BAB IV ANALISIS HASIL PENELITIAN
B. Hasil Penelitian
2. Uji Asumsi Klasik
Analisa dilakukan dengan metode analisa regresi berganda. Sebelum dilakukan uji hipotesis, peneliti akan melakukan uji asumsi klasik. Pengujian ini perlu dilakukan untuk mengetahui apakah distribusi data yang digunakan dalam penelitian sudah normal, serta bebas dari gejala multikolinearitas, heteroskesdastisitas serta autokorelasi. Menurut Ghozali (2005:123) asumsi klasik yang harus dipenuhi adalah berdistribusi normal, non-multikolinearitas, artinya antara variabel independen dalam model regresi tidak memiliki korelasi atau hubungan secara sempurna ataupun mendekati sempurna, non-Autokorelasi, artinya kesalahan pengganggu dalam model regresi tidak saling korelasi, homoskedasitas, artinya variance variabel independen dari satu pengamatan kepengamatan yang lain adalah konstan atau sama.
a. Hasil Uji Normalitas
Pengujian ini dimaksudkan untuk mengetahui apakah dalam model regresi, variabel pengganggu atau residual memiliki distribusi normal. Adapun uji normalitas dapat dilakukan dengan dua cara yaitu analisis garfik dan statistik. Hasil pengujian normalitas dapat dilihat pada grafik 4.1 dan 4.2.
. Gambar 4.1 Uji Normalitas Sumber: Lampiran D Gambar 4.2 Uji Normalitas Sumber: Lampiran D
Analisis grafik dapat digunakan dengan dua alat yaitu grafik histogram dan grafik P-P Plot. Data yang baik adalah data yang memiliki pola distribusi normal.
Pada grafik histogram, data yang mengikuti atau mendekati distribusi normal adalah distribusi data dengan bentuk lonceng. Pada grafik P-P Plot, sebuah data dikatakan berdistribusi normal apabila titik-titik datanya tidak menceng ke kiri atau ke kanan, melainkan menyebar di sekitar garis diagonal. Berikut hasil uji normalitas dengan menggunakan analisis grafik.
Dengan melihat tampilan grafik histogram pada gambar 4.1 diatas kita dapat melihat bahwa gambar grafik berbentuk lonceng dan menceng ke kiri. Hal ini menunjukkan bahwa data tidak terdistribusi secara normal. Pada grafik P-P Plot pada gambar 4.2 diatas terlihat titik-titik menyebar di sepanjang dan menjauhi garis diagonal. Kedua grafik tersebut menunjukkan bahwa model regresi menyalahi asumsi normalitas.
Pengujian normalitas data dengan hanya melihat grafik dapat menyesatkan kalau tidak melihat secara seksama, sehingga kita perlu melakukan uji normalitas data dengan menggunakan statistik agar lebih meyakinkan. Untuk memastikan apakah data di sepanjang garis diagonal berdistribusi normal, maka dilakukan uji Kolmogorov-Smirnov (1 sample KS) dengan melihat data residualnya apakah berdistribusi normal atau tidak. Jika nilai signifikansinya lebih besar dari 0,05 maka data tersebut terdistribusi normal. Jika nilai signifikansinya lebih kecil dari 0,05 maka distribusi data adalah tidak normal. Pengujian normalitas dengan metode statistik ini dapat dilihat pada tabel 4.3 sebagai berikut:
Tabel 4.3 Uji Normalitas
One-Sample Kolmogorov-Smirnov Test
Unstandardized Residual
N 96
Normal Parametersa Mean .0000000
Std. Deviation 3.991649785
Most Extreme Differences Absolute .317
Positive .317
Negative -.221
Kolmogorov-Smirnov Z 3.107
Asymp. Sig. (2-tailed) .000
a. Test distribution is Normal. Sumber: Lampiran D
Hasil uji Kolmogorov-Smirnov pada tabel diatas menujukkan nilai probabilitas = 0.00. Dengan demikian, data pada penelitian ini tidak berdistribusi normal dan tidak dapat digunakan untuk melakukan uji hipotesis karena 0.000 < 0,05.
