• Tidak ada hasil yang ditemukan

BAB 3 METODE PENELITIAN

3.8.1 Analisis Statistik Deskriptif

Analisis statistik deskriptif merupakan statistik yang digunakan untuk menganalisis data dengan cara mendeskripsikan atau menggambarkan data yang telah terkumpul sebagaimana adanya tanpa bermaksud membuat kesimpulan yang berlaku umum atau generalisasi (Sugiyono,2008:206). Analisis statistik deskriptif digunakan untuk memberikan deskriptif tentang data setiap variabel- variabel penelitian yang digunakan di dalam penelitian ini. Data yang dilihat adalah jumlah data, nilai rata- rata, standar deviasi, nilai minimum, dan nilai maksimum dari variabel dependen yaitu Deviden Tunai, dan variabel independen yaitu Hutang,

Operating ratio, Earning Power of Total Invesment,Working Capital, Quick Ratio

pada perusahaan Perkebunan yang terdaftar di Bursa Efek Indonesia periode 2009- 2013.

3.8.2 Model Analisis Data

Penelitian ini menggunakan analisis regresi berganda. Analisis regresi

linier berganda ini digunakan untuk menguji Hutang, Operating ratio, Earning

Power of Total Invesment,Working Capital, Quick Ratio terhadap Deviden Tunai dengan persamaan sebagai berikut:

Y = Dimana: Y = Deviden Tunai X1 = Hutang X2 = Operating Ratio

X3= Earning Power of Total Invesment X4= Working Capital

X5= Quick Ratio 3.9Uji Asumsi Klasik

Sehubungan dengan menggunakan data sekunder dalam penelitian ini maka untuk mendapatkan ketepatan model yang akan dianalisis perlu dilakukan pengujian atas beberapa persyaratan asumsi klasik yang mendasari model regresi diatas. Pengujian asumsi klasik ini terdiri dari:

3.9.1 Uji Normalitas

Uji normalitas bertujuan untuk menguji apakah dalam model regresi, variabel dependen dan variabel independen mempunyai distribusi normal atau tidak. Model regresi yang baik, memiliki distribusi data normal atau mendekati normal. Menurut Priyatno (2008:28) jika analisis menggunakan metode parametric, maka persyaratan normalitas harus dipenuhi, yaitu data berasal dari distribusi normal. Jika data tidak berdistribusi normal atau jumlah sample sedikit dan jenis data adalah nominal atau ordinal maka metode yang digunakan adalah

statistic nonparametrik. Statitsik parametrik merupakan metode analisis yang digunakan untuk jenis data skala interval dan rasio dengan ukuran sample yang relative (Priyatno:2008).

Pengujian normalitas dilakukan untuk menghindari terjadinya bias pada model regresi. Model regresi yang baik adalah yang memiliki distribusi data normal atau mendekat normal.Uji normalitas digunakan untuk mengetahui apakah populasi data berdistribusi normal atau tidak. Uji ini biasanya digunakan untuk mengukur data berskala ordinal, interval, ataupun rasio. Jika analisis menggunakan metode parametrik, maka persyaratan normalitas harus terpenuhi yaitu data berasal dari distribusi yang normal. Jika data tidak terdistribusi normal, atau jumlah sampel sedikit dan jenis data adalah nominal atau ordinal maka

metode yang digunakan adalah statistik non parametric.Untuk mendeteksi

normalitas dapat dilakukan dengan uji statistik. Test statistik yang digunakan

Smirnov test (Ghozali, 2005). Pengujian normalitas ini dapat dilakukan melalui analisis grafik dan analisis statistik.

1. Analisis Grafik

Salah satu cara termudah untuk melihat normalitas residual adalah dengan melihat grafik histogram yang membandingkan antara data observasi dengan distribusi yang mendekati normal. Namun demikian, hanya dengan melihat histogram, hal ini dapat membingungkan, khususnya untuk jumlah sampel yang

kecil. Metode lain yang dapat digunakan adalah dengan melihat normal

probability plot yang membandingkan distribusi kumulatif dari distribusi normal.

