Pengujian Data Analisi Regresi Linier Berganda

59 Berdasarkan hasil yang diperoleh dari Tabel 4.1 maka dapat dijelaskan bahwa : 1. Variabel kebijakan dividen DPR memiliki jumlah sampel 48, nilai minimum sebesar 0,20 dan nilai maksimum sebesar 0,68 dengan mean nilai rata-rata sebesar 0,4202 dan standart deviation simpangan baku sebesar 0,12961. 2. Variabel free cash flow FCF memiliki jumlah sampel 48, nilai minimum sebesar -0,45 dan nilai maksimum 0,36 dengan mean nilai rata-rata sebesar - 0,0825 dan standart deviation simpangan baku sebesar 0,19712. 3. Variabel profitabilitas ROA memiliki jumlah sampel 48, nilai minimum sebesar 0,02 dan nilai maksimum sebesar 0,27 dengan mean 0,0998 dan standart deviation simpangan baku sebesar 0,07213. 4. Variabel invesment opportunit set IOS memiliki jumlah sampel 48, nilai minimum sebesar 1,35 dan nilai maksimum sebesar 5,53 dengan mean nilai rata-rata sebesar 2,9827 dan standart deviation simpangan baku sebesar 0,96502.

4.2.2 Pengujian Data

Sebelum dilakukannya uji asumsi klasik maka penelitian ini melakukan pembersihan data terlebih dahulu yaitu dengan mengoutlier data penelitian. Setelah data dioutlier maka data penelitian yang awalnya berjumlah 60 menjadi 48. Adapun langkah-langkah dalam melakukan outlier tersebut adalahwww.widhiarso.staff.ugm.ac.id : a. Menambahkan satu kolom pada data view dengan memberi no subyek 60 b. Pilih analyze- regression-liniear kemudian masukkan no subyek menjadi variabel dependen dan variabel x dan y pada variabel independen pilih save maka checklist pada bagian residual yaitu deleted dan bagian distance checklist mahalanobis, kemudian klik continue dan ok. Maka akan muncul kolom baru pada data view yaitu kolom mahal. c. Lihat hasil output pada tabel residual statistic data angka pada bagian mahal maksimum, data yang tertera pada tabel tersebut dihapus pada data view kolom mahal. d. Regresi ulang sehingga data penelitian menjadi lebih baik.

4.2.3 Uji Asumsi Klasik

Uji asumsi klasik dilakukan untuk melihat apakah data telah terdistribusi dengan normal dengan uji normalitas dan untuk melihat apakah penelitian tersebut terjadi multikolinearitas, heteroskedasitas dan autokorelasi atau tidak.

1. Uji Normalitas

Uji normalitas residual bertujuan untuk menguji apakah dalam model regresi, variabel pengganggu atau residual memiliki distribusi normal Ghozali, 2013:160. Cara yang digunakan untuk mendeteksi apakah residual berdistribusi normal atau tidak adalah dengan desain grafik dan uji Kolmogorov-Smirnov. 61 Sumber: Hasil Penelitian, 2015 Data Diolah Gambar 4.1 Grafik Histogram Dengan melihat tampilan grafik histogram dapat disimpulkan bahwa grafik tersebut memberikan pola distribusi normal, karena kurvanya tidak miring ke kiri atau ke kanan. Untuk lebih menjelaskan bahwa data yang diuji berdistribusi normal dapat juga dilihat dengan grafik normal probability plot yang menunjukkan titik-titik menyebar disekitar garis diagonal, sebagaimana ditampilkan pada Gambar 4.2 berikut: 62 Sumber: Hasil Penelitian, 2015 Data Diolah Gambar 4.2 Grafik Normal Plot Cara lain untuk melihat distribusi data normal atau tidak adalah dengan melakukan uji Kolmogorov-Smirnov. Dengan menggunakan tingkat signifikansi sebesar 5, maka jika nilai Asymp Sig 2-tailed diatas 5 artinya variabel residual berdistribusi normal. Untuk lebih jelas dapat dilihat pada Tabel 4.2 : 63 Tabel 4.2 Hasil Uji Kolmogorov-Smirnov One-Sample Kolmogorov-Smirnov Test Unstandardized Residual N 48 Normal Parameters a,,b Mean .0000000 Std. Deviation .08639002 Most Extreme Differences Absolute .080 Positive .056 Negative -.080 Kolmogorov-Smirnov Z .552 Asymp. Sig. 2-tailed .921 a. Test distribution is Normal. b. Calculated from data. Sumber: Hasil Penelitian, 2015 Data Diolah Pada Tabel 4.2 memperlihatkan nilai Asym Sig. 2-tailed adalah 0,921 dan diatas nilai signifikansi 0,05. Dengan kata lain variabel residual berdistribusi normal.

