Analisis Statistik Deskriptif Hasil Uji Regresi Berganda

61

4.2 Analisis Hasil Penelitian

4.2.1 Analisis Statistik Deskriptif

Langkah awal pengujian statistik dalam penelitan ini adalah melakukan pengujian statistik deksriptif dari variabel penelitian. Statistik deskriptif ini meliputi nilai rata-rata mean, nilai tengah median, nilai minimum, nilai maksimum, dan standar deviasi pada perusahaan. Hasil dari uji statistik deskriptif dapat dilihat dari tabel berikut ini. Tabel 4.3 Statistik Deskriptif Descriptive Statistics N Minimum Maximum Mean Std. Deviation LN_DVD 87 14.49 24.75 18.0441 2.30959 LN_SZ 87 2.92 3.14 3.0569 .04861 LN_LV 87 -2.81 2.13 -.8876 .85472 LN_ROA 87 -7.14 -.14 -2.1732 .98155 Valid N listwise 87 Sumber: Hasil Olah Data SPSS,2012 Berdasarkan hasil statistik deskriptif secara menyeluruh dengan total observasi sebesar 87 sebagaimana dijelaskan pada tabel 4.3, yaitu dijelaskan bahwa. Rata-rata Dividend per Share DPS atau yang terlihat dalam tabel sebagai LN_DVD logaritma Natural_Dividend dari seluruh perusahaan sampel adalah 18,0441 dengan standar deviasi 2,30959. Nilai DPS terbesar pada perusahaan sampel yaitu sebesar 24,75 dan nilai DPS terkecil pada 62 perusahaan sampel yaitu sebesar 14,49. Di lihat dari nilai mean-nya yang lebih besar dari nilai standar deviasi, maka nilai DPS dinyatakan normal. 4.2.2 Uji Asumsi Klasik 4.2.2.1 Hasil Uji Normalitas Uji normalitas bertujuan untuk menguji apakah dalam metode regresi variabel dependen dan independen keduanya dapat mempunyai distribusi normal atau tidak. Model regresi yang baik adalah model yang memeliki distribusi data normal atau mendekati normal. Uji normalitas data dilakukan dengan model uji Kolmogorov-Smirnov. Kriteria pengambilan keputusan adalah apabila nilai signifikan atau profitabilitas 0.05, maka residual memiliki distribusi normal dan apabila nilai signifikan atau profitabilitas 0.05, maka residual tidak memiliki distribusi normal. Selain itu uji normalitas juga dapat dilakukan dengan melakukan analisis grafik normal probability plot dan grafik histogram. 1 Hasil uji Kormogorov-Smirnov Hasil pengujian normalitas dengan alat uji Kolmogorov-Smirnov dapat dilihat pada tabel 4.4 berikut ini. 63 Tabel 4.4 Hasil Uji Kormogorov-Smirnov One-Sample Kolmogorov-Smirnov Test Unstandardi zed Residual N 87 Normal Parameters a,,b Mean -.0000007 Std. Deviation 8.35715795 E9 Most Extreme Differences Absolute .320 Positive .320 Negative -.304 Kolmogorov-Smirnov Z 2.986 Asymp. Sig. 2-tailed .000 a. Test distribution is Normal. b. Calculated from data. Sumber: Hasil Olah Data SPSS 2012 Dari tabel diatas dapat dilihat nilai signifikan = 0.00 lebih kecil 0.05 berarti data yang dihasilkan tidak normal, data yang tidak normal dapat di uji kembali setelah di lakukan transformasi data dalam bentuk logaritma Natural, maka diperoleh hasil pengujian sebagai berikut. 64 Tabel 4.5 Hasil uji Kolmogorov-Smirnov Logaritma Natural One-Sample Kolmogorov-Smirnov Test Unstandardi zed Residual N 87 Normal Parameters a,,b Mean .0000000 Std. Deviation 2.29032545 Most Extreme Differences Absolute .102 Positive .102 Negative -.066 Kolmogorov-Smirnov Z .955 Asymp. Sig. 2-tailed .321 a. Test distribution is Normal. b. Calculated from data. Sumber: Hasil Olah Data SPSS,2012 Setelah melakukan transformasi data ke dalam bentuk logaritma Natural, maka dapat dilihat pada tabel 4.5 nilai signifikan yaitu 0.321 di atas nilai signifikan 0.05 yang berarti data residual berdistribusi normal. Hasil uji normalitas juga dapat dilihat dari grafik histogram yang disajikan pada gambar 4.1 berikut ini. 65 2 Hasil Uji Grafik Histogram Hasil pengujian normalitas dengan alat uji grafik histogram dapat dilihat pada gambar 4.1 berikut ini. Gambar 4.1 Grafik Histogram Residual Sumber : Hasil Olah Data SPSS 2012 Terlihat gambar 4.1 Hasil uji grafik histrogram ini memperlihatkan bahwa pola grafik mengalami kenaikan dan penurunan menunjukkan bahwa data terdistribusi secara normal. Hasil uji normalitas dengan metode grafik normal plot disajikan pada gambar 4.2 berikut ini. 66 3 Hasil uji metode grafik normal plot. Hasil pengujian normalitas dengan alat uji metode grafik normal plot dapat dilihat pada gambar 4.2 berikut ini. Gambar 4.2 Normal P-P Plot Residual LNDividen Sumber: Hasil Olah Data SPSS, 2012 Berdasarkan gambar diatas grafik normal plot terlihat titik- titik menyebar di sekitar garis diagonal dan penyebarannya tidak jauh dari garis diagonal. Hal ini menunjukkan data telah terdistribusikan dengan normal. 67

