HASIL PENELITIAN DAN PEMBAHASAN
4.2. Hasil Penelitian
4.2.1. Statistik Deskriptif
4.2.2.2. Uji Multikolinearitas
Masalah-masalah yang mungkin akan timbul pada penggunaan persamaan regresi berganda adalah multikolinieritas, yaitu suatu keadaan di mana antara variabel bebas terdapat korelasi atau suatu variabel bebas merupakan fungsi linier dari variabel bebas lainnya. Adanya Multikolinieritas dapat dilihat dari
variance inflation factor (VIF) dan tolerance, maka apabila VIF melebihi angka 10 atau tolerancekurang dari 0,10 maka dinyatakan terjadi gejala multikolinearitas. Sebaliknya apabila nilai VIF kurang dari 10 atau tolerancelebih dari 0,10 maka dinyatakan tidak terjadi gejala multikolinearitas (Ghozali, 2011)
Tabel 4.3 Uji Multikolinearitas
Coefficientsa
Model
Unstandardized Coefficients Standardized Coefficients
t Sig.
Collinearity Statistics
B Std. Error Beta Tolerance VIF
1 (Constant) 2.253 .766 2.942 .004 LN_ROI .250 .110 .324 2.277 .025 .511 1.955 LN_MVE -.003 .048 -.008 -.067 .946 .748 1.336 LN_CAP .020 .078 .032 .258 .797 .672 1.488 LN_VARRET .023 .216 .011 .105 .916 .972 1.028 LN_GROWTH .208 .077 .286 2.712 .008 .927 1.079 a. Dependent Variable: LN_DPR(t+1)
Sumber : Hasil Penelitian, 2014 (Data Diolah)
Berdasarkan Tabel 4.3 nilai tolerancedan VIF dari variabel ROI adalah sebesar 0,511 dan 1,955. Untuk variabel MVE/BVE adalah sebesar 0,748 dan 1,336.Untuk variabel CAP/MVA sebesar 0.672 dan 1,488.Untuk variabel VARRET sebesar 0,972 dan 1,028.Untuk variabel Growth sebesar 0,927 dan 1,079.Oleh karena itu, dapat disimpulkan bahwa dalam model ini tidak terdapat masalah multikolinearitas antara variabel bebas karena nilai tolerance berada dibawah 1 dan nilai VIF jauh dibawah angka 10.
4.2.2.3. Uji Heteroskedastisitas
Uji heteroskedastisitas bertujuan untuk menguji apakah dalam model regresi terjadi ketidaksamaan variancedari residual satu pengamatan ke
pengamatan yang lain. Model regresi yang baik adalah yang tidak terjadi heteroskedastisitas.Jika titik-titik pada scatter plot tersebut membentuk pola tertentu yang teratur (missal bergelombang, melebar kemudian menyempit), maka dapat diindifikasikan telah terjadi heteroskedastisita. Hasil pengujian heteroskedastisita yang dilakukan pada penelitian ini dapat dilihat pada Gambar 4.3 berikut ini:
Sumber : Hasil Penelitian, 2013 (Data Diolah) Gambar 4.3 Scatterplot
Berdasarkan scatterplot terlihat bahwa titik-titik menyebar secara acak serta tersebar di atas maupun di bawah angka 0 pada sumbu Y. maka dapat disimpulkan bahwa dalam model regresi ini tidak terjadi heteroskedastisitas.
Adapun pengujian untuk melihat ada atau tidaknya heteroskedastisitas dapat dilihat dengan uji Glejserantara lain prediksi variabel dependen menjadi (absUt). Hal ini terlihat dari probabilitas signifikannya di atas tingkat kepercayaan 0.05 jadi disimpulkan model regresi ini tidak terjadi heteroskedastisitas. Hasil pengujian heteroskedastisitas dengan uji Glejser dapat dilihat pada Tabel 4.4 sebagai berikut:
Tabel 4.4 Uji Glejser Coefficientsa Model Unstandardized Coefficients Standardized Coefficients t Sig. B Std. Error Beta 1 (Constant) .481 .514 .935 .353 LN_ROI .019 .074 .038 .252 .802 LN_MVE -.013 .032 -.049 -.394 .694 LN_CAP -.065 .052 -.164 -1.243 .218 LN_VARRET .087 .145 .066 .597 .552 LN_GROWTH -.038 .052 -.082 -.731 .467
a. Dependent Variable: absut
Sumber: Hasil Penelitian, 2014 (Data Diolah)
Berdasarkan Tabel 4.4 terlihat bahwa nilai signifikansinya di atas tingkat kepercayaan 0.05 maka dapat disimpulkan bahwa dalam pengujian ini tidak terjadi heteroskedastisitas.
