 2.644.047,25 2.637.493,61 Valid N 28 (listwise) Dari hasil output di atas dapat diketahui bahwa : 1. AKMI (Arus Kas Masuk Operasi Periode Berjalan) dengan jumlah data yang diproses sebanyak 28 data dari 8 perusahaan mempunyai nilai terkecil (minimum) sebesar 1.304.977 dan nilai terbesar (maksimum) sebesar 46.715.147. Dengan nilai rata-rata (mean) sebesar 17.487.082,54 dan variasi rata-rata (standar deviasi) sebesar 14.556.643,55. Dilihat dari angka mean yang lebih besar dari standar deviasi, membuktikan bahwa data sebanyak 28 yang diolah dari 8 perusahaan ini baik. 1

2. AKKI (Arus Kas Keluar Operasi Periode Berjalan) dengan jumlah data yang diproses sebanyak 28 data dari 8 perusahaan mempunyai nilai terkecil (minimum) sebesar 1.203.617 dan nilai terbesar (maksimum) sebesar 39.655.172. Dengan nilai rata-rata (mean) sebesar 15.502.115,93 dan variasi rata-rata (standar deviasi) sebesar 12.901.635,51. Dilihat dari angka mean yang lebih besar dari standar deviasi, membuktikan bahwa data sebanyak 28 yang diolah dari 8 perusahaan ini baik. 3. AKOIt1 (Arus Kas Operasi Masa Depan) dengan jumlah data yang diproses sebanyak 28 data dari 8 perusahaan mempunyai nilai terkecil (minimum) sebesar 73.141 dan nilai terbesar (maksimum) sebesar 11.088.270. Dengan nilai rata-rata (mean) sebesar 2.644.047,25 dan variasi rata-rata (standar deviasi) sebesar 2.637.493,61. Dilihat dari angka mean yang lebih besar dari standar deviasi, membuktikan bahwa data sebanyak 28 yang diolah dari 8 perusahaan ini baik. 4. Membuktikan pula bahwa memang benar tidak ada perusahaan yang mengalami arus kas operasi negatif. Terlihat dari AKMI yang selalu lebih besar daripada AKKI. B. Uji Asumsi Klasik Model regresi linear berganda yang baik harus terbebas dari asumsiasumsi klasik statistik. Uji asumsi klasik terdiri dari 4 (empat) pengujian statistik, hasilnya dapat dilihat sebagai berikut : 2

1. Uji normalitas data Uji normalitas data bertujuan untuk menguji apakah model regresi, variabel residual memiliki distribusi normal. Uji normalitas data dimaksudkan untuk menghindari terjadinya bias, dan melihat apakah model regresi yang digunakan baik. Cara menguji normalitas data dengan uji statistik Kolmogorov-Smirnov, yaitu jika nilai Z hitung < Z tabel 1,96 dengan taraf signifikansi 0,05 < (SIG) atau Z hitung < Z tabel 2,58 dengan taraf signifikansi 0,01 < (SIG). Tabel 4.2 Uji Normalitas Data One-Sample Kolmogorov-Smirnov Test AKMI AKKI N 28 28 Normal Parameters a,,b Mean 17.487.082,54 15.502.115,93 Std. Deviation 14.556.643,55 12.901.635,51 Most Extreme Absolute 0,148 0,156 Differences Positive 0,148 0,156 Negative (0,136) (0,136) Kolmogorov-Smirnov Z 0,786 0,823 Asymp. Sig. (2-tailed) 0,568 0,507 a. Test distribution is Normal. b. Calculated from data. Dari tabel 4.2 diperoleh informasi nilai Z Kolmogorov-Smirnov untuk arus kas masuk operasi 0,786 < 1,96 dengan taraf signifikansi 0,05 < 0,568. Sedangkan arus kas keluar operasi 0,823 < 1,96 dengan taraf signifikansi 0,05 < 0,507 berarti data distribusi residual normal. 3

