Analisis dan Pengujian Hipotesis

kenaikkan sebesar Rp. 3375,00 menjadi Rp. 7550,00. Penjelasan seperti itu dapat dijelaskan pada 10 perusahaan sampel yang belum dijelaskan. Nilai kesejahteraan pemegang saham perusahaan sampel yang diteliti menunjukkan seberapa besar kesejahteraan yang didapatkan oleh pemegang saham.

4.3. Analisis dan Pengujian Hipotesis

4.3.1.Analisis Asumsi Klasik Persamaan regresi harus bersifat BLUE Best Linear Unbiased Estimator, artinya pengambilan keputusan melalui uji F dan uji t tidak boleh bias. Untuk menghasilkan keputusan dengan kriteria BLUE maka harus dipenuhi diantaranya tiga asumsi dasar. Asumsi dasar yang tidak boleh dilanggar oleh regresi linier berganda, yaitu : tidak boleh ada multikolinieritas, tidak boleh ada heteroskedastisitas dan tidak boleh ada autokorelasi, serta data analisis berdistribusi normal. Apabila salah satu dari ketiga asumsi dasar tersebut dilanggar, maka persamaan regresi yang diperoleh tidak lagi bersifat BLUE Best Linear Unbiased Estimator, sehingga pengambil keputusan melalui uji F dan uji t menjadi bias. 4.3.1.1.Uji Outlier Outlier adalah observasi atau data yang memiliki karakteristik unik yang terlihat sangat berbeda jauh dari observasi-observasi lainnya dan Hak Cipta © milik UPN Veteran Jatim : Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber. muncul dalam bentuk nilai ekstrim untuk sebuah variabel tunggal atau variabel kombinasi. Tabel 4.5. Uji Outlier Residuals Statistics a -14581,57 111511,31 27117,49 34911,185 39 -1,194 2,417 ,000 1,000 39 7530,505 28248,938 12710,353 4363,412 39 -19822,72 162517,73 27874,46 39149,975 39 -77681,7 159248,2 ,000 40216,706 39 -1,854 3,800 ,000 ,960 39 -2,209 4,144 -,007 1,066 39 -113018 189388,4 -756,973 50223,560 39 -2,347 5,724 ,033 1,261 39 ,253 16,294 2,923 3,185 39 ,000 ,826 ,073 ,203 39 ,007 ,429 ,077 ,084 39 Predicted Value Std. Predicted Value Standard Error of Predicted Value Adjusted Predicted Value Residual Std. Residual Stud. Residual Deleted Residual Stud. Deleted Residual Mahal. Distance Cooks Distance Centered Leverage Value Minimum Maximum Mean Std. Deviation N Dependent Variable: Kesejahteraan Pemegang Saham a. Sumber : Lampiran 1 Mahalonobis. Distance maks = 16,294 Terdapat outlier apabila Mahal. Distance Maximum Prob. Jumlah variabel [=CHIINV0,001.4 : dicari melalui Excel] = 18,47 Hasil analisis deteksi adanya oulier data ini pada analisis pertama Tidak terdapat nilai Mahal. Distance Maximum yang lebih kecil dari 18,47 . Berarti tidak terdapat outlier pada data tersebut, oleh karena itu data ini mempunyai kualitas yang baik dan dapat dilanjutkan untuk diolah lebih lanjut. 4.3.1.2.Uji Normalitas Berdasarkan pendapat pakar bahwa data yang lebih dari 30 dianggap berdistribusi normal, maka peneliti menganggap bahwa data penelitian telah memenuhi normalitas data berdistribusi normal. Hak Cipta © milik UPN Veteran Jatim : Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber. Pedoman dalam mengambil keputusan apakah sebuah distribusi data mengikuti distribusi normal adalah : a. Jika nilai signifikansi nilai probabilitasnya lebih kecil dari 5, maka distribusi adalah tidak normal. b. Jika nilai signifikansi nilai probabilitasnya lebih besar dari 5, maka distribusi adalah normal. Tabel 4.6. Uji Normalitas One-Sample Kolmogorov-Smirnov Test 39 ,0000000 40216,70599 ,216 ,216 -,124 1,347 ,053 N Mean Std. Deviation Normal Parameters a,b Absolute Positive Negative Most Extreme Differences Kolmogorov-Smirnov Z Asymp. Sig. 2-tailed Unstandardiz ed Residual Test distribution is Normal. a. Calculated from data. b. Sumber : Lampiran 1 Menggunakan uji Kolmogorov-Smirnov dikatakan data dipastikan dari populasi yang berdistribusi normal jika nilai signifikansinya lebih besar dari 0,05 5. Tingkat signifikannya yaitu 0,053 5,3 lebih besar dari 0,05 5. Dengan