BAB IV HASIL DAN PEMBAHASAN
4.2. Analisis Hasil Penelitian
1. Analisis Statistik Deskriptif
Informasi yang dibutuhkan dalam penelitian ini merupakan data sekunder yang diperoleh dari www.bei.co.id berupa data keuangan sampel perusahaan manufaktur dari 2011 sampai 2015 yang dijabarkan dalam bentuk statistik.
46
Variabel dari penelitian ini terdiri dari laba bersih dan arus kas sebagai variabel bebas (independent variable) dan kebijakan deviden sebagai variabel terikat (dependent variable). Statistik desktiptif dari variabel tersebut dari sampel perusahaan perkebunan selama periode 2011-2015 disajikan dalam tabel 4.2 berikut :
Tabel 4.2
Statistik Deskriptif Variabel-variabel selama tahun 2011 sampai tahun 2015
Sumber : Data yang diolah penulis
Tabel diatas menunjukkan bahwa semua variabel memiliki nilai minimum positif. Untuk nilai maksimum, semua variabel juga memiliki nilai positif.
Akan tetapi hal ini tidak menunjukkan bahwa laba bersih dan arus kas operasi selalu positif karena nilai diatas merupakan hasil pengolahan data yang telah ditransformasikan dengan menggunakan SQRT dimana data yang bernilai negatif secara otomatis akan dihapus.
Berikut ini perincian data deskriptif yang telah diolah :
a. Variabel SQRT laba bersih memiliki nilai minimum 1,96 dan maksimum 63,21 dengan rata-rata SQRT laba bersih per lembar saham sebesar 17,1698 dengan jumlah sampel sebanyak 93 perusahaan.
b. Variabel SQRT arus kas memiliki nilai minimum 2,42 dan nilai maksimum 148,63 dengan rata-rata SQRT arus kas operasi per lembar saham sebesar 23,5496 dengan jumlah sampel sebanyak 81 perusahaan.
c. Variabel SQRT kebijakan deviden memiliki nilai minimum 0,77 dan nilai maksimum 16,49 dengan rata-rata SQRT kebijakan deviden sebesar 5,6969 dengan jumlah sampel.
2. Uji Asumsi Klasik a. Uji Normalitas
Pengujian normalitas data dalam penelitian ini menggunakan uji statistik non parametrik Kolmogorov-Smirnov (K-S) dengan menggunakan hipotesis :
HO : Data residual berdistribusi normal H1 : Data residual tidak berdistribusi normal
Apabila nilai signifikansinya lebih besar dari 0,05 maka H0 diterima, sedangkan jika nilai signifikansinya lebih kecil dari 0,05 maka H0 ditolak.
48
Dari hasil pengolahan data tersebut, diperoleh bahwa data dalam penelitian ini tidak terdistribusi secara normal, dimana variabel memiliki nilai signifikansi lebih kecil dari 0,05.
Setelah melihat tabel diatas, dapat disimpulkan bahwa perhitungan Kolmogorov-Smirnov (K-S) menunjukkan data tidak terdistribusi secara normal. Ada beberapa cara mengubah model regresi menurut Erlina (2007:106) yaitu :
a. Lakukan transformasi data ke bentuk lainnya.
b. Lakukan trimming, yaitu membuang data outlier.
c. Lakukan winsorizing, yaitu mengubah nilai data yang outlier ke suatu nilai tertentu.
Untuk mengubah nilai residual agar berdistribusi normal, penulis melakukan transformasi data ke model SQRT dari persamaan DPR = f(EPS, OCF), menjadi DPR = f(SQRT_EPS, SQRT_OCF). Kemudian data diuji ulang berdasarkan asumsi normalitas.
Dari data diatas dapat disimpulkan bahwa data dalam model regresi telah terdistribusi normal, dimana nilai signifikansinya lebih dari 0,05.
Dengan demikian, secara keseluruhan dapat disimpulkan bahwa nilai-nilai observasi data telah terdistribusi secara normal dan dapat dilanjutkan dengan uji asumsi klasik lainnya. Dengan cara membandingkan data observasi dengan distribusi yang mendekati distribusi normal.
b. Uji Multikolinearitas
Dalam penelitian ini, untuk mendeteksi ada tidaknya gejala multikolinearitas adalah dengan melihat besarnya korelasi antara variabel independen dan besarnya tingkat kolinearitas yang masih dapat ditolerir, yaitu Tolerance > 0,10 dan Variance Inflation Factor (VIF) < 0,10.
Melihat hasil besaran korelasi antar variabel independen tampak bahwa variabel laba bersih mempunyai korelasi sebesar -0,561 atau sekitar 56,1%. Hal ini menunjukkan tidak adanya korelasi yang tinggi (0,90) diantara variabel independen. Hasil dari cofficient correlation tersebut menunjukkan tidak ada korelasi yang tinggi (umumnya diatas 0,90), maka hal ini merupakan indikasi tidak adanya multikolinearitas. Hasil perhitungan nilai tolarance menunjukkan variabel independen memiliki nilai tolarance lebih dari 0,10 yaitu 0,585 yang berarti tidak terjadi korelasi antara variabel independen. Hasil perhitungan VIF juga menunjukkan hal yang sama dimana variabel independen memiliki nilai VIF juga menunjukkan hal yang sama dimana variabel independen memiliki nilai VIF kurang dari 10 yaitu 1,459.
c. Uji Heteroskedastisitas
Dalam penelitian ini, untuk mendeteksi ada tidaknya gejala heteroskedastisitas adalah dengan melihat plot grafik yang telah dihasilkan dari pengolahan data dengan menggunakan program SPSS.
