Jenis dan Sumber Data Statistik Deskriptif Analisis Regresi

22 INDF Indofood Sukses Makmur Tbk 23 MBTO Martina Berto Tbk 24 MRAT Mustika Ratu Tbk 25 MYOR Mayora Indah Tbk 26 TCID Mandom Indonesia Tbk 27 UNVR Unilever Indonesia Tbk Sumber : Lampiran 1

3.3. Jenis dan Sumber Data

Data yang digunakan dalam penelitian ini adalah data sekunder yaitu database Bursa Efek Indonesia yang tersedia secara online pada situ www.idx.co.id . 3.4. Definisi Operasional dan Pengukuran Variabel 3.4.1. Kebijakan Hutang Y Variabel dependen pada penelitian ini adalah Debt to Equity rasio yang dihitung dengan membagi total liabilities dengan total shareholder.s equity pada tahun t. Data untuk variabel ini diperoleh dari ICMD pada bagian summary offinancial statement. Rasio ini digunakan untuk menggambarkan kebijakan hutang perusahaan. Secara matematis Debt to Equity rasio diformulasikan sebagai berikut :

3.4.2. Free Cash Flow Aliran Kas Bebas

Free cash flow adalah kas lebih perusahaan yang didistribusikan kepada pemegang saham atau kreditor yang tidak diperlukan untuk modal kerja atau investasi pada asset tetap Ross et al, 2000 yang dikutip dari Universitas Sumatera Utara Tarjo dan Jogiyanto 2003. Free cash flow dihitung dengan menggunakan rumus Ross et al 2000 yaitu: Keterangan : FCFit = Free Cash Flow AKOit = Aliran kas operasi perusahaan i pada tahun t PMit = Pengeluaran modal perusahaan i pada tahun t NWCit = Modal kerja bersih perusahaan i pada tahun t

3.4.3. Struktur Kepemilikan Saham

Struktur kepemilikan saham dikelompokkan menjadi dua bagian yaitu kepemilikan manajerial dan kepemilikan institutional. - Managerial Ownership Kepemilikan Manajerial Kepemilikan manajerial diukur sesuai dengan proporsi kepemilikan saham yang dimiliki oleh pihak manajemen. Kepemilikan manajerial adalah pemegang saham dari pihak manajemen yang secara aktif ikut dalam pengambilan keputusan perusahaan direktur dan komisaris. Variabel ini diberi simbol MOWNS. Kepemilikan manajerial akan dihitung dengan menggunakan rumus: ∑ ∑ Universitas Sumatera Utara - Institutional Ownership Kepemilikan Institutional Kepemilikan institutional diukur berdasarkan persentase kepemilikan saham oleh investor institusi seperti perusahaan asuransi, bank, maupun kepemilikan lembaga dan perusahaan- perusahaan lain. Variabel ini diberi simbol INST. Kepemilikan Institusional juga akan dihitung dengan menggunakan rumus : ∑ ∑ Tabel 3.2 Defenisi Operasional dan Skala Pengukuran Variabel Nama Variabel Defenisi Operasiional Indikator Skala Variabel independen Free Cash Flow Dengan pengeluaran modal dan modal kerja bersih kemudian dibagi dengan total asset Rasio Kepemilikan Manajerial Merupakan proporsi kepemilikan saham oleh pihak manajemen ∑ ∑ Rasio Kepemilikan institusional Merupakan proporsi kepemilikan saham oleh institusi dan perusahaan lain ∑ ∑ Rasio Variabel Dependen Kebijakan Hutang Kebijakan utang diproksikan dalam Debt to Equity ratio yaitu membagi total liabilities dengan total shareholder.s Equity Rasio Universitas Sumatera Utara

3.5. Teknik Analisis Data

Dalam suatu penelitian, kemungkinan munculnya masalah dalam analisis regresi cukup sering dalam mencocokkan model prediksi kedalam sebuah model yang telah dimasukkan ke dalam serangkaian data. Masalah ini sering disebut dengan pengujian normalitas, multikolinearitas, autokorelasi, dan heteroskedasitas.

3.5.1. Analisis Statistik Deskriptif

Analisis statistik deskriptif adalah analisis yang dilakukan untuk melihat gambaran dari data yang menunjukan karakteristik data tersebut. Adapun analisis yang dilakukan meliputi jumlah, sampel, nilai minimum, nilai maksimum, nilai rata-rata mean, dan standar deviasi data.

