B. Analisis Hasil Penelitian
1. Analisis Statistik Deskriptif 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 Sugiyono, 2007:142. Deskripsi suatu data dilihat dari nilai rata-rata mean, standar deviasi, maksimum, minimum.
Berikut ini akan dijelaskan hasil statistik deskriptif data keuangan dan variabel penelitian tahun dari tahun 2007 - 2009.
Statistik deskriptif variabel penelitian dari sampel perusahaan selama periode pengamatan 2007 sampai dengan tahun 2009 disajikan pada tabel 4.2
berikut ini :
Tabel 4.2 Statistik Deskriptif Variabel Penelitian
Descriptive Statistics
N Minimum
Maximum Mean
Std. Deviation Laba_Bersi
h 105
48335803 1129800000000 809853909724,6
1 1701714702273,48
7 AKO
105 -
93361429662 1124400000000
907867913386,7 5
1882131590208,92 9
Dividen 105
80000000 3944700000000 312499642910,1 7
712510272096,179 Valid N
listwise 105
Sumber : Hasil olahan peneliti, 2011 Tabel 4.2 menunjukkan hasil ouput SPSS mengenai statistik deskriptif
variabel penelitian tahun 2007-2009 dengan jumlah sampel keseluruhan sebanyak 105 35 perusahaan selama 3 tahun. Dari tabel tersebut, dapat
dijelaskan statistik deskriptif masing-masing variabel bahwa ;
a. Variabel dividen tunai memiliki nilai maksimum sebesar
3.944.700.000.000
artinya dari 105 sampel ini return saham terbesar adalah
3.944.700.000.000
. Nilai minimum sebesar
80.000.000
artinya dari 105 sampel ini dividen tunai terkecil adalah
80.000.000
. Nilai rata-rata mean sebesar
312.499.642.910,17
, hal ini menunjukkan bahwa seluruh perusahaan-perusahaan yang menjadi sampel
mempunyai nilai dividen tunai yang positif. Standar deviasi sebesar
712.510.272.096,179
menunjukkan tidak ada sampel yang memiliki nilai return saham yang bersifat ekstrim. Jumlah sampel yang diolah
sebanyak 105. b. Variabel
laba bersih memiliki nilai maksimum sebesar
11.298.000.000.000
artinya dari 105 sampel ini nilai laba bersih terbesar adalah
11.298.000.000.000
. Nilai minimum sebesar
- 9.342.000.000
artinya dari 105 sampel ini nilai laba bersih terkecil adalah 48335803. Nilai rata-rata mean sebesar
809.853.909.724,61
, hal ini menunjukkan bahwa sebagian besar perusahaan-perusahaan
yang menjadi sampel mempunyai nilai laba bersih yang positif. Standar deviasi sebesar
1.701.714.702.273,487
menunjukkan tidak ada sampel yang memiliki nilai laba bersih yang bersifat ekstrim. Jumlah
sampel yang diolah sebanyak 105 perusahaan. c. Variabel arus kas operasi memiliki nilai maksimum sebesar
11.244.000.000.000
artinya dari 105 sampel ini nilai arus kas operasi terbesar adalah
11.244.000.000.000
. nilai minimum sebesar
-
93.361.429.662
artinya dari 105 sampel ini nilai arus kas operasi terkecil adalah
-93.361.429.662
. Nilai rata-rata mean sebesar
907.867.913.386,75
, hal ini menunjukkan bahwa sebagian besar perusahaan-perusahaan yang menjadi sampel mempunyai nilai arus
kas operasi yang
positif. Standar deviasi sebesar
1.882.131.590.208,929
menunjukkan tidak ada sampel yang memiliki nilai arus kas operasi yang bersifat ekstrim. Jumlah sampel yang
diolah sebanyak 105 perusahaan.
2. Uji Asumsi Klasik a. Uji Normalitas
Pengujian normalitas data dalam penelitian ini menggunakan uji statistik non parametrik Kolmogorov-Smirnov K-S dengan membuat
hipotesis : H
: data residual berdistribusi normal Ha : data residual tidak berdistribusi normal
Apabila nilai signifikansinya lebih besar dari 0,05 maka H diterima,
sedangkan jika signifikansinya lebih kecil dari 0,05 maka H ditolak.
