73 2. Penelitian lapangan field research
Untuk memperoleh data, penulis mengadakan penelitian langsung ke BEI untuk memperoleh data-data yang diperlukan melalui pusat
layanan informasi pada Pusat Referensi Pasar Modal PRPM.
3. Internet research
Penelitian dilakuan dengan cara pengambilan data dengan mengakses ke website-website seperti
www.idx.co.id dan lain-lain.
D. Metode Analisis Data
1. Statistik Deskriptif Penggunaan statistik deskriptif variabel penelitian dimaksudkan
agar dapat memberikan penjelasan yang memudahkan peneliti dalam menginterpretasikan hasil analisis data dan pembahasannya. Statistik
deskriptif berhubungan dengan pengumpulan dan peringkasan data serta penyajian yang biasanya disajikan dalam bentuk tabulasi baik secara grafik
dan atau numerik. Statistik deskriptif memberikan gambaran suatu data yang dilihat dari nilai rata-rata mean, standar deviasi, nilai maksimum
dan minimum. 2. Metode Analisis Data Panel
Metode yang digunakan dalam penelitian ini adalah uji regresi data panel pool yaitu data yang merupakan gabungan antara data seksi silang
cross section dengan data runtun waktu time series. Oleh karenanya, data panel memiliki gabungan karakteristik keduanya yaitu terdiri atas
beberapa objek dan meliputi beberapa waktu Winarno, 2011.
74 Data panel pertama kali diperkenalkan oleh Howles pada tahun
1950 Winarno, 2009:9.1. Data time series biasanya meliputi beberapa objek misalnya: Kebijakan Dividen DPR, Free Cash Flow,
Pertumbuhan Aset Growth Asset, Pertumbuhan Penjualan Growth Sales, Likuiditas CR, Profitabilitas ROA, Ukuran Perusahaan Size,
Struktur Aktiva, Kebijakan Hutang DAR, dan meliputi beberapa periode dalam penelitian ini menggunakan periode tahunan. Sedangkan untuk
data cross section terdiri dari beberapa objek misalnya perusahaan, dengan beberapa jenis data.
Uji regresi data panel dalam penelitian ini digunakan untuk mengetahui hubungan antara 8 delapan variabel independen yaitu
Kebijakan Dividen DPR, Free Cash Flow, Pertumbuhan Aset Growth Asset, Pertumbuhan Penjualan Growth Sales, Likuiditas CR,
Profitabilitas ROA, Ukuran Perusahaan Size, Struktur Aktiva terhadap variabel dependen Kebijakan Hutang DAR.
Pengelolaan data dalam penelitian ini menggunakan Software Eviews 8.0 untuk menjelaskan hubungan antara variabel independen dan
variabel dependen melalui data panel. Penggunaan software ini dirasa tepat mengingat analisis dengan data panel sudah disediakan oleh Eviews
sejak versi awal dan selama ini sudah menjadi salah satu keunggulan program Eviews dibanding program-program statistik lainnya Winarno,
2011.Software Microsoft Office Excel 2007 juga digunakan untuk
75 mempermudah pengelolaan data seperti pembuatan grafik, tabel, dan lain-
lain. Menurut Agus Widarjono 2009:229 penggunaan data panel
dalam sebuah observasi penelitian memiliki beberapa keuntungan yang dapat diperoleh. Pertama, data panel yang merupakan gabungan dari dua
data time series dan cross section mampu menyediakan data yang lebih banyak sehingga akan menghasilkan Degree of Freedom yang lebih besar.
Kedua, menggabungkan informasi dari data time series dan cross section dapat mengatasi masalah yang timbul ketika ada masalah penghilangan
variabel omitted variabel. Menurut Gujarati 2012:83 ada beberapa keuntungan yang
diperoleh dengan menggunakan model data panel, antara lain : a. Teknik estimasi data panel dapat mengatasi heterogenitas secara
eksplisit dengan memberikan variabel spesifik subjek. b. Dengan menggabungkan antara obesrvasi time series dengan cross
section, data panel memberikan lebih banyak informasi, lebih banyak Degree of Freedom dan lebih efisien.
c. Dengan mempelajari observasi cross section yang berulang-ulang, data panel paling cocok untuk mempelajari dinamika perubahan.
d. Data panel paling baik untuk mendeteksi dan mengukur dampak yang secara sederhana tidak bisa dilihat pada data cross section murni dan
time series murni.