3.5.2. Uji Asumsi Klasik

Dalam suatu penelitian, kemungkinan munculnya masalah dalam analisis regresi cukup sering dalam mencocokkan model prediksi kedalam sebuah model yang telah dimasukkan ke dalam serangkaian data. Masalah ini sering disebut dengan pengujian normalitas, multikolinearitas, autokorelasi, dan heteroskedasitas.

3.5.2.1. Uji Normalitas

Uji normalitas data bertujuan untuk menguji apakah model regresi dalam penelitian, antara variabel dependen dengan variabel independen keduanya memiliki distribusi normal atau tidak. Untuk dapat dianalisis data harus berdistribusi normal atau mendekati normal. Cara mendeteksi normalitas adalah dengan pengamatan melalui nilai residual. Cara lain adalah dengan melihat Universitas Sumatera Utara distribusi dari variabel - variabel yang akan diteliti. Jika variabel tidak berdistribusi secara normal menceng kekiri atau menceng kekanan maka hasil uji statistik akan terdegradasi. Normalitas suatu variabel umumnya dideteksi dengan grafik atau uji statistik sedangkan normalitas nilai residual dideteksi dengan metode grafik. Secara statistik ada dua komponen normalitas yaitu skewness dan kurtosis. Skewness berhubungan dengan simetris distribusi. Skewed variabel variabel menceng adalah variabel yang nilai mean-nya tidak di tengah-tengah distribusi. Sedangkan kurtosis berhubungan dengan puncak dari suatu distribusi. Jika variabel terdistribusi secara normal maka nilai skewness dan kurtosis sama dengan nol Ghozali,2005. Normalitas variabel dideteksi juga dengan menggunakan uji statistik Kolmogorov-Smirnov dengan cara melihat nilai probabilitas signifikan yang bernilai diatas nilai 0.05 maka data berdistribusi normal dan selain itu juga dengan metode grafik histogram data.

3.5.2.2. Uji Autokorelasi

Pada asumsi OLS didapati kesepakatan bahwa persamaan regresi yang terbentuk tidak boleh ada autokorelasi. Uji autokorelasi merupakan korelasi antara anggota dalam runtut waktu time series atau antara space data cross section Hakim,2004. Cara mendeteksi adanya gejala autokorelasi adalah dengan melihat nilai Durbin-Watson DW. Penggambilan keputusan bila menggunakan uji DW adalah sebagai berikut : Universitas Sumatera Utara a. Nilai DW terletak di antara du dan 4-du maka autokorelasi sama dengan nol, dan dapat diartikan tidak ada autokorelasi. du DW 4- du. b. Nilai DW terletak di bawah lower boud dl, maka akan mempunyai koefisien korelasi lebih besar dari nol dan memiliki autokorelasi positif. c. Nilai DW 4-dl, maka koefisien korelasi kurang dari nol, sehingga memiliki autokorelasi negatif. d. Nilai DW terletak di antara batas atas du dan batas bawah dl atau terletak antara 4-du dan 4-dl sehingga hasilnya tak dapat disimpulkan.

3.5.2.3. Uji Heteroskedastistas

Langkah ini bertujuan untuk menguji apakah dalam model regresi yang kita miliki mengandung perbedaan variansi residu dari kasus pengamatan satu kasus ke kasus pengamatan yang lainnya. Jika variansi residu dari kasus pengamatan satu ke kasus pengamatan yang lainnya mempunyai nilai tetap maka disebut homoskedastisitas dan jika mempunyai perbedaan maka disebut heteroskedastisitas. Cara untuk mendeteksi ada tidaknya heteroskedastisitas adalah dengan melihat grafik plot antara nilai residu variabel dependen SRESID dengan nilai prediksi ZPRED Santoso, 2006. Dasar analisisnya: a Jika ada pola tertentu, seperti titik - titik yang membentuk pola yang teratur bergelombang, melebar kemudian menyempit, maka mengidentifikasikan telah terjadi Universitas Sumatera Utara heteroskedastisitas. b Jika tidak ada pola yang jelas, serta titik-titik menyebar di atas dan di bawah angka pada sumbu Y, maka tidak terjadi heteroskedastisitas.

3.5.2.4. Uji Multitikolinearitas

Multikolinearitas adalah uji yang dilakukan untuk mengetahui apakah ada hubungan liniar diantara variabel-variabel independen yang dipakai dalam model regresi. Akibat adanya multikoliniearitas, koefisien-koefisien regresi menjadi tidak bisa ditaksir. Adanya multikolinearitas dapat dilihat dari nilai tolerance yang lebih kecil dari 0,1 atau Variance Inflation Factor yang lebih besar dari 10.

