HASIL DAN PEMBAHASAN
1.4 Hasil Penelitian
1.4.1 Analisis Statistik Deskriptif
Analisa statistik deskriptif bertujuan untuk menganalisa data agar sampel yang dihasilkan tidak memberikan gambaran kesimpulan yang di generalisasi. Pengoperasian submenu descriptive statistics pada SPSS for Windows 19.0 mencakup hampir semua unsur statistik deskriptif dasar, sehingga menyajikan karakteristik tertentu dari suatu data sampel. Output statistik deskriptif dari semua variabel yang digunakan dalam penelitian ini, yaitu asset keuangan (X1), pendapatan tetap (X2), nilai buku ekuitas (X3), investasi (X4), hutang (X5), arus
64 kas bersih (X6) dan variabel nilai pasar perusahaan (Y) dari 10 perusahaan investasi yang menjadi sampel selama periode 2009-2013. Analisa statistik deskriptif dilakukan terhadap data dari ketiga periode tersebut dengan tujuan dapat dibandingkan. Kesimpulan yang dibuat dari hasil statistik deskriptif ini merupakan suatu analisa sederhana dari data variabel penelitian sehingga tidak dapat digunakan sebagai kesimpulan hasil penelitian secara umum.
Analisis deskriptif digunakan untuk mengetahui gambaran atau deskripsi yang meliputi nilai rata-rata, nilai minimum, nilai maksimum, dan nilai standar deviasi dari variabel penelitian. Hasil statistik deskriptif terhadap variabel penelitian dapat dilihat pada tabel berikut ini :
Tabel 4.9 Descriptive Statistics 40 94.3039 169.38712 1.29 917.29 40 132.9197 219.49725 1.01 946.31 40 138.7548 211.75857 1.17 801.65 40 152.7884 213.66277 1.40 853.22 40 717.6581 1454.24667 1.09 6250.00 40 330.2411 998.69504 1.06 6250.00 40 262.3053 560.51358 1.01 3333.00 X1 X2 X3 X4 X5 X6 Y
N Mean Std. Deviation Minimum Maximum
Sumber : data diolah peneliti, 2015
Berdasarkan data dari 4.9 dapat dijelaskan bahwa:
a. Variabel prediksi pembayaran dividen (Y) memiliki sampel (N) sebanyak 40, dengan nilai mean 262.3053 dengan nilai minimum 1.01 sedangkan nilai maksimum 3333.00. Kemudian nilai standar deviation (simpanan baku) variabel ini 560.51358.
b. Variabel perbandingan asset keuangan (X1) memiliki sampel (N) sebanyak 40, dengan nilai minimum 1.29 sedangkan nilai maksimum 917.29 dan
65 nilai mean 94.3039. Standar deviation (simpanan baku) variabel ini 169.38712.
c. Variabel perbandingan pendapatan tetap (X2) memiliki sampel (N) sebanyak 40, dengan nilai minimum 1.01 sedangkan nilai maksimum 946.31 dan nilai mean 132.9197. Standar deviation (simpanan baku) variabel ini 219.49725.
d. Variabel perbandingan nilai buku ekuitas (X3) memiliki sampel (N) sebanyak 40, dengan nilai minimum 1.17 sedangkan nilai maksimum 801.65 dan nilai mean 138.7548. Standar deviation (simpanan baku) variabel ini 211.75857.
e. Variabel perbandingan investasi (X4) memiliki sampel (N) sebanyak 40, dengan nilai minimum 1.40 sedangkan nilai maksimum 853.22 dan nilai mean 152.7884. Standar deviation (simpanan baku) variabel ini 213.66277.
f. Variabel perbandingan hutang (X5) memiliki sampel (N) sebanyak 40, dengan nilai minimum 1.09 sedangkan nilai maksimum 6250.00 dan nilai mean 717.6581. Standar deviation (simpanan baku) variabel ini 1454.24667.
g. Variabel perbandingan arus kas bersih operasional (X6) memiliki sampel (N) sebanyak 40, dengan nilai minimum 1.06 sedangkan nilai maksimum 6250.00 dan nilai mean 330.2411. Standar deviation (simpanan baku) variabel ini 998.69504.