76 e. Data panel memudahkan untuk mempelajari model perilaku yang
rumit. f.
Dengan membuat data menjadi berjumlah beberapa ribu unit, data panel dapat meminimumkan bias yang biasa terjadi ketika kita
mengagregasi individu-individu atau perusahaan-perusahaan kedalam agregasi besar.
Model Regresi Panel dalam penelitian ini adalah :
Dimana : Y
: Variabel dependen DAR α
: Konstanta X
1
: Variabel Independen Kebijakan Dividen X
2
: Variabel Independen Free Cash Flow X
3
: Variabel Independen Pertumbuhan Aset X
4
: Variabel Independen Pertumbuhan Penjualan X
5
: Variabel Independen Likuiditas X
6
: Variabel Independen Profitabilitas X
7
: Variabel Independen Ukuran Perusahaan X
8
: Variabel Independen Struktur Aktiva β
1...8
: Koefisien regresi masing-masing variabel independen i
: Perusahaan t
: Waktu E
: Error term Y
it
= α + β
1
X
1it
+ β
2
X
2it
+ β
3
X
3it
+ β
4
X
4it
+ β
5
X
5it
+ β
6
X
6it
+ β
7
X
7it
+ β
8
X
8it
+ e
77 Menurut Widarjono 2009:231 ada beberapa pendekatan yang
dapat digunakan untuk mengestimasi model regresi dengan menggunakan data panel, antara lain :
a. Model Common Effect Model Common Effect merupakan metode estimasi model
regresi data panel yang paling sederhana dengan asumsi intercept dan koefisien slope yang konstan antar waktu dan cross section common
effect dengan menggunakan pendekatan Ordinary Least Square OLS.
Dalam pendekatan ini tidak memperhatikan dimensi individu maupun waktu sehingga perilaku data antar perusahaan diasumsikan
sama dalam berbagai kurun waktu. Pada dasarnya model common effect sama seperti Ordinary Least Square OLS dengan
meminimumkan jumlah kuadrat, tetapi data yang digunakan bukan data time series atau data cross section saja melainkan data panel yang
diterapkan dalam bentuk pooled. Bentuk persamaan model Common Effect adalah sebagai berikut Widarjono, 2009:231 :
Dimana : Y
it
: Variabel dependen X
1
: Variabel independen 1 X
2
: Variabel independen 2 i
: Cross section Y
it
= β + β
1
In X
1it
+ β
2
In X
2it
+ e
it
78 t
: Time series b. Model Fixed Effect
Model Fixed Effect adalah model estimasi data panel dengan menggunakan variabel dummy untuk menangkap adanya perbedaan
intersep. Pengertian Fixed Effect didasarkan pada adanya perbedaan intersep antara perusahaan namun intersepnya sama antar waktu time
in variant. Disamping itu, model ini juga mengasumsikan bahwa koefisien regresi slope tetap antar perusahaan dan antar waktu
Widarjono, 2009:233. Pendekatan dengan variabel dummy ini dikenal dengan sebutan Fixed Effect Model atau Least Square Dummy
Variable LSDV. Bentuk persamaan dalam Model Fixed Effect adalah sebagai berikut :
Dimana : i
: 1,2,...,n t
: 1,2,...,t D
: Dummy c. Model Random Effect
Model Random Effect adalah model estimasi data panel dengan asumsi koefisien slope konstan dan intersep berbeda antara individu
dan antar waktu Random Effect Widarjono, 2009:235.