Tabel 4.3 Uji Normalitas Sebelum Data Ditransformasi
One Sample Kolmogorov – Smirnov Test One-Sample Kolmogorov-Smirnov Test
Unstandardized Residual
N 105
Normal Parameters Mean
a,b
-,0000638 Std. Deviation
3,69412766E11 Most Extreme
Differences Absolute
,336 Positive
,336 Negative
-,236 Kolmogorov-Smirnov Z
3,447 Asymp. Sig. 2-tailed
,000 a. Test distribution is Normal.
b. Calculated from data. Sumber : Hasil olahan peneliti, 2011
Dari hasil pengolahan data tersebut, besarnya nilai Kolmogorov- Smirnov adalah 3,447 dan signifikan pada 0,000 maka disimpulkan data
tidak terdistribusi secara normal karena p = 0,000 0,05. Data yang tidak berdistribusi normal dapat disebabkan oleh adanya
data yang outlier, yaitu data yang memiliki nilai yang sangat menyimpang dari nilai data lainnya. Beberapa cara mengatasi data
outlier, yaitu : 1 melakukan transformasi data ke bentuk lainnya,
2 melakukan trimming, yaitu membuang data outlier, 3 melakukan winsorizing, yaitu mengubah nilai data yang outlier
ke suatu nilai tertentu.
Dari ketiga cara di atas, penulis memutuskan untuk melakukan transformasi data terhadap semua variabel menjadi bentuk Logaritma
natural Ln, agar variabel-variabel dalam penelitian ini memenuhi asumsi normalitas. Setelah itu, dilakukan pengujian ulang dengan metode
statistik. Hasil output SPSS pengujian normalitas setelah transformasi data
akan disajikan pada tabel 4.4 berikut ini:
Tabel 4.4 Hasil uji normalitas setelah transformasi
One – Sample Kolmogorov – Smirnov Test One-Sample Kolmogorov-Smirnov Test
Unstandardized Residual
N 94
Normal Parameters Mean
a,b
,0000000 Std. Deviation
1,90738701E5 Most Extreme
Differences Absolute
,137 Positive
,129 Negative
-,137 Kolmogorov-Smirnov Z
1,329 Asymp. Sig. 2-tailed
,058 a. Test distribution is Normal.
Sumber : Hasil olahan peneliti, 2011 Berdasarkan hasil pengujian K-S diatas, nilai K- S yang diperoleh
adalah 1,329, dan signifikan pada 0,058, sehingga dapat disimpulkan bahwa data terdistribusi normal dimana nilai p lebih besar dari 0,05
p=0,058 0,05. Dengan demikian secara keseluruhan bahwa nilai observasi telah terdistribusi normal. Pada grafik histogram, dapat dilihat
bahwa distribusi data tidak menceng skewnes ke kiri atau ke kanan.
Gambar 4.1 Histogram
Pada grafik normal plot, dapat dilihat titik – titik menyebar disekitar garis diagonal dan agak mendekati garis diagonal sehingga dapat
disimpulkan data berdistribusi normal.
Gambar 4.2 Grafik Normal P-Plot
b. Uji Multikolonieritas Dalam penelitian ini, untuk mendeteksi ada tidaknya gejala
multikolonieritas adalah dengan melihat besaran korelasi antara variabel independen dan besarnya tingkat kolonieritas yang masih dapat ditolerir,
yaitu Tolerance 0,10 dan Variance Inflation Factor VIF 10. Berikut disajikan tabel hasil pengujian:
Tabel 4.5 Uji multikolonieritas untuk
LN_RETURN=f labatransform,AKOtransform
Coefficients
a
Model Collinearity Statistics
Tolerance VIF
1 Constant
AKOtransform ,112
8,893 Labatransform
,112 8,893
a. Dependent Variable: Dividentransform
Sumber : Hasil olahan peneliti, 2011 Hasil pengujian menunjukkan angka tolerance untuk AKOtransform
lebih besar dari 0,1 0,112 0,1, labatransform lebih besar dari 0,1 0,112 0,1. Angka VIF untuk AKOtransform lebih kecil dari 10
8.893 10 labatransform lebih kecil dari 10 8.893 10 . Berdasarkan hasil pengujian tersebut diperoleh kesimpulan tidak
terdapat multikolonieritas. Hasil ini menunjukkan tidak ada hubungan antar variabel bebas independen.
Tabel 4.6 Cofficient correlations
Coefficient Correlations
a
Model labatransfor
m AKOtransfor
m 1
Correlations Labatransform 1,000
-,942 AKOtransfor
m -,942
1,000 Covariances Labatransform
,008 -,007
AKOtransfor m
-,007 ,007
a. Dependent Variable: Dividentransform Sumber : Hasil olahan peneliti, 2011
Dari tabel di atas dapat dilihat tingkat korelasi antar variabel bebas, yaitu tingkat korelasi antar variabel bebas antara labatransform terhadap
AKOtransform menunjukkan angka -0,942 atau -94,2, tingkat ini masih jauh dibawah 95 . Berdasarkan hasil perhitungan tersebut dapat
dibuktikan bahwa tidak terdapat korelasi antar variabel bebas atau tidak terdapat multikolonieritas.
