METODOLOGI PENELITIAN
3. Variabel Moderating (Moderating Variable)
Variabel moderating dalam penelitian ini adalah Pendanaan dari setiap perusahaan industri food and beverage yang terpilih sebagai sampel. Pendanaan merupakan kemampuan perusahaan dalam memenuhi kewajibannya melalui modal sendiri. Variabel ini diukur dengan menggunakan pengukuran Debt to Equity Ratio (DER). Debt to Equity Ratio (M) mencerminkan kemampuan perusahaan dalam memenuhi seluruh kewajibannya, yang ditunjukkan oleh beberapa bagian modal sendiri yang digunakan untuk membayar hutang. Debt to Equity Ratio
(DER) merupakan rasio hutang terhadap modal, rasio ini mengukur seberapa jauh perusahaan dibayar oleh hutang, dimana semakin tinggi ini menggambarkan gejala yang kurang baik bagi perusahaan. Pengukuran variabel Pendanaan dilakukan dengan menggunakan skala rasio. Rasio Pendanaan ini dihitung dengan rumus:
Total utang
DER = Modal sendiri
Tabel 4.2.
Definisi Operasional Variabel
Jenis Variabel Nama Variabel Definisi Operasional Parameter Skala Pengukuran Independen Profitabilitas (X1) Keuntungan bersih yang mampu diraih oleh perusahaan pada saat menjalankan operasinya. Laba bersih ROA= Total aktiva Rasio Independen Likuiditas (X2) Perbandingan antara saldo kas akhir dengan laba bersih setelah pajak
Saldo kas akhir CP = Laba bersih setelah pajak Rasio Dependen Kebijakan Dividen (Y)
bagian laba yang dibagikan kepada pemegang saham
Dividen kas per lembar saham DPR=
Laba per saham
Rasio
Moderating Pendanaan (M)
Rasio hutang terhadap modal Total Utang DER= Modal sendiri Rasio
4.6 Metode Analisis Data 4.6.1. Analisis Data
Langkah awal sebelum dilakukan uji hipotesis harus dilakukan uji asumsi klasik yang meliputi uji normalitas data, uji multikolinieritas, uji heteroskedastisitas, dan uji Autokorelasi.
a. Uji Normalitas Data
Uji normalitas data dilakukan untuk melihat apakah dalam model regresi, variabel bebas dan variabel terikat memiliki data yang berdistribusi normal atau tidak (Sugiyono, 2006:118). Uji normalitas dapat dilakukan dengan dua cara yaitu
dengan uji statistik Kolmogorov-Smirnov dan grafik normal P Plot. Pada uji normalitas dilakukan dengan uji statistik Kolmogorov-Smirnov, jika signifikansi yang ditunjukkan dalam tabel lebih kecil dari alpha 5 %, maka dikatakan tidak memenuhi asumsi normalitas, sedangkan sebaliknya jika angka signifikansi dalam tabel lebih besar dari alpha 5 %, maka data sudah memenuhi asumsi normalitas (Ghozali, 2009:147).
Uji Normalitas yang dipergunakan dalam penelitian ini analisis grafik normal P Plot dan analisis One Sample Kolmogorov Smirnov. Jika grafik normal plot menunjukkan bahwa titik-titik menyebar di sekitar garis diagonal dan penyebarannya mengikuti arah garis diagonal, maka dapat disimpulkan bahwa model garis regresi memenuhi asumsi normalitas. Pada One Sample Kolmogorov Smirnov, regresi memenuhi asumsi normalitas apabila sigma > 0,05.
b. Uji Multikolinearitas
Uji multikolinearitas bertujuan untuk menguji apakah model regresi ditemukan adanya korelasi antar variabel bebas (independen). Model regresi yang baik seharusnya tidak terjadi korelasi di antara variabel independen (Ghozali, 2009:93).
Salah satu metode yang digunakan untuk mendeteksi adanya multikolonaeritas dalam suatu model regresi yaitu dengan melihat nilai R2 yang tinggi yang dihasilkan oleh suatu estimasi regresi empiris, tetapi secara individual variabel-variabel independen banyak yang tidak berpengaruh secara signifikan terhadap variabel dependen.
