38 BAB III
METODE PENELITIAN
3.1 Desain Penelitian
Desain penelitian yang digunakan peneliti dengan menggunakan desain
kausal yang berguna untuk menganalisis hubungan antara satu variabel dengan
variabel lainnya atau bagaimana suatu variabel mempengaruhi variabel lainnya
(Umar, 2003: 30).
3.2 Populasi dan Sampel
Populasi adalah sekelompok orang, kejadian atau segala sesuatu yang
mempunyai karakteristik tertentu, sedangkan sampel adalah bagian dari populasi
yang digunakan sebagai objek penelitian. Penelitian ini menggunakan sampel
yang ditentukan dengan menggunakan teknik pengambilan sampel bertujuan
(purposive sampling), yaitu teknik pengambilan sampel dari populasi berdasarkan
suatukriteria tertentu.
Teknik pengambilan sampel dalam penelitian ini menggunakan purposive
sampling yang merupakan teknik penentuan anggota sampel dengan pertimbangan
atau kriteria tertentu. Adapun kriteria dalam penentuan sampel pada penelitian ini
yaitu sebagai berikut:
1. Perusahaan-perusahaan Perdagangan Besar Barang Produksi yang terdaftar
di Bursa Efek Indonesia pada tahun 2009-2011
2. Perusahaan-perusahaan tersebut telah menerbitkan dan mempublikasikan
39
3. Laporan keuangan periode 2009-2011 pada perusahaan-perusahaan
tersebut telah diaudit oleh auditor independen.
4. Perusahaan-perusahaan tersebut membagikan dividen selama periode
pengamatan.
Berikut ini adalah sampel penelitian yang telah dilakukan dengan purposive
sampling yang berjumlah 7 perusahaan adalah sebagai berikut:
Tabel 3.1 Sampel Penelitian
No Nama Perusahaan Kriteria Sampel
1 2 3 4
1 PT AKR Corporindo Tbk √ √ √ √ 1
2 PT Enseval Putera Megatrading Tbk √ √ √ √ 2
3 PT DAYAINDO RESOURCES
INTERNASIONAL Tbk
√ √ √ √ 3
4 PT Perdna Bangun Pusaka Tbk √ √ √ √ 4
5 PT Lautan Luas Tbk √ √ √ √ 5
6 PT Modern Internasional Tbk √ √ √ √ 6
7 PT TIRA AUSTENITE Tbk √ √ √ √ 7
Sumber : Hasil olahan peneliti (2013)
Berdasarkan teknik penarikan sampel tersebut diatas maka dapat
40
dalam penelitian ini berjumlah 7 perusahaan. Adapun perusahaan-perusahaan lain
yang tidak memenuhi kriteria tidak dapat dijadikan sampel dalam penelitian ini.
3.3 Teknik Pengumpulan Data
Teknik pengumpulan data yang digunakan dalam penelitian ini adalah
dokumentasi, yaitu peneliti melakukan pengumpulan data sekunder atau data yang
diperoleh secara tidak langsung atau melalui media perantara yaitu internet
melalui situs Bursa Efek Indonesia dengan melihat laporan keuangan yang
diterbitkan setiap tahunnya baik dalam media cetak maupun data yang di
download dari internet tiap-tiap perusahaan.
3.4 Defenisi Operasional dan Pengukuran Variabel
Variabel-variabel yang digunakan dalam penelitian ini adalah sebagai
berikut:
3.4.1 Variabel Independen
Variabel independen yaitu variabel yang mempengaruhi atau yang menjadi
sebab perubahannya atau timbulnya variabel dependen. Adapun variabel
independen yang digunakan dalam penelitian ini adalah Debt to Total Asset Ratio,
Debt to Equity Ratio, Long Term Debt to Total Asset Ratio, Long Term Debt To
41 3.4.2 Variabel Dependen
“Variabel dependen adalah variabel yang dipengaruhi atau menjadi akibat karena
adanya variabel bebas”. Variabel dependen dalam penelitian ini adalah deviden
pershare (DPS).
