27
DPR = Dividen per lembar saham
x 100
Laba per lembar saham
3.6 Metode Analisis Data
Metode analisi data yang digunakan dalam penelitian ini menggunakan metode analisis statistik dengan bantuan software SPSS 17. Peneliti
melakukan pengujian asumsi klasik agar data terdistribusi normal, dan setelah itu dilakukan pengujian terhadap hipotesis.
3.6.1 Analisis Statistik Deskriptif
Secara sederhana statistik deskriptif adalah statistik yang bertujuan untuk mendeskripsikan data. Terdapat berbagai cara dalam mendeskripsikan
data, yang salah satunya adalah dalam bentuk ukuran-ukuran numerik dari hasil pengolahan terhadap data tersebut.
Data yang digunakan penelitian ini merupakan data sekunder yang diperoleh dari www.idx.co.id dan Indonesia
Capital Market Directory berupa data keuangan sampel perusahaan manufaktur dari tahun 2008 sampai tahun 2010. Dan variabel penelitian ini
terdiri dari Retrun on Invesment ROI dan arus kas operasi sebagai variabel bebas independent variable dan DPR sebagai variabel terikat dependent
variable.
3.6.2 Uji Asumsi Klasik 3.6.2.1 Uji Normalitas Data
Uji normalitas data bertujuan untuk menguji apakah dalam model regresi, variabel pengganggu atau residual memiliki distribusi normal.
Apabila nilai residual tidak mengikuti distribusi normal, uji statistik menjadi tidak valid untuk jumlah sampel kecil.
Menurut ghozali 2005:110, “cara untuk mendeteksi apakah residual berdistribusi normal atau tidak ada dua,
Universitas Sumatera Utara
28
yaitu analisis grafik dan analisis statistik. Uji statistik yang dapat digunakan untuk menguji normalitas residual adalah uji statistik Kolmogorov-Smirnov
K- S”, dibuat dengan membuat hipotesis :
Ho : Data residual berdistribusi normal. Ha : Data residual tidak berdistribusi normal.
Bila signifikansi 0,05 berarti distribusi data normal maka Ha ditolak dan Ho diterima, sebaliknya bila signifikan 0,05 berarti distribusi data
tidak normal maka Ho ditolak dan Ha diterima. Normalitas juga dapat dideteksi dengan melihat penyebaran data titik
pada sumbu diagonal dan grafik dengan melihat histogram dari residualnya”. Dasar pengambilan keputusannya adalah :
1. Jika data menyebar disekitar garis diagonal dan mengikuti arah garis
diagonal atau grafik histogramnya menunjukkan pola berdistribusi normal, maka model regresi memenuhi asumsi normalitas,
2. Jika data menyebar jauh dari diagonal dan tidak mengikuti arah garis
diagonal atau grafik histogram tidak menunjukkan data berdistribusi normal, maka model regresi tidak memenuhi asumsi normalitas.
3.6.2.2 Uji Multikolonearitas
Uji Multikoloneritas bertujuan untuk menguji apakah dalam model regresi ditemukan adanya korelasi antara variabel independen.
Universitas Sumatera Utara
29
Model regresi yang baik seharusnya tidak ada korelasi antar variabel independen. Ada tidaknya multikoloneritas dapat dideteksi dengan
melihat nilai tolerance dan variance inflation factor VIF, serta dengan menganalisis matrik korelasi variabel-variabel independen. Nilai cut off
yang umum dipakai untuk menunjukkan adanya multikoloneritas adalah nilai tolerance 0,10 atau sama dengan nilai VIF 10 dan untuk matrik
korelasi adanya indikasi multikoloneritas dapat dilihat jika antar variabel independen ada korelasi yang cukup tinggi umumnya diatas 0.90.
3.6.2.3 Uji Heteroskedastisitas
Uji ini memiliki tujuan untuk menguji apakah dalam model regresi terjadi ketidaksamaan varians dari residual suatu pengamatan ke
pengamatan lain. Jika varians dari residual satu pengamatan ke pengamatan lainnya tetap, maka disebut homoskedasitas. Ada tidaknya
heteroskedastistas dapat dilakukan dengan melihat grafik scaterplot antar nilai prediksi variabel independen dengan nilai residualnya. Dasar analisis
yang dapat digunakan untuk menentukan heteroskedastisitas, antara lain : 1.
Jika ada pola tertentu, seperti titik-titik yang ada membentuk pola tertentu
yang teratur maka mengindikasikan telah terjadi heteroskedastisitas,
2. Jika tidak ada pola yang jelas, seperti titik-titik menyebar diatas dan
di bawah angka 0 pada sumbu Y, maka tidak terjadi heteroskedastisitas atau terjadi homoskedastisitas.