Dasar pengambilan keputusannya adalah :
50
1. Jika ada pola tertentu, seperti titik-titik yang ada membentuk pola tertentu yang teratur (bergelombang, melebar lalu menyempit), maka mengindikasikan telah terjadi heteroskedastisitas.
2. Jika tidak ada pola yang jelas, seperti titik-titik menyebar diatas dan dibawah angka 0 pada sumbu Y, maka tidak terjadi heteroskedastisitas atau terjadi heteroskedastisitas.
d. Uji Autokorelasi
Uji ini bertujuan untuk melihat apakah dalam suatu model regresi linear ada korelasi antar kesalahan pengganggu pada periode t dengan kesalahan pada periode t-1. Autokorelasi muncul karena observasi yang berurutan sepanjang tahun yang berkaitan satu dengan yang lainnya. Hal ini sering ditemukan pada time series. Cara yang dapat digunakan untuk mendeteksi masalah autokorelasi adalah dengan menggunakan nilai uji Durbin Watson dengan ketentuan sebagai berikut :
1. Anka D-W dibawah -2 berarti ada autokorelasi positif
2. Angka D-W diantara -2 sampai +2, berarti tidak ada autokorelasi.
3. Angka D-W diatas +2 berarti ada autokorelasi negatif.
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. Untuk menguji hipotesis, peneliti menggunakan analisis regresi berganda.
Berdasarkan hasil pengolahan data dengan SPSS, maka diperoleh hasil sebagai berikut :
a. Persamaan Regresi
Dalam pengolahan data dengan menggunakan regresi linear, dilakukan beberapa tahapan untuk mencari hubungan antara variabel independen dan variabel dependen, melalui pengarug SQRT_Laba Bersih (X1) dan SQRT_Arus Kas Operasi terhadap SQRT_DPR (Y).
Persamaan regresi adalah sebagai berikut : Y = 4,601 + 0,015X1 + 0,039X2 + e Keterangan :
1. Konstanta sebesar 4,601 menunjukkan bahwa apabila tidak ada variabel independen (X1 = 0 dan X2 = 0) maka dividend payout ratio sebesar 4,601.
2. B1 sebesar 0,015 menunjukkan bahwa setiap kenaikan laba bersih sebesar 1% akan diikuti oleh kenaikan dividend payout ratio sebesar 0,015 dengan asumsi variabel lain tetap.
3. B2 sebesar 0,039 menunjukkan bahwa setiap kenaikan 1%
pada arus kas operasi akan diikuti oleh kenaikan dividend payout ratio sebesar 0,039 dengan asumsi variabel lain tetap.
52
b. Analisis Koefisien Korelasi dan Koefisien 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.
Pada model summary, nilai koefisien korelasi (R) sebesar 0,427 yang berarti bahwa korelasi atau hubungan anatara dividend payout ratio (SQRT_DPR) dengan variabel independennya (SQRT_Laba Bersih dan SQRT_Arus Kas Operasi) tidak begitu kuat karena berada dibawah 0,5. Angka adjusted R square atau koefisien determinasi adalah 0,161. Hal ini berarti 16,1% variasi
dari laba bersih dan arus kas operasi, sedangkan sisanya (83,9%) dijelaskan oleh sebab-sebab lain. Standar Error of Estimate (SEE) adalah 2,21340, yang mana semakin besar SEE akan membuat model regresi kurang tepat dalam memprediksi variabel dependen.
c. Pengujian Hipotesis
Untuk mengatahui apakah variabel independen dalam model regresi berpengaruh terhadap variabel dependen, maka dilakukan pengujian dengan menggunakan uji t (t test) dan uji F (F test).
1. Uji t
Uji t digunakan untuk menguji signifikansi konstanta dan setiap variabel independennya.
Hasil uji statistik dapat menyimpulkan t hitung adalah 0,710 sedangkan t tabel adalah 1,9867, sehingga t tabel > t hitung (1,9867 > 0,710), maka laba bersih secara individual tidak mempengaruhi DPR. Signifikansi penelitian >0,05 (0,480 >
0,05), maka H0 diterima dan Ha tidak, artinya laba bersih tidak berpengaruh terhadap devidend payout ratio.
2. Uji F
Untuk mlihat pengaruh laba bersih dan arus kas operasi terhadap devidend payout ratio secara simultan dapat dihitung dengan menggunakan F test.
54
Dari ANOVA atau f test, diperoleh F hitung sebesar 8,562 dengan tingkat signifikansi 0,000, sedangkan F tabel sebesar 3,0977 dengan signifikansi 0,05. Berdasarkan hasil tersebut dapat disimpulkan bahwa laba bersih dan arus kas operasi berpengaruh secara simultan dan signifikan terhadap devidend payout ratio karena F hitung . F tabel (8,562 > 3,0977) dan sig penelitian <0,05 (0,000 < 0,05).