Pada tahun 2009, nilai Dividend Payout Ratio tertinggi pada perusahaan Manufaktur dimiliki oleh PT. Goodyear Indonesia,Tbk GDYR dengan nilai
301,82 dan nilai Dividend Payout Ratio terendah pada perusahaan Manufaktur dimiliki oleh PT.Lionmesh, Tbk LMSH dengan nilai 11,21.
B. Pengujian Asumsi Klasik 1. Uji Normalitas
Uji Normalitas ini bertujuan untuk mengetahui apakah distribusi sebuah data mengikuti atau mendekati distribusi normal, yakni distribusi data dengan bentuk
lonceng. Data yang baik adalah harus memiliki distribusi normal. Uji normalitas data dapat dilihat dari grafik histogramnya yakni distribusi data dengan bentuk lonceng
dan hasil gambar output SPSS normal P-P plot yang menunjukkan seberan data penelitian suatu variabel dikatakan normal jika gambar distribusi dengan titik –titik
data yang mengikuti dan searah garis diagonal namun seringkali data kelihatan karena mengikuti garis diagonal berdistribusi normal.
Untuk memastikan apakah data sepanjang garis diagoanal berdistribusi normal maka dilakukan uji Kolmogrov Smirnov 1 sample KS dengan melihat data
residualnya apakah berdistribusi normal atau tidak. Untuk melihat determinannya antar varible dilakukan dengan Uji Determinan R2. Uji normalitas digunakan untuk
menguji apakah dalam sebuah model regresi, variabel independen, variabel dependen atau keduanya mempunyai distribusi normal atau tidak. Model yang paling baik
adalah distribusi data normal dan mendekati normal.
Universitas Sumatera Utara
Regression Standardized Residual
4 2
-2 -4
Frequency
25 20
15 10
5
Histogram Dependent Variable: LNDPR
Mean =1.32E-16 Std. Dev. =0.98
N =130
Gambar 4.1 Histogram Dependent Variabel setelah perbaikan Sumber : Hasil olahan SPSS 15.00 for windows
Gambar 4.1 menunjukkan bahwa grafik histogram memberikan pola distribusi yang tidak menceng ke kiri atau kekanan. Hal ini berarti data residual mempunyai
distribusi normal . Uji normalitas dapat juga dilakukan melalui grafik normal P-P Plot of regression standardized .
Universitas Sumatera Utara
Observed Cum Prob
1.0 0.8
0.6 0.4
0.2 0.0
Expect ed C
um P
rob 1.0
0.8 0.6
0.4 0.2
0.0
Normal P-P Plot of Regression Standardized Residual Dependent Variable: LNDPR
Gambar 4.2 Normal P Plot setelah perbaikan Sumber : Hasil olahan SPSS 15.00 for windows
Gambar 4.2 menunjukkan bahwa titik –titik scatterplot sudah mengikuti garis
diagonal disepanjang garis normal. Hal ini menunjukkan bahwa data residual mempunyai distribusi normal. Uji normalitas dapat juga dilakukan dengan analisis
statistik. Analisis statistik memberikan hasil yang lebih akurat dibandingkan dengan
Universitas Sumatera Utara
analisis grafik. Maka untuk itu dilakukan Uji One sample Kolmogrov –Smirnov Test untuk mengetahui apakah data sudah berdistribusi normal.
Tabel 4.7 Uji Normalitas
One-Sample Kolmogorov-Smirnov Test sesudah Perbaikan
One-Sample Kolmogorov-Smirnov Test
130 ,0000000
,69298699 ,068
,068 -,039
,773 ,589
N Mean
Std. Deviation Normal Parameters
a,b
Absolute Positive
Negative Most Extreme
Differences
Kolmogorov-Smirnov Z As ymp. Sig. 2-tailed
Unstandardiz ed Res idual
Test distribution is Normal. a.
Calculated from data. b.
Uji normalitas yang digunakan dalam analisis statistik ini adalah uji statistik non –parametik One – sample Kolmogrov Sminornov. Data yang dimiliki berdistribusi
normal. dapat dilihat tabel 4.7. Berdasarkan Tabel 4.7 terlihat bahwa nilai Asymp.Sig 2 tailed adalah 0,589 dan diatas nilai signifikan 0,05 yang nilainya lebih besar dari
taraf nyata α 0,05 yang artinya data telah berdistribusi normal.
2. Uji Multikolineritas
Uji multikolinearitas dilakukan untuk menunjukkan ada tidaknya hubungan linear diantara variabel bebas dalam model regresi. Gejala
multikolinearitas dapat dideteksi atau dilihat dari nilai Variance Inflation Factor
Universitas Sumatera Utara
VIF. Multikolinieritas dapat diketahui dari besarnya Tolorance dan Variance Inflation Factor VIF dengan membandingkan sebagai berikut:
a. VIF 5, maka diduga mempunyai persoalan multikolinieritas.
b. VIF 5, maka tidak terdapat multikolinieritas.
c. Tolorance 0,1, maka diduga mempunyai persoalan multikolinieritas.
d. Tolorance 0,1, maka tidak terdapat multikolinieritas.
Tabel 4.8 Uji Multikonealiritas
sesudah Perbaikan
Coefficients
a
1,698 ,453
3,753 ,000
,405 ,101
,340 4,003
,000 ,910
1,099 ,186
,061 ,269
3,052 ,003
,848 1,179
-,062 ,065
-,084 -,954
,342 ,851
1,175 -,149
,072 -,170
-2,071 ,040
,976 1,025
,048 ,081
,050 ,595
,553 ,937
1,067 Constant
LNFinancial_Leverage LNCurrent_Ratio
LNROI LNInvestas i
LNRisiko_Perusahaan Model
1 B
Std. Error Unstandardized
Coeffic ients Beta
Standardiz ed Coeffic ients
t Sig.
