ANALISIS HASIL PENELITIAN
4.1.2 Uji Asumsi Klasik .1 Uji Normalitas Data.1 Uji Normalitas Data
Uji normalitas bertujuan untuk mengetahui apakah dalam model regresi, variabel pengganggu atau residual memiliki distribusi normal serta untuk menghindari bias dalam model regresi. Penggujian normalitas dalam penelitian ini menggunakan uji statistik non-parametik Kolmogorov-Sminov (K-S), dengan membuat hipotesis:
H0
H
: data residual berdistribusi normal
a
Apabila signifikansi lebih besar dari 0,05 maka diterimaH : data residual tidak berdistribusi normal
a, sedangkan jika nilai signifikansi lebih kecil dari 0,05 maka H0 diterima.
Hasil Uji Normalitas
One-Sample Kolmogorov-Smirnov Test
Standardized Residual
N 18
Normal Parametersa,b Mean .0000000
Std. Deviation .97014250
Most Extreme Differences Absolute .174
Positive .132
Negative -.174
Kolmogorov-Smirnov Z .737
Asymp. Sig. (2-tailed) .649
a. Test distribution is Normal. b. Calculated from data.
Dari hasil pengelolahan data, diperoleh variabel Laba Akuntansi Per
Saham terdistribusi secara normal dengan nilai signifikan sebesar 0,649 > 0,05
maka H0
Dengan demikian secara keseluruhan dapat disimpulkan bahwa nilai-nilai observasi data telah terdistribusi secara normal dan dapat dilanjutkan dengan uji asumsi klasik lainnya. Untuk lebih jelas berikut ini turut dilampirkan grafik histogram dan plot data yang terdistribusi normal.
Gambar 4.1 Histogram Sumber; Hasil Pengolahan SPSS (2012)
Dengan cara membandingkan antara data observasi dengan distribusi yang mendekati normal, dari grafik histogram di atas dapat disimpulkan bahwa distribusi data normal karena grafik histogram menunjukkan distribusi data mengikuti garis diagonal yang tidak menceng (skewness) kiri maupun menceng kanan.
Demikian pula dengan hasil uji normalitas dengan menggunakan grafik plot. Menurut Ade dkk (2007: 29) “normalitas data dapat menggunakan normal P-Plot data dalam keadaan normal apabila distribusi data menyebar disekitar diagonal”.
Gambar 4.2 Grafik Normal Plot
Sumber: Hasil Pengolahan SPSS (2012)
Pada grafik normal plot terlihat titik-titik menyebar di sekitar garis
diagonal serta penyebarannya agak mendekati dengan garis diagonal sehingga
dapat disimpulkan bahwa data dalam model regresi terdistribusi secara normal.
4.1.2.2 Uji Multikolinieritas
Adanya Multikolinearitas dapat dilihat dari tolerance value atau nilai
variance inflation factor (VIF). Batas dari tolerance value dibawah 0,01 atau nilai
VIF diatas 10, maka terjadi problem multikolinearitas.
Tabel 4.3
Hasil Uji Multikolinieritas
Coefficientsa Model Unstandardized Coefficients Standardized Coefficients T Sig. Collinearity Statistics
B Std. Error Beta Tolerance VIF
(Constant) -2.846 1.690 -1.684 .112
LN_LPS .283 .310 .222 .913 .375 1.000 1.000
Sumber : Hasil Pengolahan SPSS (2012)
Dari data pada tabel 4.3 dapat disimpulkan bahwa tidak terjadi
multikolonieritas dengan dasar nilai VIF untuk setiap variabel independen tidak
ada yang melebihi 10 dan nilai tolerance tidak ada yang kurang dari 0.1, hal ini
dapat dilihat dari nilai tolerance LPS_LN 1,000 tidak kurang dari 0,1 dan nilai
VIF LPS_LN sebesar 1,000, tidak melebihi 10. Maka dapat dilakukan analisis
lebih lanjut dengan menggunakan model regresi berganda.
4.1.2.1.Uji Heteroskedastisitas
Dalam penelitian ini, untuk mendeteksi ada tidaknya gejala
heteroskedastisitas adalah melihat plot grafik yang dihasilkan dari pengolahan
data menggunakan program SPSS. Dasar pengambilan keputusannya adalah:
1) Jika pola tetrtentu, sperti titik-titik yang teratur maka telah terjadi heteroskedastisitas,
2) Jika tidak ada pola tertentu, serta titik-titik yang menyebar tidak tertentu diatas dan dibawah angka 0 pada sumbu Y, maka tidak terjadi heteroskedastisitas.