Pada pengujian normalitas dengan analisis statistik dapat ketahui bahwa data yang digunakan oleh penulis tidak berdistribusi normal sehingga data ini tidak dapat digunakan untuk melakukan uji hipotesis. Pada penelitian ini penulis menggunakan metode transformasi data untuk menormalkan data penelitian. Menurut Gozali (2005:32), “data yang tidak terdistribusi secara normal dapat ditransformasi agar menjadi normal”. Salah satu trasformasi data yang dapat dilakukan adalah dengan mentransformasikan data ke LG10 atau logaritma 10 atau LN. Hasil transformasi data dapat dilihat pada lampiran G di halaman. Setelah dilakukan transformasi, penulis melakukan pengujian ulang terhadap uji normalitas untuk melihat kembali apakah data penelitian ini telah berdistribusi
normal atau tidak. Hasil pengujian normalitas dengan uji grafik dan statistik setelah transformasi dapat dilihat sebagai berikut pada gambar 4.3 dan 4.4 dan table 4.4.:
Gambar 4.3
Uji Normalitas (setelah transformasi) Sumber: Lampiran F
Gambar 4.4
Uji Normalitas (setelah transformasi) Sumber: Lampiran F
Tabel 4.4
Uji Normalitas (setelah transformasi) One-Sample Kolmogorov-Smirnov Test
Unstandardiz ed Residual
N 94
Normal Parametersa Mean .0000000
Std. Deviation .91219273 Most Extreme Differences Absolute .074 Positive .046 Negative -.074 Kolmogorov-Smirnov Z .721
Asymp. Sig. (2-tailed) .675
a. Test distribution is Normal.
Dengan melihat tampilan grafik histogram pada gambar 4.3 diatas kita dapat melihat bahwa gambar grafik berbentuk lonceng dan tidak menceng ke kiri dan kekanan yang menunjukkan bahwa data terdistribusi secara normal. Pada grafik P-P Plot pada gambar 4.4 diatas terlihat titik-titik menyebar di sepanjang dan tidak menjauhi garis diagonal. Kedua grafik tersebut menunjukkan bahwa model regresi tidak menyalahi asumsi normalitas. Hasil uji Kolmogorov-Smirnov pada tabel 4.3 diatas menujukkan nilai probabilitas = 0,675. Dengan demikian, data pada penelitian ini berdistribusi normal dan dapat digunakan untuk melakukan uji hipotesis karena 0,675 > 0,05.
b. Hasil Uji Heteroskedastisitas
Uji Heteroskesdastisitas bertujuan untuk menguji terjadinya perbedaan variance residual suatu periode pengamatan ke periode yang lain. Ghozali (2005:105) Uji Heterokedasitas bertujuan untuk menguji apakah dalam model regresi terjadi ketidaksamaan variance dari residual satu pengamatan ke
pengamatan yang lain. Model regresi yang baik adalah tidak terjadi heterokedasitas. Cara mendeteksi ada tidaknya gejala heterokedasitas adalah dengan melihat grafik scatterplott yang dih asilkan dari pengolahan data menggunakan program SPSS 16. Dasar pengambilan keputusannya menurut Ghozali (2005:105) adalah sebagai berikut:
1) Jika ada pola tertentu, seperti titik-titik yang ada membentuk pola tertentu yang teratur maka mengindikasikan telah terjadi heterokedasitas.
2) Jika tidak ada pola yang jelas, serta titik menyebar dibawah angka o dan y, maka tidak heterokedasitas.
Uji ini dilakukan dengan mengamati pola tertentu pada grafik scatterplot, dimana bila ada titik-titik yang menyebar di atas dan dibawah angka 0 pada sumbu Y serta tidak membentuk pola maka tidak terjadi heteroskesdastisitas.
Gambar 4.5
Uji Heteroskedastisitas (scatterplot) Setelah Tranformasi Sumber: Lampiran G
Pada gambar 4.5 tentang grafik scatterplot diatas terlihat titik-titik menyebar secara acak tidak membentuk sebuh pola tertentu yang jelas serta
tersebar baik diatas maupun dibawah angka nol pada sumbu y. Hal ini berarti tidak terjadi heteroskedastisitas pada model regresi sehingga model regresi layak dipakai untuk melihat pengaruh variabel independen terhadap variabel dependen.
c. Uji Autokorelasi
Uji ini bertujuan untuk melihat apakah dalam suatu model linear ada korelasi antar kesalahan pengganggu pada periode t dengan kesalahan periode t-1 (sebelumnya). Model regresi yang baik adalah yang bebas dari autokorelasi. Masalah autokorelasi umumnya terjadi pada regresi yang datanya time series. Untuk mendeteksi masalah autokorelasi dapat dilakukan dengan menggunakan uji Durbin Watson. Mengacu kepada pendapat Sunyoto (2009:91), Pengambilan keputusan ada tidaknya autokorelasi adalah sebagai berikut:
a. angka D-W dibawah -2 berarti ada autokorelasi positif,,
b. angka D-W diantara -2 sampai +2 berarti tidak ada autokorelasi, c. angka D-W di atas +2 berarti ada autokorelasi negatif.