2. Uji autokorelasi Autokorelasi bertujuan untuk mengetahui ada tidaknya korelasi antara periode pengganggu pada periode tertentu dengan variabel pengganggu sebelumnya. Autokorelasi sering terjadi pada sampel data series dengan n sampel adalah periode waktu. Cara mudah mendeteksi autokorelasi dapat dilakukan dengan uji Durbin-Watson. Dengan n=28, maka : a. 1,5596 < DW < 2,4404 tidak terjadi autokorelasi. b. 1,2553 < DW < 1,5596 atau 2,4404 < DW < 2,7447 tidak dapat disimpulkan. c. DW < 1,2553 atau 2,7447 < DW < 4 terjadi autokorelasi. Tabel 4.3 Uji Asumsi Klasik Autokorelasi Model Summary b Model Durbin- R R Square Adjusted R Square Std. Error of the Estimate Watson 1.905 a 0,818 0,804 1.168.636,003 2,228 a. Predictors: (Constant), AKKI, AKMI b. Dependent Variable: AKOIt1 Dari tabel 4.3 diperoleh informasi nilai Durbin-Watson sebesar 2,228 yang artinya 1,5596 < DW < 2,4404 sehingga model regresi ini terbebas dari gejala autokorelasi. 4

3. Uji heteroskedastisitas Tabel 4.4 Uji Asumsi Klasik Heteroskedastisitas Coefficients a Unstandardized Coefficients Standardized Coefficients Model B Std. Error Beta t Sig. 1 (Constant) (159.436,980) 135.624,628 (1,176) 0,251 AKMI 0,146 0,079 2,479 1,856 0,075 AKKI (0,109) 0,089 (1,632) (1,222) 0,233 a. Dependent Variable: AbsUt Uji heteroskedastisitas menggunakan Glejser Test. Uji Glejser ini dilakukan dengan mencari residual-residual prediksian dari regresi OLS. Residual prediksian tersebut kemudian diabsolutkan dan diregresi terhadap variabel-variabel independen. Formula regresinya sebagai berikut: Ut = α + βxt + vt kemudian persamaan regresinya adalah AbsUt= bo + b1 akmi + b2 akki. Jika variabel independen signifikan secara statistik mempengaruhi variabel dependen, maka ada indikasi terjadi heteroskedastisitas. Berdasarkan tabel 4.4 diperoleh informasi bahwa tidak ada variabel independen yang signifikan secara statistik mempengaruhi variabel dependen nilai Ut (AbsUt). Hal ini terlihat dari probabilitas signifikansi (akmi) arus kas masuk operasi dan (akki) arus kas keluar operasi masing-masing mempunyai nilai 0,075 dan 0,233 di atas taraf 5

signifikansi 5 % atau 0,075 dan 0,233 > 0,05, sehingga model regresi ini tidak mengandung heteroskedastisitas. 4. Uji multikolinearitas Unstandardized Coefficients Tabel 4.5 Uji Asumsi Klasik Multikolinearitas Coefficients a Standardized Coefficients Collinearity Statistics Model B Std. Error Beta T Sig. Tolerance VIF 1 (Constant) (125.808,967) 390.933,049 (0,322) 0,750 F1 0,168 0,018 0,873 9,148 0,000 1,000 1,000 a. Dependent Variable: AKOIt1 Uji multikolinearitas menggunakan variance inflaction factor. Deteksi multikolinearitas pada suatu model dapat dilihat dari nilai variance inflaction factor (VIF) tidak lebih atau < 10 dan nilai tolerance tidak kurang dari 0,1, maka model dapat dikatakan terbebas dari multikolinearitas. Tabel 4.5 menunjukan bahwa model regresi bebas masalah multikolinearitas. Penggunaan prosedur PCA dilakukan untuk menghindari masalah multikolinearitas. Dengan cara menyederhanakan variabel yang diamati disusutkan (direduksi) dimensinya. Dimana saat ini independent variabelnya menjadi F1. F1 = 0,5AKMI + 0,5AKKI didapat dari analisis faktor : 6

Tabel 4.6 KMO and Bartlett's Test Kaiser-Meyer-Olkin Measure of Sampling Adequacy..500 Bartlett's Test of Sphericity Approx. Chi-Square 131.280 Df 1 Sig..000 Output SPSS di atas menggambarkan tentang layak tidaknya analisis faktor dilakukan. Apabila nilai KMO berkisar antara 0,5 sampai 1, maka analisis faktor layak dilakukan. Sebaliknya, jika nilai KMO di bawah 0,5 maka analisis faktor tidak layak dilakukan. Dari tabel 4.6 di atas terlihat bahwa nilai KMO adalah 0,5, maka analisis faktor layak dilakukan. Bartlett s Test merupakan tes statistik untuk menguji apakah betul variabel-variabel bebas yang dilibatkan berkorelasi. Ho : Tidak ada korelasi antarvariabel bebas H1 : Ada korelasi antarvariabel bebas Kriteria uji dengan melihat p-value (siginifikansi) : Terima Ho jika Sig. > 0,05 atau tolak Ho jika Sig. < 0,05 Pada tabel 4.6 di atas dapat dilihat bahwa nilai Chi-Square adalah 131,280, dengan derajat bebas sebesar 1, dan p-value (sig) sebesar 0,000. Karena p-value (0,000) < 0,05 maka Ho ditolak. Artinya,benarbenar terdapat korelasi antarvariabel bebas. 7