Tabel 3.2 Defenisi Operasional
Variabel Definisi Variabel Indikator Skala
Independen :
Variabel Definisi Variabel Indikator Skala
c) Long Term
Debt to
Menunjukkan besarnya
tingkat penggunaan x100%
42
Total Asset
(LDAR)
hutang jangka panjang
dibandingkan dengan
total aset yang dimiliki
43
(Bambang Riyanto,
1995: 269)
Sumber : diolah Peneliti (2013)
3.5 Metode Analisis Data
Metode analisis data dalam penelitian ini menggunakan analisis statistik
dengan menggunakan software SPSS 16. Tahap awal yang dilakukan sebelum
melakukan pengujian hipotesis yaitu asumsi klasik. Pengujian asumsi klasik yang
dilakukan terdiri dari uji normalitas, uji multikilinieritas, uji heteroskedastisitas
dan uji autokorelasi. Untuk pengujian hipotesis, dilakukan analisis uji F dan uji t.
3.6 Pengujian Asumsi Klasik 3.6.1 Uji normalitas data
Uji normalitas bertujuan untuk menguji apakah model regresi, variabel
terikat dan variabel bebas keduanya mempunyai distribusi normal atau tidak.
Model regresi yang baik adalah memiliki distribusi data normal atau mendekati
normal. Metode yang dapat dipakai untuk normalitas antara lain: analisis grafik
dan analisis statistik.
Uji normalitas dalam penelitian ini dilakukan dengan cara analisis grafik.
Normalitas dapat dideteksi dengan melihat penyebaran data (titik) pada sumbu
44
a. Jika data menyebar di sekitar garis diagonal dan mengikuti garis diagonal
atau grafik histogramnya menunjukkan pola distribusi normal (menyerupai
lonceng), regresi memenuhi asumsi normalitas.
b. Jika data menyebar jauh dari garis diagonal dan atau tidak mengikuti arah
garis diagonal atau grafik histogram tidak menunjukkan pola distribusi
normal, maka model regresi tidak memenuhi asumsi normalitas.
3.6.2 Uji multikolinieritas
Uji multikolinieritas bertujuan untuk menguji apakah regresi mempunyai
korelasi antara variabel independen. Menurut Umar (2003: 132) “multikolinieritas
adalah ada tidaknya korelasi yang sempurna atau korelasi yang tidak sempurna
tetapi relatif tinggi pada variabel-variabel bebasnya.
Pengujian multikolonieritas dilakukan dengan melihat nilai VIF antar
variabel independen. Untuk mendeteksi ada atau tidaknya multikolinieritas
didalam model regresi adalah sebagai berikut:
a. Nilai R2 yang dihasilkan oleh suatu estimasi model regresi empiris sangat
tinggi, tetapi secara individual variabel-variabel independen banyak yang
tidak signifikan mempengaruhi variabel dependen.
b. Menganalisis matrik korelasi variabel-variabel independen. Jika antar
variabel independen ada korelasi yang cukup tinggi (umumnya di atas
0.90), maka hal ini merupakan indikasi adanya multikolonieritas. Tidaknya
adanya korelasi yang tinggi antar variabel independen tidak berarti bebas
45
c. Multikolonieritas dapat juga dilihat dari nilai tolerance dan lawannya serta
variance inflation (VIF). Kedua ukuran ini menunjukkan setiap variabel
independen manakah yang dijelaskan oleh variabel independen lainnya
(Ghozali, 2006: 91).
3.6.3 Uji Heteroskedastisitas
Uji heteroskedastisitas bertujuan untuk melihat apakah dalam model
regresi terjadi ketidaksamaan variance dari residual satu pengamatan ke
pengamatan lain (Ghazali, 2006: 105). Suatu model yang baik adalah
homoskedastisitas atau tidak terjadi heteroskedastisitas.
