Uji Asumsi Klasik Analisa Data

76 statistik bisa sebaliknya. Maka dari itu, pada penelitian ini tidak menggunakan analisis dengan grafik, melainkan analisis dengan menggunakan statistik. Uji statistik dapat digunakan dengan uji Kolmogorov-Sminov. Data yang terdistribusi normal ditunjukkan dengan nilai signifikan di atas 0,05. Berikut ini tabel hasil dari uji Kolmogorov- Smirnov dengan data sebelum dilakukan outliers. Table 4.5 Uji Normalitas Sebelum Outliers Unstandardized Residual N 48 Normal Parameters a,b Mean .0000000 Std. Deviation 24.85565757 Most Extreme Differences Absolute .202 Positive .202 Negative -.131 Kolmogorov-Smirnov Z 1.396 Asymp. Sig. 2-tailed .040 Sumber: Data sekunder diolah Tabel 4.4 adalah hasil dari pengolahan data sebelum dilakukan outlier dan hasilnya menunjukkan bahwa data yang diolah adalah data yang tidak normal. Hal tersebut dapat dibuktikan dengan hasil signifikannya dibawah nilai 0,05, yaitu 0,04. Maka dari itu, untuk menjadikan datanya normal dan layak untuk dilakukan uji regresi harus 77 dilakukan outliers terlebih dahulu. Data yang dihapus dalam melakukan outliers sebanyak 8. Tabel 4.5 adalah hasil uji normalitas setelah dilakukan outlier Tabel 4.6 Hasil Uji Normalitas Data dengan Menggunakan Uji Kolmogorov-Smirnov Unstandardiz ed Residual N 40 Normal Parameters a,b Mean .0000000 Std. Deviation 9.52373355 Most Extreme Differences Absolute .113 Positive .113 Negative -.073 Kolmogorov-Smirnov Z .716 Asymp. Sig. 2-tailed .684 Sumber: data sekunder diolah Berdasarkan hasil uji normalitas pada tabel di atas menunjukkan bahwa data sudah terdistribusi normal. Hal ini ditunjukkan dengan nilai Kolmogorov-Smirnov 0,716 dan nilai signifikansinya 0,684 jauh diatas 0,05. Hal ini menunjukkan bahwa model regresi tersebut sesuai dengan asumsi normalitas. 78 b. Uji Multikoloniaritas Uji ini bertujuan untuk menguji apakah model regresi ditemukan adanya korelasi antar variabel independen. Model regresi yang baik seharusnya tidak terjadi korelasi di antara variabel independen Ghozali, 2012:105. Untuk mengetahui ada atau tidaknya multikolonieritas di dalam model regresi dapat dilihat dari nilai Tolerance dan Variance Inflation Factor VIF. Suatu model regesi dinyatakan bebas dari Multikolonieritas jika nilai Tolerance diatas 0,1 dan nilai VIF dibawah 10. Berikut ini tabel hasil uji Multikolonieritas. Tabel 4.7 Hasil Uji Multikolonieritas D a r i t Sumber: Data sekunder diolah Tabel diatas dapat dilihat bahwa semua variabel independen dinyatakan bebas dari Multikolonieritas, Model Unstandardized Coefficients Standardized Coefficients T Sig. Collinearity Statistics B Std. Error Beta Tolerance VIF Constant 6.915 9.653 .716 .479 ROA 1.238 .210 .732 5.896 .000 .865 1.157 DER .009 .016 .073 .560 .579 .777 1.287 CR .006 .007 .109 .843 .405 .800 1.249 GROWTH -.082 .040 -.249 -2.053 .048 .903 1.107 UKURAN .152 .355 .052 .429 .671 .914 1.095 79 dikarenakan mempunya nilai Tolerance diatas 0,1 dan nilai VIF dibawah angka 10. c. Uji Autokorelasi Untuk menguji apakah dalam model regresi linier ada korelasi antara kesalahan penganggu pada periode t dengan kesalahan penganggu pada periode t-1 sebelumnya. Data yang digunakan pada penelitian ini adalah data crossection. Pada data crossection, masalah autokorelasi relatif jarang terjadi karena gangguan pada observasi yang berbeda berasal dari individu kelompok yang berbeda. Untuk melihat apakah data terjadi masalah autokorelasi atau tidak, dapat dilihat dari hasil uji Durbin-Watson. Tabel 4.8 Hasil Uji Autokorelasi Model R R Square Adjusted R Square Std. Error of the Estimate Durbin- Watson .740 a .548 .481 10.20000 1.635 Sumber: Data sekunder diolah 80 Tabel 4.9 Durbin-Watson Test Bound Sumber: Imam Ghozali, 2012 Pada tabel hasil uji autokorelasi, nilai Durbin-Watson adalah 1,635. Hal ini menunjukkan bahwa nilai DW 1,635lebih kecil dari batas atas du 1,786, maka dapat disimpulkan bahwa terdapat autokorelasi. Namun, data yang digunakan dalam penelitian ini tidak bersifat time series, melainkan data crossection. Jadi, permasalahan autokorelasi dapat ditepiskan, karena kesalahan yang diakibatkan pada periode t-1 sebelumnya pada penelitian ini tidak mungkin terjadi. d. Uji Heterokedastisitas Uji ini bertujuan untuk menguji apakah dalam model regresi terjadi ketidaksamaan variance residula satu pengamatan ke pengamatan yang lain. Jika variance dari residual satu pengamatan ke pengamatan lain tetap, maka N k = 5 Du Dl 15 0,562 2,22 . . . . . . . . . . . . 40 1,230 1,786 81 disebut Homoskedastisitas dan jika berbeda disebut Heteroskedastisitas. Model regresi yang baik adalah yang Homoskedastisitas. Ada beberapa cara yang dapat dilakukan untuk mendeteksi ada atau tidaknya heteroskedastisitas. Dalam penelitian ini menggunakan dua cara yaitu melihat grafik scatterplot dan uji Glejser. Uji Glejser yaitu meregres nilai absolute residual terhadap variable indepnenden. Jika nilai signifikan dari hasil uji Glejser lebih besar dari 0,05 , maka tidak terdapat heteroskedastisitas. Begitupun sebaliknya, jika nilai signifikan dari hasil uji Glejser lebih kecil dari 0,05, maka terdapat heteroskedastisitas. Berikut ini hasil dari heteroskedastisitas menggunakan uji Glejser. Table 4.10 Hasil Uji Heteroskedastisitas Model Unstandardized Coefficients Standardized Coefficients t Sig. B Std. Error Beta Constant 2.637 4.556 .579 .567 DPR .056 .080 .166 .699 .489 ROA -.041 .140 -.071 -.290 .773 DER -.009 .008 -.212 -1.159 .255 CR -.001 .003 -.078 -.434 .667 GROWTH -.021 .020 -.188 -1.052 .301 UKURAN .293 .167 .295 1.757 .088 Sumber: Data sekunder diolah 82 Hasil data dari uji Glejser menyatakan bahwa tidak terdapat heteroskedastisitas. Dapat dilihat pada table 4.7, nilai signifikansi dari setiap variabel diatas 0,05. Dengan demikian, model regresi ini tidak mengandung heteroskedastisitas.