66 1.4.2 Uji Asumsi Klasik
1.4.2.1 Uji Normalitas
Uji normalitas dideteksi dengan melihat menyebar data (titik) pada sumbu diagonal dari grafik atau padat juga dengan melihat histogram dari residualnya. Jika data merapat di sekitar garis diagonal dan mengikuti arah garis diagonal atau grafik histogramnya menunjukkan pola distribusi normal, maka model regresi memenuhi asumsi normalitas, demikian sebaliknya.
Dari grafik hasil pengujian normalitas melalui histrogram terlihat bahwa residual terdistribusi secara normal dan berbentuk simetris tidak menceng ke kanan ataupun ke kiri dan pada grafik hasil pengujian normalitas melalui normal probility plots titik-titik menyebar berhimpit di sekitar diagonal hal ini menunjukan bahwa residual berdistribusi secara normal. Jadi dapat disimpulkan secara keseluruhan bahwa model regresi memenuhi syarat uji normalitas, sehingga model regresi layak dipakai untuk prediksi variabel dependen berdasarkan masukan variabel independennya.
67
Observed Cum Prob
1.0 0.8 0.6 0.4 0.2 0.0 Expect ed Cum Prob 1.0 0.8 0.6 0.4 0.2 0.0
Normal P-P Plot of Regression Standardized Residual
Dependent Variable: Y
Sumber : Hasil pengolahan data primer dengan SPSS 19.0 tahun 2014 (data diolah)
Gambar 4.1 Normal P-Plot Sumber : data diolah peneliti, 2015
Hasil uji normalitas menggunakan scatter plot menunjukkan bahwa titik pada scatterplot mengikuti data di sepanjang garis diagonal. Hal ini berarti data berdistribusi normal.
68
Regression Standardized Residual
2 1 0 -1 -2 Frequency 12.5 10.0 7.5 5.0 2.5 0.0 Histogram Dependent Variable: Y Mean =-2.88E-16 Std. Dev. =0.92 N =40 Gambar 4.2 Histogram Sumber : data diolah peneliti, 2015
Pada grafik histogram terlihat bahwa variabel berdistribusi normal hal ini ditunjukkan oleh distribusi data tersebut tidak miring ke kiri atau ke kanan.
1.4.2.2 Uji Heteroskedastisitas
Ada beberapa cara untuk mendeteksi ada tidaknya heteroskedastisitas, akan tetapi pada penelitian ini dilakukan uji heteroskedastisitas dengan cara melihat grafik plot antara nilai prediksi variabel terikat (ZPRED) dengan residualnya (SPRED). Deteksi ada tidaknya pola tertentu pada grafik scatterplot antara SRESID dan ZPREAD dimana sumbu asset keuangan (X1), pendapatan tetap (X2), nilai buku ekuitas (X3), investasi (X4), hutang (X5), arus kas bersih (X6) dan (nilai pasar perusahaan) Y yang telah diprediksi dan
69 sumbu Y adalah residual (Y prediksi-Y sesungguhnya) yang telah distudentized.
Dasar analisisnya adalah jika ada pola tertentu yang teratur seperti titik-titik yang ada membentuk suatu pola tertentu yang teratur (bergelombang, melebar, kemudian menyempit), maka telah terjadi Heteroskedastisitas. Jika tidak ada pola yang jelas serta titik-titik menyebar di atas dan di bawah angka 0 pada sumbu Y, maka tidak terjadi Heteroskedastisitas.
Regression Studentized Residual
3 2 1 0 -1 -2 -3 Regre ssion St andardiz ed Re sidual 2 1 0 -1 -2 Scatterplot Dependent Variable: Y
Sumber : Hasil pengolahan data primer dengan SPSS 19.0 tahun 2015 (data diolah)
Gambar 4.3 : Normal Scatterplot
Dari grafik Scatterplot penelitian ini terlihat titik-titik menyebar secara acak serta tersebar baik di atas maupun di bawah angka 0 pada sumbu Y, hal ini menunjukkan tidak terjadi heteroskedastisitas pada model
70 regresi, sehingga model regresi layak dipakai untuk memprediksi asset keuangan (X1), pendapatan tetap (X2), nilai buku ekuitas (X3), investasi (X4), hutang (X5), arus kas bersih (X6) (berdasarkan masukan variabel independennya nilai pasar perusahaan) Y.
