Uji Asumsi Klasik ANALISIS DATA DAN PEMBAHASAN

commit to user 52 rata 6,8322 dan nilai standar deviasi 4,36311 dimana nilai standar deviasi lebih kecil dari nilai rata-rata sehingga dapat dinyatakan variabel ROA memiliki sebaran data tidak besar dengan minimum data – 1,41 dan maksimum 15,35. Untuk variabel levera ge keuangan, nilai rata-rata 0,4007 dan nilai standar deviasi 0,20805 dimana nilai standar deviasi lebih kecil dari nilai rata-rata sehingga dapat dinyatakan variabel levera ge memiliki sebaran data yang tidak besar dengan minimum data 0,06 dan maksimum 0,88. Sedangkan untuk variabel pertumbuhan perusahanan PER nilai standar deviasi 11,61818 dan nilai rata-rata 13,2750. Dengan standar deviasi yang lebih kecil dari nilai rata-rata menunjukkan sebaran tidak terlalu besar yang ditunjukkan dengan nilai maksimum dan minimum masing-masing sebesar 50,19 dan - 6,94. Dan untuk variabel kebijakan dividen DPR nilai standar deviasi 25,88004 dan nilai rata-rata 32,7578. Dengan standar deviasi yang lebih kecil dari nilai rata-rata menunjukkan sebaran tidak terlalu besar yang ditunjukkan dengan nilai maksimum dan minimum masing-masing sebesar – 113,81 dan – 61,29.

C. Uji Asumsi Klasik

1. Uji Normalitas Data Tahap kedua adalah uji normalitas data, hal ini penting untuk mengetahui residual berdistribusi secara normal. Untuk mengetahui data berdistribusi secara normal digunakan uji Kolmogorov-Smirnov K-S. commit to user 53 Hasil perhitungan uji normalitas menggunakan program SPSS 17 for Windows dapat dilihat pada tabel 3 berikut : Tabel 3 Hasil Uji Normalitas Data One-Sample Kolmogorov-Smirnov Test U N 46 Normal Parameters a,,b Mean .0000000 Std. Deviation 22.19375593 Most Extreme Differences Absolute .105 Positive .079 Negative -.105 Kolmogorov-Smirnov Z .713 Asymp. Sig. 2-tailed .689 a. Test distribution is Normal. b. Calculated from data. Sumber: Data diolah, 2012 Pada tabel diatas terlihat bahwa uji Kolmogrov-Smirnov didapatkan hasil signifikansi sebesar 0,689. Hal ini berarti nilai signifikansi berada di atas 0,05 yang mengindikasikan data tersebut berdistribusi normal. Cara lain untuk menguji normalitas data dengan teknik grafik plot yaitu melihat nilai residual pada model regresi yang akan di uji. Jika sampel berasal dari sebuah populasi yang normal, titik-titik dalam plot akan jatuh di sekitar garis lurus. Jika sampel berasal dari sebuah populasi yang tidak normal, plot akan terlihat seperti kurva. Dalam pengujian ini dilakukan dengan program SPSS 17 for Windows . Gambar 2 menunjukkan hasil pengujian normalitas data. commit to user 54 Sumber: Data diolah , 2012 Gambar 2 Hasil Pengujian Normalitas Data Berdasarkan gambar 2 menunjukkan bahwa titik-titik dalam plot jatuh di sekitar garis lurus dan tidak ada data yang menyimpang secara ekstrim. Dengan demikian dapat disimpulkan bahwa semua data dalam penelitian ini berdistribusi normal. 2. Uji Multikolinieritas Multikolinieritas terjadi jika variabel independen secara kuat berkorelasi satu sama lain. Multikolinieritas terdeteksi apabila dari persamaan regresi didapatkan nilai adjusted R square yang tinggi sedangkan nilai tiap variabelnya rendah. Pengujiannya adalah dengan melihat koefisien VIF. Apabila berada pada kisaran 0,1 sampai dengan 10 commit to user 55 maka disimpulkan tidak terjadi multikolinieritas. Hasil pengolahan data dengan program SPSS 17 for Windows sebagai berikut: Tabel 4 Hasil Pengujian Multikolinieritas Variabel Nilai VIF Insider 1,439 Capital Market 1,305 ROA 1,468 Leverage 1,155 PER 1,391 Sumber: Data diolah, 2012 Hasil olah data tersebut secara jelas menunjukkan nilai VIF dari tiap-tiap variabel berada pada posisi 0,1 sampai dengan 10 sehingga dapat disimpulkan tidak terjadi multikolinieritas pada variabel yang diteliti. Besarnya nilai VIF masing-masing variabel adalah biaya agensi Insider sebesar 1,439; ukuran perusahaan Capita l Ma rket sebesar 1,305; profitabilitas ROA sebesar 1,468; leverage keuangan sebesar 1,155; dan pertumbuhan perusahaan PER sebesar 1,391. 