Pengujian multikolinearitas pada penelitian ini dilakukan dengan melihat nilai tolerance dan variance inflation factor (VIF). Nilai tolerance yang rendah sama dengan VIF yang tinggi karena VIF = 1 / tolerance. Multikolinearitas terjadi apabila nilai tolerance < 0.10 dan Variance inflation faktor >10.
c. Uji Heteroskesdastisitas
Uji Heteroskedastisitas digunakan untuk menguji apakah dalam model regresi terjadi ketidaksamaan variance dari residual satu pengamatan ke pengamatan yang lain (Ghozali, 2009:125).
Uji heteroskedastisitas dalam penelitian ini dilakukan dengan melihat grafik P-Plot antara nilai prediksi variabel terikat yaitu ZPRED dengan residualnya SRESID. Deteksi tidak adanya heteroskedastisitas dilakukan dengan melihat ada tidaknya pola tertentu pada grafik scatterplot antara ZPRED dan SRESID. Dasar analisis yang digunakan (Ghozali, 2009:125), yaitu:
1. Jika ada pola tertentu, seperti titik-titik yang ada membentuk pola yang teratur (bergelombang, melebar kemudian menyempit), maka telah terjadi heteroskedastisitas.
2. Jika tidak ada pola yang jelas, serta titik-titik menyebar di atas dan di bawah angka 0 pada sumbu Y, maka tidak terjadi heteroskedastisitas.
d. Uji Autokorelasi
Autokorelasi merupakan korelasi antara sesama urutan pengamatan dari waktu ke waktu. Bila terjadi autokorelasi maka penafsiran-penafsiran
tidak lagi efesien yang menyebabkan variabel sampel tidak dapat menggambarkan variabel populasinya.
Uji autokorelasi bertujuan menguji apakah dalam model regresi linier ada korelasi antara kesalahan pengganggu pada periode tertentu dengan kesalahan pengganggu pada periode sebelumnya. Model regresi yang baik adalah regresi yang bebas dari autokorelasi. Pengujian ini akan menggunakan uji Durbin-Watson (DW test) yang mensyaratkan adanya konstanta (intercept) dalam model regresi dan tidak ada variabel lagi di antara variabel independen. Mekanisme pengujian Durbin Watson
menurut Gujarati (2003:190) adalah sebagai berikut: 1. Merumuskan hipotesis :
Ho : tidak ada autokorelasi ( r = 0 ) Ha : ada autokorelasi ( r # 0 )
2. Menentukan nilai d hitung (Durbin Watson).
3. Untuk ukuran sampel tertentu dan banyaknya variabel independen, menentukan nilai batas atas (du) dan batas bawah (dl) dalam tabel.
4. Mengambil keputusan dengan kriteria sebagai berikut:
a. Jika 0 < d < dl, Ho ditolak berarti terdapat autokorelasi positif.
b. Jika dl £ d £ du, daerah tanpa keputusan (gray area), berarti uji tidak menghasilkan kesimpulan.
d. Jika 4 – du £ d £ 4 – dl, daerah tanpa keputusan (gray area), berarti uji tidak menghasilkan kesimpulan.
e. Jika 4 – dl < d < 4, Ho ditolak berarti terdapat autokorelasi positif.
Sudarmanto (2005:143) menjelaskan bahwa ada atau tidaknya autokorelasi dapat dideteksi dengan menggunakan uji Durbin Watson. Ukuran yang digunakan untuk menyatakan ada atau tidaknya autokorelasi, yaitu apabila nilai statistik Durbin-Watson mendekati angka 2, maka dapat dinyatakan bahwa data pengamatan tidak memiliki autokorelasi yang berarti Ho diterima dan sebaliknya.
Deteksi autokorelasi menurut Santoso (2000:219) dapat juga dilakukan dengan cara :
a. Jika nilai DW lebih kecil dari -2 berarti ada autokorelasi positif.
b. Jika nilai DW terletak antara -2 sampai +2 berarti tidak ada autokorelasi. c. Jika nilai DW lebih besar dari +2 berarti ada autokorelasi positif.
Apabila terjadi autokorelasi, maka dapat diatasi dengan cara : a. Melakukan transformasi data.
b. Menambah data observasi.
4.6.2. Pengujian Hipotesis
Setelah dilakukan uji asumsi klasik terhadap data, selanjutnya dilakukan uji hipotesis. Adapun persamaan yang dipakai dalam untuk membuktikan hipotesis pertama dan kedua penelitian ini adalah sebagai berikut: