Pengujian Asumsi Klasik Analisis Statistik 1. Uji Normalitas

b. Analisis Statistik Uji normalitas yang digunakan dalam analisis statistik ini adalah uji statistik non parametrik One-Sample Kolmogorov Smirnov. Data yang memiliki distribusi normal dapat dilihat pada Tabel 4.7 yang menunjukkan bahwa nilai Unstandardized Residual Asymp. Sig 2-tailed sebesar 0,007 yang nilainya lebih besar dari tarif nyata α yatu 0,05 5 yang artinya data berdistribusi normal. Tabel 4.7 Uji Normalitas One-Sample Kolmogorov Smirnov Test One-Sample Kolmogorov-Smirnov Test Unstandardized Residual N 116 Normal Parametersa,b Mean -137.6647954 Std. Deviation 234.09068152 Most Extreme Differences Absolute .157 Positive .098 Negative -.157 Kolmogorov-Smirnov Z 1.692 Asymp. Sig. 2-tailed .007 a Test distribution is Normal. b Calculated from data. Sumber : Hasil olahan SPSS 15.0 for windows

2. Pengujian Asumsi Klasik

Beberapa syarat asumsi klasik yang harus dapat dipenuhi agar model persamaan regrasi berganda dapat digunakan dalam menganalisis faktor-faktor yang mempengaruhi dividen tunai. Universitas Sumatera Utara

a. Uji Multikolinearitas

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 VIF. Tabel 4.8 Uji Multikolinearitas Coefficientsa Model Unstandardized Coefficients Standardized Coefficients t Sig. Collinearity Statistics B Std. Error Beta Tolerance VIF 1 Constant -17.813 7.124 -2.500 .014 ROA -.262 .618 -.029 -.424 .672 .270 3.697 ROE 2.064 .396 .369 5.217 .000 .245 4.090 NPM -.339 .551 -.026 -.615 .540 .670 1.491 EPS .285 .016 .736 17.941 .000 .727 1.376 a Dependent Variable: DIVIDEN Sumber : Hasil olahan SPSS 15.0 for windows Tabel 4.8 menunjukkan tidak ada masalah multikolinearitas, dimana hasil uji Variance Inflation Factor VIF ROA, ROE, NPM, dan EPS masing-masing menunjukkan nilai kurang dari 5 VIF 5 dan nilai tolerance yang lebih besar dari 0,2.

b. Uji Autokorelasi

Uji ini dilakukan untuk menguji apakah dalam sebuah model regresi terdapat korelasi antara kesalahan pengganggu pada periode t dan kesalahan pengganggu pada periode sebelumnya periode t-1. Metode untuk mendeteksi gejala autokorelasi ini dilakukan dengan model Durbin-Watson Test. Kriteria pengambilan keputusan dapat dilihat pada Tabel 4.9 berikut: Universitas Sumatera Utara Tabel 4.9 Kriteria Pengambilan Keputusan Uji Autokorelasi Hipotesis nol Keputusan Jika Tidak ada autokorelasi positif Tolak 0 d d l Tidak ada autokorelasi positif No decision d l ≤ d ≤ d u Tidak ada autokorelasi negatif Tolak 4 - d l d 4 Tidak ada autokorelasi negatif No decision 4 - d u ≤ d ≤ 4 - d l Tidak ada autokorelasi positif atau negatif Tidak ditolak d u d 4 - d u Sumber: Yamin2009:91 Data yang diperoleh penulis adalah sebagai berikut: n = 116 k = 4 Pada tingkat signifikansi 5 diperoleh du = 1.756 dan dl = 1.592 Tabel 4.10 Uji Autokorelasi Model Summaryb Model R R Square Adjusted R Square Std. Error of the Estimate Durbin-Watson 1 .930a .864 .859 43.35570 1.470 a Predictors: Constant, EPS, NPM, ROA, ROE b Dependent Variable: DIVIDEN Sumber : Hasil olahan SPSS 15.0 for windows Tabel 4.10 menunjukkan bahwa rasio Durbin-Watson bernilai 1,470. Nilai tersebut berada pada daerah diantara nilai du 1,756 dan 4-du 2,24 yang artinya keputusan tidak ditolak. Hal ini dapat disimpulkan bahwa tidak terdapat autokorelasi pada model regresi. Universitas Sumatera Utara -2 -1 1 2 3 4 5 Regression Standardized Predicted Value -3 -2 -1 1 2 3 4 R egressi on St udent ized D el et ed P ress R esi dual Dependent Variable: DIVIDEN Scatterplot

c. Uji Heterokedastisitas

1. Grafik Scatterplot Gambar : 4.3 Scatterpot Dependent Variable Dividen Tunai Sumber : Hasil olahan SPSS 15.0 for wimdows Gambar 4.3 menunjukkan bahwa penyebaran residual cenderung tidak teratur, terdapat beberapa plot yang terpencar dan tidak membentuk pola tertentu. Maka dapat disimpulkan bahwa tidak terdapat gejala heterokedastisitas dalam model regresi ini. Uji heterokedastisitas juga dapat dilakukan melalui uji Glejser. Uji Glejser dapat memberikan hasil yang lebih akurat dan signifikan dibandingkan dengan menganalisis melalui grafik Scatterplot. Universitas Sumatera Utara 2. Uji Glejser Tabel 4.11 Uji Glejser Coefficientsa Model Unstandardized Coefficients Standardized Coefficients t Sig. B Std. Error Beta 1 Constant 18.467 4.571 4.040 .000 ROA .635 .386 .263 1.644 .103 ROE -.371 .276 -.252 -1.345 .182 NPM .280 .345 .082 .811 .419 EPS .002 .020 .022 .114 .909 DIVIDEN .109 .059 .415 1.843 .068 a Dependent Variable: ABSUT Sumber : Hasil olahan SPSS 15.0 for wimdows Tabel 4.11 menunjukkan bahwa tidak ada satupun variabel independen yang signifikan secara statistik mempengaruhi variabel dependen. Hal ini terlihat dari nilai signifikansi variabel ROA, ROE, NPM, dan EPS masing-masing lebih besar dari tingkat signifikansi α = 5. Dengan demikian disimpulkan bahwa tidak terjadi gejala heterokedastisitas dalam model regresi ini.

3. Regresi Linear Berganda