Dasar pengambilan keputusan dari analisis normal probability plot adalah sebagai

berikut:

a. Jika data menyebar disekitar garis diagonal dan mengikuti arah garis diagonal menunjukkan pola distribusi normal, maka model regresi memenuhi asumsi normalitas.

b. Jika data menyebar jauh dari garis diagonal dan atau tidak mengikuti arah garis diagonal tidak menunjukkan pola distribusi normal, maka model regresi tidak memenuhi asumsi normalitas.

2. Analisis Statistik

Untuk mendeteksi normalitas data dapat dilakukan pula melalui analisis

statistik yang salah satunya dapat dilihat melalui Kolmogorov-Smirnovtest (K-S).

Uji K-S dilakukan dengan membuat hipotesis: Ho = Data residual terdistribusi normal

Dasar pengambilan keputusan dalam uji K-S adalah sebagai berikut:

a. Apabila probabilitas nilai Z uji K-S signifikan secara statistik maka

Ho ditolak, yang berarti data terdistibusi tidak normal.

b. Apabila probabilitas nilai Z uji K-S tidak signifikan statistik maka

Ho diterima, yang berarti data terdistibusi normal.

3.9.2 Uji Multikolinearitas

Menurut Ghozali (2005), uji ini digunakan untuk mengetahui apakah terdapat korelasi di antara variabel-variabel independen dalam model regresi tersebut. Model regresi yang baik seharusnya tidak terjadi korelasi diantara variabel independen. Jika terdapat korelasi antara variabel independen, maka variabel-variabel ini tidak ortogonal. Variabel ortogonal adalah variabel independen yang nilai korelasi antar sesama variabel independen adalah nol. Untuk mendeteksi ada tidaknya multikoliniearitas dalam model regresi dapat

dilihat dari tolerance value atau variance inflation factor (VIF). Sebagai dasar

acuannya dapat disimpulkan:

1. Jika nilai tolerance > 0,1 dan nilai VIF < 10, maka dapat disimpulkan bahwa

tidak ada multikolinearitas antar variabel independen dalam model regresi.

2. Jika nilai tolerance < 0,1 dan nilai VIF > 10, maka dapat disimpulkan bahwa

ada multikolinearitas antar variabel independen dalam model regresi.

3.9.3 Uji Autokorelasi

Uji autokorelasi bertujuan untuk menguji apakah model regresi linier ada korelasi antara kesalahan pengganggu pada periode t dengan kesalahan pengganggu pada periode t-1 (sebelumnya). Jika terjadi korelasi, maka ada

masalah autokorelasi. Autokorelasi muncul karena observasi yang berurutan sepanjang waktu berkaitan satu dengan yang lain. Masalah ini timbul karena residual (kesalahan pengganggu) tidak bebas dari satu observasi ke observasi

lainnya, biasanya dijumpai pada data deret waktu (time series). Konsekuensi

adanya autokorelasi dalam model regresi adalah variance sample tidak dapat

menggambarkan variance populasinya, sehingga model regresi yang dihasilkan

tidak dapat digunakan untuk menaksir nilai variabel dependen pada nilai independen tertentu (Ghozali, 2005). Kriteria pengujian Autokorelasi dengan

menggunakan uji Run Test (Ghozali, 2006):

1. Apabila nilai Asymp. Sig pada output run test lebih besar dari 5% maka data

tidak mengalami autokorelasi.

2. Apabila nilai Asymp. Sig pada output run test lebih kecil dari 5% maka data

mengalami autokorelasi.

3.9.4 Uji Heteroskedasitas

Uji ini bertujuan untuk menguji apakah dalam model regresi terjadi

ketidaksamaan variance dari residual satu pengamatan ke pengamatan yang lain.

Jika variance dari residual satu pengamatan ke pengamatan lain tetap, maka disebut Homoskedatisitas dan jika berbeda disebut Heteroskedasitas.

