3.5 Rancangan analisis dan uji hipotesis
3.5.1 Rancangan Analisis
Menurut Umi Narimawati 2010:41 pengertian rancangan analisis adalah: “Rancangan analisis adalah proses mencari dan menyusun secara sitematis
data yang telah diperoleh dari hasil observasi lapangan dan dokumentasi dengan cara mengorganisasikan data kedalam kategori, menjabarkan
kedalam unit-unit, melakukan sintesa, menyusun kedalam pola, memilih mana yang lebih penting dan yang akan dipelajari, dan membuat
kesimpul
an sehingga mudah dimengerti.”. Sebagaimana yang telah disebutkan sebelumnya, bahwa metode penelitian
yang digunakan dalam penelitian penulis adalah metode deskriptif dan verifikatif dengan pendekatan kuantitatif, maka metode analisis yang digunakan adalah
metode analisis kuantitatif. Analisis kuantitatif menurut Sugiyono 2012: 9 sebagai berikut :
“Metode yang dapat diartikan sebagai metode analisis yang berlandaskan pada filsafat positivisme, digunakan untuk meneliti pada populasi dan
sampel tertentu, pengumpulan data menggunakan instrument penelitian, analisis data bersifat statistik dengan tujuan untuk menguji hipotesis yang
telah ditetapkan
.” Dalam penelitian ini, analisis kuantitatif dijelaskan melalui analisis
statistik inferensial, menurut Sugiyono 2012:148 statistik inferensial adalah : “Statistik inferensial adalah teknik statistik yang digunakan untuk
menganalisis data sampel dan hasilnya diberlakukan untuk populasi. Selain itu analisis statistik inferensial juga disebut dengan statistik
probabilitas, karena kesimpulan yang diberlakukan untuk populasi berdasarkan sampel itu kebenarannya bersifat peluang probability yaitu
peluang kesalahan dan kepercayaan yang dinyatakan dalam bentuk
prosentase.” Statistik inferensial terbagi atas statistik parametric dan statistik
nonparametric . Statistik inferensial dalam penelitian penulis adalah statistik
parametric .
Sugiyono 2012:150 menjelaskan statistik parametric sebagai berikut : “Statistik parametric kebanyakan digunakan untuk menganalisis data
interval dan rasio
.” Oleh karena itu, metode analisis kuantitatif cocok digunakan dalam
penelitian penulis karena data sampel dalam penelitian penulis memiliki nilai dengan skala rasio.
Adapun langkah-langkah analisis kuantitatif yang digunakan pada
penelitian ini adalah sebagai berikut :
1. Pengujian Asumsi Klasik Regresi Pengujian mengenai ada tidaknya pelanggaran asumsi-asumsi klasik yang
merupakan dasar dalam model regresi linier berganda. Beberapa asumsi klasik regresi yang harus dipenuhi terlebih dahulu sebelum menggunakan analisis
regresi linear berganda Multiple Linear Regression sebagai alat untuk menganalisis pengaruh variabel-variabel yang diteliti terdiri atas :
a. Uji Normalitas Data Residual Uji normalitas digunakan untuk menguji apakah model regresi mempunyai
distribusi normal ataukah tidak. Asumsi normalitas merupakan persyaratan yang sangat penting pada pengujian signifikansi koefisien regresi. Model
regresi yang baik adalah model regresi yang memiliki distribusi normal atau mendekati normal, sehingga layak dilakukan pengujian secara statistik.
Dasar pengambilan keputusan bisa dilakukan berdasarkan probabilitas Asymtotic Significance, yaitu:
a Jika probabilitas 0,05 maka distribusi dari populasi adalah normal. b Jika probabilitas 0,05 maka populasi tidak berdistribusi secara normal
Pengujian secara visual dapat juga dilakukan dengan metode gambar normal Probability Plots
dalam program SPSS. Dengan dasar pengambilan keputusan sebagai berikut:
a Jika data menyebar disekitar garis diagonal dan mengikuti arah garis diagonal, maka dapat disimpulkan bahwa model regresi memenuhi
asumsi normalitas. b Jika data menyebar jauh dari garis diagonal dan tidak mengikuti arah
garis diagonal, maka dapat disimpulkan bahwa model regresi tidak memenuhi asumsi normalitas.
