F. Metode Analisis Data
1. Model Analisis Data
Untuk menguji hipotesis, metode analisis yang digunakan adalah analisis regresi berganda, karena menyangkut empat variabel independen dan satu
variabel dependen. Analisis regresi pada dasarnya adalah studi mengenai ketergantungan variabel dependen terikat dengan satu atau lebih variabel
independen penjelasbebas, dengan tujuan untuk mengestimasi dan atau memprediksi rata-rata populasi atau nilai rata-rata variabel dependen
berdasarkan nilai variabel independen yang diketahui. Model persamaan regresi untuk menguji hipotesis dengan formula sebagai berikut:
Y= a + b
1
X
1
+ b
2
X
2
+ b
3
X
3
+ b
4
X
4
+ e dimana :
Y = Kebijakan Hutang DEBT
X
1
= Free cash flow FCF X
2
= Kepemilikan Institusional INST X
3
= Ukuran Perusahaan SIZE X
4
= Kebijakan Dividen DIVID a
= konstanta b
1
, b
2
, b
3
,b
4
= Koefisien regresi yang menunjukkan perubahan variabel dependen berdasarkan pada variabel independen
e = Error Tingkat Kesalahan
2. Pengujian Asumsi Klasik
a. Uji Normalitas
Menurut Erlina 2008 :102, “uji ini berguna untuk tahap awal dalam metode pemilihan analisis data. Jika data normal, gunakan statistik
parametrik dan jika data tidak normal gunakan statistik non parametrik atau lakukan treatment agar data normal”. Menurut Ghozali 2006:110,
“uji normalitas bertujuan untuk menguji apakah dalam model regresi, variabel pengganggu atau residual memiliki distribusi normal”. Seperti
diketahui bahwa uji t dan F mengasumsikan bahwa nilai residual mengikuti distribusi normal. Kalau asumsi ini dilanggar maka uji
statistik menjadi tidak valid untuk jumlah sampel kecil.” Ada dua cara untuk mendeteksi apakah residual berdistribusi normal
atau tidak menurut Ghozali 2006:110, yaitu : 1
Analisis grafik Salah satu cara termudah untuk melihat normalitas residual adalah
dengan melihat grafik histogram yang membandingkan antara data observasi dengan distribusi yang mendekati distribusi normal. Metode
yang lebih handal adalah dengan melihat normal probability plot yang membandingkan distribusi kumulatif dari distribusi normal. Distribusi
normal akan membentuk satu garis lurus diagonal dan plotnya data residual akan dibandingkan dengan garis diagonal. Jika distribusi data
residual normal, maka garis yang menggambarkan data sesungguhnya akan mengikuti garis diagonalnya.
2 Analisis statistik
Uji statistik sederhana dapat dilakukan dengan melihat nilai kurtosis dan skewness dari residual. Uji statistik lain yang dapat digunakan untuk
menguji normalitas residual adalah uji statistik non parametrik Kolmogorov-Smirnov K-S. Pedoman pengambilan keputusan tentang
data tersebut mendekati atau merupakan distribusi normal berdasarkan uji Kolmogorov-Smirnov dapat dilihat dari nilai Sig. atau signifikan.
Apabila nilai Sig. atau signifikan 0,05, maka data residual berdistribusi normal.
Dalam penelitian ini, uji normalitas dilakukan dengan menggunakan grafik histogram, normal probability plot, dan uji Kolmogorov-Smirnov.
b. Uji Multikolinieritas
Multikolineritas adalah situasi adanya korelasi variabel-variabel independen antara yang satu dengan yang lainnya. Dalam hal ini, kita
sebut variabel-variabel bebas ini tidak ortogonal Erlina, 2008:105. Variabel-variabel bebas yang bersifat ortogonal adalah variabel bebas
yang memiliki nilai korelasi diantara sesamanya sama dengan nol. Jika terjadi korelasi sempurna diantara sesama variabel bebas, maka
konsekuensinya adalah koefisien-koefisien regresi menjadi tidak dapat ditaksir dan nilai standar error setiap koefisien regresi menjadi tak
terhingga. Pengujian ini bermaksud untuk menguji apakah pada model regresi ditemukan adanya korelasi antar variabel independen. Jika terjadi
korelasi, maka dinamakan terdapat problem multikolinieritas. Pengujian multikolinearitas dilakukan dengan melihat nilai Variance
Inflation Factor VIF dan korelasi diantara variabel independen. Jika nilai VIF lebih besar dari 10, maka terjadi multikolinearitas diantara
variabel independen. Disamping itu, suatu model dikatakan terdapat gejala multikolinearitas, jika korelasi diantara variabel independen lebih
besar dari 0,1 Ghozali, 2006:92.
c. Uji Heteroskedastisitas
Uji heteroskedastisitas dilakukan untuk menguji apakah dalam model regresi terjadi ketidaksamaan variance dari residual satu
pengamatan ke pengamatan yang lain Ghozali, 2006:105. Jika variance dari residual satu pengamatan ke pengamatan lain tetap, maka disebut
homoskedastisitas dan jika berbeda disebut heteroskesdatisitas. Model regresi yang baik adalah tidak terjadi heteroskesdatisitas Erlina,
2008:106. Salah satu cara mendeteksi terjadinya heterokedastisitas dapat
dilakukan dengan melihat ada tidaknya pola tertentu pada grafik Scatter- Plot. Dasar analisis Ghozali, 2006 :105 adalah :
1 Jika ada pola tertentu, seperti titik yang ada membentuk pola
tertentu yang teratur bergelombang, melebar, kemudian menyempit, maka mengindikasikan terjadinya heterokedastisitas
2 Jika tidak ada pola yang jelas, serta titik menyebar di atas dan di
bawah angka 0 pada sumbu Y, maka tidak terjadi heterokedastisitas.
d. Uji Autokorelasi
Menurut Erlina 2008:106, uji autokorelasi dilakukan bertujuan untuk melihat apakah dalam suatu model regresi linear ada korelasi antar
kesalahan pengganggu pada periode t dengan kesalahan pada periode t-1. Autokorelasi muncul karena observasi yang berurutan sepanjang tahun
yang berkaitan satu dengan lainnya. Untuk mendeteksi adanya autokorelasi bisa digunakan tes Durbin
Watson DW. Deteksi autokorelasi dengan cara ini dimulai dengan menghitung nilai d, setelah nilai d diketemukan maka tahapan berikutnya
adalah menentukan nilai du dan dl dengan menggunakan tabel Durbin Watson. Ketentuan yang dapat digunakan adalah sebagai berikut:
Tabel 3.3 Ketentuan Interpretasi Durbin Watson
Hipotesis nol Keputusan
Jika Tidak ada autokorelasi positif
Tolak 0 d dl
Tidak ada autokorelasi positif No decision
dl ≤ d ≤ du
Tidak ada korelasi negatif Tolak
4-dl d 4 Tidak ada korelasi negatif
No decision 4-du
≤ d ≤ 4-dl Tidak ada autokorelasi, positif atau
negatif Tidak
ditolak du d 4-du
sumber : Ghozali 2006:96
3. Pengujian Hipotesis