BAB IV Hasil Dan Pembahasan
4.3. Analisis Data
4.3. Analisis Data
4.3.1. Hasil Uji Nor malitas
Uji normalitas digunakan untuk mengetahui apakah suatu data mengikuti
sebaran normal atau tidak. Untuk mengetahui apakah data tersebut mengikuti
sebaran normal dapat dilakukan dengan berbagai metode diantaranya adalah
metode Kolmogorov Smirnov, dengan menggunakan program SPSS 13 (Ghozali,
2001 : 77). Nilai signifikansi atau nilai probabilitas < 0,05, maka distribusi adalah
tidak normal. Dan nilai signifikansi atau nilai probabilitas > 0,05, maka distribusi
adalah normal. Berikut adalah hasil uji normalitas :
Tabel 4.5
Hasil Pengujian Normalitas
X1 X2 X3 Y
N 21 21 21 21
Normal Parametersa,b Mean 101.0795 11.7904 14.8398 41.9695
Std. Deviation 94.50212 7.30265 9.70395 58.74672
Most Extreme Differences Absolute .279 .272 .218 .252
Positive .279 .272 .218 .252
Negative -.161 -.153 -.125 -.238
Kolmogorov-Smirnov Z 1.280 1.248 1.000 1.153
Asymp. Sig. (2-tailed) .075 .089 .270 .140
Sumber : Lampiran 3
Berdasarkan tabel diatas dapat diketahui bahwa nilai signifikan
(asymp. Sig) masing-masing sebesar 0,075 (X1), 0,089 (X2), 0,270 (X3) dan
0,140 (Y) dimana nilainya lebih besar dari 0,05 sehingga dapat diambil
kesimpulan bahwa data dalam penelitian ini berdistribusi normal.
4.3.2. Hasil Uji Autokorelasi
Pengujian autokolerasi ini bertujuan untuk mengetahui apakah kesalahan
penggangu pada periode tertentu berkolerasi dengan kesalahan penggangu pada
periode lainnya. Dalam penelitian ini terjadi atau tidaknya autokorelasi diuji
dengan menggunakan Durbin-Watson. Ketentuan tidak terdapatnya autokorelasi
adalah jika nilia Durbin-Watson yang diperoleh di antara -2 sampai +2. Berikut
adalah hasil pengujian autokorelasi dalam penelitian ini:
Tabel 4.6
Hasil Pengujian Autokorelasi
M odel
Durbin-Wat son
dimension0
1 1.448
Sumber : Lampiran 3
Dari tabel 4.6 diatas dapat diketahui bahwa nilai Durbin-Watson yang
diperoleh dalam penelitian ini sebesar 1,448, karena nilai yang diperoleh di antara
-2 sampai +2 maka dapat disimpulkan tidak terdapat autokorelasi dalam penelitian
ini.
4.3.3. Hasil Uji Multikolinieritas
Uji asumsi multikolinieritas digunakan untuk menunjukkan adanya
hubungan linier antara variabel-variabel bebas dalam suatu model regresi. Salah
satu cara yang digunakan untuk mengetahui ada tidaknya multikolinieritas yaitu
dengan melihat besarnya nilai Variance Inflation Factor (VIF). Nilai cutoff yang
umum dipakai adalah nilai tolerance 0,10 atau sama dengan nilai VIF diatas 10.