Selain itu uji normalitas digunakan untuk mengetahui bahwa data yang diambil berasal dari populasi berdistribusi normal. Uji yang digunakan untuk
menguji kenormalan adalah uji Kolmogorov-Smirnov. Berdasarkan sampel ini akan diuji hipotesis nol bahwa sampel tersebut berasal dari populasi
berdistribusi normal melawan hipotesis tandingan bahwa populasi berdistribusi tidak normal.
b. Uji Multikolinieritas Multikolinieritas merupakan suatu situasi dimana beberapa atau semua
variabel bebas berkorelasi kuat. Jika terdapat korelasi yang kuat di antara sesama variabel independen maka konsekuensinya adalah:
a Koefisien-koefisien regresi menjadi tidak dapat ditaksir. b Nilai standar error setiap koefisien regresi menjadi tidak terhingga.
Dengan demikian berarti semakin besar korelasi diantara sesama variable independen, maka tingkat kesalahan dari koefisien regresi semakin besar
yang mengakibatkan standar errornya semakin besar pula. Cara yang digunakan untuk mendeteksi ada tidaknya multikoliniearitas adalah
dengan:menggunakan Variance Inflation Factors VIF.
Gujarati, 2004: 351. Dimana R
i 2
adalah koefisien determinasi yang diperoleh dengan meregresikan salah satu variabel bebas X
i
terhadap variabel bebas lainnya. Jika nilai VIF nya kurang dari 10 maka dalam data tidak terdapat Multikolinieritas Gujarati,
2003: 362 c. Uji Heteroskedastisitas
Situasi heteroskedastisitas akan menyebabkan penaksiran koefisien-koefisien regresi menjadi tidak efisien dan hasil taksiran dapat menjadi kurang atau
melebihi dari yang semestinya. Dengan demikian, agar koefisien-koefisien regresi tidak menyesatkan, maka situasi heteroskedastisitas tersebut harus
dihilangkan dari model regresi. Untuk menguji ada tidaknya heteroskedastisitas digunakan uji Rank
Spearman yaitu dengan mengkorelasikan masing-masing variabel bebas terhadap nilai absolut dari residual. Jika nilai koefisien korelasi dari masing-
masing variabel bebas terhadap nilai absolut dari residual error ada yang signifikan, maka kesimpulannya terdapat heteroskedastisitas varian dari
residual tidak homogen Gujarati, 2003: 406.
Selain itu, dengan menggunakan program SPSS, heteroskedastisitas juga bisa dilihat dengan melihat grafik scatterplot antara nilai prediksi variabel
dependen yaitu ZPRED dengan residualnya SDRESID. Jika ada pola tertentu seperti titik-titik yang ada membentuk pola tertentu yang teratur, maka telah
terjadi heteroskedastisitas. Sebaliknya, jika tidak membentuk pola tertentu yang teratur, maka tidak terjadi heteroskedastisitas.
d. Uji Autokorelasi Autokorelasi didefinisikan sebagai korelasi antar observasi yang diukur
berdasarkan deret waktu dalam model regresi atau dengan kata lain error dari observasi yang satu dipengaruhi oleh error dari observasi yang sebelumnya.
Akibat dari adanya autokorelasi dalam model regresi, koefisien regresi yang diperoleh menjadi tidak effisien, artinya tingkat kesalahannya menjadi sangat
besar dan koefisien regresi menjadi tidak stabil. Untuk menguji ada tidaknya autokorelasi, dari data residual terlebih dahulu dihitung nilai statistik Durbin-
Watson D-W:
Gujarati, 2003: 467 Kriteria uji: Bandingkan nilai D-W dengan nilai d dari tabel Durbin-Watson:
a Jika D-W d
L
atau D-W 4-d
L
, maka pada data tersebut terdapat autokorelasi
b Jika d
U
D-W 4-d
U
, kesimpulannya pada data tidak terdapat autokorelasi
c Tidak ada kesimpulan jika d
L
D- W ≤ d
U
atau 4-d
U
D- W ≤ 4-d
L
Gujarati, 2003: 470
2. Analisis Regresi Linier Berganda Menurut Sugiyono 2012:192 analisis regresi linear digunakan untuk
melakukan prediksi bagaimana perubahan nilai variabel dependen bila nilai variabel independen dinaikanditurunkan. Bentuk persamaan dari regresi