Tabel 4.7 Anti-image Matrices AKMI AKKI Anti-image Covariance AKMI.006 -.006 AKKI -.006.006 Anti-image Correlation AKMI.500 a -.997 AKKI -.997.500 a a. Measures of Sampling Adequacy(MSA) Yang dilihat dari output SPSS di atas adalah angka korelasi yang bertanda a (arah diagonal dari kiri atas ke kanan bawah). Angka MSA (Measure of Sampling Adequay) berkisar dari 0 sampai 1, dengan kriteria : MSA = 1, variabel tersebut dapat diprediksi tanpa kesalahan oleh variabel lain. MSA > 0,5, variabel masih bisa diprediksi dan bisa dianalisa lebih lanjut. MSA < 0,5, variabel tidak bisa diprediksi dan tidak bisa dianalisis lebih lanjut, atau dikeluarkan dari variabel lainnya. Dengan melihat kriteria angka MSA di atas, terlihat pada tabel 4.7 bahwa semua angka MSA memiliki nilai 0,5. Artinya analisis dapat dilanjutkan. 8

Tabel 4.8 Communalities Initial Extraction AKMI 1.000.999 AKKI 1.000.999 Extraction Method: Principal Component Analysis. Communalities menunjukkan berapa varians yang dapat dijelaskan oleh faktor yang diekstrak (faktor yang terbentuk). Cara memperolehnya adalah dengan mengkuadratkan nilai korelasi yang terdapat pada tabel 4.10 (Component Matrix). Setiap variabel berkorelasi dengan faktor-faktor yang terbentuk. Dilihat dari hasil output SPSS di atas, variabel AKMI maupun AKKI mempunyai nilai yang sama sebesar 0,999. Hal ini berarti sekitar 99,9%, variabel AKMI dan AKKI dapat dijelaskan oleh faktor yang terbentuk. Tabel 4.9 Compo nent Initial Eigenvalues Total Variance Explained 9 Extraction Sums of Squared Loadings Total % of Variance Cumulative % Total % of Variance Cumulative % 1 1.997 99.855 99.855 1.997 99.855 99.855 2.003.145 100.000 Extraction Method: Principal Component Analysis. Dari hasil output SPSS di atas dapat dilihat bahwa total varians ada 2 karena dalam kasus ini ada 2 variabel bebas. Eigenvalues menunjukkan kepentingan relatif masing-masing faktor dalam menghitung varians kedua variabel yang dianalisis. Susunan

eigenvalues selalu diurutkan dari yang terbesar sampai ke yang terkecil, dengan kriteria bahwa angka eigenvalues di bawah 1 tidak digunakan dalam menghitung jumlah faktor yang terbentuk. Dari tabel 4.9 di atas terlihat bahwa hanya satu faktor yang terbentuk, karena dengan satu faktor, angka eigenvalues memiliki nilai di atas 1. Sedangkan untuk 1 faktor lagi, angka eigenvalues sudah di bawah 1. Sehingga proses factoring seharusnya berhenti pada satu faktor saja. Faktor 1 memiliki eigenvalue sebesar 1,997, artinya faktor 1 ini dapat menjelaskan 1,997 atau 99,855 dari total communalities. Tabel 4.10 Component Matrix a Component 1 AKMI.999 AKKI.999 Extraction Method: Principal Component Analysis. a. 1 components extracted. Tabel di atas berisikan factor loading (nilai korelasi) antara variabel-variabel analisis dengan faktor yang terbentuk. Berdasarkan tabel 4.10 di atas, terlihat bahwa hanya satu faktor yang terbentuk dari kedua variabel. Hal ini menunjukkan bahwa satu faktor adalah jumlah yang paling optimal untuk mereduksi kedua variabel bebas tersebut. 10