1.4.2.3 Uji Autokorelasi
Uji ini bertujuan untuk melihat apakah dalam suatu model linear ada korelasi antar kesalahan penganggu pada periode t dengan kesalahan pada periode t-1 (sebelumnya).
Ada beberapa cara dapat digunakan untuk mendeteksi masalah dan autokorelasi diantaranya adalah dengan uji Durbin-Witson. Menurut Sunyoto (2009) pengambilan keputusan ada tidaknya autokorelasi adalah: 1) Angka D-W dibawah -2 berarti ada autokorelasi positif
2) Angka D-W diantara -2 sampai +2 berarti tidak ada autokorelasi 3) Angka D-W di atas +2 berarti aa autokorelasi negatif
Tabel 4.10 Hasil uji Durbin-Witson
Model R R Square Adjusted R Square Std. Error of the Estimate Durbin-Witson 1 .887a .786 .748 281.56965 2.662 a. Predictors (Constant), X3, X2, X1 b. Dependent Variable: Y
Tabel 4.10 menunjukkan hasil autokorelasi variabel penelitian. Berdasarkan hasil pengujian diperoleh bahwa tidak terjadi autokorelasi antar kesalahan pengganggu antar periode. Hal ini dilihat dari nilai Durbin-Watson (D-W) sebesar 2.662. Angka tersebut berada diantara -2 dan +2, artinya bahwa angka
71 DW lebih besar dari -2 dan lebih kecil dari +2 (-2 < 2.662 < +2). Jadi dapat disimpulkan bahwa tidak ada autokorelasi positif maupun negatif.
4.4.2.4 Uji Multikolinearitas
Pengujian multikolinieritas bertujuan untuk mengetahui hubungan yang sempurna antar variabel bebas dalam model regresi. Gejala multikolinieritas dapat dilihat dari nilai tolerance dan nilai Varian Inflation Factor (VIF). Bila nilai VIF lebih kecil dari 10 dan nilai toleransinya di atas 0,1 atau 10 % maka dapat disimpulkan bahwa model regresi tersebut tidak terjadi multikolinieritas (Ghozali,2012).
Tabel 4.11
Hasil Uji Multikolinieritas
No Variabel bebas Nilai Tolerance Nilai VIF (%)
1 Asset keuangan(X1) 0.797 1.254
2 Pendapatan tetap (X2) 0.534 1.872
3 Nilai buku ekuitas (X3) 0.502 1.991
4 Investasi (X4) 0.605 1.653
5 Hutang (X5) 0.511 1.958
6 Arus kas bersih operasional (X6) 0.502 1.992 Sumber : data diolah peneliti, 2015
Dari tabel tersebut menunjukkan bahwa nilai VIF semua variabel bebas dalam penelitian ini lebih kecil dari 10 sedangkan nilai toleransi semua variabel bebas lebih dari 10 % yang berarti tidak terjadi korelasi antar variabel bebas yang nilainya lebih dari 90%, dengan demikian dapat disimpulkan bahwa tidak terdapat gejala multikolinieritas antar variabel bebas dalam model regresi.
72 1.4.3 Analisis Regresi Berganda
Model persamaan regresi yang baik adalah yang memenuhi persyaratan asumsi klasik, antara lain semua data berdistribusi normal, model harus bebas dari gejala multikolinieritas dan terbebas dari heterokedastisitas. Dari analisis sebelumnya telah terbukti bahwa model persamaan yang diajukan dalam penelitian ini telah memenuhi persyaratan asumsi klasik sehingga model persamaan dalam penelitian ini sudah dianggap baik. Analisis regresi digunakan untuk menguji hipotesis tentang pengaruh secara parsial variabel bebas terhadap variabel terikat.