Tolerance VIF
Collinearity Statistics
Dependent Variable: LNDPR a.
Hasil output SPSS.15 for windows di atas dapat diambil keputusan bahwa semua data variabel tidak terkena multikolinieritas, karena nilai Tolorance untuk
Financial Leverege, current ratio, ROI, Investasi dan Risiko Perusahaan masing- masing adalah 0.910, 0.848, 0.851. 0.976 dan 0,.937 0.1 dan nilai Variance
Inflation Factor VIF Financial Leverege,Investasi, Likuiditas, Profitabilitas Risiko Perusahaan untuk masing-masing adalah 1.099, 1.179, 1.175, 1.025, 1.067 5.
3. Uji Autokeralasi
Universitas Sumatera Utara
Istilah autokorelasi dapat didefenisikan sebagai korelasi antara anggota serangkaian observasi yang diurutkan menurut waktu seperti dalam data deret
waktu atau ruang seperti dalam data cross-section. Uji Autokorelasi bertujuan untuk menguji apakah dalam model regresi linear ada korelasi antara kesalahan
pengganggu pada periode sebelumnya Situmorang, et all 2008:78. Untuk mendeteksi gejala autokorelasi digunakan durbin watsom DW statistik, sebagai rule
of thumb nilai d yang menunjukkan gejala autokorelasi yang tidak berbahaya atau tidak ada autokorelasi yang tidak berbahaya atau tidak auotokeralasi adalah :
Kriteria Pengambilan Keputusan DW Test
Hipotesis Nol Keputusan
Jika Tidak ada autokorelasi positif
Tolak 0 d dl
Tidak ada autokorelasi positif No Decesion
dl ≤ d ≤ du
Tidak ada autokorelasi negatif Tolak
4 – dl d 4 Tidak ada autokorelasi positif
No Decesion 4 – du
≤ d ≤ 4- dl Tidak ada autokorelasi poisitf atau negatif
Tidak ditolak du d 4 - du
Sumber : Situmorang et al 2008:86
Hasil Uji Autokorelasinya Durbin Watson terlihat seperti pada gambar dibawah ini :
Tabel 4.9 Uji Autokorelasi
setelah perbaikan
Model Summ ary
b
,430
a
,185 ,152
,70682 1,929
Model 1
R R Square
Adjust ed R Square
St d. E rror of the Es timate
Durbin- W atson
Predic tors: Constant, LNRisik o_P erus ahaan, LNInvest asi, LNFinancial_Leverage, LNROI, LNCurrent_Ratio
a. Dependent Variable: LNDP R
b.
Universitas Sumatera Utara
Berdasarkan tabel 4.9 diatas dapat dilihat bahwa nilai Durbin Watson DW adalah 1,929. Kriteria yang menunjukkan tidak terjadi autokorelasi adalah sebagai berikut :
N= Jumlah sampel = 130 K = Jumlah Variabel bebas = 5
Pada tingkat signifikansi 5 diperoleh du = 1,7491 Du dw 4 – dl = 1,7491 1,992 4 – dl 2,23
Tabel 4.9 menunjukkan bahwa rasio durbin watson bernilai 1,992 berada diantara batas atas DU dan 4-DU, maka koefisien autokorelasi sama dengan nol yang berarti
tidak ada autokorelasi.
4. Uji Determinasi Tabel 4.10
Uji Determinan setelah perbaikan
Model Summary
b
,430
a
,185 ,152
,70682 Model
1 R
R Square Adjusted
R Square Std. Error of
the Estimate Predictors: Constant, LNRisiko_Perusahaan,
LNInvestas i, LNFinancial_Leverage, LNROI, LNCurrent_Ratio
a. Dependent Variable: LNDPR
b.
Pada tabel 4.10 menunjukkan nilai R sebesar 0,430 yang berarti hubungan relatif relation antara Financial Leverage, Current Ratio, ROI, Investasi dan Risiko
Perusahaan terhadap Dividend Payout Ratio sebesar 43,0 yang artinya hubungannya cukup erat. Semakin besar R berarti hubungan semakin erat. Nilai
Universitas Sumatera Utara
Adjusted R Square sebesar 0,152 yang berarti 15,2 Dividend payout ratio dapat dijelaskan oleh Financial Leverage, Current Ratio , ROI , Investasi dan Risiko
Perusahaan. Sedangkan sisanya 84,9 kemungkinan dapat dijelaskan oleh faktor – faktor lain diluar faktor penelitian. Seperti Cash position, Growth potential, firm size,
debt to equity Ratio, Holding, Inflasi. Nilai Ajusted R Square akan dipakai apabila melakukan penelitian dengan menggunakan lebih dari 2 variabel.
5. Uji Heteroskedastisitas
Universitas Sumatera Utara
Regression Standardized Predicted Value
4 2
-2
R egressi
on St udent
iz ed R
esi dual
4 2
-2 -4
Scatterplot Dependent Variable: LNDPR
__ Gambar 4.3 Scatterplot Dependend Variabel
Sumber : setelah perbaikan Gambar 4.3 menunjukkan bahwa penyebaran residual cenderung tidak
teratur, terdapat beberapa plot yang berpencar dan tidak membentuk pola tertentu. Maka dapat disimpulkan bahwa tidak terdapat gejala heterokedastisitas dalam model
regresi ini.
Universitas Sumatera Utara
C. Pengujian Hipotesis