menggunakan uji ini diperoleh hasil analisis bahwa semua variabel Kesejahteraan Pemegang Saham Y, DPS X1, REP X2 dan PER X3 berasal dari populasi yang berdistribusi normal, sehingga dapat disimpulkan sebagian data memenuhi asumsi berdistribusi normal . Hak Cipta © milik UPN Veteran Jatim : Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber. 4.3.1.3.Uji Multikolinieritas Identifikasi secara statistik ada atau tidaknya gejala multikolinier dapat dilakukan dengan menghitung Variance Inflation Factor VIF. VIF menyatakan tingkat “pembengkakan” varians. Apabila VIF lebih besar dari 10, hal ini berarti terdapat multikolinier pada persamaan regresi linier Gujarati, 1995 : 339. Hasil uji multikolinieritas dapat dilihat pada tabel berikut : Tabel 4.7. Uji Multikolinieritas Sumber : Lampiran 2 Dalam pengujian asumsi klasik terhadap analisis regresi linier berganda ini menyatakan bahwa hasil analisis penelitian ini tidak menunjukkan adanya gejala multikolinieritas dimana nilai VIF pada variabel tidak lebih besar dari 10 maka variabel ini disimpulkan tidak terdapat gejala multikolinieritas dengan variabel independen lainnya. Dengan nilai VIF untuk DPS X1 = 1,094, REP X2 = 1,091 dan PER X3 = 1,022. Syarat terjadi multikolinieritas jika nilai VIF Variance Inflation Factor  10 Ghozali, 2005. Coefficients a ,914 1,094 ,916 1,091 ,978 1,022 DPS REP PER Model 1 Tolerance VIF Collinearity Statistics Dependent Variable: Kesejahteraan Pemegang Saham a. 1 VIF  2 - 1 j R Hak Cipta © milik UPN Veteran Jatim : Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber. 4.3.1.4.Uji Heteroskedastisitas Varian dari residual dari satu pengamatan ke pengamatan lain mempunyai varian yang berbeda. Jika sama namanya Homoskedastisitas. Model regresi yang baik tidak mempunyai Heteroskedastisitas. Pengujian Heteroskedastisitas di sini menggunakan korelasi rank Spearman antara residual dengan seluruh variabel bebas dengan hasil analisis sebagai berikut : Tabel 4.8. Uji Heteroskedastisitas Nonparametric Correlations Correlations . Correlation is significant at the 0.01 level 2-tailed. Sumber : Lampiran 2 Hasil analisis menunjukkan bahwa pada variabel untuk DPS X1, REP X2 dan PER X3, TIDAK mempunyai korelasi yang signifikan antara residual dengan variabel bebasnya, maka hasil analisis ini dapat disimpulkan semua variabel penelitian Tidak terjadi Heteroskedastisitas sehingga dapat disimpulkan bahwa semua variabel penelitian memenuhi asumsi Heteroskedastisitas. 1,000 -,153 ,092 ,183 . ,354 ,579 ,265 39 39 39 39 -,153 1,000 ,284 ,166 ,354 . ,080 ,311 39 39 39 39 ,092 ,284 1,000 -,233 ,579 ,080 . ,154 39 39 39 39 ,183 ,166 -,233 1,000 ,265 ,311 ,154 . 39 39 39 39 Correlation Coefficient Sig. 2-tailed N Correlation Coefficient Sig. 2-tailed N Correlation Coefficient Sig. 2-tailed N Correlation Coefficient Sig. 2-tailed N DPS REP PER Unstandardiz DPS REP PER ed Residual Spearmans rho Unstandardized Residual Hak Cipta © milik UPN Veteran Jatim : Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber. 4.3.1.5.Uji Autokorelasi Dari perhitungan uji untuk mengetahui adanya autokorelasi dengan menggunakan uji Durbin Watson, diketahui nilai Durbin Watson adalah 1,994 lihat tabel 4.9. Sehingga berdasarkan patokan untuk menentukan ada atau tidaknya gejala autokorelasi tersebut pada bab tiga, dapat disimpulkan sebagai berikut : Tabel 4.9. Uji Autokorelasi Model Summary b Sumber : Lampiran 2 Untuk asumsi klasik yang mendeteksi adanya autokorelasi di sini dilihat dari hasil analisis yang menunjukkan hasil bahwa nilai Durbin Watson di antara -2 dan +2 yaitu sebesar 1,994, hal ini menunjukkan Tidak adanya gejala autokorelasi. Jadi dapat disimpulkan bahwa model regresi linier berganda yang diperoleh pada penelitian ini memenuhi asumsi klasiknya sehingga hasil tidak bias untuk diintepretasikan secara keseluruhan.

