Nilai Perusahaan
ANALISIS DAN PEMBAHASAN
B. Hasil Analisis dan Pembahasan 1.Statistik Deskriptif
1) Analisis Statistik
Pengujian normalitas dengan menggunakan grafik dapat menyesatkan jika tidak hati-hati karena secara visual kelihatan normal tetapi secara statistik sebaliknya. Pengujian normalitas dengan menggunakan analisis statistik dapat menggunakan dua metode, yaitu:
a) Uji Skewness dan Kurtosis
Uji statistik sederhana dapat dilakukan dengan melihat nilai kurtosis dan skewness dari masing-masing variabel penelitian baik variabel independen maupun variabel dependen. Skewnes berhubungan dengan simetri distribusi. Sedangkan kurtosis berhubungan dengan puncak dari suatu
distribusi. Hasil uji skewness dan kurtosis dapat dilihat dibawah ini:
Tabel 4.10
Hasil Uji Skewness dan Kurtosis (Sebelum Tranformasi)
N Skewness Kurtosis Zskewness Zkurtosis
KM 140 2.714 6.502 13.109 15.704 KI 140 -.513 -.575 -2.478 -1.388 DPR 140 8.580 87.768 41.446 211.980 CH 140 .244 1.237 1.181 2.987 KA 140 -.738 -1.477 -3.564 -3.567 Q 140 3.574 14.495 17.263 35.008 Unstandardized Residual 140 3.283 13.195 15.858 31.870 Valid N (listwise) 140
Sumber : Data sekunder diolah
Hasil perhitungan Zskewness dan Zkurtosis beberapa variabel penelitian jauh diatas nilai tabel yaitu sebesar 1,96 dengan tingkat signifikansi 0,05. Variabel penelitian tersebut adalah kepemilikan manajerial, dividend payout ratio dan nilai perusahaan. Jadi dapat disimpulkan bahwa data variabel kepemilikan manajerial, dividend payout ratio, dan nilai perusahaan tidak berdistribusi normal.
Untuk mendapatkan hasil yang lebih baik dan valid, maka selanjutnya adalah melakukan transformasi data mentah ke dalam bentuk natural logaritma dari masing-masing data yang diuji. Hal ini disebabkan nilai skewness
dari data beberapa variabel penelitian yang tidak terdistribusi normal bernilai positif dan bentuk histogram dari data tersebut berbentuk substansial positive skewness sehingga peneliti melakukan transformasi data dalam bentuk logaritma natural.
Tabel 4.11
Hasil Uji Skewness dan Kurtosis (Setelah Tranformasi)
N Skewness Kurtosis Zskewness Zkurtosis
Ln.KM 140 .090 -1.429 0.4347779 -3.45164 KI 140 -.513 -.575 -2.478117 -1.38843 Ln.DPR 140 -.559 2.708 -2.700585 6.539646 CH 140 .244 1.237 1.1805986 2.986963 KA 140 -.738 -1.477 -3.56434 -3.56687 Ln.Q 140 .914 1.236 4.4132802 2.985454 Unstandardized Residual 140 .484 .681 2.3357385 1.644552 Valid N (listwise) 140
Sumber : Data sekunder diolah
Hasil perhitungan Zskewness dan Zkurtosis setelah transformasi dari data variabel kepemilikan manajerial, dividend payout ratio, dan nilai perusahaan mendekati nilai tabel yaitu sebesar 1,96 dengan tingkat signifikansi 0,05. Jadi dapat disimpulkan bahwa data variabel kepemilikan manajerial, dividend payout ratio, dan nilai perusahaan berdistribusi normal.
b) Uji Statistik Kolmogrov-Smirnov (K-S)
Hasil uji normalitas dengan menggunakan uji statistik non parametric kolmogrov-smirnov (K-S) untuk ukuran akrual sebelum transformasi menunjukkan nilai Kolmogrov-Smirnov (K-S) sebesar 2,592 dengan nilai signifikansi (2-tailed) sebesar 0,000. Hasil uji sebelum transformasi menunjukkan bahwa nilai signifikansi di bawah 0,05 (α < 0,05)berarti data yang akan diuji mempunyai perbedaan yang signifikan dengan data normal baku, berarti data tersebut tidak normal dan Ha ditolak. Sehingga data penelitian harus dtransformasi Hasil setelah transformasi menunjukkan nilai Kolmogrov-Smirnov (K-S) sebesar 0,617 dengan nilai signifikansi (2-tailed) sebesar 0,841. Hasil ini menunjukkan bahwa nilai signifikansi di atas 0,05 (α > 0,05) maka berarti tidak terdapat perbedaan yang signifikan antara data yang akan diuji dengan data normal baku, artinya data yang kita uji normal karena tidak berbeda dengan normal baku dan Ho diterima. Hal ini menunjukkan bahwa model regresi memenuhi asumsi normalitas karena tingkat signifikansinya melebihi 0,05 (α > 0,05).