c. Uji Heterokedastisitas Untuk pengujian heteroskedastisitas, penulis menggunakan alat
analisis grafik Scatterplot. Pada analisis grafik Scatterplot, deteksi ada tidaknya heteroskedastisitas dapat dilakukan dengan melihat jika tidak
ada pola tertentu pada grafik Scatterplot maka tidak terjadi heteroskedastisitas dengan kata lain homoskedastisitas. Hasil pengujian
dapat ditunjukkan grafik scatterplot antara ZPRED dan SRESID sebagai berikut.Dari grafik scatterplot terlihat bahwa titik-titik menyebar secara
acak serta tersebar baik di atas maupun di bawah angka nol pada sumbu Y. Maka dapat disimpulkan bahwa tidak terjadi heteroskedastisitas pada
persamaan regresi.
Gambar 4.3 Grafik Scatterplot
d. Uji Autokorelasi Uji ini bertujuan untuk menganalisis apakah dalam model regresi
linier ada korelasi antara kesalahan pengganggu pada periode t dengan tingkat kesalahan pada periode t-1. Autokorelasi muncul karena
observasi yang berurutan sepanjang tahun yang berkaitan satu dengan yang lainnya, hal ini sering ditemukan pada time series. Metode yang
digunakan penulis telah diungkapkan dalam bab tiga. Hasil pengujian pada tabel memperlihatkan nilai statistik Durbin –
Watson sebesar 1,925. Nilai ini akan dibandingkan dengan nilai tabel Durbin – Watson dengan nilai signifikan 5 , jumlah sampel = 94,
jumlah variabel independen 2 k=2, maka di tabel Durbin – Watson akan didapat nilai dl = 1,6211 dan du = 1,7078. Nilai DW sebesar 1,925
terletak diatas batas atas du lebih kecil dari 2,9222 4 – 1,7078, maka diperoleh kesimpulan tidak ada autokorelasi.
Tabel 4.7 Hasil Uji Autokorelasi
Model R
R Square
Adjusted R Square
Std. Error of the
Estimate Durbin-Watson
1 ,906
,820
a
,816 1,92823
1,925 a. Predictors: Constant, labatransform, AKOtransform
b. Dependent Variable: Dividentransform Sumber : Hasil olahan peneliti, 2011
3. Pengujian Hipotesis Hasil uji asumsi klasik memperlihatkan data observasi tidak memenuhi
asumsi normalitas, kemudian dilakukan transformasi ke dalam bentuk Logaritma natural Ln. Sehingga persamaan yang baru memenuhi asumsi
klasik dan dapat dianalisis lebih lanjut untuk pengujian hipotesis. Penulis menggunakan analisis regresi berganda untuk melakukan pengujian hipotesis
dengan bantuan program SPSS 18.
a. Persamaan Regresi
Analisis Hasil Regresi Tabel 4.8
Coefficients
a
Model Unstandardized
Coefficients Standardized
Coefficients t
Sig. Collinearity
Statistics B
Std. Error Beta
Toleranc e
VIF 1 Constant
8638,34 5
28849,741 ,299 ,765
AKOtransfor m
-,141 ,085
-,220 -
1,659 ,101
,112 8,893 labatransform
,727 ,087
1,110 8,368 ,000 ,112 8,893
a. Dependent Variable: Dividentransform Sumber : Hasil olahan peneliti, 2011
Berdasarkan tabel di atas, di dapatlah persamaan regresi sebagai berikut : LN_RETURN = 8638,345 – 0,141 AKOtransform + 0,727 labatransform
Keterangan :
1 Konstanta sebesar
8638,345
menunjukkan bahwa apabila tidak ada variabel independen AKOtransform dan labatransform maka tingkat
dividen tunai sebesar
8638,345
. 2
β1 sebesar -0,141 menunjukkan bahwa setiap penambahan AKOtransform sebesar 1 akan diikuti oleh penurunan dividen tunai
sebesar 14,1 dengan asumsi variabel lain tetap. 3
β2 sebesar 0,727 menunjukkan bahwa setiap penambahan labatransform sebesar 1 akan diikuti oleh kenaikan dividen tunai sebesar 72,7
dengan asumsi variabel lain tetap.
b. Analisis Koefisien Determinasi
Nilai koefisien korelasi R menunjukkan seberapa besar korelasi atau hubungan antara variabel-variabel independen dengan variabel dependen.