4.3.2. Pengujian Hipotesis

Pengujian hipotesis ini dilakukan dengan cara pengujian secara simultan uji F maupun pengujian secara parsial uji t. ,656 a ,430 ,381 41904,848 1,994 Model 1 R R Square Adjusted R Square Durbin- Std. Error of Watson the Estimate a. Predictors: Constant, PER, REP, DPS b. Dependent Variable: Kesejahteraan Pemegang Saham Hak Cipta © milik UPN Veteran Jatim : Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.

4.3.2.1. Uji Kecocokkan Model Uji F

Hasil uji F ini menunjukkan hasil yang signifikan, maka dapat disimpulkan bahwa alat analisis regresi berganda yang digunakan sebagai alat analisis ini cocok atau dapat digunakan sebagai alat analisis dengan tingkat signifikan 0,000. Atau dengan kata lain analisis kecocokan model ini dapat digunakan sebagai alat untuk menentukan apakah alat analisis Regresi Berganda yang digunakan ini cocok atau tidak, seperti hasil berikut : Tabel 4.10. Uji F b ANOVA Sumber : Lampiran 2 Terlihat dari angka F 8,792 dengan Sig. 0,000 0,05 : Signifikan positif, berarti perubahan tiga variabel bebas DPS X1, REP X2 dan PER X3 mampu menjelaskan perubahan variabel Y. Dimana [lihat R Square 0,430 pada tabel 4.9] atau 43 sedang sisanya 57 [100 - 43] dijelaskan oleh variabel lain selain variabel X1, X2 dan X3. Hasil analisis ini menunjukkan bahwa model regresi yang digunakan untuk teknik analisis ini cocok, oleh karena itu untuk peneliti yang akan datang disarankan untuk menggunakan model teknik analisis yang sama. 5E+010 3 1,544E+010 8,792 ,000 a 6E+010 35 1756016307 1E+011 38 Sum of F Model Squares df Mean Square Sig. Regression Residual 1 Total a. Predictors: Constant, PER, REP, DPS b. Dependent Variable: Kesejahteraan Pemegang Saham Hak Cipta © milik UPN Veteran Jatim : Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber. 4.3.2.2.Pengujian secara Parsial Uji t Dari hasil perhitungan yang menggunakan komputer dengan aplikasi program SPSS Statistical Program For Social Science dibawah operasi Windows, diperoleh hasil Uji t sebagai berikut: Tabel 4.11. Uji t Coefficients a Sumber : Lampiran 2 Berdasarkan hasil perhitungan diatas diperoleh persamaan regresi linier berganda sebagai berikut: Y = -9512,331 + 7,285X 1 - 0,004X 2 + 2696,812X 3 Y adalah kesejahteraan pemegang saham, b0 adalah konstanta = -9512,331 ; b1 adalah koefisien regresi X1 = 7,285; dan X1 adalah DPS, b2 adalah koefisien regresi X2 = - 0,004, dan X2 adalah REP. b3 adalah koefisien regresi X3 = 2696,812; dan X3 adalah PER. Sedangkan untuk pengaruh nyata tidaknya masing-masing variabel dapat dijelaskan sebagai berikut : 1. Pengaruh Variabel DPS X 1 Terhadap Kesejahteraan