Dimasukkannya variabel dummy didalam Fixed effect model bertujuan untuk mewakili ketidakpastian tentang model yang
Y
it
= β + β
1
In X
1it
+ β
2
In X
2it
+ β
3
D
1
+ β
4
D
2
+ ... + e
it
79 sebenarnya. Namun, ini membawa konsekuensi berkurangnya derajat
kebebasan degree of freedom yang pada akhirnya mengurangi efisiensi parameter. Untuk mengatasi masalah ini bisa menggunakan
variabel gangguan error terms yang dikenal dengan Random effect model. Model yang tepat digunakan untuk mengestimasi Random
Effect adalah Generalized Least Square GLS sebagai estimatornya, karena dapat meningkatkan efisiensi dari least square Widarjono,
2009:235. Bentuk umum persamaan dalam Model Random Effect adalah
sebagai berikut :
Dimana : u
i
~ N 0, δu2 : komponen cross section error
v
t
~ N 0, δv2 : komponen time series error
w
it
~ N 0, δw2 : komponen eror kombinasi
3. Tahap Analisis Data Untuk memilih model yang tepat untuk digunakan dalam
mengelola data panel, terdapat beberapa pengujian yang dapat dilakukan yaitu :
a. Uji Chow Uji Chow digunakan untuk menentukan metode mana yang
paling tepat digunakan untuk mengestimasi data panel dalam Y
it
= α
1
+ b
j
X
j
+ e
it
dengan e
it
= u
i
+v
t
+ w
it
80 penelitian dengan membandingkan antara model common effect atau
fixed effect. Berikut ini rumus uji chow Baltagi, 2005:13:
Dimana : SSE
1
: Sum Square Error dari model Common Effect SSE
2
: Sum Square Error dari model Fixed Effect n
: Jumlah individual cross section nt
: jumlah cross section x jumlah time series k
: Jumlah variabel independen Sedangkan F
tabel
didapat dari :
Dimana : α
: Tingkat signifikansi yang dipakai alfa n
: Jumlah individual cross section nt
: jumlah cross section x jumlah time series k
: Jumlah variabel independen Hipotesis dalam uji Chow adalah :
H : Common Effect Model
H
1
: Fixed Effect Model
F
t abel
= {
α
: dfn -1, nt – n – k
F
hitung
=
81 Menurut Widarjono 2009:238 dasar penolakan terhadap
hipotesis diatas adalah dengan membandingkan perhitungan antara F
hitung
dengan F
tabel
. Perbandingan yang dipakai adalah sebagai berikut: Jika hasil dari F
hitung
F
tabel
= H ditolak
Jika hasil dari F
hitung
F
tabel
= H diterima
b. Uji Hausman Uji Hausmanadalah pengujian statistik yang digunakan untuk
memilih model yang paling tepat antara Fixed Effect atau Random Effect. Uji ini dikembangkan oleh Hausman dengan didasarkan pada
ide bahwa LSDV didalam metode Fixed Effect dan GLS adalah efisien sedangkan model OLS adalah tidak efisien, dilain pihak alternatifnya
metode OLS efisien dan GLS tidak efisien. Karena itu uji hipotesis nullnya adalah hasil estimasi estimasi keduanya tidak berbeda
sehingga Uji Hausman bisa dilakukan berdasarkan perbedaan estimasi tersebut.
Uji Hausman akan mengikuti distribusi Chi-square, dengan asumsi bahwa error secara individual tidak saling berkolerasi begitu
juga error kombinasinya. Statistik uji Hausman ini mengikuti distribusi statistik Chi-square dengan degree of freedom sebanyak k
dimana k adalah jumlah variabel independen. Pengujian Hausman dilakukan dengan hipotesis berikut
Widarjono, 2009: H
: Random Effect Model
82 H
1
: Fixed Effect Model Menurut Widarjono 2009:240 dasar penolakan terhadap
hipotesis diatas adalah dengan membandingkan antara nilai statistik Hausman dan nilai kritisnya.