2. Uji Multikoloniearitas

Uji multikoloniearitas bertujuan untuk menguji apakah model regresi ditemukan adanya korelasi antar variabel bebas independen. Dalam penelitian ini uji multikoloniearitas dapat dilihat dari nilai tolerance dan variance inflation factor VIF Ghazali, 2013:105. Multikoloniearitas tidak terjadi jika VIF10 dan nilai tolerance 0,10. 64 Tabel 4.3 Hasil Uji Multikoloniearitas Dapat dilihat pada Tabel 4.3 hasil perhitungan tolerance menunjukkan tidak ada variabel independen yang memiliki nilai tolerance kurang dari 0,10 yang berarti tidak ada korelasi antara variabel independen. Hasil perhitungan nilai Variance Inflation Factor VIF juga menunjukkan hal yang sama, tidak ada satu variabel independen yang memiliki VIF lebih dari 10. Jadi dapat disimpulkan bahwa tidak ada multikoloniearitas antar variabel independen dalam model regresi.

3. Uji Heteroskedastisitas

Uji heteroskedastisitas digunakan untuk mengetahui apakah dalam model regresi terjadi ketidaksamaan varians dari residual satu pengamatan ke pengamatan yang lain. Model regresi yang baik adalah yang homokedastisitas atau tidak terjadi heterokedastisitas Ghozali, 2013:139. Beberapa cara untuk mendekteksi ada atau tidaknya heteroskedasitas dengan cara melihat Grafik Plot dan Uji Glejser. Coefficients a Model Unstandardized Coefficients Standardized Coefficients T Sig. Collinearity Statistics B Std. Error Beta Tolerance VIF 1 Constant .384 .043 8.891 .000 FCF .178 .067 .271 2.670 .011 .981 1.020 ROA 1.533 .231 .853 6.638 .000 .611 1.636 IOS -.034 .017 -.255 -1.986 .053 .611 1.637 a. Dependent Variable: DPR Sumber: Hasil Penelitian, 2015 Data Diolah 65 Sumber: Hasil Penelitian, 2015 Data diolah Gambar 4.3 Grafik Scatter Plot Gambar 4.3 memperlihatkan bahwa titik-titik menyebar secara acak serta tersebar baik diatas maupun dibawah angka 0 pada sumbu Y. Hal ini dapat disimpulkan bahwa tidak terjadi heteroskedasitas pada model regresi, sehingga model regresi ini layak untuk digunakan. 66 Tabel 4.4 Hasil Uji Glejser Coefficients a Model Unstandardized Coefficients Standardized Coefficients T Sig. B Std. Error Beta 1 Constant .069 .025 2.726 .009 FCF -.004 .039 -.016 -.113 .911 ROA .249 .136 .340 1.834 .073 IOS -.009 .010 -.163 -.881 .383 a. Dependent Variable: ABS_RES1 Sumber: Hasil Penelitian, 2015 Data diolah Berdasarkan hasil Tabel 4.4 diketahui bahwa nilai signifikansi variabel free cash flow FCF, return on asset ROA dan invesment opportunity set IOS lebih besar dari 0,05 sehingga pada ketiga variabel independen tersebut tidak terjadi heteroskedasitas.