Menurut Ghazali (2006: 105) cara memprediksinya adalah jika pola
gambar scatterplot model tersebut adalah:
a. Titik - titik data menyebar diatas dan dibawah atau sekitar angka 0
b. Titik - titik data tidak mengumpul hanya diatas atau dibawah saja
c. Penyebaran titik-titik data tidak boleh membentuk pola bergelombang
melebar kemudian menyempit dan melebar kembali
d. Penyebaran titik-titik data sebaiknya tidak berpola
3.6.4 Uji Autokorelasi
Uji 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
46
Adapun uji yang dapat digunakan untuk mendeteksi adanya penyimpangan
asumsi klasik ini adalah uji Durbin Watson (DW). Untuk melihat ada atau
tidaknya autokorelasi dilihat dari tabel sebagai berikut:
Tabel 3.3
Tabel Pengambilan Keputusan Ada Tidaknya Autokorelasi
Hipotesis Nol Keputusan Jika
Tidak ada autokorelasi positif Tolak 0 < d < dl
Tidak ada autokorelasi positif No decision dl ≤ d ≤ du
Tidak ada korelasi negative Tolak 4 – dl < d < 4
Tidak ada korelasi negative No decision 4 –du ≤ d ≤ 4 – dl
Tidak ada autokorelasi positif
atau negative
Tidak ditolak du < d < 4 – du
Sumber: Ghozali, 2006: 96
3.7 Pengujian Hipotesis Peneliti
Pengujian hipotesis dalam penelitian ini dilakukan dengan analisis regresi
berganda, uji signifikansi t-test serta uji signifikansi F-test. Menurut Rochaety
(2007: 107)”...dengan uji hipotesis kita memusatkan perhatian pada peluang kita
membuat keputusan yang salah. Hipotesis diterima atau ditolak berdasarkan
informasi yang terkandung dalam sampel tetapi menggambarkan keadaan
47 3.7.1 Analisis regresi berganda
Regresi berganda bertujuan untuk menghitung besarnya pengaruh dua atau
lebih variabel terkait dan memprediksi variabel terkait dengan menggunakan dua
atau lebih variabel bebas”. Model persamaannya adalah sebagai berikut:
Y= a+b1X1+b2X2+b3X3+b4X4+b5X5+e
Keterangan :
Y = variabel dependen yaitu rentabilitas yang diukur dengan rasio
deviden pershare (DPS).
a = intercept/koefisienn yang menyatakan perubahan rata-rata variabel
dependen untuk setiap varibel independen sebesar satu atau yang
disebut konstanta.
b1,b2,b3,b4,b5 = angka arah atau koefisien regresi yang menunjukkan angka
peningkatan ataupun penurunan variabel dependen yang didasarkan
pada variabel independen. Bila b (+) maka terjadi kenaikan pada
variabel dependen, bila b (-) maka akan terjadi penurunan pada
variabel dependen dalam hal ini rentabilitas yang diukur dengan
rasio return on asset (ROA).
X1 = Debt to Total Asset Ratio(DAR
X2 = Debt to Equity Ratio (DER)
X3 = Long Term Debt to Total Asset Ratio(LDAR)
X4 = Long Term Debt To Equity Ratio (LDER)
X5 = Riturn of Equity (ROE)
48 3.7.2 Uji signifikasi simultan (F-test)
Pengujian hipotesis secara simultan dilakukan dengan uji F. Menurut
Ghazali (2006: 84) “uji statistik F pada dasarnya menunjukkan apakah semua
variabel independen atau bebas yang dimasukkan dalam model mempunyai
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 Fhitung < Ftabel dan signifikansi > 5 % H0 diterima
Jika Fhitung > Ftabel dan signifikansi < 5 % Ha diterima
3.7.2 Uji signifikasi parsial (t-test)
Menurut Ghazali (2006: 84) “uji statistik t pada dasarnya menunjukkan
seberapa jauh pengaruh satu variabel penjelas/independen secara individual dalam
menerangkan variabel dependen”. Uji t merupakan suatu cara untuk mengukur
apakah suatu variabel independen bukan merupakan penjelas yang signifikan
terhadap variabel dependen. Dalam pengujian ini dilakukan dengan menghitung
serta membandingkan t hitung dengan t tabel yaitu dengan ketentuan sebagai
berikut:
Jika t hitung < t tabel dan signifikansi > 5 % H0 diterima
49 BAB IV
ANALISIS HASIL PENELITIAN
4.1. Hasil Penelitian
4.1.1. Deskripsi Data Statistik
Menurut Sugiyono (2004:142), statistik deskriptif adalah statistik yang digunakan untuk menganalisa data dengan cara mendeskripsikan atau menggambarkan data yang telah terkumpul sebagaimana adanya tanpa bermaksud membuat kesimpulan yang berlaku untuk umum atau generalisasi.
