3. Koefisien X
2
= -0,012, ini menunjukkan apabila terjadi perubahan variabel KM sebesar 1 satuan akan meningkatkan DER sebesar -0,012 atau -1,2 dengan
asumsi variabel independen lainnya tetap atau sama dengan nol. 4. Koefisien X
3
= 0,295, ini menunjukkan apabila terjadi perubahan variabel SKI sebesar 1 satuan akan meningkatkan DER sebesar -0,295 atau -29,5 dengan
asumsi variabel independen lainnya tetap atau sama dengan nol. 5. Koefisien X
4
= 0,176, ini menunjukkan apabila terjadi perubahan variabel UP sebesar 1 satuan akan meningkatkan DER sebesar 0,176 atau 17,6 dengan
asumsi variabel independen lainnya tetap atau sama dengan nol.
4.4 Uji Hipotesis
4.4.1 Analisis Koefisien Korelasi dan Koefisien Determinasi
Nilai koefisien korelasi R menunjukkan seberapa besar korelasi atau hubungan antara variabel-variabel independen dengan variabel dependen.
Koefisien korelasi dikatakan kuat jika nilai R berada diatas 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. Oleh karena itu, digunakan nilai adjusted R square
untuk mengevaluasi mana model regresi terbaik.
Universitas Sumatera Utara
Tabel 4.7 Hasil Analisis Koefisien Korelasi dan Koefisien Determinasi
Model Summary
b
Model R
R Square Adjusted R Square
Std. Error of the Estimate
d
e s
o 1
.409
a
.167 .056
.88734
Pada model summary di atas, angka R sebesar 0,409 menunjukkan bahwa
terdapat korelasi atau hubungan yang lemah antara DER dengan FCF, KM, SKI dan UP yaitu sebesar 40,9 yang berada dibawah 0,5 50. Angka adjusted R
atau koefisien determinasi adalah 0,056. Angka ini menunjukkan bahwa 40,9 variasi atau perubahan dalam model DER dapat dijelaskan oleh variasi FCF, KM,
SKI, dan UP. Sedangkan sisanya 100 - 40,9 = 59,1 dijelaskan oleh faktor-faktor
lain yang tidak dimasukkan dalam model penelitian. Strandar Error of the Estimate SEE adalah 0,88734, semakin besar SEE akan membuat model regresi
kurang tepat dalam memprediksi variabel dependen.
a. Predictors: Constant, FCF, KM, SKI, UP b. Dependent Variabel : DER
Sumber : Output SPSS, diolah Penulis, 2012
Universitas Sumatera Utara
4.4.2 Uji Signifikansi Simultan Uji F
Secara simultan, pengujian hipotesis dilakukan dengan uji F F
test
. Uji F dilakukan untuk menguji apakah variabel-variabel independen berpengaruh secara
simultan terhadap variabel dependen. Adapun hipotesis untuk uji F adalah : H
1
: Free Cash Flow FCF, Kepemilikan Manajerial KM, Set Kesempatan Investas SKI. Dan Ukuran Perusahaan UP berpengaruh signifikan
terhadap Kebijakan Hutang DER. Uji ini membandingkan signifikansi F
hitung
dengan ketentuan: 1. Jika F
hitung
F
tabel
pada α 0,05, maka H
1
ditolak, dan 2. Jika F
hitung
F
tabel
pada α 0,05, maka H
1
diterima. Setelah uji F dilakukan, maka diperoleh nilai F
hitung
dan nilai signifikansi seperti dibawah ini.
Tabel 4.8 Hasil Uji F
ANOVA
b
Model Sum of Squares
df Mean Square
F Sig.
1 Regression
4.745 4
1.186 1.507
.225
a
Residual 23.621
30 .787
Total 28.366
34 a. Predictors: Constant, UP, FCF, KM, SKI
b. Dependent Variable: DER
Dari hasil uji ANOVA atau F
test
, diperoleh F
hitung
sebesar 1,507 dengan derajat kebebasan tingkat df
1
ialah 4 dan derajat kebebasan df
2
ialah 30. Jika dibandingkan dengan F
tabel
dengan tingkat signifikansi 0,05 diperoleh F
tabel
ialah 1,697. Dengan demikian F
hitung
F
tabel
yang berarti H
1
ditolak dan H diterima.
Universitas Sumatera Utara
Berdasarkan hasil tersebut dapat disimpulkan bahwa FCF, KM, SKI, dan UP secara simultan tidak berpengaruh signifikan terhadap DER perusahaan,
karena F
hitung
F
tabel
1,507 1,697 dan signifikansi penelitian 0,05 yaitu 0,225 0,05.
4.4.3 Uji Signifikansi Parsial Uji t