Jika nilai statistik Hausman nilai kritisnya = H ditolak
Jika nilai statistik Hausman niali kritisnya = H diterima
4. Uji Dasar Asumsi Klasik Uji dasar asumsi klasik dilakukan sebagai parameter untuk
menunjukkan bahwa hubungan antara variabel dependen dan variabel independen bersifat linear serta tidak terjadi masalah data tidak
berdistribusi secara normal, multikolineartitas, heteroskedastisitas, autokorelasi diantara variabel independen dalam regresi tersebut. Jika
keempat asumsi tersebut terpenuhi maka menghasilkan estimator yang linear, tidak bias dan mempunyai varian yang minimum atau BLUE Best
Linear Unbiased Estimator. Oleh karena itu, diperlukannya pengujian dan pembersihan
terhadap asumsi dasar jika memang terjadi. Pengujian asumsi dasar klasik regresi terdiri dari :
a. Uji Normalitas Uji normalitas bertujuan utnuk menguji apakah nilai residual
yang telah terstandarisasi dalam model regresi panel variabel- variabelnya berdistribusi normal atau tidak. Model regresi yang baik
adalah model yang memiliki distribusi data normal atau mendekati
83 normal. Tidak terpenuhinya normalitas pada umumnya disebabkan
karena distribusi data yang dianalisistidak normal, karena terdapat nilai ekstrem pada data yang diambil. Nilai ektrem ini dapat terjadi
karena adanya kesalahan dalam pengambilan sampel, bahkan karena kesalahan dalam melakukan inpu data atau memang karena
karakteristik data tersebut sangat jauh dari rata-rata Suliyanto, 2011:69.
Dalam software Eviews 8.0 yang digunakan dalam penelitian ini, normalitas data diketahui dengan membandingkan statistik
Jarque-Bera JB dengan x
2
tabel. Jika nilai Jarque-Bera JB ≤ x
2
tabel maka nilai residual terstandarisasi dinyatakan berdistribusi normal Suliyanto, 2011:75.
Menurut Winarno 2011, untuk mengetahui sebuah data berdisitribusi normal atau tidak dapat dilakukan dengan melihat
koefisien Jarque-Bera JB dan probabilitasnya. Kedua angka ini bersifat saling mendukung, dengan ketentuan sebagai berikut :
1 Bila nilai Jarque-Bera tidak signifikan lebih kecil dari 2, maka H
diterima dan berdistribusi normal. 2 Bila probabilitas lebih besar dari 5 bila menggunakan tingkat
signifikansi tersebut, maka H diterima dan data berdistribusi
normal.
84 b. Uji Multikolinearitas
Uji Multikolinearitas bertujuan untuk menguji apakah dalam model regresi panel ditemukan adanya korelasi antar variabel
independen atau tidak. Metode untuk mengetahui ada tidaknya masalah multikolinearitas dalam suatu model regresi juga dapat dilihat
dari korelasi parsial antar variabel independen. Menurut Widarjono 2009:106
ada aturan
dalam menentukan
ada tidaknya
multikolinearitas dalam suatu model, yaitu : Jika koefisien korelasi 0,8 maka diduga adanya multikolinearitas
dalam model Jika koefisien korelasi 0,8 maka diduga tidak adanya
multikolinearitas dalam model. Dalam mendeteksi dengan metode ini diperlukan kehati-hatian.
Karena masalah ini timbul terutama pada data time series dimana korelasi antar variabel independen cukup tinggi. Korelasi yang tinggi
ini terjadi karena data time series seringkali menunjukkan unsur tren yaitu data bergerak naik dan turun bersamaan.
c. Uji Heteroskedastisitas Uji heteroskedastisitas bertujuan untuk menguji apakah dalam
model regresi terjadi ketidaksamaan variancedari residual satu pengamatan ke pengamatan lain sama konstan, maka disebut
Homoskedastisitas dan jika berbeda disebut Heteroskedatisitas Imam Ghozali, 2006:105.
85 Heteroskedastisitas biasanya ditemukan dalam data cross
section dan bukan dalam data time series. Dalam data cross sectionumumnya berhadapan dengan anggota suatu populasi pada
waktu tertentu, seperti konsumen, individu, perusahaan, atau industri. Anggota ini mungkin berbeda dalama hal ukuran seperti perusahaan
kecil, sedang, atau besar. Dengan kata lain, mungkin ada suatu efek skala. Dalam data time series variabel-variabel cenderung memiliki
ukuran besaran yang serupa karena peneliti pada umumnya mengumpulkan data dari lembaga yang sama selama suatu periode
waltu seperti tingkat pengangguran selam periode tertentu Gujarati,2007:83.
Menurut Winarno 2009:2.3-5.24, ada beberapa akibat apabila residualnya bersifat heteroskedastisitas, yaitu:
1 Estimator metode kuadrat terkecil tidak mempunyai varian yang minimum tidak lagi best, sehingga hanya memenuhi
karakteristik LUE linear ubiased estimator. Meskipun demikian, estimator metode kuadrat terkecil masih bersifat linier
dan tidak bias. 2 Perhitungan standar eror tidak dapat lagi dipercaya kebenarannya,
karena varian tidak minimum. Varian yang tidak minimum mengakibatkan estimasi regresi yang tidak efisien.