Pemegang Saham Y Nilai koefisien korelasi r partial lihat tabel 4.11 variabel DPS X 1 dengan variabel kesejahteraan pemegang saham Y adalah sebesar -9512,331 14139,223 -,673 ,506 7,285 2,094 ,464 3,480 ,001 ,461 ,507 ,444 -,004 ,003 -,186 -1,392 ,173 -,263 -,229 -,178 2696,812 774,569 ,449 3,482 ,001 ,371 ,507 ,444 Constant DPS REP PER Model 1 B Std. Error Unstandardized Coefficients Beta Standardized Coefficients t Sig. Zero-order Partial Part Correlations a. Dependent Variable: Kesejahteraan Pemegang Saham Hak Cipta © milik UPN Veteran Jatim : Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber. 0,507. Sedangkan nilai koefisien determinasi atau pengaruh r 2 parsial variabel DPS terhadap kesejahteraan pemegang saham adalah sebesar 0,507 2 = 0,257 atau 25,7. Sedangkan nilai t hitung yang diperoleh adalah 3,480 dengan taraf signifikan sebesar 0,001. Karena taraf signifikan yang diperoleh lebih kecil dari 0,05, maka secara nyata DPS berpengaruh signifikan terhadap kesejahteraan pemegang saham. 2. Pengaruh Variabel REP X 2 Terhadap Kesejahteraan Pemegang Saham Y Nilai koefisien korelasi r partial variabel REP X 2 dengan variabel kesejahteraan pemegang saham Y adalah sebesar -0,229 Sedangkan nilai koefisien determinasi atau pengaruh r 2 parsial variabel REP terhadap kesejahteraan pemegang saham adalah sebesar -0,229 2 = 0,052 atau 5,2. Sedangkan nilai t hitung yang diperoleh adalah -1,392 dengan taraf signifikan sebesar 0,173. Karena taraf signifikan yang diperoleh lebih besar dari 0,05, maka secara nyata REP tidak berpengaruh signifikan terhadap kesejahteraan pemegang saham. 3. Pengaruh Variabel PER X 3 Terhadap Kesejahteraan Pemegang Saham Y Nilai koefisien korelasi r variabel PER X 3 dengan variabel kesejahteraan pemegang saham Y adalah sebesar 0,507. Sedangkan nilai koefisien determinasi atau pengaruh r 2 parsial variabel PER terhadap kesejahteraan pemegang saham adalah sebesar 0,507 2 = Hak Cipta © milik UPN Veteran Jatim : Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber. 0,257 atau 25,7. Sedangkan nilai t hitung yang diperoleh adalah 3,482 dengan taraf signifikan sebesar 0,001. Karena taraf signifikan yang diperoleh lebih kecil dari 0,05, maka secara nyata PER berpengaruh signifikan terhadap kesejahteraan pemegang saham. Dengan demikian berdasarkan hasil pengujian dapat disimpulkan bahwa variabel DPS mampu berpengaruh positif dan signifikan terhadap kesejahteraan pemegang saham. Sedangkan RE berpengaruh negatif dan tidak signifikan terhadap kesejahteraan pemegang saham, dan PER berpengaruh positif dan signifikan terhadap kesejahteraan pemegang saham.

4.4. Pembahasan