4. Uji Autokorelasi

Uji autokorelasi bertujuan menguji apakah dalam model regresi linear ada korelasi antara kesalahan pengganggu pada periode t dengan kesalahan pengganggu pada periode t-1 sebelumnya. Menurut Ghazali 2013:110 untuk mendeteksi ada atau tidaknya autokorelasi dapat menggunakan uji Durbin-Watson DW test. 67 Tabel 4.5 Hasil Uji Durbin-Watson Model Summary b Model R R Square Adjusted R Square Std. Error of the Estimate Durbin-Watson 1 .745 a .556 .525 .08929 1.982 a. Predictors: Constant, IOS, FCF, ROA b. Dependent Variable: DPR Sumber: Hasil Penelitian, 2015 Data diolah Berdasarkan uji autokorelasi pada Tabel 4.5 menunjukkan bahwa nilai Durbin-Watson sebesar 1,982. Nilai d dibandingkan dengan nilai dl dan du pada n = 48 dan k = 3 sehingga diperoleh nilai dl sebesar 1,4500 dan du sebesar 2,3769. Hal ini sesuai dengan ketentuan du d 4-du, yaitu 2,3769 1,982 2,3769 yang menunjukkan bahwa tidak terjadi autokorelasi positif dan negatif, sehingga dapat disimpulkan bahwa analisis regresi tidak terdapat autokorelasi.

4.2.3 Analisi Regresi Linier Berganda

Penelitian ini menggunakan regresi linier berganda, dimana semua variabel dimasukkan untuk menguji pengaruh satu atau lebih variabel independen terhadap variabel dependen. Berdasarkan uji asumsi klasik yang telah dilakukan, dapat disimpulkan bahwa model regresi dapat digunakan layak dilakukan analisis statistik. Berikut ini merupakan hasil pengolahan data dengan analisis regresi linier berganda 68 Tabel 4.6 Hasil Analisis Regresi Berganda Coefficients a Model Unstandardized Coefficients Standardized Coefficients t Sig. B Std. Error Beta 1 Constant .384 .043 8.891 .000 FCF .178 .067 .271 2.670 .011 ROA 1.533 .231 .853 6.638 .000 IOS -.034 .017 -.255 -1.986 .053 a. Dependent Variable: Kebijakan Dividen Sumber: Hasil Penelitian, 2015 Data diolah Berdasarkan data pada Tabel 4.6 maka diperoleh model persamaan regresi linier sebagai berikut : Y = 0,384 + 0,178X 1 + 1,533X 2 – 0,034X 3 + e Dimana : Y = Kebijakan dividen X1 = Free cash flow X2 = Profitabilitas X3 = Invesment opportunity set e = error Persamaan regresi diatas dapat diinterprestasikan sebagai berikut: 1. Nilai konstanta sebesar 0,384 artinya apabila nilai variabel independen free cash flow FCF, profitabilitas ROA dan invesment opportunity set IOS bernilai nol maka nilai variabel dependen kebijakan dividen konstan di 0,384. 69 2. Free cash flow FCF memiliki koefisien regresi sebesar 0,178, hal ini menunjukkan bahwa jika variabel free cash flow bertambah 1 satuan, maka variabel kebijakan dividen DPR juga mengalami kenaikan sebesar 0,178. 3. Profitabilitas ROA memiliki koefisien regresi sebesar 1,533 yang berarti bahwa jika variabel profitabilitas ROA bertambah 1 satuan, maka variabel kebijakan dividen DPR juga mengalami kenaikan sebesar 0,178. 4. Invesment opportunity set IOS memiliki koefisien regresi sebesar -0,034 hal ini berarti bahwa setiap penambahan 1 satuan variabel invesment opportunity set maka kebijakan dividen DPR mengalami penurunan sebesar 0,034.

4.2.4 Uji Hipotesis