3.5.3. Pengujian Hipotesis

Pengujian hipotesis dalam penelitian menggunakan alat software SPSS for window v.18.. SPSS v.18 dapat digunakan untuk melakukan analisis sebab-akibat dengan lebih akurat karena telah dilengkapi dengan nearest neighbor analysis yang biasa digunakan dalam ilmu interpolasi Pratisto, 2009 .

3.5.3.1 Uji T

Uji T digunakan untuk mengetahui apakah secara individu variabel independen mempunyai pengaruh terhadap kebijakan utang, dengan asumsi variabel independen lainnya konstan. Dasar pengambilan keputusan adalah: Ho ditolak atau Ha diterima jika nilai signifikan t atau p value 5. H 1 : free cash flow, H 2 : kepemilikan manajerial, dan H 3 : kepemilikan institusional. Di uji masing – masing dengan menggunakan uji –t, dalam hal ini adapun kriteria yang digunakan adalah sebagai berikut : Ho diterima apabila t hitung t table Ha diterima apabila t hitung t table Universitas Sumatera Utara

3.5.3.2. Uji F

Uji F digunakan untuk mengetahui apakah variabel independen free cash flow, struktur aset dan profitabilitas secara bersama-sama mempunyai pengaruh terhadap kebijakan utang perusahaan. Dasar pengambilan keputusan adalah: Ho akan ditolak atau Ha diterima jika nilai signifikansi F 5 . Data analisis dengan model regresi berganda adalah sebagai berikut : DER = b0 + b1FCF + b2MOWNS + b3INST + Dimana : DER = Kebijakan utang b0 = Konstanta FCF = Ratio Free cash flow MOWNS = Ratio kepemilikan manajerial INST = Ratio kepemilikan institusional b1- b3 = Koefisien regresi = standard error Langkah-langkah yang dilakukan untuk pengambilan keputusan dilakukan dengan cara sebagai berikut: 1. Membuat Formulasi Hipotesis: H = b1, b2, b3 ≠ 0, free cash flow, kepemilikan menejerial dan kepemilikan institusional berpengaruh terhadap kebijakan utang secara parsial dan simultan. Universitas Sumatera Utara 2. Menentukan Tingkat Signifikansi. Untuk memperoleh nilai signifikansi, menggunakan taraf nyata á 5. 3. Dasar pengambilan keputusan. a. ñ-value 0.05, maka H1 terbukti berpengaruh b. ñ-value 0.05, maka H1 tidak terbukti berpengaruh Universitas Sumatera Utara BAB IV ANALISIS HASIL PENELITIAN

4.1. Statistik Deskriptif

Statistik deskriptif memberikan penjelasan mengenai nilai minimum, nilai maksimum, nilai rata-rata mean, dan nilai standar deviasi dari variabel-variabel independen dan variabel dependen. Tabel 4.1 Statistik Deskriptif N Minimum Maximum Mean Std. Deviation FREE CASH FLOW 81 -,71 ,57 -,2350 ,25953 MANAGERIAL OWNERSHIP 81 ,33 ,96 ,7102 ,17235 INSTITUTIONAL OWNERSHIP 81 ,04 ,67 ,2885 ,17249 DEBT TO EQUITY RASIO 81 ,04 2,15 ,8400 ,58347 Valid N listwise 81 Sumber: Data diolah, 2015 Tabel 4.1 menunjukkan bahwa hanya variabel FCF yang memiliki nilai minimum negatif. Nilai negatif yang ditunjukkan pada nilai rata-rata FCF menunjukkan bahwa rata-rata perusahaan mengalami defisit FCF. Berikut ini adalah perincian data deskriptif yang telah diolah:  Variabel FCF memiliki nilai minimum sebesar -0.71, nilai maksimum sebesar 0.57, nilai rata-rata sebesar -0.2350, dan standar deviasi sebesar 0.25953 dengan jumlah pengamatan sebanyak 81.  Variabel MOWNS memiliki nilai minimum sebesar 0.33, nilai maksimum sebesar 0.96, nilai rata-rata sebesar 0.7102, dan standar deviasi sebesar 0.17235 dengan jumlah pengamatan sebanyak 81. Universitas Sumatera Utara  Variabel INST memiliki nilai minimum sebesar 0.04, nilai maksimum sebesar 0.67, nilai rata-rata sebesar 0.2885, dan standar deviasi sebesar 0.17249 dengan jumlah pengamatan 81.  Variabel DER memiliki nilai minimum sebesar 0.04, nilai maksimum sebesar 2.15, nilai rata-rata sebesar 0.8400, dan standar deviasi sebesar 0.58347 dengan jumlah pengamatan 81.