Menurut Ghozali (2005: 19), statistik deskriptif memberikan gambaran atau deskripsi suatu data yang dilihat dari nilai rata-rata (mean), standar deviasi, varian, maksimum, minimum, sum, range, kurtosis, dan skewness (kemencengan distribusi). Gambaran statistik seluruh sampel dapat dilihat dari tabel 4.1
Tabel 4.1
Descriptive Statistics Sumber: hasil pengelohan SPSS (2013)
Descriptive Statistics
N Minimum
m
Maximum
M
Mean Std. Deviation
50
Berikut ini perincian data deskreptif yang telah diolah:
a. Variabel DAR memiliki nilai minimum 0,15; nilai maksimum 0,76; nilai
rata-rata 0,5548 dengan standar deviasi sebesar 0,16397 dan jumlah
observasi sebanyak 21 sampel.
b. Variabel DER memiliki nilai minimum 0,15; nilai maksimum 3,24; nilai
rata-rata 1,4986 dengan standar deviasi sebesar 0,87624 dan jumlah
observasi sebanyak 21 sampel.
c. Variabel LDAR memiliki nilai minimum 0,01; nilai maksimum 0,26; nilai
rata-rata 0,1195 dengan standar deviasi sebesar 0,07433 dan jumlah
observasi sebanyak 21 sampel.
d. Variabel LDER memiliki nilai minimum 0,02; nilai maksimum 0,89; nilai
rata-rata 0,3190 dengan standar deviasi sebesar 0,26353 dan jumlah
observasi sebanyak 21 sampel.
e. Variabel ROE memiliki nilai minimum 0,01; nilai maksimum 0,64; nilai
rata-rata 0,1214; dengan standar deviasi sebesar 0,13339; dan jumlah
observasi sebanyak 21 sample
f. Variabel DPS memiliki nilai minimum 3,09; nilai maksimum 595,20;
nilai rata-rata 95,1533 dengan standar deviasi sebesar 122,30921 dan
51 4.1.2 Uji Asumsi Klasik
4.1.2.1 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: data residual berdistribusi normal
Ha: data residual tidak berdistribusi normal
Apabila signifikansi lebih besar dari 0,05 maka H0 diterima, sedangkan jika
52 Tabel 4.2
Hasil Uji Normalitas
Berdasarkan hasil uji statistik dengan model Kolmogorov-Smirnov seperti
yang terdapat dalam tabel 4.2 dapat disimpulkan bahwa besarnya nilai Kolmogrov
– Smirnov sebesar 0,681 dan signifikan lebih dari 0,05 karena Asymp. Sig.
(2-tailed) 0,742 > dari 0,05. Nilai signifikansi lebih besar dari 0,05 maka H0
diterima atau Ha ditolak yang berarti data residual telah berdistribusi normal.
Dengan demikian, secara keseluruhan dapat disimpulkan bahwa nilai-nilai
observasi data telah terdistribusi secara normal dan dapat dilanjutkan dengan uji
One-Sample Kolmogorov-Smirnov Test
Unstandardized Residual
N 21
Normal Parametersa,,b Mean .0000000
Std. Deviation 31.37386009
Most Extreme Differences Absolute .149
Positive .081
Negative -.149
Kolmogorov-Smirnov Z .681
Asymp. Sig. (2-tailed) .742
a. Test distribution is Normal. b. Calculated from data.
53
asumsi klasik lainnya. Untuk lebih jelas, berikut ini turut dilampirkan grafik
histrogram dan plot data yang terdistribusi normal.
Gambar 4.1 Histogram
Sumber; Hasil Pengolahan SPSS (2013)
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
P-54
Plot data dalam keadaan normal apabila distribusi data menyebar disekitar
diagonal”.