Tabel 4.12
Uji Normalitas : Nilai Kolmogrov-Smirnov (Sebelum Transformasi) Unstandardized Residual N 140 Normal Parametersa,b Mean .0000000 Std. Deviation 2.21831366 Most Extreme Differences Absolute .219 Positive .219 Negative -.158 Kolmogorov-Smirnov Z 2.592 Asymp. Sig. (2-tailed) .000 a. Test distribution is Normal.
b. Calculated from data.
Sumber : Output SPSS 19
Tabel 4.13
Uji Normalitas : Nilai Kolmogrov-Smirnov (Setelah Transformasi) Unstandardized Residual N 140 Normal Parameters a,b Mean .0000000 Std. Deviation .59364747 Most Extreme Differences Absolute .052 Positive .052 Negative -.037 Kolmogorov-Smirnov Z .617 Asymp. Sig. (2-tailed) .841 a. Test distribution is Normal.
2) Analisis grafik
Dalam penelitian ini, pengujian analisis grafik dilakukan dengan menggunakan metode Probability Plot (P-Plot) atau model Uji Normalitas residual dan Grafik Histogram. Hasil Pengujian ini dapat dilihat pada gambar 4.1 dan 4.2 berikut ini:
Gambar 4.1
Uji Normalitas : Grafik Normal Plot (Setelah Transformasi)
Gambar 4.2
Uji Normalitas : Grafik Histogram (Setelah Transformasi)
Sumber: Data sekunder diolah
Pada gambar 4.1, grafik normal plot menunjukkan titik-titik menyebar disekitar garis diagonal dan penyebarannya mengikuti arah garis diagonal. Sedangkan pada gambar 4.2, grafik histogram memberikan pola distribusi yang mendekati normal. Maka dapat disimpulkan bahwa model regresi dalam penelitian ini telah terdistribusi secara normal. Terkait dengan data hasil uji normalitas, maka data tersebut akan digunakan dalam pengujian asumsi klasik yang lainnya dan uji hipotesis selanjutnya.
b. Uji Multikolonieritas
Uji multikolonieritas ini pada dasarnya bertujuan untuk menguji apakah di dalam model regresi ditemukan adanya korelasi antar variabel bebas. Multikolonieritas dapat dilihat dari perhitungan nilai tolerance serta Varian Inflation Factor (VIF). Suatu model regresi dikatakan tidak memiliki kecenderungan adanya gejala multikolonieritas adalah apabila memiliki nilai VIF yang lebih kecil dari 10 dan Tolerance lebih besar dari 0,10 (Ghozali, 2011). Hasil pengujian model regresi diperoleh nilai-nilai VIF untuk masing-masing variabel ini dapat dilihat dari tabel 4.14 berikut:
Tabel 4.14 Uji Multikolonieritas Coefficientsa
Model Collinearity Statistics Keputusan Tolerance VIF
1 (Constant)
Ln.KM .671 1.489 Tidak ada multikolonieritas KI .726 1.377 Tidak ada multikolonieritas Ln.DPR .937 1.067 Tidak ada multikolonieritas CH .711 1.406 Tidak ada multikolonieritas KA .720 1.389 Tidak ada multikolonieritas
Dari tabel 4.14 diatas menunjukkan bahwa semua variabel independen dan kontrol memiliki nilai Tolerance > 0,10 dan VIF < 10. Hasil perhitungan nilai Tolerance juga menunjukkan tidak ada variabel
a. Dependent Variable: Ln.Q
tidak ada korelasi antar variabel independen yang nilainya lebih dari 95%. Maka dapat disimpulkan bahwa model regresi dalam penelitian ini telah terbebas dari masalah multikolonieritas. Hal ini menunjukkan bahwa semua variabel bebas tersebut layak digunakan sebagai prediktor.
c. Uji Heteroskedastisitas
Model regresi yang baik adalah model yang homoskodestisitas atau tidak terjadi heteroskedastisitas. Dalam penelitian ini, uji heteroskedastisitas dilakukan dengan menggunakan analisis grafik scatter plot antara nilai prediksi variabel terikat ZPRED dengan residualnya SRESID. Dari grafik scatter plot terlihat bahwa titik-titik menyebar secara acak diatas maupun dibawah angka 0 pada sumbu Y. Hal ini dapat disimpulkan bahwa tidak terjadi heteroskedastisitas pada model regresi (Ghozali, 2011).
