commit to user
34 tren positif dalam jangka panjang menggambarkan bahwa investasi
yang dijalankan berdampak positif pada pertumbuhan perusahaan sedangkan negatif menunjukkan penurunan pertumbuhan. IOS
mencerminkan bahwa pasar menilai return dari investasi perusahaan di masa depan akan lebih besar dari return yang diharapkan dari
ekuitasnya. IOS perusahaan yang semakin tinggi akan meningkatkan nilai dividen kas Hartono dalam Budiarsi, 2000.
E. Metode Analisis Data
1. Uji Asumsi Klasik a. Uji Normalitas
Uji normalitas digunakan untuk mengetahui apakah populasi data berdistribusi normal atau tidak. Uji ini biasanya digunakan untuk
mengukur data berskala ordinal, interval, ataupun ratio. Jika analisis menggunakan metode parametrik, maka persyaratan normalitas harus
terpenuhi, yaitu data berasal dari distribusi yang normal. Jika data tidak berdistribusi normal adalah dengan melakukan transformasi data.
Dalam pengujian normalitas akan dilakukan dengan menggunakan uji One Sample Kolmogorov-Smirnov dengan menggunakan taraf
signifikansi 0,05. Data dinyatakan berdistribusi normal jika signifikansi lebih besar dari 5 atau 0,05. Uji normalitas digunakan untuk
commit to user
35 mengetahui apakah populasi berdistribusi secara normal atau tidak.
Untuk mendeteksi normalitas data dapat dilakukan dengan uji Kolmogorov-Smirnov Ghozali, 2005.
b. Uji Multikolinearitas Uji multikolinearitas digunakan untuk mengetahui ada atau tidaknya
penyimpangan asumsi klasik multikolinearitas, yaitu adanya hubungan linear antar variabel independen dalam model regresi. Prasyarat yang
harus dipenuhi
dalam model
regresi adalah
tidak adanya
multikolinearitas Dwi Priyatno, 2008. Adanya multikolinearitas menyebabkan standard error cenderung semakin besar dengan
meningkatnya tingkat korelasi antar variabel dan standard error menjadi sangat sensitif terhadap perubahaan data. Pada umumnya
multikoleniaritas dapat diketahui dari nilai Variance Inflation Factor VIF atau tolerance value nilai toleransi. Batas nilai toleransi adalah
0,10 dan batas VIF adalah 10. Apabila hasil analisis menunjukkan nilai VIF dibawah nilai 10 dan nilai toleransi diatas nilai 0,10 maka tidak
terjadi multikoleniaritas sehingga model reliable sebagai dasar analisis. Sedangkan variabel yang dapat menyebabkan multikolinearitas dapat
dilihat dari nilai toleransi yang lebih kecil dari 0,1 atau nilai VIF yang lebih besar dari 10 Merdiana, 2009
c. Uji Autokorelasi Uji autokorelasi bertujuan untuk menguji apakah dalam model regresi
linier ada korelasi antara kesalahan pengganggu pada periode t dengan
commit to user
36 kesalahan pengganggu pada periode t-1 sebelumnya. Jika ada korelasi
maka terjadi problem autokorelasi. Masalah ini muncul karena residual kesalahan pengganggu tidak bebas dari satu observasi ke observasi
lainnya. Hal ini sering ditemukan pada data runtun waktu Ghozali, 2005. Untuk mengetahui adanya autokorelasi yaitu dengan Durbin
Waston DW, dengan kriteria menurut Santoso 2002: 1 Apabila nilai DW berada di antara dU sampai dengan 4 – dU atau
dU 4-dU, maka koefisien autokorelasi sama dengan nol yang berarti bahwa tidak ada autokorelasi;
2 Apabila nilai DW lebih kecil daripada dL, koerfisien autokorelasi lebih besar daripada nol. Artinya ada autokorelasi positif;
3 Apabila nilai DW lebih besar daripada 4-dL atau DW 4-dL, koefisien autokorelasi lebih besar daripada nol, maka ada
autokorelasi negatif. Jika model mengalami autokorelasi, perbaikan model dapat dilakukan
dengan transformasi data baik dengan logaritma maupun logaritma natural.