Gambar 4.2 Grafik Normal P-sPlot
Sumber: Hasil Pengolahan SPSS (2013)
Pada grafik normal plot di atas dapat diketahui bahwa titik-titik menyebar
sekitar garis dan mengikuti garis diagonal sehingga dapat disimpulkan bahwa data
55 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
a. Dependent Variable: DPS
Sumber : Hasil Pengolahan SPSS (2013)
Dari data pada tabel 4.4 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 0.01, hal ini
56
sebesar 0,077, LDER dan ROE sebasar 0,932 tidak kurang dari 0,01 dan nilai
VIF DAR sebesar 5.779, DER sebesar 1.836, LDAR sebesar 3.061, LDER 2.976 ,
dan ROE sebesar 1.073 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
57 Gambar 4.3
Hasil Uji Heteroskedastisitas
Sumber; Hasil Pengolahan SPSS (2013)
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 rentabilitas pada
perusahaan perdagangan besar barang produksi yang terdaftar di burda efek
indonesia berdasarkan masukan variabel independen DAR, DER, LDAR,
58 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
sectional).
Tabel 4.5
Hasil Uji Autokorelasi
Model Summaryb
Model R R Square Adjusted R Square
Std. Error of the
Estimate Durbin-Watson
1 .967a .934 .912 36.22741 2.580
a. Predictors: (Constant), ROE, LDER, DAR, DER, LDAR
b. Dependent Variable: DPS
Sumber: Hasil Pengolahan SPSS (2013)
Dari table di atas menunjukkan bahwa nilai statistic Durbin Watson (DW)
sebesar 2,580. Nilai ini akan di bandingkan dengan nilai tabel dengan
mnggunakan taraf signifikansi 5%, jumlah sample (n) =21 dan jumlah variable
independent (k) =5. Maka berdasarkan tabel Durbin Watson didapati nilai batas
atas (du) sebesar 1,9635 dan nilai batas bawah (dl) sebesar 0,8286 .oleh karena
itu, nilai DW lebih besar 1,9635 dan lebih kecil dari 4 - 1,9635 atau dapat di
nyatakan bahwa 1,9635 < 2,580 < 4 - 1,9635 (du < d < 4 - du) .Dengan demikian
59 4.1.3. Pengujian Hipotesis Penelitian
4.1.3.1. Persamaan Regresi
Dalam pengolahan data dengan menggunakan regresi linear, dilakukan
beberapa tahapan untuk mencari hubungan antara variabel dependen dengan
variabel independen.
a. Dependent Variable: DPS
Sumber : Data diolah penulis, 2013
Berdasarkan hasil analisis regresi seperti tertera pada ringkasan tabel 4.4
diatas diperoleh persamaan model regresi yang distandarkan sebagai berikut:
60
Adapun interpretasi dari persamaan di atas adalah:
1. a = 11.903
nilai konstanta ini menunjukkan bahwa apabila tidak ada variabel DAR,
DER, LDAR, LDER (X1 = X2 = X3 = X4 =X5 = 0), maka DPS yang
diberikan adalah 11.903.
2. b1 = 176.688
Koefisien regresi b1 ini menunjukkan bahwa setiap variabel DAR meningkat
satu satuan, maka DPS akan bertambah 176,688 atau 1766,88% dengan
asumsi variabel lain dianggap tetap atau ceteris paribus.
3. b2 = -98.812
Nilai parameter atau koefisien regresi b2 menunjukkan bahwa setiap variabel
DER meningkat satu satuan, maka DPS akan menurun sebesar 98.812 atau
988,12% dengan asumsi variabel lainnya tetap atau sama dengan nol.
4. b3 = -766.468
Nilai parameter atau koefisien regresi b3 menunjukkan bahwa setiap variabel
LDAR meningkat satu satuan, maka DPS akan menurun sebesar -766.468 atau
61
5. b4 =-370.690
Nilai parameter atau koefisien regresi b3 menunjukkan bahwa setiap variabel
LDER meningkat satu satuan, maka DPS akan menurun sebesar -370.690 atau
3706,90 % dengan asumsi variabel lainnya tetap atau sama dengan nol.
6. b5=878.296
Koefisien regresi b4 ini menunjukkan bahwa setiap variabel LDER meningkat
satu satuan, maka DPS akan bertambah 878.296 atau 8782,96% dengan asumsi
variabel lain dianggap tetap atau ceteris paribus.