Metode analisis regresi linear berganda berfungsi untuk mengetahui pengaruh/hubungan variabel bebas dengan variabel terikat. Pengolahan data akan dilakukan dengan menggunakan alat bantu aplikasi Sofware SPSS 19.0 for Windows.
Untuk menjawab hipotesis yang diajukan, maka akan digunakan analisis regresi linier berganda dengan variabel kebijakan dividen terhadap nilai pasar perusahaan. Hasil pengujian regresi adalah sebagai berikut :
Tabel 4.12 Regresi Berganda Coefficients (a) Model Unstandardized Coefficients Standardized Coefficients t Sig. B Std. Error Beta 1 (Constant) 168.056 63.075 2.664 .012 X1 .151 .040 .458 4.159 .000 X2 .226 .176 .120 5.143 .000 X3 X4 X5 X6 -.325 -.053 -.018 .501 .298 .276 .274 .064 -.098 -.020 -.047 .892 -1.175 -.197 -.420 7.858 .283 .845 .677 .000 a. Dependent Variable: Y
73 Berdasarkan hasil analisis regresi berganda pada tabel diperoleh persamaan regresi sebagai berikut :
Y = 168.056 + 0.151X1 + 0.226X2 + -0.325X3 + -0.053X4 + -0.018X5 + 0.501X6 Pada understandardized coefficients, diperoleh a, β1, β2, β3, β4, β5, β6
sebagai berikut:
a. Nilai B Constant (α) = 168.056
Nili konstanta ini menunjukkan bahwa apabila tidak ada nilai variabel bebas yaitu perbandingan asset keuangan, pendapatan tetap, nilai buku ekuitas, investasi, hutang dan arus kas bersih operasional terhadap nilai pasar perusahaan, maka perubahan nilai pasar perusahaan yang dilihat dari nilai Y tetap 0.168056
b. Nilai β1 = 0.151
Koefisien regresi ini menunjukkan bahwa setiap kenaikan perbandingan asset keuangan sebesar 1 satuan, maka perubahan asset keuangan (X1) yang dilihat dari nilai nilai pasar keuangan (Y) akan meningkat sebesar 0.151 dengan asumsi variabel lain dianggap tetap.
c. Nilai β2 = 0.226
Koefisien regresi ini menunjukkan bahwa setiap kenaikan perbandingan pendapatan tetap sebesar 1 satuan, maka perubahan pendapatan tetap (X2) yang dilihat dari nilai pasar perusahaan (Y) akan meningkat 0.226 dengan asumsi variabel lain dianggap tetap.
d. Nilai β3 = -0.325
Koefisien regresi ini menunjukkan bahwa setiap penurunan perbandingan nilai buku ekuitas sebesar 1 satuan, maka perubahan nilai buku ekuitas
74 (X3) yang dilihat dari nilai pasar perusahaan (Y) akan berkurang -0.325 dengan asumsi variabel lain dianggap tetap.
e. Nilai β4 = -0.053
Koefisien regresi ini menunjukkan bahwa setiap penurunan perbandingan investasi sebesar 1 satuan, maka perubahan investasi (X4) yang dilihat dari nilai pasar perusahaan (Y) akan berkurang -0.053 dengan asumsi variabel lain dianggap tetap.
f. Nilai β5 = -0.018
Koefisien regresi ini menunjukkan bahwa setiap kenaikan perbandingan hutang sebesar 1 satuan, maka perubahan hutang (X5) yang dilihat dari nilai pasar perusahaan (Y) akan berkurang -0.018 dengan asumsi variabel lain dianggap tetap.
g. Nilai β6 = 0.501
Koefisien regresi ini menunjukkan bahwa setiap kenaikan perbandingan arus kas bersih operasional sebesar 1 satuan, maka perubahan arus kas bersih operasional (X6) yang dilihat dari nilai pasar perusahaan (Y) akan berkurang 0.501 dengan asumsi variabel lain dianggap tetap.