3 Uji hipotesis yang didasarkan pada uji t dan uji F tidak dapat lagi dipercaya karena standar eror-nya tidak dapat dipercaya.
86 Metode yang digunakan untuk mendeteksi ada tidaknya
masalah heteroskedastisitas dalam penelitian ini adalah metode Park. Uji Park dilakukan dengan melakukan regresi fungsi-fungsi residual.
Jika variabel independen tidak signifikan secara statistik, maka dapat disimpulkan bahwa model yang terbentuk dalam persamaan regresi
tidak mengandung masalah heteroskedastisitas Winarno, 2009:5.12 d. Uji Autokorelasi
Uji autokorelasi bertujuan untuk mengetahui apakah dalam model regresi terjadi korelasi antara variabel pengganggu error pada
periode t dan periode t-1 sebelumnya. Autokorelasi muncul karena observasi yang berurutan sepanjang waktu berkaitan satu sama lainnya
Imam Ghozali, 2005. Umumnya kasus autokorelasi banyak terjadi pada data time series karena time series lekat dengan kontinyuitas dan
ketergantungan antar data. Untuk mendeteksi ada tidaknya masalah autokorelasi model
regresi data panel dalam penelitian ini dilakukan dengan uji Durbin Watson DW. Karena pengujian ini paling populer untuk mendeteksi
adanya autokorelasi. Pada umumnya program statistik telah menyediakan fasilitas untuk melakukan uji tersebut.
MenurutWinarno 2011:5.28 cara untuk mendeteksi ada tidaknya masalah autokorelasi adalah sebagai berikut :
87
Tabel 3.2 Pengambilan keputusan ada tidaknya autokorelasi dengan
uji Durbin Watson DW
Tolak H berarti ada
autokorelasi positif
Tidak dapat diputuskan
Tidak menolak H berarti tidak ada
autokorelasi Tidak dapat
diputuskan Tolak H
berarti ada autokorelasi
negatif
d
L
d
U
2 4-d
U
4-d
L
4 1,10
1,54 2,46
2,90 Jika terdapat masalah autokorelasi, maka model regresi yang
seharusnya signifikan menjadi tidak layak untuk dipakai. Autokorelasi dapat diatasi dengan berbagai cara yaitu dengan melakukan
transformasi data dan menambah data observasi. 5. Uji Hipotesis
a. Uji Signifikansi Simultan Uji F Uji F dilakukan untuk melihat pengaruh seluruh variabel
independen secara keseluruhan atau simultan terhadap variabel dependen.
Untuk menentukan F
hitung
digunakan rumus sebagai berikut :
Dimana :
R
2
: Koefisien Determinasi n
: Jumlah pengamatanSampel K
-1
: Jumlah variable eksogen Dalam melakukan uji keseluruhan atau simultan melalui uji
F
hitung
setiap software regresi selalu menghitung F
hitung
secara otomatis.
F =
⁄ ⁄
88 Sedangkan untuk mencarai nilai dari F
tabel
diambil berdasarkan besarnya
α dan degree of freedom df dimana besarnya ditentukan oleh numerator k-1 dan denominator n-k. n disini adalah jumlah
observasi dan k adalah jumlah parameter estimasi termasuk intersep atau konstanta.
Dasar penolakan terhadap hipotesis diatas adalah dengan membandingkan perhitungan antara
Fhitung dengan Ftabel.
Perbandingan yang dipakai adalah sebagai berikut : Jika hasil dari F
hitung
F
tabel
= H ditolak
Jika hasil dari F
hitung
F
tabel
= H diterima
Selain itu, dalam menentukan pengambilan keputusan apakah H
diterima atau ditolak bisak dilihat dari besarnya probabilitas yang menunjukkan besarnya α. Dari perhitungan Eviews jika probabilitas
sangat kecil yaitu 0,0000 maka keputusan yang diambil adalah menolak H
o
dan menerima H
a
Widarjono, 2009. b. Uji Signifikansi Parsial Uji t
Uji t digunakan untuk mengetahui apakah variabel bebas independen secara individu memiliki pengaruh terhadap variabel
terikat dependen dengan menganggap variabel bebas lainnya bersifat konstan. Uji ini dilakukan dengan memperbandingkan t
hitung
dengan t
tabel
.