3. Uji Autokorelasi Autokorelasi terjadi jika pengganggu, e, berkorelasi dari waktu ke waktu. Terjadinya korelasi karena sebuah kejadian dalam satu periode waktu mungkin mempengaruhi satu kejadian di periode waktu berikutnya. Dalam penelitian ini digunakan uji Durbin Watson dan Runs Test . Hasil pengujian Durbin Watson dengan program SPSS 17 for Windows dapat dilihat pada tabel 5 berikut : commit to user 56 Tabel 5 Hasil Uji Durbin-Watson Model Summary b Model R R Square Adjusted R Square Std. Error of the Estimate Durbin-Watson 1 .514 a .265 .173 23.54003 2.266 a. Predictors: Constant, PER, Leverage, Capital Market, ROA, Insider b. Dependent Variable: DPR Sumber: data diolah, 2012 Dari hasil diatas dapat dilihat koefisien Durbin-Watson menunjukkan angka sebesar 2,266, sedangkan nilai d u dan d l pada tabel DW masing-masing sebesar 1,776 dan 1,287. Gambar 3 Gambar Grafik Durbin-Watson Suatu data dikatakan bebas autokorelasi jika nilai dw diantara d u dan 4 - d u . Karena nilai d berada diantara 4 - d u dan 4 - d l maka dapat disimpulkan bahwa model tersebut pada daerah tanpa keputusan. Korelasi dapat terjadi karena banyak data dalam penelitian bergerak bersama-sama Chandra Wijaya, 2005. Karena data masuk ke dalam daerah tanpa keputusan, maka perlu dilakukan pengobatan terhadap data commit to user 57 yang akan dianalisis yaitu dengan mentransformasi model awal menjadi model difference : DIVPOL t = β 1 + β 2 INDS t + β 3 SIZE t + β 4 PROF t + β 5 FLEVER t + Β 6 PER t + µ …………………………………. Persamaan IV.1 Diasumsikan bahwa residual atau error mengikuti a utoregressive AR1 sebagai berikut: µ t = ρμ t-1 + ε t – 1 ρ 1 ………..……..…….……...Persamaan IV.2 Dengan mentransformasikan data kedalam bentuk logaritma natural, kemudian dilakukan regresi maka dapat diketahui dengan menghitung menggunakan rumus Theil dan Nagar sebagai berikut : ………………………………………Persamaan IV.3 Jika persamaan persamaan IV.1 benar untuk waktu t, maka akan benar juga dengan waktu t-1, sehingga : DIVPOL t-1 = β 1 + β 2 INDS t-1 + β 3 SIZE t-1 + β 4 PROF t-1 + β 5 FLEVER t-1 + Β 6 PER t-1 + µ t-1 ……………………..…………. Persamaan IV.4 Sisi kanan dan kiri persamaan dikalikan dengan ρ diperoleh persamaan sebagai berikut : ρDIVPOL t-1 = ρβ 1 + ρβ 2 INDS t-1 + ρβ 3 SIZE t-1 + ρβ 4 PROF t-1 + ρβ 5 FLEVER t-1 + ρβ 6 PER t-1 + ρµ t-1 ……..…..…. Persamaan IV.5 commit to user 58 Dengan mengurangkan persamaan VI.1 dan VI.5 akan diperoleh persamaan sebagai berikut : DIVPOL t - ρDIVPOL t-1 = β 1 1 – ρ + β 2 INDS t - ρINDS t-1 + β 3 SIZE t – ρSIZE t-1 + β 4 PROF t - ρPROF t-1 + β 5 FLEVER t - ρFLEVER t-1 + β 6 PER t - ρPER t-1 + ε t ……………………..… Persamaan IV.6 Dimana ε t = µ t - ρµ t-1 Sehingga persamaan diatas dinyatakan sebagai berikut : DIVPOL t = β 1 + β 2 INDS t + β 3 SIZE t + β 4 PROF t + β 5 FLEVER t + β 6 PERt + ε t ………………………………. Persamaan IV.7 Oleh karena residual persamaan IV.7 memenuhi asumsi OLS, maka kita dapat menggunakan OLS untuk menaksir persamaan IV.7 yaitu dengan meregresikan dengan metode estimasi Genera lized Lea st Squa re GLS. Setelah itu dilakukan kembali pengujian Durbin-Watson sehingga menghasilkan : Tabel 6 Hasil Uji Durbin-Watson [Revisi] Model Summary b Model R R Square Adjusted R Square Std. Error of the Estimate