45
Tabel 4.1 Analisis Deskriptif
Descriptive Statistics
N Minimum
Maximum Mean
Std. Deviation Kebijakan Hutang
40 .00
3.20 1.2760
.67350 Kepemilikan Manajerial
40 .00
6.42 1.4308
2.07100 Ukuran Perusahaan
40 27.68
31.06 29.5198
.97484 Kebijakan Deviden
40 .01
3.47 .3067
.55143 Investment Opportunity Set
40 .14
4.47 1.6182
1.01458 Valid N listwise
40
Sumber: Hasil Pengolahan SPSS Juni, 2016
Berdasarkan Tabel 4.1 dapat dijelaskan bahwa rata-rata Kebijakan Hutang adalah 1.2760 nilai maksimum 3.20 dan nilai minimum 0.00. Rata-rata
Kepemilikan Manajerial adalah 1.4308, dengan nilai maksimum 6.24, dan nilai minimum 0.00 Rata-rata Ukuran Perusahaan adalah 29.5198, dengan nilai
maksimum 31.06 dan nilai minimum 27.68. Rata-rata Kebijakan Deviden adalah 0.3067, dengan nilai maksimum 3.47 dan nilai minimum 0.0. Rata-rata
Investment Oppurtunity Set adalah 1.6182, dengan nilai maksimum 4.47 dan nilai minimum 0.14.
2.4. Uji Asumsi Klasik
Uji asumsi klasik dilakukan untuk mengetahui kondisi data yang digunakan dalam sebuah penelitian. Hal ini dilakukan agar diperoleh model
analisis yang tepat untuk digunakan dalam penelitian ini. Adapun uji asumsi klasik yang dilakukan meliputi; Uji normalitas, uji multikolinearitas, uji
heteroskedastisitas dan uji autokorelasi.
Universitas Sumatera Utara
46 1.
Uji Normalitas
Uji normalitas dilakukan untuk mengetahui apakah data yang digunakan
memiliki distribusi normal atau mendekati normal dengan melihat normal probability plot. Uji normalitas yang pertama dilakukan adalah berdasarkan grafik
secara histogram yang terlihat pada gambar 4.1.
Gambar 4.1 Grafik Histogram
Sumber: Hasil Pengolahan SPSS Juni, 2016
Berdasarkan gambar 4.1 terlihat bahwa pola distribusi normal, akan tetapi jika kesimpulan normal atau tidaknya data hanya dilihat dari grafik histogram,
maka hal ini dapat menyesatkan khususnya untuk jumlah sampel yang kecil. Metode lain yang digunakan dalam analisis grafik adalah dengan melihat normal
probability plot yang membandingkan distribusi kumulatif dan distribusi normal. Jika distribusi data residual normal, maka garis yang akan menggambarkan data
sesungguhnya akan mengikuti garis diagonalnya. Uji normalitas dengan melihat normal probability plot dapat dilihat dalam gambar 4.2 berikut:
Universitas Sumatera Utara
47
Gambar 4.2 Grafik Normal P-Plot
Sumber: Hasil Pengolahan SPSS Juni, 2016
Berdasarkan Gambar 4.2 P-Plot di atas menunjukkan bahwa data telah terdistribusi secara normal karena distribusi data residualnya mengikuti arah garis
diagonal garis normal. Pengujian normalitas data secara analisis statistik dapat dilakukan dengan melakukan uji Kolmogorov-Smirnov. Data yang terdistribusi
normal ditunjukkan dengan nilai signifikansi di atas 0.05. Sedangkan, data yang tidak berdistribusi normal ditunjukkan dengan nilai signifikansi dibawah 0.05
Ghozali,2007:12.
Tabel 4.2 Uji Kolmogorov-Smirnov
One-Sample Kolmogorov-Smirnov Test
Unstandardized Residual
N 40
Normal Parameters
a
Mean .0000000
Std. Deviation .65690617
Most Extreme Differences Absolute
.159 Positive
.159 Negative
-.092 Kolmogorov-Smirnov Z
1.007 Asymp. Sig. 2-tailed
.263 a. Test distribution is Normal.
Sumber: Hasil Pengolahan SPSS Juni, 2016
Universitas Sumatera Utara
48 Berdasarkan hasil uji normalitas dengan Kolmogorov-Smirnovdiatas,
terlihat bahwa data telah terdistribusi dengan normal yang mana terlihat bahwa nilai signifikansi diatas 0.05 yaitu sebesar 0.263 dan nilai Kolmogorov-Smirnov Z
sebesar 1.007. 2.
Uji Heteroskedastisitas Uji ini bertujuan untuk menguji apakah dalam model regresi terjadi
ketidaksamaan variance dari residual satu pengamatan ke pengamatan yang lain. Jika variance dari residual satu pengamatan ke pengamatan lain tetap, maka
disebut homoskedastisitas, dan jika variance dari residual satu pengamatan ke pengamatan lain berbeda disebut heteroskedastisitas. Untuk mendeteksi ada atau
tidaknya heteroskedastisitas dapat dilakukan dengan melihat grafik scatterplot, dengan dasar analisis Ghozali, 2005:139.
