8. Perusahaan yang tidak mengalami pertumbuhan aset sepanjang
tahun penelitian 2009-2012 0 perusahaan
Sampel Akhir 14 Perusahaan
Sumber : www.idx.co.id Berdasarkan Tabel 3.2 diperoleh sampel sejumlah 14 perusahaan, data
pengamatan menjadi 56 pengamatan 4 tahun x 14 sampel = 56 data amatan, hal tersebut sudah memenuhi jumlah sampel minimum untuk bisa diregresi yaitu
sejumlah 30 sampel Ghozali, 2001.
3.7 Jenis Data
Jenis data yang digunakan dalam penelitian ini adalah data sekunder dan kuantitatif yang berasal dari laporan keuangan perusahaan manufaktur yang
terdaftar di Bursa Efek Indonesia, buku-buku referensi, dan jurnal nasional dan
internasional yang berkaitan dengan topik bahasan penelitian. 3.8
Metode Pengumpulan Data
Pengumpulan data dilakukan melalui studi dokumentasi dengan mengumpulkan data pendukung dari literatur, jurnal, dan buku-buku referensi untuk mendapatkan
gambaran masalah yang diteliti serta mengumpulkan data sekunder yang relevan dari laporan yang dipublikasikan oleh Bursa Efek Indonesia.
3.9 Teknik Analisis Data
Metode analisis yang digunakan adalah metode analisis deskriptif dan metode analisis statistik sebagai berikut:
3.9.1 Metode Analisis Deskriptif
Universitas Sumatera Utara
Metode analisis deskriptif adalah suatu metode analisis dimana data yang dikumpulkan, diklasifikasikan, dianalisis, dan diinterpretasikan secara objektif
sehingga memberikan informasi dan gambaran mengenai topik yang dibahas.
3.9.2 Metode Analisis Statistik
Penelitian ini menggunakan analisis statistik yaitu analisis regresi linear berganda digunakan untuk mengetahui pengaruh kepemilikan manajerial, kepemilikan
institusional, kepemilikan publik, debt to equity ratio¸dan pertumbuhan aset
terhadap kebijakan dividen perusahaan manufatur yang terdaftar di Bursa Efek
Indonesia. Adapun persamaan regresi yang digunakan, yaitu:
Y
i,t
= a + b
1
X
1
+ b
2
X
2
+ b
3
X
3 +
b
4
X
4
+ b
5
X
5
+ e Keterangan:
Y
i,t
= Dividend Payout Ratio perusahaan i pada tahun t
a = Konstanta
X
1
= Kepemilikan Manajerial
X
2
= Kepemilikan Institusional X
3
= Kepemilikan Publik
X
4
= Debt to Equity Ratio
X
5
= Pertumbuhan Aset b
1
= Koefisien regresi variabel X
1
b
2
= Koefisien regresi variabel X
2
Universitas Sumatera Utara
b
3
= Koefisien regresi variabel X
3
b
4
= Koefisien regresi variabel X
4
b
5
= Koefisien regresi variabel X
5
e =
Standard error
3.9.3 Uji Asumsi Klasik
Penulis menggunakan bantuan program software SPSS 16.0 for Windows
Statistic Product Service Solution dalam penelitian ini. Jika hasil regresi telah memenuhi asumsi-asumsi regresi, maka nilai estimasi yang diperoleh akan
bersifat BLUE Best, Linear, Unbiased, Estimator. BLUE adalah asumsi yang
dikembangkan oleh Gauss dan Markov, yang kemudian teori tersebut terkenal dengan sebutan
Gauss-Markov Theorem. Hasil regresi dikatakan
Best apabila garis regresi yang dihasilkan guna melakukan estimasi atau peramalan dari sebaran data menghasilkan error yang
terkecil. Linear dalam model artinya model yang digunakan dalam analisis regresi
telah sesuai dengan kaidah model OLS dimana variable-variabel penduganya hanya berpangkat satu. Linear dalam parameter menjelaskan bahwa parameter
yang dihasilkan merupakan fungsi linear dan sampel. Unbiased atau tidak bias
jika nilai harapan dan estimator b sama dengan nilai yang benar dengan b. Secara teoritis, model OLS akan menghasilkan estimasi nilai parameter model penduga
yang sahih bila dipenuhi asumsi normality, tidak ada autokorelasi, tidak ada
multikolinearitas, dan tidak ada heteroskedastisitas.