Uji heteroskedastisitas bertujuan untuk mengetahui apakah dalam model regresi terjadi ketidaksamaan varian dari residual satu pengamatan ke pengamatan lain. Model regresi yang baik adalah model regresi yang terbebas dari masalah heteroskedastitisitas. Untuk menentukan heteroskedastisitas dapat menggunakan grafik scatterplot. Hasil uji heteroskedastisitas dengan menggunakan grafik scatterplot di tunjukan pada gambar 4.3 pada halaman berikutnya:
Gambar 4.3
Uji Heteroskedastisitas – Grafik Scatterplot
Sumber: Output SPSS 19
Gambar uji scatterplot diatas menunjukkan bahwa data sampel tersebar secara acak dan tidak membentuk suatu pola tertentu. Data tersebar baik berada di atas maupun di bawah angka 0 pada sumbu Y. Hal ini menunjukkan tidak terdapat heteroskedastisitas dalam model regresi yang digunakan sehingga layak dipakai untuk kemudian dilanjutkan ke pengujian hipotesis.
d. Uji Autokorelasi
Uji Autokorelasi bertujuan untuk menguji apakah dalam suatu model regresi linear ada korelasi antara kesalahan pengganggu pada periode t dengan kesalahan pengganggu pada periode t-1 (sebelumnya) jika terjadi
Uji autokorelasi dilakukan dengan menggunakan uji Durbin Watson (D-W). Pengujian ini bertujuan untuk mengetahui apakah dalam model regresi ditemukan adanya korelasi antara kesalahan pengganggu pada periode tertentu dengan periode sebelumnya. Model regresi yang baik adalah model regresi yang bebas dari masalah autokorelasi. Selengkapnya mengenai hasil uji autokorelasi penelitian dapat dilihat pada tabel 4.15 berikut ini.
Tabel 4.15 Uji Autokorelasi
a. Predictors: (Constant), KA, Ln.DPR, Ln.KM, KI, CH b. Dependent Variable: Ln.Q
Sumber: Output SPSS 19
Dari tabel 4.15 di atas menunjukkan bahwa nilai D-W sebesar 1,615. Dengan jumlah predictors sebanyak 5 buah (k=5) dan sampel sebanyak 140 sampel (n=140), berdasarkan tabel D-W dengan tingkat signifikansi 5%, maka dapat ditentukan nilai (dl) adalah sebesar 1,637 dan (du) adalah sebesar 1,798. Dengan demikian, berdasarkan nilai dl ≤ D-W ≤ du
menunjukkan bahwa tidak terdapat autokorelasi positif. Untuk memperkuat hasil penelitian ini maka digunakan uji run test, di mana gangguan autokorelasi terjadi jika signifikansi di bawah 0,05. Berikut
Model Summaryb Model Change Statistics Durbin-Watson R Square Change F Change df1 df2 Sig. F Change 1 .315 12.343 5 134 .000 1.651
adalah pengujian autokorelasi dengan menggunakan run test pada halaman berikutnya.
Tabel 4.16
Uji Autokorelasi-Run Test Runs Test
Unstandardized Residual Test Valuea -.03634 Cases < Test Value 70 Cases >= Test Value 70 Total Cases 140 Number of Runs 66
Z -.848
Asymp. Sig. (2-tailed) .396 a. Median
Sumber : Output SPSS 19
Dari hasil pengujian yang diperoleh dalam tabel 4.16 menunjukkan nilai test adalah -0,03634 dengan probabilitas 0,396 yang berarti diatas signifikansi 0,05 (0,396 > 0,05). Hal ini menunjukkan bahwa nilai residual acak atau random, sehingga dapat disimpulkan bahwa penelitian ini tidak terjadi autokorelasi antar nilai residual.