Berikut ini dilampirkan grafik scatterplot untuk menganalisis apakah terjadi
heterskedastisitas atau terjadi homoskedastisitas dengan mengganti penyebaran
Gambar 4.3
Hasil Uji Heteroskedastisitas
Sumber; Hasil Pengolahan SPSS (2012)
Dari grafik scatterplot terlihat bahwa titik-titik menyebar secara acak serta
tersebar baik diatas maupun di bawah angka 0 pada sumbu Y. Hal ini dapat
disimpulkan bahwa tidak terjadi heteroskedastisitas pada model regresi. Dengan
demikian, model ini layak dipakai untuk memprediksi dividen kas pada
perusahaan perkebunan yang terdaftar di burda efek indonesia berdasarkan
masukan variabel independen LPS.
4.1.2.2.Uji Autokorelasi
Autokorelasi dapat diartikan sebagai korelasi yang terjadi di antara
anggota-anggota dari serangkaian observasi yang berderetan waktu (apabila
datanya time series) atau korelasi antara tempat berdekatan (apabila cross
Tabel 4.4
Hasil Uji Autokorelasi
Model Summaryb Model R R Square Adjusted R Square Std. Error of the Estimate Durbin-Watson 1 .222a .049 -.010 ,57081 1.381 a. Predictors: (Constant), LN_LPS b. Dependent Variable: LN_DPS
Hasil uji autokorelasi diatas menunjukkan nilai R sebesar 0,222
menunjukkan bahwa koralasi yang kecil yaitu 22,2%. Nilai adjust R square
sebesar 0,49 atau 49% mengindikasikan bahwa variasi dari variabel independen
hanya mampu menjelaskan variabel dependen 49%. Durbin –Watson sebesar
1,381, nilai ini akan dibandingkan dengan nilai tabel dengan menggunakan nilai
signifikansi 5% jumlah sampel 18 (n) dan jumlah independen 2 (k=2). Oleh
karena nilai DW 1,381 lebih kecil dari batas (du) 1,539 dan kurang dari 4-1,539
(4-du), maka dapat disimpulkan bahwa tidak ada autokorelasi positif atau negatif.
4.1.3. Pengujian Hipotesi Penelitian
4.1.3.1.Persamaan Regresi
Dalam pengolahan data dengan menggunakan regresi linear, dilakukan
beberapa tahapan untuk mencari hubungan antara variabel dependen dengan
Tabel 4.5 Hasil Analisis Regresi
Coefficientsa Model Unstandardized Coefficients Standardized Coefficients T Sig. B Std. Error Beta (Constant) -2.846 1.690 -1.684 .112 LN_LPS .283 .310 .222 .913 .375 (Constant) -2.846 1.690 -1.684 .112 a. Dependent Variable: LN_DPS Sumber : Data diolah penulis, 2012
Berdasarkan hasil analisis regresi seperti tertera pada ringkasan tabel 4.5
diatas diperoleh persamaan model regresi yang distandarkan sebagai berikut:
Y= −2,846 + 0,283X + e
Adapun interpretasi dari persamaan di atas adalah:
1. a = -2,846
nilai konstanta ini menunjukkan bahwa apabila tidak ada variabel DPS_LN,(= 0), maka rentabilitas yang diberikan adalah -2,846.
2. b1
koefisien regresi b ini menunjukkan bahwa setiap variabel LPS_LN meningkat satu satuan, maka DPS akan bertambah 0,283 atau 28,3% dengan asumsi variabel lain dianggap tetap atau ceteris paribus.
= 0,283
4.1.3.2.Uji Signifikasi Simultan
Pengujian hipotesis secara simultan dilakukan dengan uji F. Menurut
Ghozali (2006: 84) “uji statistik F pada dasarnya menunjukkan apakah semua
pengaruh secara bersama-sama tehadap variabel dependen/terikat”. Uji F
merupakan suatu untuk mengetahui apakah semua variabel independen bukan
merupakan penjelas yang sihnifikan terhadap variabel dependen. Penguji ini
dilakukan dengan menghitung serta membandingkan F hitung dengan F tabel
yaitu ketentuan sebagai berikut:
Jika F hitung < F tabel dan signifikansi > 5 % H0 Jika F
diterima
hitung > F tabel dan signifikansi < 5 % Ha
Tabel 4.6 diterima Hasil Uji F ANOVA Model b
Sum of Squares Df Mean Square F Sig.