d. Uji Heterokedastisitas Uji Heterokedastisitas bertujuan menguji apakah dalam metode regresi
terjadi ketidaksamaan variance dari residual satu pengamatan ke pengamatan lain tetap. Model regresi yang baik adalah yang
homoskesdatisitas atau tidak terjadi heteroskesdatisitas Ghozali, 2005. Gujarati 2003 menyatakan bahwa terdapat beberapa metode yang
commit to user
37 digunakan untuk mendeteksi ada tidaknya gejala heteroskedastisitas
seperti metode grafik, park, glejser, rank spearman dan Barlett. Untuk mendeteksi gejala heteroskedastisitas dalam persamaan regresi
digunakan metode glejser. Dengan metode ini yang harus dilakukan adalah melakukan regresi sederhana antara nilai absolute residuals e
t
dan tiap-tiap variabel independen. Apabila nilai signifikansi lebih besar dari tingkat signifikansinya yaitu 0,05 dan apabila nilai t hitung t tabel
maka tidak ada masalah heteroskedastisitas pada model. 2. Pengujian Hipotesis
Pengujian hipotesis dalam penelitian ini menggunakan uji statistik regresi linier berganda Multiple Regression Analysis dengan menggunakan
program aplikasi SPSS Statistical Product and Service Solutions 15 for Windows. Untuk mengetahui arah hubungan antara variabel independen
dengan variabel dependen apakah masing-masing variabel independen berhubungan positif atau negatif dan untuk memprediksikan nilai dari
variabel dependen apabila nilai independen mengalami kenaikan atau penurunan dilakukan uji parsial t test dan uji statistik F-test dengan
tingkat signifikansi á 5 atau á = 0,05 Dwi Priyatno, 2008. Sedangkan untuk menentukan variabel independen yang paling
mempengaruhi variabel dependen dalam suatu model regresi linier berganda digunakan nilai koefisien beta. Nilai koefisien beta yang paling
besar menunjukkan
variabel independen
yang paling
dominan mempengaruhi variabel dependen.
commit to user
38 Dalam penelitian ini, persamaan regresi linier berganda sebagai berikut:
Y = a + b1x1 + b2x2 + c3x3 + e
Di mana : Y = Dividen Kas DPR
a = Intercept Konstanta
x1 = Profitabilitas ROE x2 = Likuiditas QR
x3 = Investment Opportunity Set IOSMVEBVE Ghozali 2005 membuktikan hipotesis dengan menggunakan uji F dan uji
T. Pengujian dilakukan dengan bantuan program komputer SPSS. Adapun kegunaan dari masing-masing pengujian adalah sebagai berikut:
a Uji Simultan F Hitung F hitung bertujuan untuk mengetahui besarnya pengaruh semua variabel
independen yang terdapat didalam model secara bersama-sama simultan terhadap variabel dependen. Dalam penelitian ini, uji F
bertujuan untuk mengetahui pengaruh variabel independen yaitu profitabilitas, likuiditas, dan IOSMVEBVE secara bersama-sama
terhadap dividen kas. b Uji Parsial T Hitung
T hitung bertujuan untuk menguji secara parsial antara variabel independen terhadap variabel dependen dengan asumsi bahwa variabel
lain dianggap konstan, dengan tin gkat keyakinan 95 α = 5. Uji ini
dilakukan sekaligus untuk melihat koefisien regresi secara individual
commit to user
39 variabel penelitian. Koefisien regresi yang paling tinggi merupakan
koefisien dominan yang mempengaruhi variabel penelitian. c Determinasi R
2
Analisis determinasi dalam regresi linear berganda digunakan untuk mengetahui presentase sumbangan pengaruh variabel independen secara
serentak terhadap variabel dependen. Koefisien ini menunjukkan seberapa besar presentase variasi variabel independen yang digunakan
dalam model mampu menjelaskan variasi variabel dependen. R
2
sama dengan 0, maka tidak ada sedikitpun presentase sumbangan pengaruh
yang diberikan variabel independen terhadap variabel dependen, atau variasi variable independen yang digunakan dalam model mampu
menjelaskan sedikitpun variasi variabel dependen. Sebaliknya R
2
sama dengan 1, maka presentase sumbangan pengaruh yang diberikan
variabel independen terhadap variabel dependen adalah sempurna, atau variasi variabel independen yang digunakan dalam model mampu
menjelaskan 100 variasi variable dependen Dwi Priyatno, 2008.
commit to user
40
BAB IV ANALISIS DATA DAN PEMBAHASAN