Universitas Sumatera Utara
Uji asumsi klasik adalah persyaratan statistik yang harus dipenuhi pada analisis regresi linear berganda yang berbasis
Ordinary Least Square OLS. Persyaratan asumsi klasik tidak diperlukan oleh analisis regresi yang tidak
berdasarkan OLS. Adapun, tidak semua uji asumsi klasik harus dilakukan pada
analisis regresi linear. Pada analisisi regresi linear sederhana, tidak dapat mempergunakan uji multikolinearitas dan pada data
cross sectional tidak mempergunakan uji autokorelasi.
Adapun syarat Asumsi Klasik yang harus dipenuhi model regresi berganda
sebelum data tersebut dianalisis adalah sebagai berikut: 1.
Uji Normalitas
Uji normalitas bertujuan untuk mengetahui apakan distribusi sebuah data mengikuti atau mendekati distribusi normal, yaitu distribusi data dengan bentuk
lonceng. Data yang baik adalah data yang mempunyai pola seperti distribusi normal yakni distribusi data tersebut tidak menceng ke kiri atau menceng ke
kanan. Dengan adanya tes normalitas maka hasil penelitian kita bisa digeneralisasikan pada populasi. Dalam pandangan statistik itu sifat dan
karakteristik populasi adalah terdistribusi secara normal Uji ini juga dilakukan dengan beberapa pendekatan, antara lain:
a. Pendekatan Histogram Untuk menguji normalitas data dapat dilihat dengan kurva normal. Kurva
normal memiliki ciri-ciri khusus, salah satu diantaranya adalah mean, modus, dan median pada tempat yang sama tidak miring ke kiri atau ke kanan.
Universitas Sumatera Utara
Ukuran kemiringan puncak kurva ke kiri atau ke kanan dikenal dengan nama “kemiringan kurva” atau “kemencengan kurva”
skewness. Kemencengan suatu kurva distribusi data dapat bertanda positif arah kanan dan bertanda
negatif arah kiri. b. Pendekatan
Kolmogorv-Smirnov Alat uji ini digunakan untuk memastikan apakah data di sepanjang
garis diagonal berdistribusi normal. Hipotesisnya sebagai berikut: H
= data residual berdistribusi normal H
a
= data rasidual tidak berdistribusi normal Dengan menggunakan tingkat signifikan
5. Jika nilai Asymp.Sig 2 tailed taraf nyata α, maka H
diterima artinya data residual berdistribusi normal. Sebaliknya jika nilai Asymp.Sig 2 tailed taraf nyata
α, maka H diterima artinya data residual tidak berdistribusi normal.
Pada pengujian data normal, juga dapat dilakukan pengujian terhadap data
outlier. Data outlier adalah data yang memiliki karakteristik unik yang sangat berbeda jauh dari observasi-observasi lainnya dan muncul dalam
bentuk nilai ekstrim baik untuk sebuah variabel tunggal atau variabel kombinasi. Data
outlier bisa terjadi karena kesalahan dalam mengentri data, kesalahan pada pengambilan sampel. Keberadaan data-data ekstrim yang
tidak bisa dihindarkan. Data outlier dihilangkan karena dianggap tidak
mencerminkan sebaran data yang sesungguhnya. Deteksi terhadap univariate
Universitas Sumatera Utara
outlier dapat dilakukan dengan menentukan nilai batas yang akan dikategorikan sebagai data outlier yaitu dengan cara mengkonvensi nilai data
kedalam z-score. Untuk kasus sampel kecil kurang dari 80, maka stamdar
skor dengan ±2.5 dinyatakan outlier. Sementara untukk sampel dalam jumlah
besar, skor dinyatakan outlier jika nilainya pada kisaran 3 sampai 4. Ghozali, 2006:36
c. Pendekatan Grafik PP plot akan membentuk plot antara nilai-nilai teoritis sumbu x melawan
nilai-nilai yang didapat dari sampel sumbu y. Apabila plot dari keduanya berbentuk linier didekati garis lurus, maka hal ini merupakan indikasi
bahwa residual menyebar normal. Bila pola-pola titik yang terletak selain di ujung-ujung plot masih berbentuk linier, meskipun ujung-ujung plot agak
menyimpang dari garis lurus, dapat dikatakan bahwa sebaran data adalah menyebar normal.