Durbin-Watson 1 .534 a .285 .194 23.31152 1.809 a. Predictors: Constant, PERstar, Caparketstar, Leveragestar, INSDstar, ROAstar b. Dependent Variable: DPRstar Dari hasil di atas dapat dilihat koefisien Durbin-Watson revisi menunjukkan angka sebesar 1,809, sedangkan nilai d u sebesar 1,776. Seperti disebutkan di atas bahwa suatu data dikatakan bebas autokorelasi commit to user 59 jika nilai dw diantara d u dan 4 - d u , maka setelah pengobatan di atas nilai dw dalam penelitian ini berada diantara d u dan 4 - d u 1,776 ≤ 1,809 ≤ 2,224. Dengan demikian dapat disimpulkan bahwa data bebas autokorelasi positif atau negatif. Cara lain pengujian ada tidaknya gejala autokorelasi pada model dengan melihat nilai signifikansi pada Runs Test . Suatu data dikatakan tidak terjadi autokorelasi jika memiliki nilai signifikansi di atas 5. Hasil pengujian Runs Test setelah data ditransformasikan dengan program SPSS 17 for Windows dapat dilihat pada tabel 7 berikut: Tabel 7 Hasil Uji Runs Test Runs Test Unstandardized Residual Test Value a .36152 Cases Test Value 22 Cases = Test Value 23 Total Cases 45 Number of Runs 26 Z .607 Asymp. Sig. 2-tailed .544 a. Median Dari hasil di atas dapat dilihat bahwa nilai signifikansi menunjukkan angka sebesar 0,544 yang berarti nilai Runs Test berada diatas 5. Dengan demikian dapat disimpulkan bahwa tidak terjadi autokorelasi positif atau negatif. commit to user 60 4. Uji Heteroskedastisitas Pengujian asumsi klasik terakhir adalah heteroskedastisitas. Asumsi dari regresi linier menyatakan bahwa pengganggu, e, dalam persamaan regresi populasi mempunyai varians yang konstan. Salah satu cara untuk menguji heteroskedastisitas adalah dengan uji Glejser. Uji Glejser dilakukan dengan meregres nilai absolut residual terhadap variable independen. Apabila koefisien parameter beta dari persamaan regresi tersebut signifikan secara statistik, hal ini menunjukkan bahwa model yang diestimasi terdapat heteroskedastisitas, dan sebaliknya jika parameter beta tidak signifikan secara statistik maka asumsi homoskedastisitas pada model tidak dapat ditolak. Uji Glejser dilakukan menggunakan program SPSS 17 for Windows , hasilnya dapat dilihat pada tabel 8 berikut: Tabel 8 Hasil Uji Glejser Coefficients a Model Unstandardized Coefficients Standardized Coefficients t Sig. B Std. Error Beta 1 Constant 21.308 22.748 .937 .355 INSDstar 41.626 36.349 .207 1.145 .259 Caparketstar -.442 1.569 -.049 -.281 .780 ROAstar .074 .639 .021 .116 .908 Leveragestar 10.953 11.676 .152 .938 .354 PERstar -.421 .233 -.323 -1.813 .078 a. Dependent Variable: abs commit to user 61 Berdasarkan tabel di atas, diketahui bahwa koefisien parameter untuk variabel independen tidak ada yang signifikan atau nilainya di atas 0,05. Dengan demikian dapat disimpulkan bahwa model regresi tidak terjadi heteroskedastisitas. Cara lain pengujian heteroskedastisitas dengan melihat penyebaran data pada grafik scatter plot . Dalam sebuah plot residual, nilai residual seharusnya terlihat tersebar secara random, tanpa adanya pola yang sistematik. Jika varians tidak konstan, dalam sebuah plot residual, nilai residual akan membentuk pola yang sistematik. Kejadian ini menunjukkan adanya heteroskedastisitas. Pengujian ini dilakukan dengan program SPSS 17 for Windows . Sumber: Data diolah, 2012 Gambar 4 Hasil Pengujian Heteroskedastisitas commit to user 62 Berdasarkan gambar di atas terlihat bahwa plot residual persamaan regresi tidak menunjukkan pola yang sistematik dan data tersebar secara random. Dengan demikian persamaan regresi yang digunakan dalam penelitian ini tidak terjadi heteroskedastisitas.

D. Uji Hipotesis