Tabel 4.11 Component Score Coefficient Matrix Component 1 AKMI.500 AKKI.500 Extraction Method: Principal Component Analysis. Rotation Method: Varimax with Kaiser Normalization. Component Scores. Setelah mendapatkan faktor yang terbentuk melalui proses reduksi, maka tinggal ditarik persamaannya. Dengan persamaan tersebut, bisa dicari skor setiap faktor secara manual. Persamaan yang dibuat mirip dengan regresi linier berganda, hanya dalam persamaan faktornya tidak terdapat konstanta. Dengan menggunakan hasil dari tabel 4.11 di atas, maka persamaan untuk faktor baru yang terbentuk adalah sebagai berikut : F1 = 0,5AKMI + 0,5AKKI Skor-skor faktor yang dihasilkan dapat digunakan untuk menggantikan skor-skor pada variabel bebas yang asli. Setelah komponen hasil PCA yang bebas multikolinearitas diperoleh maka komponen-komponen tersebut diregresikan atau dianalisa pengaruhnya terhadap variabel tak bebas (Y) dengan menggunakan analisis regresi linier. 11

C. Pengujian Hipotesis 1. Uji Anova (Uji F) Tabel 4.12 Uji Anova ANOVA b Model Sum of Squares df Mean Square F Sig. 1 Regression 153.679.305.421.992,000 2 76.839.652.710.996,200 56,264.000 a Residual 34.142.752.715.044,900 25 1.365.710.108.601,790 Total 187.822.058.137.037,000 27 a. Predictors: (Constant), AKKI, AKMI b. Dependent Variable: AKOIt1 Dari tabel di atas diketahui nilai F hitung sebesar 56,264 dengan nilai signifikansi sebesar 0,000. Sedangkan untuk mencari F tabel dengan jumlah sampel (n) = 28, jumlah variabel (k) = 2; taraf signifikansi α = 5%; degree of freedom df1 = k-1 = 1 dan df2 = n-k = 28-2 = 26 diperoleh nilai F tabel sebesar 4,225 (taraf signifikansi α = 5%). 2. Uji T (Pada Hipotesis Kedua & Ketiga) Untuk menguji keterkaitan antara variabel bebas dengan variabel terikat, maka digunakan uji t statistik. Jika probabilitas kesalahan t hitung lebih kecil dari tingkat signifikan (5 %) maka variabel tersebut mempunyai hubungan signifikan. Berdasarkan tabel coefficient dapat dilihat hubungan arus kas masuk operasi (akmi) dan arus kas keluar operasi (akki) tahun berjalan terhadap variabel dependen, arus kas operasi masa depan (akoit1). 12

Unstandardized Coefficients Tabel 4.13 Coefficients(a) Coefficients a Standardized Coefficients Collinearity Statistics Model B Std. Error Beta t Sig. Tolerance VIF 1 (Constant) (125.808,967) 390.933,049 (0,322) 0,750 F1 0,168 0,018 0,873 9,148 0,000 1,000 1,000 a. Dependent Variable: AKOIt1 Dari tabel di atas dapat dijelaskan hal-hal sebagai berikut : Berdasarkan tabel 4.13, variabel F1 memiliki t hitung 9,148 dan tingkat probabilitas 0,000 (signifikan). Karena nilai Sig. < α (0,000 < 0,05) artinya signifikan, sedangkan t-hitung 9,148 > t-tabel 2,06 yang berarti signifikan, dapat disimpulkan arus kas masuk operasi tahun berjalan (akmi) dan arus kas keluar operasi tahun berjalan (akki) mempunyai pengaruh signifikan terhadap arus kas operasi masa depan (akoi). Berdasarkan tabel 4.13 diperoleh informasi nilai koefisien regresi mempunyai arah positif 0,168 yang artinya antara variabel arus kas masuk operasi tahun berjalan (akmi) dan arus kas keluar operasi tahun berjalan (akki) dengan arus kas operasi masa depan (akoit1) berbanding lurus. Disimpulkan bila arus kas operasi masuk tahun berjalan naik 100 % maka arus kas operasi masa depan naik 16,8 %. 13