4.2.2.2 Hasil Uji Autokorelasi

Uji autokorelasi merupakan bagian dari uji asumsi klasik yang harus dipenuhi pada model regresi linear. Autokorelasi menunjukkan bahwa ada korelasi antara kesalahan pada periode t dengan kesalahan periode t-1 sebelumnya. Maka dari itu uji autokorelasi ini dilakukan dengan menggunakan uji autokorelasi model Durbin-Watson. Tabel 4.6 Hasil Uji Autokorelasi Model Summary b Model R R Square Adjusted R Square Std. Error of the Estimate Durbin-Watson 1 .129 a .017 -.019 2.33135 1.818 a. Predictors: Constant, LN_LV, LN_SZ, LN_ROA b. Dependent Variable: LN_DVD Sumber: Hasil Olah Data SPSS,2012 Berdasarkan hasil analisis regresi pada tabel 4.6 dapat dilihat bahwa angka Durbin Watson sebesar 1,818; sedangkan besarnya DW- tabel: dl batas luar = 1.580; du batas dalam = 1.723, maka dari perhitungan disimpulkan bahwa uji DW terletak di daerah uji dud4-du hal ini tidak ada terjadinya autokorelasi positif maupun autokorelasi negatif. 68

4.2.2.3 Hasil Uji Multikolinearitas

Uji multikolinearitas bertujuan untuk mengetahui apakah di dalam model regresi ditemukannya kolerasi antara variabel independen. Untuk mendeteksi ada atau tidaknya multikolinearitas dalam suatu model regresi dapat diketahui dari nilai Tolerance dan Variance Inflation Factor VIF. VIF 5 di duga tidak mempunyai multikolinearitas dan Tolerance 0,1 maka tidak terdapat multikolinearitas. Tabel 4.7 Hasil Uji Multikolinearitas Sumber : Hasil Olah Data SPSS, 2012 Hasil uji multikolinearitas terlihat pada tabel 4.7, suatu model regresi dinyatakan bebas dari multikorealitas jika mempunyai nilai Tolerance diatas 0,1 dan nilai VIF dibawah 5. Dari tabel 4.7 menjelaskan bahwa nilai Tolerance dari ke tiga variabel independen di atas lebih besar dari 0,1 dan nilai VIF dari ke tiga variabel independen diatas lebih kecil dari angka 5. Hal ini menunjukkan tidak terjadinya multikolinearitas. Coefficients a Model Unstandardized Coefficients Standardized Coefficients T Sig. Collinearity Statistics B Std. Error Beta Tolerance VIF 1 Constant 32.561 16.057 2.028 .046 LN_SZ -4.893 5.215 -.103 -.938 .351 .984 1.017 LN_ROA -.133 .281 -.057 -.475 .636 .831 1.203 LN_LV -.169 .322 -.063 -.524 .602 .832 1.201 a. Dependent Variable: LN_DVD 69