Berikut adalah hasil pengujian multikolinieritas:
51
Tabel 4.7
Hasil Pengujian Multikolinieritas
M odel Collinearit y St at ist ics Tolerance VIF 1 (Constant ) X1 .860 1.163 X2 .177 5.655 X3 .167 5.973Sumber : Lampiran 3
Berdasarkan tabel di atas dapat diketahui bahwa nilai VIF yang diperoleh
masing-masing variabel bebas dalam penelitian ini adalah kurang dari 10. Dengan
demikian dapat disimpulkan bahwa data dalam peneleitian ini telah terbebas dari
penyimpangan multikolinieritas
4.3.4. Hasil Uji Heteroskedastisitas
Uji heteroskedastisitas bertujuan untuk menguji apakah dalam model
regresi terdapat ketidaksamaan variansi dari residual satu pengamatan ke
pengamatan lainnya. Pengujian heteroskedastisitas dilakukan dengan
menggunakan uji Rank Spearman. Pada uji Rank Spearman, antara residual
dengan seluruh variabel bebas dimana nilai probabilitas yang diperoleh harus
lebih besar dari 0,05. Berikut adalah hasil pengujian heteroskedastisitas dalam
penelitian ini :
Tabel 4.8
Hasil Pengujian Heteroskedastisitas
Cor r elations
X1 X2 X3
Unstandardize d Residual
Spearman's rho X1 Correlation Coefficient 1.000 -.066 -.300 .279
Sig. (2-tailed) . .775 .186 .220 N 21 21 21 21 X2 Correlation Coefficient -.066 1.000 .847** -.070 Sig. (2-tailed) .775 . .000 .763 N 21 21 21 21 X3 Correlation Coefficient -.300 .847** 1.000 -.014 Sig. (2-tailed) .186 .000 . .951 N 21 21 21 21 Unstandardi zed Residual Correlation Coefficient .279 -.070 -.014 1.000 Sig. (2-tailed) .220 .763 .951 . N 21 21 21 21
Sumber : Lampiran 3
Dari tabel diatas dapat diketahui bahwa nilai Sig. yang diperoleh lebih
besar dari pada 0,05 (tidak signifikan) sehingga dapat diambil kesimpulan bahwa
tidak terdapat heteroskedastisitas dalam penelitian ini
4.3.5. Hasil Uji Outlier
Outlier adalah observasi atau data yang memiliki karakteristik unik yang
terlihat sangat berbeda jauh dari observasi-observasi lainnya dan muncul dalam
bentuk nilai ekstrim untuk sebuah variabel tunggal atau variabel kombinasi
(Hair,1998).
Multivariate outlier diuji dengan kriteria jarak Mahalanobis pada tingkat
p < 0,001. Jarak diuji dengan Chi-Square [χ2] pada df sebesar jumlah variabel
bebasnya. Ketentuan : bila Mahalanobis > dari nilai χ2 adalah multivariate
outlier. Pada penelitian ini terdapat outlier apabila nilai
Mahalanobis distancenya > 18,466. Untuk lebih memperjelas uraian mengenai
53
evaluasi outlier multivariate berikut ini akan disajikan tabel Uji Outlier
Multivariate :
Tabel 4.9
Hasil Pengujian Outlier
Minimum Maximum Mean Std. Deviation N
Predicted Value 6.0694 16.6473 11.0000 3.22160 21
Std. Predicted Value -1.530 1.753 .000 1.000 21
Standard Error of Predicted Value
1.882 5.071 2.791 .782 21
Adjusted Predicted Value 6.1393 23.8939 11.4921 4.12300 21
Residual -8.64731 9.21176 .00000 5.30295 21
Std. Residual -1.459 1.554 .000 .894 21
Stud. Residual -1.977 1.638 -.034 1.023 21
Deleted Residual -15.89390 10.24377 -.49210 7.05096 21
Stud. Deleted Residual -2.202 1.739 -.045 1.065 21
Mahal. Distance 1.063 13.681 3.810 2.959 21
Cook’s Distance .000 .655 .071 .142 21
Centered Leverage Value .053 .684 .190 .148 21
Sumber : Lampiran 2
Berdasarkan tabel di atas, setelah dilakukan pengujian diketahui nilai MD
maksimum adalah 13,681 lebih kecil dari 18,466. Oleh karena itu diputuskan
dalam penelitian tidak terdapat outlier multivariate (antar variabel).