linier berganda ini yaitu : Y =
α + β
1
X
1
+ β
2
X
2
Sumber: Sugiyono 2012:192 Keterangan :
Y = Dividen payout ratio a = konstanta, merupakan nilai terikat yang dalam hal ini adalah Y pada
saat variabel bebasnya adalah 0 X
1
, X
2
= 0 β
1
= koefisien regresi berganda antara variabel bebas X
1
terikat Y, apabila variabel bebas X
2
diangap konstan. β
2
= koefisien regresi berganda antara variabel bebas X
2
terikat Y, apabila variable bebas X
1
diangap konstan. X = variabel independen, yang terdiri dari Free Cash Flow X
1
, Debt to Equity Ratio
X
2
terhadap variable. Regresi linier berganda dengan dua variabel bebas X
1
dan X
2
metode kuadrat kecil memberikan hasil bahwa koefisien-koefisien a, b
1
, dan b
2
dapat dihitung dengan menggunakan rumus sebagai berikut:
Sumber: Sugiyono, 2010:279
3. Analisis Koefisien Korelasi Pearson Analisis koefisen korelasi pearson digunakan untuk mengukur ada atau
tidaknya hubungan linier antara variabel bebas X dan variabel terikat Y. Dalam analisis regresi, analisis korelasi yang digunakan juga menunjukan
∑y = a+ b
1
∑X
1
+ b
2
∑X
2
∑X
1
y = a∑X
1
+ b
1
∑X
1 2
+b
2
∑X
1
X
2
∑X
2
y = a∑X
2
+ b
1
∑X
1
X
2
+ b
2
∑X
2 2
arah hubungan antara variable dependen dengan variable independen selain mengukur kekuatan hubungan. Menurut Umi Narimawati 2010:49,
pengujian korelasi digunakan untuk mengetahui kuat tidaknya hubungan antara variable X dan Y, dapat menggunakan pendekatan korelasi Pearson
dengan rumus dengan rumus sebagai berikut :
Keterangan : r = Koefisien Korelasi
n = Jumlah data X = Variabel Bebas Independen
Y= Variabel Terikat Dependen
Langkah-langkah perhitungan uji statistik dengan menggunakan analisis korelasi pearson dapat diuraikan sebagai berikut:
1 Koefisien Korelasi Parsial Koefisien korelasi parsial antara X1 terhadap Y, bila X2 dianggap konstan
dapat dihitung dengan menggunakan rumus sebagai berikut :
2 Koefisien Korelasi Parsial Koefisien korelasi parsial antara X2 terhadap Y, bila X1 dianggap konstan
dapat dihitung dengan menggunakan rumus sebagai berikut:
3 Koefisien Korelasi Secara Simultan Koefisien korelasi simultan antar X
1
dan X
2
terhadap Y dapat dihitung dengan menggunakan rumus sebagai berikut:
Koefisien korelasi mempunyai nilai - 1 ≤ r ≤ +1 dimana :
a. Apabila r = +1, maka korelasi antara kedua variabel dikatakan sangat kuat dan searah, artinya jika X naik sebesar 1 maka Y juga akan naik sebesar 1
atau sebaliknya. b. Apabila r = 0, maka hubungan antara kedua variabel sangat lebar atau
tidak ada hubungan sama sekali. c. Apabila r = -1, maka korelasi antara kedua variabel sangat kuat dan
berlawanan arah, artinya apabila X naik sebesar 1 maka Y akan turun sebesar 1 atau sebaliknya.
Untuk memberikan interpretasi koefisien korelasinya maka penulis menggunakan pedoman sebagai berikut
Tabel 3.10 Interpretasi Koefisien Korelasi
Sumber : SPSS Teori dan Latihan, Jonathan Sarwono, 2005
Interval Koefisien Tingkat Hubungan
0,00 – 0,25
Korelasi sangat lemah tidak ada 0,25
– 0,5 Korelasi cukup
0,5 – 0,75
Korelasi kuat 0,75
– 1 Korelasi sangat kuat
4. Koefisien Determinasi Dalam analisis korelasi terdapat suatu angka yang disebut dengan koefisien
determinasi yang sering disebut koefisien penentu, karena besarnya adalah kuadrat dari koefisien korelasi r
2
. Sehingga koefisien ini berguna untuk mengetahui besarnya kontribusi pengaruh free cash flow dan debt to equity
ratio terhadap dividend payout ratio, dengan menggunakan rumus sebagai
berikut : Keterangan :
Kd = Koefisien Determinasi r = Koefisien Korelas
3.5.2 Uji Hipotesis
Kategori