Model regresi yang baik adalah yang homokedasitas atau tidak terjadi heteroskedasitas. Untuk mendeteksi adanya heterokedastisitas dilakukan dengan

melihat grafik plot antara nilai prediksi variabel terikat (ZPRED) dengan

Dasar analisisnya:

1. Jika ada pola tertentu, seperti titik – titik yang membentuk suatu pola tertentu,

yang teratur (bergelombang, melebar, kemudian menyempit), maka mengindikasikan telah terjadi heteroskedastisitas.

2. Jika tidak ada pola tertentu serta titik–titik menyebar diatas dan dibawah angka

nol pada sumbu Y, maka tidak terjadi heteroskedastisitas, maka

mengindikasikan telah terjadi heteroskedastisitas. Analisis dengan grafik plots

memiliki kelemahan yang cukup signifikan oleh karena jumlah pengamatan

mempengaruhi hasil ploting. Semakin sedikit jumlah pengamatan, semakin

sulit untuk mengintepretasikan hasil grafik plot.

Oleh sebab itu diperlukan uji statistik yang lebih dapat menjamin

keakuratan hasil, salah satunya dengan uji Glejser (Ghozali, 2005). Dasar

pengambilan keputusan uji heteroskedastisitas melalui uji Glejser dilakukan

sebagai berikut.

1. Apabila koefisien parameter beta dari persamaan regresi signifikan statistik, yang berarti data empiris yang diestimasi terdapat heteroskedastisitas.

2. Apabila probabilitas nilai test tidak signifikan statistik, maka berarti data empiris yang diestimasi tidak terdapat heteroskedastisitas.

Analisis dengan grafik plots memiliki kelemahan yang cukup signifikan

oleh karena jumlah pengamatan mempengaruhi hasil ploting. Semakin sedikit

jumlah pengamatan, semakin sulit untuk mengintepretasikan hasil grafik plot.

hasil, salah satunya dengan uji Glejser (Ghozali, 2005). Dasar pengambilan

keputusan uji heteroskedastisitas melalui uji Glejser dilakukan sebagai berikut:

1. Apabila koefisien parameter beta dari persamaan regresi signifikan statistik,

yang berarti data empiris yang diestimasi terdapat heteroskedastisitas.

2. Apabila probabilitas nilai test tidak signifikan statistik, maka berarti data

empiris yang diestimasi tidak terdapat heteroskedastisitas.

3.10 Pengujian Hipotesis

Setelah melakukan pengujian normalitas dan pengujian atas asumsi-asumsi

klasik, langkah selanjutnya yaitu melakukan pengujian atas hipotesis 1 (H1)

sampai dengan hipotesis 2 (H2). Pengujian tingkat penting (Test of significance)

ini merupakan suatu prosedur dimana hasil sampel digunakan untuk menguji kebenaran suatu hipotesis (Gujarati, 1999) dengan alat analisis yaitu uji t, uji F

dan nilai koefisien determinansi (R2). Perhitungan statistik disebut signifikan

secara statistik, apabila uji nilai statistiknya berada dalam daerah kritis (daerah dimana Ho ditolak). Sebaliknya, disebut tidak signifikan bila uji nilai statistiknya of Return berada dalam daerah dimana Ho diterima.

3.10.1 Uji Signifikansi Simultan (Uji Statistik F)

Uji F digunakan untuk menguji signifikansi pengaruh Hutang, Operating

Ratio, Earning Power of Total Invesment, Working Capital, Quick Ratio terhadap Deviden Tunai pada Perusahaan Perkebunan yang terdaftar di Bursa Efek Indonesia secara simultan. Apabila tingkat signifikansi lebih kecil dari 0,05 maka dapat dikatakan bahwa semua variabel independen secara bersama- sama berpengaruh terhadap variabel dependen ( Ghozali, 2006).