4.2 Pengujian Asumsi Klasik

Untuk menghasilkan suatu model regresi yang baik, analisis regresi memerlukan pengujian asumsi klasik sebelum melakukan pengujian hipotesis. Apabila terjadi penyimpangan dalam pengujian asumsi klasik perlu dilakukan perbaikan terlebih dahulu.

4.2.1 Uji Normalitas

Uji normalitas bertujuan untuk menguji apakah variabel residual berdistribusi normal. Uji statistik yang dapat digunakan untuk menguji apakah residual berdistribusi normal adalah uji statistik non parametrik Kolmogorov- Smirnov K-S dengan membuat hipotesis. H0 : Data residual berdistribusi normal HA : Data residual tidak berdistribusi normal Apabila nilai signifikansi lebih besar dari 0.05, maka H0 diterima dan sebaliknya jika nilai signifikansi lebih kecil dari 0.05, maka H0 ditolak atau HA diterima. Universitas Sumatera Utara Tabel 4.2 Hasil Uji Normalitas One-Sample Kolmogorov-Smirnov Test Unstandardized Residual N 81 Normal Parameters a,b Mean ,0000000 Std. Deviation ,47967213 Most Extreme Differences Absolute ,116 Positive ,116 Negative -,052 Kolmogorov-Smirnov Z 1,045 Asymp. Sig. 2-tailed ,225 Sumber: Data diolah peneliti, 2015 Dari hasil pengolahan data pada tabel 4.2 diperoleh besarnya nilai Kolmogorov-Smirnov adalah 1.045 dan signifikan pada 0.225. Nilai siginifikansi lebih besar dari 0.05, maka H0 diterima yang berarti data residual berdistribusi normal. Selain dari angka siginifikansi Kolmogorov-Smirnov, distribusi data normal dapat dilihat dari grafik histogram dan grafik normal p-plot. Berikut grafik histrogram dan normal p-plot: Universitas Sumatera Utara Sumber: Data diolah, 2015 Gambar 4.1 Histogram Sebelum Transformasi Logaritma Sumber: Data diolah, 2015 Gambar 4.2 Grafik Normal P-Plot Sebelum Transformasi Logaritma Universitas Sumatera Utara Dari grafik histrogram diatas, dapat dilihat bahwa grafik berbentuk lonceng yang simetris di tengah. Hal ini menunjukan bahwa data berdistribusi normal. Selain dari grafik histrogram, grafik normal p-plot juga menunjukan bahwa data berdistribusi normal. Hal ini dapat dilihat dari data pada grafik yang berjalan mengikuti garis diagonal pada grafik normal p-plot. Akibat adanya gejala multikolinearitas, peneliti menghitu logaritma natural dari variabel MOWNS dan INST, sehingga penulis harus mencari tingkat tingkat normalitas data yang baru. Berikut tabel Kolmogorov-Smirnov, grafik histogram, grafik normal p-plot : Tabel 4.3 Hasil Uji Normalitas Pada Data Setelah Transformasi Logaritma Natural One-Sample Kolmogorov-Smirnov Test Unstandardized Residual N 81 Normal Parameters a,b Mean ,0000000 Std. Deviation ,45405379 Most Extreme Differences Absolute ,074 Positive ,074 Negative -,050 Kolmogorov-Smirnov Z ,663 Asymp. Sig. 2-tailed ,772 Sumber: Data diolah, 2015 Universitas Sumatera Utara Sumber: Data diolah, 2015 Gambar 4.3 Histogram Setelah Transformasi Logaritma Sumber: Data diolah, 2015 Gambar 4.4 Grafik Normal P-Plot Setelah Transformasi Logaritma Universitas Sumatera Utara Angka signifikansi Kolmogorov-Smirnov tetap lebih besar dari 0,05. Hal ini menunjukan bahwa data yang baru tetap berdistribusi normal. Grafik histogram juga menunjukan hal yang sama dilihat dari grafik yang menyerupai lonceng simetris di tengah. Begitu pula dengan grafik normal p-plot yang tetap menunjukan bahwa data berdistribusi normal, dilihat dari data yang berjalan semakin mendekat garis diagonal.