4.1.3.2. Uji Signifikasi Simultan
Pengujian hipotesis secara simultan dilakukan dengan uji F. Menurut
Ghazali (2006:84) “uji statistik F pada dasarnya menunjukkan apakah semua
variabel independen atau bebas yang dimasukkan dalam model mempunyai
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 Fhitung < F tabel dan signifikansi > 5 % H0 diterima
62 Tabel 4.7
Hasil Uji F
ANOVAb
Model Sum of Squares df Mean Square F Sig.
1 Regression 279504.463 5 55900.893 4.594 .009a
Residual 19686.382 15 1312.425
Total 299190.845 20
a. Predictors: (Constant), ROE, LDER, DAR, DER, LDAR b. Dependent Variable: DPS
Sumber: Hasil Pengolahan SPSS (2013)
Berdasarkan hasil perhitungan dengan menggunakan program SPSS
tersebut, dapat disimpulkan bahwa Fhitung sebesar 4.594 dan Ftabel sebesar 2,901
dengan nilai p value sebesar 0,09 lebih besar dari 0,05. Dengan demikian dapat
diketahui bahwa Fhitung > F tabel (4.594> 2,901), Ha diterima dan nilai p value yaitu
0,09 > 0,05 artinya antara DAR, DER, LDAR, LDER, dan ROE memiliki
pengaruh linear terhadap deviden pershare (DPS). Dengan kata lain,
variabel-variabel independen secara bersama-sama mempengaruhi jumlah deviden
pershare secara signifikan.
4.1.3.3. Uji Signifikansi Parsial
Pengaruh setiap variabel independen terhadap variabel dependen yang
63
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: b1,b2,b3 = 0, artinya leverage keuangan yaitu Debt to Total Asset Ratio
(DAR), Debt to Equity Ratio (DER), Long Term Debt to Total
Asset Ratio (LDAR) Long Term Debt To Equity Ratio (LDER)
,dan (ROE) Return of Equity tidak berpengaruh terhadap
deviden pershare (DPS) secara parsial pada perusahaan
perdagangan besar barang produsi yang terdaftar di Bursa Efek
Indonesia.
Ha: b1,b2,b3 ≠ 0, artinya leverage keuangan yaitu Debt to Total Asset Ratio
(DAR), Debt to Equity Ratio (DER), Long Term Debt to Total
Asset Ratio (LDAR) dan Long Term Debt To Equity Ratio
(LDER) ,dan (ROE) Return of Equity berpengaruh terhadap
deviden pershare (DPS) secara parsial pada perusahaan
perdagangan besar barang produksi yang terdaftar di Bursa
Efek Indonesia
Kriteria:
H0 diterima dan Ha ditolak jika t hitung < t tabel untuk α = 5%
64
a. Dependent Variable: DPS
Sumber: Hasil pengolahan SPSS (2013)
Berdasarkan hasil pengujian secara parsial dapat disimpulkan bahwa:
- Pengaruh debt to total asset ratio (DAR) terhadap deviden pershare
dengan menggunakan SPSS diperoleh thitung sebesar 2,488 dan ttabel 1,729
dengan nilai p value 0,158. Karena thitung > ttabel (2,488 > 1,729) dan nilai p
value 0,158 > 0,05 dapat disimpulkan bahwa Ha diterima. Hal ini
menunjukkan bahwa ada pengaruh positif dan signifikan DAR terhadap
65
- Pengaruh debt to equity ratio yang diukur dengan menggunakan DER
melalui program SPSS diperoleh thitung sebesar -3,107 dan ttabel 1,729
dengan nilai p value 0,007 dan nilai p value 0,007 < 0,05. Karena thitung <
ttabel (-3,107 < 1,729) maka dapat disimpulkan bahwa H0 diterima. Hal ini
menunjukkan bahwa DER tidak berpengaruh secara parsial terhadap
deviden pershare.
- Pengaruh long term debt to total asset ratio terhadap deviden pershare
dengan menggunakan SPSS diperoleh thitung sebesar -1,936 dan ttabel 1,729
dengan nilai p value 0,071. Karena thitung < ttabel (-1,936 < 1,729) dan nilai p
value 0,071 > 0,05 dapat disimpulkan bahwa H0 diterima. Hal ini
menunjukkan bahwa tidak ada pengaruh yang signifikan LDAR terhadap
deviden pershare.