Perumuskan Hipotesis:

a. H0 : bi = 0, artinya secara simultan Hutang, Operating Ratio, Earning Power

of Total Invesment, Working Capital, Quick Ratio berpengaruh tidak signifikan terhadap Deviden Tunai pada perusahaan perkebunan yang terdaftar di Bursa Efek Indonesia periode tahun 2009- 2013.

b. Ha : bi ≠ 0, artinya secara simultan Hutang, Operating Ratio, Earning Power of Total Invesment, Working Capital, Quick Ratio berpengaruh signifikan terhadap Deviden Tunai pada perusahaan perkebunan yang terdaftar di Bursa Efek Indonesia periode tahun 2009- 2013.

Adapun prosedur pengujiannya adalah melakukan perhitungan terhadap Fhitung kemudian membandingkan nilai Fhitung dengan Ftabel.

Kriteria pengambilan keputusan adalah:

1. Apabila Fhitung > Ftabel dan tingkat signifikansi (α) <0,05 maka H0 menyatakan

bahwa semua variabel independen berpengaruh signifikan secara simultan terhadap variabel dependen.

2. Apabila Fhitung < Ftabel dan tingkat signifikansi (α) > 0,05 maka H0 menyatakan

secara simultan semua variabel independen berpengaruh tidak signifikan terhadap variabel dependen.

3.10.2 Uji Statistik t (Uji Parsial)

Uji-t statistik yang dimaksud adalah untuk menguji pengaruh secara

parsial antara Hutang, Operating Ratio, Earning Power of Total Invesment, Rate

of Return for the Owners, Working Capital, Quick Ratio terhadap Deviden Tunai pada perusahaan perkebunan yang terdaftar di BEI dengan asumsi bahwa variabel

lain dianggap konstan, dengan tingkat keyakinan 95% (α = 0,05). Uji ini

dilakukan sekaligus untuk melihat koefisien regresi secara individual variabel penelitian.

Perumusan hipotesis:

1. H0 : bi = 0, artinya secara parsial Hutang, Operating Ratio, Earning Power of

Total Invesment, Working Capital, Quick Ratio berpengaruh tidak signifikan terhadap Deviden Tunai pada perusahaan perkebunan yang terdaftar di Bursa Efek Indonesia periode tahun 2009- 2013.

2. Ha : bi ≠ 0, artinya secara parsial Hutang, Operating Ratio, Earning Power of Total Invesment,Working Capital, Quick Ratio berpengaruh signifikan terhadap Deviden Tunai pada perusahaan perkebunan yang terdaftar di Bursa Efek Indonesia periode tahun 2009- 2013.

Adapun prosedur pengujiannya adalah melakukan perhitungan terhadap Fhitung kemudian membandingkan nilai Fhitung dengan Ftabel.

Kriteria pengambilan keputusan adalah:

1. Apabila Fhitung > Ftabel dan tingkat signifikansi (α) <0,05 maka H0 menyatakan

bahwa semua variabel independen tidak berpengaruh secara parsial terhadap variabel dependen ditolak. Ini berarti secara parsial semua variabel independen berpengaruh signifikan terhadap variabel dependen.

2. Apabila Fhitung < Ftabel dan tingkat signifikansi (α) > 0,05 maka H0 diterima,

yang berarti secara parsial semua variabel independen berpengaruh tidak signifikan terhadap variabel dependen.

3.10.3 Koefisien Determinasi (R2)

Koefisien determinasi (R2) pada intinya mengukur seberapa jauh

kemampuan model dalam menerangkan variabel dependen. Nilai R2 yang kecil

berarti kemampuan variabel-variabel independen dalam menjelaskan variabel

dependen, terbatas. Sebaliknya, nilai R2 yang mendekati satu menandakan

variabel-variabel independen memberikan hampir semua informasi yang dibutuhkan oleh variabel dependen (Ghozali, 2005). Nilai yang digunakan adalah

adjusted R2 karena variabel independen yang digunakan dalam penelitian ini lebih

Dokumen terkait