Tabel 4.5
Hasil Uji Autokorelasi Setelah Transformasi Model Summaryb Model R R Square Adjusted R Square Std. Error of the Estimate Durbin-Watson 1 .909a .826 .822 .92216 1.624
a. Predictors: (Constant), LN_CFO, LN_EBIT b. Dependent Variable: LN_DIVIDEN_TUNAI Sumber: Lampiran H
Tabel 4.5 memperlihatkan nilai statistik D-W sebesar 1.624 Angka ini terletak di antara -2 sampai +2, dari pengamatan ini dapat disimpulkan bahwa tidak terjadi autokorelasi dalam penelitian ini.
d. Uji Multikolinieritas
Pengujian bertujuan mengetahui ada tidaknya multikolinearitas antar variabel-variabel independen. Model regresi yang baik seharusnya tidak terjadi korelasi antar variabel independen. Deteksi dilakukan dengan melihat nilai VIF (Variable Inflation Factor) dan toleransi. Menurut Ghozali (2005:91) untuk melihat ada atau tidaknya multikolinearitas dalam model regresi dapat dilihat dari:
1) nilai tolerance dan lawannya, 2) variance inflation factor (VIF)
Kedua ukuran ini menunjukkan setiap variabel independen manakah yang dijelaskan oleh variabel independen lainnya. Tolerance mengukur variabilitas variabel independen yang terpilih yang tidak dijelaskan oleh variabel independen lainnya. Jadi, nilai tolerance yang rendah sama dengan nilai VIF yang tinggi (karena VIF=1/tolerance). Nilai cutoff yang umum dipakai untuk menunjukkan adanya multikolinearitas adalah nilai tolerance < 0.01 atau sama dengan VIF>10.
Tabel 4.6
Uji Multikolineritas Setelah Transformasi Coefficientsa Model Unstandardize d Coefficients Standardized Coefficients T Sig. Collinearity Statistics B Std.
Error Beta Tolerance VIF
1 (Constant) -.906 .586 -1.546 .126 LN_EBIT .457 .083 .464 5.535 .000 .271 3.688 LN_CFO .507 .089 .480 5.717 .000 .271 3.688 a. Dependent Variable: LN_DIVIDEN_TUNAI Sumber: Lampiran I
Berdasarkan tabel 4.6 diatas dapat dilihat bahwa tidak ada satupun variabel bebas yang memiliki nilai VIF lebih dari 10 dan tidak ada yang memiliki tolerance value lebih kecil dari 0,1. Jadi dapat disimpulkan bahwa penelitian ini bebas dari adanya multikolinearitas. Dari hasil uji ini maka dapat disimpulkan bahwa semua variabel bebas yang dipakai dalam penelitian ini lolos uji gejala multikolinearitas.
3. Pengujian Hipotesis a. Uji Koefisien Determinasi
Nilai yang digunakan untuk melihat uji koefisien determinasi yang adalah nilai Adjusted R2 pada intinya mengukur seberapa jauh kemampuan variabel independen dalam menerangkan variasi variabel dependen. Dalam hal ini adjusted R2 digunakan untuk menjelaskan seberapa besar variabel perubahan laba sebelum bunga dan pajak dan arus kas operasi dapat menjelaskan variasi dividen tunai. “Adjusted R2 dianggap lebih baik dari R2 karena nilai adjusted R2 dapat naik atau
turun apabila satu variabel independen ditambahkan kedalam model”(Ghozali, 2005 : 83)). Tabel 4.7 Adjusted R2 Model Summaryb Model R R Square Adjusted R Square Std. Error of the Estimate 1 .909a .826 .822 .92216
a. Predictors: (Constant), LN_CFO, LN_EBIT b. Dependent Variable: LN_DIVIDEN_TUNAI Sumber: Lampiran J
Besarnya Adjusted R2 berdasarkan hasil analisis dengan menggunakan SPSS 16 pada table 4.7 diperoleh sebesar = 0.822. Dengan demikian laba sebelum bunga dan pajak dan arus kas operasi mampu menjelaskan variasi dividen tunai adalah sebesar 82,2%. Sedangkan sisanya sebesar 17.8% adalah dijelaskan oleh faktor lain yang tidak diteliti dalam penelitian ini.