4.3.6. Uji Regresi Linier Berganda
Berdasarkan hasil pengujian dengan menggunakan regresi linier berganda
dengan bantuan program SPSS diperoleh persamaan regresi sebagai berikut:
Tabel 4.10
Hasil Uji Regresi Linier Berganda
Model Unstandardized Coefficients Standardized Coefficients B Std. Error Beta 1 (Constant) 55.640 26.118 X1 -.251 .126 -.404 X2 11.335 3.603 1.409 X3 -8.218 2.786 -1.358
Y= 55,640 -0,251X
1+ 11,335 X
2- 8,218X
3Dari persamaan tersebut dapat dijelaskan sebagai berikut:
β
0= 55,640
Nilai konstanta sebesar 55,640 menunjukkan apabila variabel Cash
Ratio (X
1)
,NPM (X
2), dan ROI (X
3) sebesar nol atau konstan, maka
besarnya nilai Dividend Payout Ratio (Y) adalah sebesar 55,640
β
1= -0,215
Koefisien regresi untuk variabel Cash Ratio (X
1) sebesar -0,215.
Tanda negatif menunjukkan terjadinya perubahan yang berlawanan
arah dari variabel Cash Ratio (X
1) terhadap variabel Dividend Payout
Ratio (Y), yang artinya apabila variabel Cash Ratio (X
1) mengalami
peningkatan sebesar 1 satuan maka variabel nilai Dividend Payout
Ratio (Y) akan menurun sebesar -0,215, demikian sebaliknya apabila
variabel Cash Ratio (X
1) mengalami penurunan sebesar 1 satuan maka
variabel nilai Dividend Payout Ratio (Y) akan naik sebesar -0,215
dengan asumsi bahwa variabel-variabel yang lain adalah konstan.
β
2= 11,335
Koefisien regresi untuk variabel Net Profit Margin (X
2) sebesar
11,335. Tanda positif menunjukkan terjadinya perubahan yang searah
dari variabel Net Profit Margin (X
2) terhadap variabel Dividend
Payout Ratio (Y), yang artinya apabila variabel Net Profit Margin (X
2)
mengalami peningkatan sebesar 1 satuan maka variabel Dividend
Payout Ratio (Y) akan naik sebesar 11,355, demikian sebaliknya
55
apabila variabel Net Profit Margin (X
2) mengalami penurunan sebesar
1 satuan maka variabel Dividend Payout Ratio (Y) akan menurun
sebesar 11,335 dengan asumsi bahwa variabel-variabel yang lain
adalah konstan.
β
3= -8,218
Koefisien regresi untuk variabel jumlah Return on Investment (X
3)
sebesar 8,218. Tanda negatif menunjukkan terjadinya perubahan yang
berlawanan arah dari variabel Return on Investment (X
3) terhadap
variabel Dividend Payout Ratio (Y), yang artinya apabila variabel
Return on Investment (X
3) mengalami peningkatan sebesar 1 satuan
maka variabel nilai Dividend Payout Ratio (Y) akan menurun sebesar
8,218, demikian sebaliknya apabila variabel Dividend Payout Ratio
(X
3) mengalami penurunan sebesar 1 satuan maka variabel Dividend
Payout Ratio (Y) akan naik sebesar 8,218 dengan asumsi bahwa
variabel-variabel yang lain adalah konstan.
4.3.7. Uji Hipotesis
1. Uji Kecocokan Model
Uji F Untuk menguji kecocokan atau kesesuaian model yang digunakan
dalam penelitian tentang pengaruh variabel X terhadap Y. Hasil pengujian
hipotesis dengan menggunakan uji F adalah sebagai berikut:
Tabel 4.11
Hasil Uji F
ANOVAb
Model Sum of Squares df Mean Square F Sig.
1 Regression 27409.975 3 9136.658 3.733 .032a
Residual 41613.577 17 2447.857
Total 69023.553 20
Sumber : Lampiran 3
Berdasarkan hasil pengujian diketahui bahwa nilai F
hitungyang diperoleh
adalah sebesar 3,733 dengan taraf signifikan sebesar 0,032. Karena taraf
signifikansi yang lebih kecil dari 0,05, maka model regresi yang dihasilkan dalam
penelitian ini telah cocok digunakan dalam untuk menguji hipotesis yang
diajukan.
Pengaruh yang diberikan variabel CR (X
1), NPM (X
2), ROI (X
3), terhadap
Dividend Payout Ratio (Y) dapat dijelaskan pada tabel berikut ini:
Tabel 4.12
Nilai R Square
Model R R Square1 .630a .397