1. Jika pola tertentu, seperti titik-titik yang ada membentuk pola tertentu
yang teratur bergelombang, melebar kemudian menyempit, maka mengindikasikan 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.
Hasil uji heteroskedastisitas dengan menggunakan grafik scatterplot ditunjukkan pada gambar 4.3 berikut:
Universitas Sumatera Utara
49
Gambar 4.3 Grafik Scatterplot
Sumber: Hasil Pengolahan SPSS Mei 2016
Pada Gambar 4.3 scatterplot diatas, terlihat titik-titik menyebar secara acak, serta tersebar baik diatas maupun dibawah angka 0 pada sumbu Y sehingga
dapat diambil kesimpulan bahwa tidak terdapat gejala heteroskedastisitas pada model regresi yang digunakan.
3. Uji Multikolinearitas
Uji multikolinearitas dilakukan untuk mengetahui ada atau tidaknya hubungan linear antara variabel independen dalam model regresi dimana prasyarat
dalam model regresi adalah tidak adanya multikolinearitas. Pada uji multikolinearitas ini dapat dilihat melalui nilai inflation factor VIF dan
Tolerance.
Universitas Sumatera Utara
50
Tabel 4.3 Uji Multikolinearitas
Coefficients
a
Model Unstandardized Coefficients
Standardized Coefficients
Collinearity Statistics B
Std. Error Beta
Tolerance VIF
1 Constant
-2.544 3.409
Kepemilikan Manajerial .052
.055 .160
.912 1.097
Ukuran Perusahaan .126
.115 .183
.950 1.053
Kebijakan Deviden .044
.207 .036
.917 1.090
a. Dependent Variable: Kebijakan Hutang
Sumber: Hasil Pengolahan SPSS Juni,2016
Berdasarkan aturan Variance Inflation Factor VIF dan Tolerance, apabila VIF melebihi angka 10 atau Tolerance kurang dari 0.10 maka dinyatakan
terjadi gejala multikolinearitas, sebaliknya apabila VIF kurang dari 10 atau Tolerance lebih dari 0.10 maka dinyatakan tidak terjadi gejala multikolinearitas.
Dalam penelitian ini data yang digunakan dalam uji multikolinearitas ini adalah data dari variabel independen. Berdasarkan tabel 4.3. diatas diketahui masing-
masing nilai VIF berada dibawah 10, dan nilai Tolerance diatas 0.1, maka dapat dipastikan data dari variabel independen tidak terjadi multikolinearitas.
4. Uji Autokorelasi
Uji autokorelasi dilakukan untuk menguji apakah sebuah model regresi terdapat korelasi antara kesalahan penganggu pada periode t dengan kesalahan
pengganggu pada periode t-1 atau sebelumnya Ghozali, 2005. Jika terjadi korelasi dinamakan ada masalah autokorelasi. Untuk mendeteksi ada atau
tidaknya autokorelasi, peneliti menggunakan Durbin-Watson DW test. Model regresi yang baik adalah regresi yang bebas dari autokorelasi. Pengambilan
keputusan pada asumsi ini memerlukan dua nilai bantu yang diperoleh dari tabel
Universitas Sumatera Utara
51 Durbin Watson, yaitu nilai dl dan du untuk K = jumlah variabel bebas dan n =
jumlah sampel. Jika nilai DW berada diantara nilai du hingga 4-du, berarti asumsi tidak terjadi autokorelasi terpenuhi. Adapun kriteria dalam penentuan
autokorelasi adalah sebagai berikut : 1
Jika Dw Dl atau Dw 4-Dl maka terdapat autokorelasi. 2
Jika Dl Dw Du atau 4-Du Dw 4-Dl maka status autokorelasi tidak dapat dijelaskan inconclusive.
3 Jika Du Dw 4-Du maka tidak terjadi autokorelasi Non Autokorelasi.
Hasil pengujian autokorelasi dapat dilihat pada tabel berikut:
Tabel 4.4 Uji Autokorelasi
Model Summary
b
Model R
R Square Adjusted R
Square Std. Error of the
Estimate Durbin-Watson
1 .221
a
.049 -.031
.68373 1.473
a. Predictors: Constant, Kebijakan Deviden, Ukuran Perusahaan, Kepemilikan Manajerial
b. Dependent Variable: Kebijakan Hutang
Sumber: Hasil Pengolahan SPSS Juni, 2016
Tabel 4.4 digunakan untuk melihat nilai Durbin Watson yang didapat dengan menggunakan bantuan SPSS Versi 16. Tabel DW menunjukkan bahwa
dengan n = 40, K = 3, maka akan diperoleh nilai dl = 1.3384 dan du = 1.6589 dan 4-du = 4 –1.6589 = 2.3411.
Berdasarkan hasil pengujian Durbin-Watson dengan SPSS maka diperoleh nilai Durbin-Watson sebesar 1.3384 1.473 4 –1.6589 yang berarti berdasarkan
kriteria Durbin-Watson hasil tersebut tidak terjadi autokorelasi.
Universitas Sumatera Utara
52
2.5. Analisis Regresi Linear Berganda