1 Regression 1.461 1 1.461 .833 .375a
Residual 28.052 16 1.753
Total 29.512 17
a. Predictors: (Constant), LN_LPS b. Dependent Variable: LN_DPS
Sumber: Hasil Pengolahan SPSS (2012)
Berdasarkan hasil perhitungan dengan menggunakan program SPSS
tersebut, dapat disimpulkan bahwa Fhitung kecil 0,833 dan Ftabel sebesar 3,63 dengan nilai p value sebesar 0,375 jauh lebih besar dari 0,05. Dengan demikian
dapat diketahui bahwa Fhitung < Ftabel ( 0,833 < 3,63), H0 diterima dan nilai p value yaitu 0,375 > 0,05 artinya antara laba akuntansi (LPS) memiliki pengaruh
linear terhadap dividen kas perusahaan (DPS). Dengan kata lain, variabel
4.1.3.3.Uji Signifikansi Parsial
Pengaruh setiap variabel independen terhadap variabel dependen yang
nyata atau signifikan dalam model regresi dapat dilihat dengan melakukan uji t (T
test). Menurut Ghozali (2006:84) “uji statistik t pada dasarnya menunjukkan
seberapa jauh pengaruh satu variabel penjelas atau independen secara individual
menerangkan variabel independen”
Adapun kriteria pengujiannya yaitu:
H0 diterima jika thitung < ttabel
H
dan signifikansi > 0,05
a diterima jika thitung > ttabel
Tabel 4.8 dan signifikansi < 0.05 Hasil Uji t Coefficientsa Model Unstandardized Coefficients Standardized Coefficients T Sig. B Std. Error Beta 1 (Constant) -2.846 1.690 -1.684 .112 LN_LPS .283 .310 .222 .913 .375 a. Dependent Variable: DPS_LN
Sumber: Hasil pengolahan SPSS (2012)
Berdasarkan hasil pengujian secara parsial dapat disimpulkan bahwa:
- Pengaruh laba akuntansi (LPS) terhadap dividen kas perusahaan (DPS) dengan menggunakan SPSS diperoleh thitung sebesar 0,913 dan ttabel 1,746 dengan nilai p value 0,375. Karena thitung < ttabel (0,913 < 1,746) dan nilai p value 0,375 > 0,05 dapat disimpulkan bahwa H0
4.2.Pembahasan Hasil Penelitian
diterima. Hal ini menunjukkan bahwa ada pengaruh positif dan signifikan laba akuntansi terhadap pembagian dividen.
Dari hasil pengujian, dapat disimpulkan bahwa laba akuntansi (LPS)
berpengaruh terhadap dividen kas perusahaan (DPS) secara signifikansi, yang
ditunjukkan dengan F hitung > F tabel ( 0,833 > 3,63) maka H0 diterima dan Ha
Dari hasil pengujian variabel secara parsial, variabel laba akuntansi yang
diukur dengan laba bersih per saham (LPS) berpengaruh signifikan terhadap
dividen kas perusahaan (DPS). Hasil pengujian tersebut diperoleh melalui uji t
dimana t
ditolak, dengan tingkat signifikansi 0,375 (jauh lebih besar dari 0,05) artinya
antara laba akuntansi (LPS) memiliki pengaruh linear terhadap dividen kas
perusahaan (DPS). Dengan kata lain, variabel independen mempengaruhi jumlah
dividen kas perusahaan (DPS) secara signifikan.
hitung < ttabel
Berdasarkan hasil pengujian dengan program SPSS dalam penelitian ini mengenai pengaruh variabel independen yaitu laba akuntansi (LPS) terhadap variabel dependen yaitu dividen kas perusahaan (DPS) baik secara parsial maupun simultan variabel tersebut berpengaruh terhadap pembagian dividen kas perusahaan. Selain berpengaruh, hubungan antara variabel independen dan dependen besar atau erat.
(0,913 < 1,746) dengan tingkat signifikansi 0,375 > 0,05.
BAB V