4.2.1.4 Uji Autokorelasi
Uji Autokorelasi bertujuan untuj menguji apakah dalam model regresi linier ada korelasi antara kesalahan pengganggu pada periode t dengan kesalahan pengganggu pada periode t-I (sebelumnya).Jika terjadi korelasi maka dinamakan ada problem autokorelasi. Adapun uji yang dapat digunakan untuk mendeteksi adanya penyimpangan asumsi klasik ini adalah uji Durbin-Watson (D-W stat dengan ketentuan sebagai berikut:
a. Jika nilai D-W dibawah 0 sampai 1,5 berarti ada autokorelasi positif b. Jika nilai D-W diantara 1,5 sampai 2,5 berarti tidak ada autokorelasi c. Jika nilai D-W diatas 2,5 sampai 4 berarti ada autokorelasi negatif
Tabel 4.5 Uji Autokorelasi Mo d e l S u m m a ryb Model R R Square Adjusted R Square Std. Error of the Estimate Durbin-Watson 1 .390 .152 .100 .63515 2.240
c. Predictors : (Constant), LN_GROWTH, LN_MVE, LN_VARRET, LN_CAP, LN_ROI d. Dependent Variable: LN_DPR(t+1)
Sumber : Hasil Penelitian, 2013 (Data Diolah)
Berdasarkan Tabel 4.5 diketahui bahwa nilai Durbin Watson adalah sebesar 2,151. Oleh karena nilai D-W dibawah diantara 1,7011< 2,240< 2,2989 maka tidak ada autokorelasi pada model regresi yang digunakan dalam penelitian ini.
4.2.2. Analisis Regresi Linier Berganda
Pembuatan persamaan regresi berganda dapat dilakukan dengan menginterpretasikan angka-angka yang ada di dalam unstandarlized coefficient betapada Tabel 4.6 berikut ini:
Tabel 4.6 Hasil Analisis Regresi
Coefficientsa Model Unstandardized Coefficients Standardized Coefficients t Sig. B Std. Error Beta 1 (Constant) 2.253 .766 2.942 .004 LN_ROI .250 .110 .324 2.277 .025 LN_MVE -.003 .048 -.008 -.067 .946 LN_CAP .020 .078 .032 .258 .797 LN_VARRET .023 .216 .011 .105 .916 LN_GROWTH .208 .077 .286 2.712 .008 a. Dependent Variable: LN_DPR(t+1)
Berdasarkan Tabel 4.6 pada kolom Unstandardized Coefficients beta
dapat disusun persamaan regresi berganda sebagai berikut:
Y = 2,253 + 0,250X1 - 0,003X2 + 0,020X3 + 0,023X4 + 0,208X5 + e
Dari persamaan regresi maka dapat diinterprestasikan beberapa hal yaitu:
1. Nilai konstanta persamaan adalah sebesar 2,253 yang menunjukkan bahwa apabila semua variabel independen yaitu ROI, MVE, CAP, VARRET, Growth dianggap konstan atau nol, maka nilai dari DividendPayout Ratio(DPR) adalah sebesar 2,369%.
2. Variabel Return on Invesment (ROI) berpengaruh positif terhadap
DividendPayout Ratio (DPR) dengan nilai koefisien sebesar 0,250. Artinya jika ROI naik sebesar 1% maka dividend payout ratio (DPR) akan mengalami kenaikan sebesar 0,250 atau 25% dengan asumsi nilai variabel lain dianggap konstan.
3. Variabel Market to Book Value of Equity (MVE) berpengaruh negatif terhadap Dividend Payout Ratio (DPR) dengan nilai koefisien sebesar -0,003. Artinya jika MVE/BVE naik sebesar 1% maka dividen payout ratio (DPR) akan mengalami penurunan sebesar -0,003 atau -0,3% dengan asumsi nilai variabel lain dianggap konstan.
4. Variabel Capital Additions to Market Value of Assets (CAP) berpengaruh positif terhadap DividendPayout Ratio (DPR) dengan nilai koefisien sebesar 0,020. Artinya jika CAP/MVA naik sebesar 1% maka dividend payout ratio(DPR) akan mengalami kenaikan sebesar 0,020 atau 2% dengan asumsi nilai variabel lain dianggap konstan.
5. Variabel Varriance of Total Return (VARRET) berpengaruh positif terhadapDividend Payout Ratio (DPR) dengan nilai koefisien sebesar 0,023. Artinya jika VARRET naik sebesar 1% maka Dividend Payout Ratio (DPR) akan mengalami kenaikan sebesar 0,023 atau 2,3% dengan asumsi nilai variabel lain dianggap konstan.
6. Variabel Growth berpengaruh positif terhadap Dividen Payout Ratio (DPR) dengan nilai koefisien sebesar 0,208. Artinya jika Growth naik sebesar 1% maka Dividen Payout Ratio (DPR) akan mengalami kenaikan sebesar 0,208 atau 20,8% dengan asumsi nilai variabel lain dianggap tidak konstan.