4.2.2. Uji Multikolinearitas

Uji multikolinearitas bertujuan untuk menguji apakah terdapat korelasi antar variabel independen dalam model regresi. Jika pada model regresi terjadi multikolinearitas, maka koefisien regresi tidak dapat ditaksir dan nilai standard error menjadi tidak terhingga. Cara yang digunakan untuk mendeteksi ada tidaknya multikolinearitas adalah dengan melihat nilai tolerance dan VIF. Pada suatu model regresi dinyatakan terjadi multikolinearitas apabila nilai tolerance 0.10 dan VIF 10 Ghozali, 2005 : 92. Tabel 4.4 Hasil Uji Multikolinearitas Model Collinearity Statistics Tolerance VIF 1 FREE CASH FLOW ,993 1,007 MANAGERIAL OWNERSHIP ,003 394,604 INSTITUTIONAL OWNERSHIP ,003 394,563 Sumber: Data diolah, 2015 Dari data pada tabel 4.4, dapat disimpulkan bahwa berdasarkan nilai Tolerance variabel FCF menunjukkan nilai yang lebih dari 0.1 dan berdasarkan Universitas Sumatera Utara nilai VIFnya kurang dari 10. Dengan demikian variabel FCF bebas dari pengujian asumsi klasik yang kedua yaitu multikolinearitas. Untuk variabel MOWNS dan INST nilai Tolerance di bawah 0.01 dan nilai VIFnya diatas 10. Hal ini menunjukan bahwa variabel MOWNS dan INST memiliki gejala multikolinearitas. Akibat adanya gejala multikolinearitas antara variabel MOWNS dan INST, penulis menghitung logaritma natural dari MOWNS dan INST. Berikut hasil uji multikolinearitas dengan data yang baru. Tabel 4.5 Hasil Uji Multikolinearitas Setelah Transformasi Model Collinearity Statistics Tolerance VIF 1 FREE CASH FLOW ,999 1,001 LN_MOW ,188 5,317 LN_INST ,188 5,317 Sumber: Data diolah, 2015 Dari tabel 4.5 dapat dilihat bawah semua variabel memiliki angka Tolerance diatas 0.01 dan VIF di bawah 10. Hal ini menandakan bahwa data baru tidak memiliki gejala multikolinearitas, sehingga semua variabel indipenden lolos uji asumsi klasik kedua.

4.2.3. Uji Heteroskedastisitas

Uji heteroskedastisitas bertujuan untuk menguji apakah terjadi ketidaksamaan variance dari residual satu pengamatan ke pengamatan lain dalam model regresi. Model regresi yang baik adalah tidak terjadi heteroskedastisitas atau terjadi homoskedastisitas. Dalam model regresi dinyatakan telah terjadi Universitas Sumatera Utara heteroskedastisitas apabila titik-titik yang ada membentuk pola tertentu yang teratur. Dalam model regresi tidak terjadi heteroskedastisitas apabila titik-titik yang ada tidak membentuk pola tertentu yang teratur dan titik-titik menyebar di atas dan di bawah angka nol pada sumbu Y. Berikut ini dilampirkan grafik scatterplot untuk menganalisis apakah terjadi heteroskedastisitas dengan mengamati penyebaran titik-titik pada gambar. Sumber: Data diolah, 2015 Gambar 4.5 Hasil Uji Heteroskedastisitas Scatterplot Dari grafik scatterplots terlihat bahwa titik-titik menyebar secara acak serta tersebar baik di atas maupun di bawah angka 0 pada sumbu Y. Hal ini dapat disimpulkan bahwa tidak terjadi heteroskedastisitas pada model regresi sehingga model regresi layak dipakai untuk memprediksi kebijakan hutang perusahaan manufaktur yang terdaftar di BEI berdasarkan masukan variabel independen FCF, LN_MOWNS dan LN_INST. Universitas Sumatera Utara