Koefisien korelasi dikatakan kuat apabila nilai R berada di atas 0,5 dan mendekati 1. Koefisien determinasi R square menunjukkan seberapa besar
variabel independen menjelaskan variabel dependennya. Nilai R square adalah nol sampai dengan satu. Apabila nilai R square semakin mendekati
satu, maka variabel-variabel independen memberikan semua informasi yang dibutuhkan untuk memprediksi variasi variabel dependen. Sebaliknya,
semakin kecil nilai R square, maka kemampuan variabel-variabel independen dalam menjelaskan variasi variabel dependen semakin terbatas.
Tabel 4.9 Model Summary
Model Summary
b
Model R
R Square
Adjusted R Square
Std. Error of the
Estimate Durbin-Watson
1 ,906
,820
a
,816 1,92823
1,925 a. Predictors: Constant, labatransform, AKOtransform
b. Dependent Variable: Dividentransform Sumber : Hasil olahan peneliti, 2011
Pada tampilan ouput SPSS model summary , nilai koefisien korelasi R sebesar 0,820 yang berarti bahwa korelasi atau hubungan antara laba
bersih dan arus kas operasi variabel independen terhadap dividen tunai variabel dependen kuat. Koefisien korelasi dikatakan kuat apabila nilai
R berada diatas 0,5 dan mendekati 1. Angka adjusted R Square atau
koefisien determinasi adalah 0,816. Hal ini berarti 81,6 variasi atau perubahan dalam variabel dependen dapat dijelaskan oleh variabel
independen, sedangkan sisanya 18,4 dijelaskan oleh faktor – faktor lain. Standar Error of Estimate SEE adalah 1,92823, semakin kecil nilai
SEE maka akan membuat model regresi semakin tepat dalam memprediksi variabel dependen.
c. Pengujian secara Parsial Uji – t digunakan untuk menguji signifikansi konstanta dan setiap
variabel independennya. Hasil pengolahan dapat dilihat pada tabel 4.10.
Table 4.10 Hasil uji – t
Coefficients
a
Model Unstandardized
Coefficients Standardized
Coefficients t
Sig. B
Std. Error Beta
1 Constant
8638,345 28849,741
,299 ,765 AKOtransfor
m -,141
,085 -,220
- 1,659
,101 labatransform
,727 ,087
1,110 8,368 ,000 a. Dependent Variable: Dividentransform
Sumber : Hasil olahan peneliti, 2011 Dari tabel hasil pengolahan SPSS dapat dilihat besarnya t hitung
untuk variabel laba bersih sebesar 8,368 dengan nilai signifikan 0,000. Hasil uji tersebut dapat menunjukkan t hitung adalah lebih besar dari t
tabel 8,3681,66159. Dilihat signifikansinya, nilai signifikansi laba bersih adalah sebesar 0,000, lebih kecil dari nilai signifikan sebesar 0,05.
Hasil perhitungan baik melalui t hitung maupun nilai signifikannya, menunjukkan bahwa variabel laba bersih mempunyai pengaruh yang
signifikan terhadap variabel dividen tunai. Nilai t tabel, dimana level of significance
α = 0,05 5 dan derajat kebebasan df = N– k atau 94 – 2 .
Nilai t hitung untuk variabel arus kas operasi adalah -1,659 dengan nilai signifikan 0,101. Hasil uji tersebut dapat menunjukkan t hitung
adalah lebih kecil dari t tabel -1,659 1,66159. Dilihat signifikansinya, nilai signifikansi arus kas operasi adalah sebesar 0,101 lebih besar dari
nilai signifikan sebesar 0,05. Hasil perhitungan baik melalui t hitung maupun nilai signifikannya, menunjukkan bahwa variabel arus kas
operasi tidak mempunyai pengaruh yang signifikan terhadap variabel dividen tunai.
d. Pengujian secara Simultan Uji – f digunakan untuk menguji signifikansi konstanta dari semua
variabel independennya. Hasil pengolahan dapat dilihat pada tabel 4.11
Table 4.11 Hasil uji – f
ANOVA
Model
b
Sum of Squares Df
Mean Square F
Sig. 1
Regression 15412329157946,771
2 7706164578973,386 207,262 ,000
Residual
a
3383456456824,275 91
37180840184,882 Total
18795785614771,047 93
a. Predictors: Constant, labatransform, AKOtransform b. Dependent Variable: Dividentransform
Sumber : Hasil olahan peneliti, 2011 Dari uji ANOVA Analysis of Variance didapat F
hitung
sebesar 207,262 dengan tingkat signifikansi sebesar 0,00. Sedangkan F
tabel
diketahui sebesar 3,94. Berdasarkan hasil tersebut dapat diketahui bahwa F
hitung
F
tabel
207,262 3,94 maka H ditolak dan H
a
C. Pembahasan Hasil Analisis Penelitian