4.2.2.4 Hasil Uji Heteroskedasitisitas

Uji heteroskedasitistas bertujuan untuk menguji apakah dalam model regresi terjadi ketidak samaan varian dari residual satu pengamatan ke pengamatan yang lain. Model regresi yang baik adalah yang homoskedastisitas atau tidak terjadi heterokedastisitas. Hasil uji heteroskedastisitas dengan menggunakan grafik scatterplot dapat dilihat pada gambar 4.3 berikut ini. Gambar 4.3 Garafik Scatterplot residual Sumber: Hasil Olah Data SPSS, 2012 Berdasarkan dari gambar 4.3 yaitu grafik scatterplot terlihat titik-titik menyebar secara acak serta tersebar baik dari di bawah angka 0 pada sumbu Y. dengan demikian dapat disimpulkan bahwa model regresi ini tidak terjadi heteroskedastisitas. 70 Dari hasil data yang di analisis telah memenuhi uji asumsi klasik dimana hasilnya menunjukkan bahwa data telah terdistribusi dengan normal, tidak terjadi multikolinearitas, tidak terjadi heteroskedastisitas dan tidak terjadi autokorelasi. Sehingga model yang di peroleh telah memenuhi asumsi dasar dalam analisis regresi yakni telah memenuhi sifat Best Linear Unbiased Estimator BLUE.

4.2.3 Hasil Uji Regresi Berganda

Berdasarkan dari data yang diperoleh lalu di analasis dengan metode regresi dan dihitung dengan menggunakan program SPSS. Berdasarkan hasil output secara partial pengaruh dari variabel independent yaitu Size, ROA dan Leverage terhadap DPS Dividen per Share maka ditunjukkan pada tabel 4.8 berikut ini. Tabel 4.8 Hasil Perhitungan Regresi Berganda Coefficients a Model Unstandardized Coefficients Standardized Coefficients t Sig. B Std. Error Beta 1 Constant 32.561 16.057 2.028 .046 LN_SZ -4.893 5.215 -.103 -.938 .351 LN_ROA -.133 .281 -.057 -.475 .636 LN_LV -.169 .322 -.063 -.524 .602 a. Dependent Variable: LN_DVD Sumber : Hasil Olah Data SPSS, 2012 Dari hasil tabel 4.8 di atas, maka dapat disusun persamaan regresi linear berganda sebagai berikut : DPS = 32,561 – 0,103 LN_SZ – 0,057 LN_ROA – 0,063 LN_LV+ e 71 Dari hasil persamaan regresi linier berganda tersebut diatas dapat dilihat nilai konstanta sebesar 32,561. Hal ini mengindikasikan bahwa DPS mempunyai nilai sebesar 32,561 dengan tidak dipengaruhi oleh variabel-variabel independen. Persamaan regresi berganda diatas dapat dijelaskan sebagai berikut: 1 Variabel ukuran perusahaan Size adalah sebesar -0,103. Tanda negatif pada variabel menunjukkan bahwa adanya peningkatan variabel size yang akan mengakibatkan penurunan pembagian dividen Dividend per Share pada perusahaan. 2 Variabel Return on Assets ROA adalah sebesar -0,057. Tanda negatif pada variabel menunjukkan bahwa adanya peningkatan variabel Return on Assets yang akan mengakibatkan penurunan pembagian dividen Dividend per Share pada perusahaan. 3 Variabel Leverage adalah sebesar -0,063. Tanda negatif pada variabel menunjukkan bahwa adanya peningkatan variabel size yang akan mengakibatkan penurunan pembagian dividen Dividend per Share pada perusahaan.

4.2.4 Hasil Uji Hipotesis