4. Uji Hipotesis

a. Uji F

Uji F dilakukan untuk menguji hubungan variable dependen dengan lima variable independen secara bersama- sama simultan. Hasil perhitungan uji F penelitian ini dapat dilihat pada tabel berikut ini. Tabel 4.11 Hasil Uji F Model Sum of Squares Df Mean Square F Sig. Regression 4280.834 5 856.167 8.229 .000 b Residual 3537.359 34 104.040 Total 7818.192 39 Sumber: Data sekunder diolah Dari tabel diatas dapat diketahui bahwa variable independen memiliki pengaruh secara signifikan terhadap variable dependen secara bersama-sama simultan. Hal tersebut dapat dibuktikan dari nilai F hitung sebesar 8,229 dan tingkat signifikan sebesar 0,000. Nilai signifikan yang 83 dihasilkan jauh dibawah 0,05 atau 5, maka model regresi dapat digunakan untuk memprediksi profitabilitas, leverage, likuiditas, growth, dan ukuran berpengaruh secara bersama-sama simultan terhadap kebijakan inisiasi dividen pada perusahaan yang melakukan IPO yang terdaftar di Daftar Efek Syariah.

b. Uji t

Uji t dilakukan pada dasarnya untuk melihat apakah variable independen yaitu profitabilitas ROA, leverage DER, likuiditas CR, growth, dan ukuran perusahaan mempunyai pengaruh secara parsial terhadap kebijakan inisiasi dividen DPR. Keputusan uji t ini dilakukan dengan ketentuan apabila tingkat signifikan lebih kecil dari 0,05 atau 5, maka Ho ditolah dan Ha diterima. Begitupun sebaliknya, apabila tingkat signifikan lebih besar dari 0,05 atau 5, maka Ho diterima dan Ha ditolak. Berikut ini tabel hasil dari uji t.