89 Untuk menentukan F
hitung
digunakan rumus sebagai berikut :
Dimana :
βi : Koefisien regresi variable Xi
Seβi : Standar error variabel Xi
Pada umumnya nilai t
hitung
telah disediakan oleh setiap software regresi. Sedangkan untuk memperoleh nilai dari t
tabel
ditentukan oleh tingkat signifikansi 5 dengan degree of freedom df = n-k, dimana n adalah jumlah observasi dan k adalah jumlah
parameter estimasi termasuk intersep. Dalam penelitian ini uji t dilakukan dengan menggunakan uji
satu arah one tail test. Dalam uji satu arah terdapat uji fihak kiri dan uji fihak kanan. Uji fihak kiri digunakan apabila hipotesis nol H
menunjukkan lebih besar atau sama dengan ≥ dan hipotesis
alternatifnya H
a
menunjukkan lebih kecil , kata lebih besar atau sama dengan sinonimnya paling sedikit atau paling kecil. Dalam uji
fihak kiri ini berlaku ketentuan, bila nilai t
hitung
jauh pada penerimaan H
lebih besar atau sama dengan ≥ dari t
tabel
, maka H diterima dan
H
a
ditolak. Sedangkan uji fihak kanan digunakan apabila hipotesis nol H
menunjukkan lebih kecil atau sama dengan ≤ dan hipotesis
alternatifnya H
a
menunjukkan lebih besar , kata lebih kecil atau sama dengan sinonimnya paling besar. Dalam uji fihak kanan ini
t
i
=
90 berlaku ketentuan, bila nilai t
hitung
lebih kecil atau sama dengan ≤
nilai t
tabel
, maka H diterima dan H
a
ditolak Sugiyono, 2007:99-103. c. Uji Koefisien Determinasi Adjusted R Square
Koefisien determinasi R²adjusted R² pada intinya mengukur seberapa jauh kemampuan model dalam menerangkan varian variabel
dependen. Nilai koefisien determinasi adalah diantara nol dan satu. Nilai R² Adjusted R² kecil berarti kemampuan variabel-variabel
independen dalam menjelaskan varian variabel dependen amat terbatas Imam Ghozali, 2011:97.
Nilai R
2
mempunyai interval antara 0 sampai 1 0 R
2
1. Semakin besar R
2
mendekati 1, semakin baik hasil untuk model regresi tersebut dan semakin mendekati 0, maka variabel independen
secara keseluruhan tidak dapat menjelaskan variabel dependen. Menurut Gujarati dalam Imam Ghozali 2011:97-99 jika
dalam uji empiris didapat nilai adjusted R² negatif, maka nilai adjusted R² dianggap bernilai nol. Secara sistematis jika nilai R² = 1, maka
Adjusted R² = R² = 1 sedangkan jika nilai R² = 0, maka adjusted R²= 1-kn-k. Jika k1, maka adjusted R² akan bernilai negatif.
Mengingat nilai koefisien determinasi tidak pernah turun melainkan selalu naik jika kita terus menambah variabel independen,
meskipun variabel yang ditambahkan secara intuitif ataupun teoritik tidak berpengaruh terhadap variabel dependen. Maka harus lebih
berhati-hati dalam membandingkan dua regresi yang mempunyai
91 variabel dependen sama tapi berbeda dalam jumlah variabel
independen. Dalam hal ini kehati-hatian diperlukan karena tujuan dari regresi metode OLS adalah untuk mendapatkan nilai koefisien
determinasi yang tinggi, maka sebagai alternatif digunakan R
2
atau Adjusted R
2
Widarjono, 2010.
E. Definisi Operasional Variabel
Berdasarkan pokok permasalahan dari rumusan hipotesis, berikut ini akan dijelaskan mengenai definisi operasional variabel yang akan digunakan
dalam penelitian yang terdiri dari variabel dependen dan variabel independen, yaitu :
1. Variabel Dependen
