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