- Pengaruh long term debt to total equity ratio terhadap deviden pershare
dengan menggunakan SPSS diperoleh thitung sebesar 2,463 dan ttabel 1,729
dengan nilai p value 0,026. Karena thitung > ttabel (2,463 > 1,729) dan nilai p
value 0,026 > 0,05 dapat disimpulkan bahwa Ha diterima. Hal ini
menunjukkan bahwa ada pengaruh positif dan signifikan LDER terhadap
deviden pershare.
- Pengaruh ROE terhadap deviden pershare dengan menggunakan SPSS
diperoleh thitung sebesar 13.962 dan ttabel 1,729 dengan nilai p value 0,000.
Karena thitung > ttabel (13.962 > 1,729) dan nilai p value 0,000 < 0,05 dapat
disimpulkan bahwa Ha diterima. Hal ini menunjukkan bahwa ada pengaruh
66 4.2. Pembahasan Hasil Penelitian
Dari hasil pengujian, dapat disimpulkan DAR, DER, LDAR, LDER dan
ROE berpengaruh terhadap deviden pershare signifikansi secara simultan, yang
ditunjukkan dengan Fhitung > F tabel (4,594 > 2,901) maka Ha diterima dan H0
ditolak, dengan tingkat signifikansi (0,09 > 0,05) artinya antara debt to total asset
ratio, debt to equity ratio, long term debt to total asset ratio, long term debt to
equity ratio dan return of equity memiliki pengaruh linear terhadap deviden
pershare (DPS) Dengan kata lain, variabel-variabel independen secara
bersama-sama mempengaruhi jumlah deviden pershare secara signifikan.
Variabel Debt to Asset Ratio (DAR) dari hasil uji t yang telah dilakukan
dapat disimpulkan bahwa pada sektor perdagangan besar barang produksi selama
periode penelitian, pembiayaan aktiva yang dilakukan dengan hutang tidak
memberikan pengaruh terhadap deviden pershare (DPS). Peningkatan maupun
penurunan penggunaan hutang untuk membiayai aktiva akan mempengaruhi
kemampuan pembagian deviden. Keadaan ini dapat dilihat dari hasil regresi yang
menunjukkan bahwa nilai t hitung DAR lebih besar dari t table sebesar (2,488 >
1,729) dengan nilai signifikansi sebesar 0,158 (signifikan) yang berarti secara
parsial variabel DAR berpengaruh terhadap deviden pershare (DPS).
Debt to Equity Ratio (DER) memiliki thitung < ttabel (-3,107 < 1,729). Hal ini
menunjukkan bahwa t-hitung sebesar -3,107 lebih kecil dari t-tabel sebesar 1,729
sehingga H0 diterima dan Ha ditolak dimana artinya, debt to equity ratio tidak
berpengaruh terhadap deviden pershare (DPS) secara parsial pada perusahaan
67 Long term debt to total asset ratio memiliki thitung < ttabel (-1,936 < 1,729).
Hal ini menunjukkan bahwa t-hitung sebesar -1,936 lebih kecil dari t-tabel
sebesar 1,729 sehingga H0 diterima dan Ha ditolak dimana artinya, Long term
debt to total asset ratio tidak berpengaruh terhadap deviden pershare (DPS)
secara parsial pada perusahaan perdagangan besar barang produksi yang terdaftar
di Bursa Efek Indonesia.
Long term debt to total equity ratio memiliki thitung > ttabel (2,463 > 1,729).
Hal ini menunjukkan bahwa t-hitung sebesar 2,463 lebih besar dari t-tabel sebesar
1,729 sehingga Ha diterima dan H0 ditolak dimana artinya, Long term debt to total asset ratio berpengaruh terhadap deviden pershare (DPS) secara parsial pada
perusahaan perdagangan besar barang produksi yang terdaftar di Bursa Efek
Indonesia.