3. Analisis Koefisien Determinasi Tabel 4.14 R² (Koefisien Determinasi) Model Summary b Model R R Square Adjusted R Square Std. Error of the Estimate 1,873 a 0,763 0,754 1.308.556,442 a. Predictors: (Constant), F1 b. Dependent Variable: AKOIt1 Dari tabel 4.14 hasil pengolahan regresi sederhana diketahui bahwa koefisien determinasi (R 2 )= 0.763, artinya bahwa arus kas masuk operasi (akmi) tahun berjalan dan arus kas keluar operasi tahun berjalan (akki) mempunyai pengaruh berarti terhadap arus kas operasi masa depan (akoit1) sebesar 76,3%, dan 23,7% (100% - 76,3%) dipengaruhi faktor lain. 4. Analisis Regresi Sederhana Setelah model regresi linear terbebas dari asumsi-asumsi klasik statistik, data yang telah dikumpulkan disusun, kemudian dilakukan perhitungan untuk mendapatkan penjelasan mengenai pengaruh Akmi dan Akki terhadap Akoit1. Pada bagian ini model regresi sederhana diterapkan untuk memprediksi variabel dependen (Akoi,t+1). Model tersebut dapat ditulis dengan persamaan sebagai berikut : Akoi, t+1 = a0 + β1f1 + e 14

Adapun perhitungan regresi dari data yang telah dirangkum menampakan koefisien-koefisien yang dapat dilihat pada tabel 4.15 berikut: Tabel 4.15 Coefficients(a) Coefficients a Model Unstandardized Coefficients Standardized Coefficients t Sig. 1 B Std. Error Beta (Constant) -125.808,97 390.933,05-0,322 0,75 F1 0,168 0,018 0,873 9,148 0 a. Dependent Variable: AKOIt1 Dari tabel 4.15 tersebut, diperoleh persamaan regresi sebagai berikut: Akoi,t+1 = -125.808,97 + 0,168 (0,5AKMI + 0,5AKKI) atau Akoi,t+1 = -125.808,97 + 0,084AKMI + 0,084AKKI Hasil persamaan tersebut menunjukkan bahwa konstanta sebesar - 125.808,97 menyatakan jika AKMI (X1) dan AKKI (X2) konstan, Akoi mengalami penurunan sebesar Rp 125.808.970.000,-. Koefisien regresi AKMI 0,084 menyatakan bahwa setiap penambahan AKMI (X 1 ) sebesar 0.01 atau 1% akan meningkatkan akoi (Y) sebesar Rp 84.000,-. Begitu pula dengan koefisien regresi AKKI 0,084 menyatakan bahwa setiap penambahan AKKI (X2) sebesar 0.01 atau 1% akan meningkatkan akoi (Y) sebesar Rp 84.000,- 15

Persamaan regresi di atas dapat digunakan oleh para kreditor dan investor sebelum meminjamkan dana dan berinvestasi di perusahaanperusahaan yang diinginkan. Dengan melihat dari laporan laba/rugi saja belum tentu di tahun depan perusahaan tersebut akan mengalami laba lagi. Para investor biasanya melihat laba bersih sebagai indikator penting dari kesehatan keuangan dan prospek masa depan perusahaan. Namun laporan arus kas terutama arus kas operasi perlu dilihat apakah perusahaan tersebut arus kas operasinya positif atau negatif. Jika arus kas operasinya negatif, kreditor dan investor harus berpikir ulang untuk meminjamkan dana dan berinvestiasi di perusahaan tersebut. Karena hal tersebut berarti warning bagi perusahaan tersebut. Hal yang paling buruk adalah perusahaan tersebut bisa pailit. Jika arus kas operasinya positif, bisa coba persamaan regresi di atas untuk melihat perkiraan arus kas operasi masa depannya apakah tetap positif dan jauh dari negatif atau bahkan negatif. Dengan demikian para kreditor dan investor bisa lebih yakin dalam meminjamkan dana dan berinvestasi ke perusahaan-perusahaan yang dipilihnya. Persamaan regresi di atas juga dapat digunakan oleh perusahaan yang bersangkutan dalam menilai masa depan perusahaannya. Karena walaupun perusahaannya mengalami laba, belum tentu perusahaan tersebut dalam keadaaan yang baik-baik saja. Lihat dulu ke laporan arus kas, jika arus kas operasinya negatif, hal ini menandakan harus ada perbaikan di dalam perusahaan jika tidak ingin pailit. Lihatlah masalahnya dulu, misal 16

permasalahannya adalah kesulitan menagih piutang dari penjualan kreditnya. Penyelesaian masalah ini bisa dengan menambah jumlah kolektor yang lebih kompeten atau memberikan diskon yang lebih jika bisa bayar tepat waktu. 17