2. Uji Heteroskedastisitas
Analisis regresi bertujuan untuk melihat seberapa besar peranan variable bebas terhadap variable terikat. Dalam setiap persamaan regresi pasti
memunculkan regresi atau variable-variabel lain yang terlibat akan tetapi tidak termuat di dalam model. Atau dengan kata lain, residu adalah variable yang tidak
diketahui sehingga diasumsikan bersifat acak. Jika data bisa dikatakan terkena heteroskedastitas. Ghazali, 2006:105
Universitas Sumatera Utara
Uji heterokedastisitas juga pada prinsipnya ingin menguji apakah sebuah grup mempunyai varians yang sama diantara anggota grup tersebut. Jika varians
sama ini yang dikatakan homoskedastisitas. Sedangkan jika varians tidak sama dikatakan terjadi heteroskedastitas.
Alat untuk menguji heteroskedastisitas dibagi dua yaitu alat analisis grafik atau dengan analisis residual yang berupa statistik. Dilihat dari sumber-sumber
penyebab heterokskedastisitas, ada beberapa alasan mengapa varians tidak sama yaitu:
1. Mengikuti error-learning model
2. Heteroskedastitas juga muncul sebagai akibat pecilan suatu data observasi tertentu atau
outliers, yaitu beberapa pengamatan yang mempunyai perbedaan besar dengan pengamatan lainnya.
3. Spesifikasi model yang tidak baik, yaitu mengeluarkan variabel penting dari model dan memasukkan variabel tidak penting ke dalam model.
4. Kemencengan atau skewness dari distribusi satu atau lebih variabel regresor
yang tercakup dalam model. 5. Muncul akibat kesalahan transformasi data dan kesalahan bentuk fungsional.
Ada dua cara untuk mendeteksi keberadaan heteroskedastisitas, yaitu metode informal dan formal. Metode informal biasanya dilakukan dengan metode
grafik. Sedangkan metode formal antara lain dengan metode perhitungan statistic seperti
Park Test, Glejser Test, Spearman’s Rank Correlation Test, Golfeld- Quandt Test, Breush-Pagan-Godfrey Test, hite’s General Heteroscedasticity Test,
Universitas Sumatera Utara
dan Koenker-Basset Test. Uji Glejser dilakukan dengan meregres nilai absolut
residual terhadap variabel independen. Apabila signifikansi dari tingkat kepercayaan 5, maka regresi tidak mengarah pada adanya heteroskedastitas, dan
begitu sebaliknya.
3. Uji Autokorelasi
Korelasi antara anggota serangkaian observasi yang diurutkan menurut waktu seperti dalam deret waktu atau ruang seperti dalam data
cross-section merupakan defenisi dari istilah autokorelasi. Jika
error antara beberapa observasi mengalami korelasi maka kondisi ini disebut autokorelasi. Artinya nilai regressan
dari satu periode dipengaruhi oleh periode lainnya, atau nilai variabel regressan dipengaruhi oleh nilai variabel regressan lainnya.
Uji autokorelasi bertujuan menguji apakah dalam model regresi linear ada korelasi antara kesalahan pengganggu pada periode t dengan kesalahan
pengganggu pada periode sebelumnya. Autokorelasi muncul karena observasi yang berurutan sepanjang waktu berkaitan satu sama lainnya. Masalah ini timbul
karena residual kesalahan pengganggu tidak bebas dari satu observasi ke observasi lainnya. Hal ini biasanya terjadi pada data time series karena gangguan
pada satu data cenderung mengganggu data lainnya. Gejala autokorelasi dideteksi dengan menggunakan
Durbin-Watson test. Untuk mendeteksi ada tidaknya autokorelasi maka dilakukan pengujian
Durbin- Watson DW dengan ketentuan-ketentuan tertentu.
4. Uji Multikolinieritas
Universitas Sumatera Utara
Uji ini digunakan untuk menunjukkan adanya hubungan linear yang sempurna atau eksak diantara variabel-variabel bebas dalam model regresi. Uji
ini menguji apakah dalam sebuah model regresi ditemukan adanya korelasi antara
veriabel independen. Jika terjadi korelasi, maka dikatakan terdapat masalah multikolinieritas. Model regresi yang baik seharusnya tidak terjadi korelasi antar
variabel independen. Pengujian terhadap ada tidaknya multikolinieritas dilakukan dengan melihat toleransi variabel dan
Variance Inflation Factor VIF dengan
membandingkan sebagai berikut:
a. Tolerance value 0,1 atau Bila VIF 10 = terjadi multikolinieritas b. Tolerance value 0,1 atau VIF 10 = tidak terjadi multikolinieritas
3.9.4 Pengujian Hipotesis