Return of Equity memiliki thitung > ttabel (13.962 > 1,729). Hal ini
menunjukkan bahwa t-hitung sebesar 13.962 lebih besar dari t-tabel sebesar 1,729
sehingga Ha diterima dan H0 ditolak dimana artinya, Return of Equity
berpengaruh terhadap deviden pershare (DPS) secara parsial pada perusahaan
68 BAB V
KESIMPULAN DAN SARAN
5.1 Kesimpulan
Berdasarkan hasil analisis data dan pembahasan yang telah dikemukakan
dalam bab empat, maka kesimpulan yang dapat diambil dari penelitian ini adalah
pengaruh Debt to Total Asset Ratio (DAR), Debt to Equity Ratio (DER), Long
Term Debt to Total Asset Ratio (LDAR) Long term debt to total equity ratio
(LDER) dan (ROE) Return of Equity terhadap deviden pershare (DPS) baik
secara simultan maupun parsial.
1. Secara parsial Variabel Debt to Equity Ratio (DER), Long term debt to
total equity ratio (LDAR) tidak berpengaruh terhadap deviden pershare
(DPS). Ini berarti bahwa variabel DER dan LDAR tidak akan
memberikan informasi yang bermanfaat untuk memprediksi nilai DPS
jika investor hanya terfokus pada berapa bagian dari keseluruhan
kemampuan modal sendiri perusahaan untuk memenuhi seluruh
kewajibannya tanpa memperhatikan faktor lain sehingga investor juga
perlu memperhatikan factor-faktor lainnya yang dapat dijadikan sebagai
alat untuk memprediksi besarnya deviden.
Namun berbeda dengan variabel Debt to Total Equity Ratio (DAR), Long
Term Debt to Total Equity Ratio (LDER) dan Retur of Equity (ROE)
yang berpengaruh signifikan terhadap deviden pershare pada perusahaan
69
Indonesia yang telah diteliti. DER dan LDAR menunjukkan besarnya
tingkat penggunaan hutang jangka panjang dibandingkan dengan total
aset yang dimiliki perusahaan. Dengan berpengaruhnya DAR, LDER dan
ROE maka kedua variable ini dapat memberikan informasi yang
bermanfaat untuk memprediksi deviden.
2. Secara simultan, hasil penelitian ini menunjukkan adanya pengaruh
signifikan antara Debt to Total Asset Ratio (DAR), Debt to Equity Ratio
(DER), Long Term Debt to Total Asset Ratio (LDAR) dan Long term
debt to total equity ratio (LDER) dan Retur of Equity (ROE) terhadap
deviden pershare (DPS). Hasil ini menunjukkan bahwa variabel –
variabel independen tersebut sebagai alat analisis keuangan dapat
digunakan dalam memprediksi deviden pershare (DPS) khususnya pada
perusahaan perdagangan besar barang produksi yang terdaftar di Bursa
Efek Indonesia.
6.2. Keterbatasan Penelitian
Penelitian ini memiliki keterbatasan, antara lain:
1. Sampel yang digunakan hanya perusahaan perdagangan besar barang
produksi di bursa Efek Indonesia, sehingga tidak diketahui bagaiman
pengaruh variabel independen terhadap variabel dependen pada
perusahaan lain selain perusahaan perdagangan besar barang produksi lain
70
2. Peneliti hanya menggunkan rasio perputaran modal kerja, Debt to Total Asset
Ratio (DAR), Debt to Equity Ratio (DER), Long Term Debt to Total Asset Ratio
(LDAR), Long term debt to total equity ratio (LDER), Return of Equity (ROE)
dan deviden pershare (DPS) untuk mengukur variabel independen dan dependen
sedangkan rasio lain tidak dimasukan dalam penelitian.
5.3 Saran
Dari hasil analisis yang telah dilaksanakan dan berdasarkan kesimpulan
diatas maka penulis mencoba memberikan saran sebagai berikut:
1. Untuk penelitian selanjutnya dapat di lakukan dengan menambah
sample yang lebih banyak dengan karateristik yang lebih beragam dan
tahun pengamatan dengan periode yang lebih panjang, sehingga dapat
di ambil keputusan yang lebih baik.
3. Penelitian ini dapat digunakan sebagai dasar penelitian selanjutnya
dengan menambah variabel independen dan jumlah perusahaan yang
mempengaruhi dividen pershare, sehingga dalam penelitian yang baru
tersebut lebih mampu menjelaskan variabel yang mempengaruhi