4.2.4. Uji Autokorelasi

Pengujian autokorelasi bertujuan untuk menguji apakah terdapat korelasi antara kesalahan pengganggu pada suatu periode dengan kesalahan pengganggu periode sebelumnya dalam model regresi. Autokorelasi menunjukkan adanya korelasi antara kesalahan pengganggu pada data yang tersusun, baik berupa data cross sectional dan atau time series. Jika terjadi autokorelasi dalam model regresi berarti koefisien korelasi yang diperoleh menjadi tidak akurat, sehingga model regresi yang baik adalah model regresi yang bebas dari autokorelasi. Cara yang dapat dilakukan untuk mendeteksi ada tidaknya autokorelasi adalah dengan melakukan pengujian Durbin Watson DW. Dalam model regresi tidak terjadi autokorelasi apabila nilai du dw 4 – du. Tabel 4.6 menyajikan hasil uji Durbin Watson dengan menggunakan program SPSS versi 18. Tabel 4.6 Hasil Uji Autokorelasi Model R R Square Adjusted R Square Std. Error of the Estimate Durbin-Waston 1 ,628 a ,394 ,371 ,46281 1,972 Sumber: Data diolah, 2015 Hasil uji autokorelasi di atas menunjukkan nilai statistik Durbin Watson dw sebesar 1.972, nilai ini akan kita bandingkan dengan nilai tabel dengan menggunakan signifikansi 5, jumlah pengamatan 81 n, dan jumlah variabel independen 3 k=3, maka berdasarkan tabel Durbin Watson didapat nilai batas atas du sebesar 1.716 dan nilai batas bawah dl sebesar 1.563. Oleh karena itu, nilai dw lebih besar dari 1.716 dan lebih kecil dari 4 – 1.716 atau dapat Universitas Sumatera Utara dinyatakan bahwa 1.716 1.972 4 - 1.716 du dw 4 – du. Dengan demikian dapat disimpulkan tidak terdapat autokorelasi baik positif maupun negatif.

4.3. Analisis Regresi

Dari hasil pengujian asumsi klasik disimpulkan bahwa bahwa model regresi yang dipakai dalam penelitian ini telah memenuhi model estimasi yang Best Linear Unbiased Estimator BLUE dan layak dilakukan analisis regresi. Dalam pengolahan data dengan menggunakan regresi linear, dilakukan beberapa tahapan untuk mencari hubungan antara variabel independen dan variabel dependen, melalui pengaruh FCF X1, Ln_ MOWNS X2, Ln_INST X3, terhadap DER Y. Hasil regresi dapat dilihat pada tabel 4.7. Tabel 4.7 Analisis Hasil Regresi Model Unstandardized Coefficients Standardized Coefficients T Sig. B Std. Error Beta 1 Constant -,108 ,392 -,275 ,784 FREE CASH FLOW 1,233 ,199 ,548 6,183 ,000 LN_MOWNS -1,578 ,453 -,713 -3,486 ,001 LN_INST -,434 ,152 -,584 -2,855 ,006 Sumber: Data diolah, 2015 Berdasarkan penjelasan dari pengujian asumsi klasik sebelumnya, model regresi dalam penelitian ini telah diubah menjadi model logaritma natural, sehingga beta dan koefisien dari penelitian ini juga dalam bentuk logaritma natural. Model regresi berdasarkan hasil analisis regresi dinyatakan dalam bentuk fungsi DER. Universitas Sumatera Utara Y = -0.108 + 1.233 X1 – 1.578 X2 - 0.434 X3 Kemudian model regresi tersebut akan diinterpretasikan.  β0 = -0.108 Nilai konstanta ini menunjukkan bahwa apabila tidak ada variabel FCF, Ln_MOWNS, Ln_INST. X1=X2=X3=0, maka Kebijakan Hutang adalah sebesar -0.108.  β1 = 1.233 Koefisien regresi β1 ini menunjukkan bahwa setiap variabel FCF meningkat sebesar satu satuan, maka kebijakan hutang akan meningkat sebesar 1.233 atau 123.3 dengan asumsi variabel independen lainnya dianggap tetap atau sama dengan nol.  β2 = -1.578 Koefisien regresi β2 ini menunjukkan bahwa setiap variabel Ln_MOWNS menurun sebesar satu satuan, maka kebijakan hutang akan menurun sebesar 1.578 atau 157.8 dengan asumsi variabel independen lainnya dianggap tetap atau sama dengan nol.  β3 = -0.434 Koefi sien regresi β3 menunjukkan bahwa setiap variabel Ln_INST menurun sebesar satu satuan, maka kebijakan hutang akan menurun sebesar 0.434 atau 43.4 dengan asumsi variabel independen lainnya dianggap tetap atau sama dengan nol. Universitas Sumatera Utara 4.4. Pengujian Hipotesis 4.4.1. Uji Signifikansi Simultan