b. Uji Signifikan Simultan (Uji F / ANOVA)
Siginifikansi model regresi secara simultan diuji dengan melihat perbandingan antara F-tabel dan F-hitung. Selain itu dapat dilihat dari nilai signifikansi (sig) atau nilai probabilitas (P-value) dibawah dibawah 0,05 maka variabel independen dinyatakan berpengaruh signifikan terhadap variabel dependen. Uji F digunakan untuk menguji hubungan regresi antar variabel dependen dengan seperangkat variabel independen. Hasil uji simultan dapat dilihat pada tabel 4.8 sebagai berikut:
Tabel 4.8
Hasil Uji Simultan (Uji F) ANOVAb
Model
Sum of
Squares df Mean Square F Sig.
1 Regression 368.031 2 184.015 216.391 .000a
Residual 77.385 91 .850
Total 445.415 93
a. Predictors: (Constant), LN_CFO, LN_EBIT
b. Dependent Variable: LN_DIVIDEN_TUNAI
Sumber: Lampiran K
Pada tabel 4.8 diatas dapat dilihat bahwa nila Sig. uji simultan pada F=216.391 ini adalah sebesar 0.000< α = 0,05. Berdasarkan hasil tersebut maka dapat disimpulkan bahwa laba sebelum bunga dan pajak dan arus kas operasi secara simultan berpengaruh signifikan terhadap perubahan dividen tunai.
c. Uji Signifikan Parsial (Uji t)
Uji parsial digunakan untuk mengetahui hubungan antara variabel-variabel independen terhadap variabel dependen secara parsial (individu). Uji t ini dilakukan dengan membandingkan nilai p-value dari t dengan α. Kesimpulan yang dapat diambil dari uji tini adalah:
a. bila nilai Sig. atau P value dari t masing-masing variabel independen ≥ α =
5%, artinya secara individual variabel independen Xi tidak berpengaruh signifikan terhadap variabel dependen.
b. sebaliknya bila Sig. atau P value dari t masing-masing variabel independen
< α artinya secara individual masing-masing variabel independen Xi berpengaruh secara signifikan terhadap variabel dependen.
Hasil uji parsial ini dapat dilihat pada tabel 4.9 sebagai berikut: Tabel 4.9
Hasil Uji Parsial (uji t) Coefficientsa Model Unstandardized Coefficients Standardized Coefficients T Sig. B Std. Error Beta 1 (Constant) .906 .586 -1.546 .126 LN_EBIT .457 .083 .464 5.535 .000 LN_CFO .507 .089 .480 5.717 .000 a. Dependent Variable: LN_DIVIDEN_TUNAI Sumber: Lampiran L
Pada tabel 4.9 Berdasarkan hasil penelitian diatas dapat diambil kesimpulan bahwa variabel Laba sebelum bunga dan pajak memiliki nilai Sig. atau P Value sebesar 0.000 (lebih kecil dari 0,05). Nilai tersebut menyimpulkan bahwa variabel laba sebelum bunga dan pajak berpengaruh signifikan terhadap dividen tunai pada perusahaan manufaktur yang terdaftar di Bursa Efek Indonesia. Demikian juga nilai P value variabel arus kas operasi adalah sebesar 0.000 (lebih kecil dari 0,05). Hal ini menyimpulkan bahwa arus kas operasi berpengaruh signifikan terhadap dividen tunai pada perusahaan manufaktur yang terdaftar di Bursa Efek Indonesia. Dari tabel 4.9 diatas dapat diperoleh model persamaan regresi berganda sebagai berikut:
Dividen tunai= 0.906 +0.457 laba sebelum bunga dan pajak + 0.507 arus kas operasi
Keterangan:
a. Nilai konstanta adalah 0.906 menunjukkan bahwa jika laba sebelum bunga dan pajak dan arus kas operasi bernilai 0, maka dividen tunai akan meningkat Rp0.906,
b.Nilai koefisien perubahan laba sebelum bunga dan pajak adalah 0.457 artinya setiap kenaikan Rp 1 laba sebelum bunga dan pajak, maka dividen tunai akan meningkat Rp 0.457,
c. Nilai koefisien arus kas operasi adalah 0.507 artinya setiap kenaikan Rp 1 variabel arus kas operasi, maka dividen tunai akan meningkat Rp 0.507.