Universitas Sumatera Utara
30
3.6.2.4 Uji Autokorelasi
Uji ini bertujuan untuk melihat apakah dalam suatu meodel 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 yang lainnya. Hal
ini sering ditemukan pada data time series. Cara yang dapat digunakan untuk medeteksi masalah autokorelasi adalah dengan menggunakan nilai
uji Durbin Watson dengan ketentuan dari Prof. Singgih sebagai berikut : 1.
Angka D-W dibawah -2 berarti ada autokorelasi positif, 2.
Angka D-W diantara -2 sampai +2, berarti tidak ada autokorelasi, 3.
Angka D-W diatas +2 berarti ada autokorelasi negatif.
3.6.3 Pengujian Hipotesis
Penelitian ini dianalisis dengan model regresi linier berganda untuk melihat seberapa besar pengaruh Return on Investment ROI dan arus kas
operasi terhadap DPR dengan model dasar sebagai berikut Y = α +
+ + ε
Keterangan : Y
= Variabel dependen DPR
α =
Konstanta ,
= Koefesien
= Variabel independen pertama yaitu ROI
= Variabel independen kedua yaitu arus kas operasi
ε =
Tingkat kesalahan pengganggu
Universitas Sumatera Utara
31
3.6.3.1 Koefisien Determinasi R²
Uji ini bertujuan untuk melihat seberapa jauh kemampuan variabel independen dalam menerangkan variabel dependennya. Nilai koefisien
determinasi adalah diantara nol sampai dengan satu. Semakin nilainya mendekati satu maka semakin lengkap informasi yang diberikan variabel
independen dalam menerangkan variabel dependennya, sebaliknya jika nilainya semakin menjauhi satu maka semakin sedikit informasi yang
diberikan variabel independen dalam menerangkan variabel dependennya.
3.6.3.2 Uji Parsial atau uji t t Test
Uji statistik t pada dasarnya menunjukkan seberapa jauh pengaruh satu variabel independen secara individual dalam menerangkan variasi
variabel independen. Uji ini dilakukan untuk melihat pengaruh laba bersih dan arus kas bersih secara parsial terhadap DPR. Uji ini dilakukan dengan
membandingkan signifikansi t hitung yang mengacu pada suatu ketentuan. Ho diterima jika t hitung t tabel α = 5
Ha diterima jik a t hitung t table α =5
Di samping itu dapat pula dilihat dari signifikansinya yaitu jika nilai signifikansi penelitian 0,05 maka Ha diterima.
Hipotesis Statistik Ho = Return on Investment dan arus kas operasi tidak berpengaruh
terhadap DPR secara parsial.
Universitas Sumatera Utara
32
Ha = Return on Investment dan arus kas operasi berpengaruh terhadap DPR secara parsial.
3.6.3.3 Uji Simultan atau Uji F F test
Uji F statistik digunakan untuk menguji keberartian pengaruh dari seluruh variabel bebas secara bersama sama simultan terhadap variabel
dependen. Uji F dimaksudkan untuk melihat kemampuan menyeluruh dari variabel bebas yaitu laba bersih dan arus kas operasi terhadap kebijakan
dividen. Uji ini dilakukan dengan mengacu pada suatu ketentuan. Ho diterima jika F hitung F table
Ha diterima jika F hitung F table Selain itu dapat pula dilihat dari nilai signifikansinya yaitu jika nilai
signifikansi penelitian 0,05 maka Ha diterima. Hipotesis Statistik
Ho = Return on Investment dan arus kas operasi tidak berpengaruh terhadap DPR secara simltan.
Ha = Return on Investment dan arus kas operasi berpengaruh terhadap DPR secara simultan.
Universitas Sumatera Utara
33
BAB IV
HASIL PENELITIAN DAN PEMBAHASAN
4.1 Analisis Hasil Penelitian
Metode analisis data yang digunakan dalam penelitian ini adalah metode analisis statistik yang menggunakan persamaan regresi linear
berganda. Pengujian asumsi klasik dan regresi berganda dilakukan dengan menggunakan software SPSS versi 17. Terdapat 18 perusahaan yang
memenuhi kriteria dan dijadikan sampel dalam penelitian ini dan diamati selama periode 2008-2010.
Tabel 4.1 Daftar Sampel Perusahaan Manufaktur
No. Nama Perusahaan
Kode Tanggal
Berdiri Tanggal
Listing 1.
PT AKR Corporindo Tbk AKRA 07 Mei 1977
03 Okt 1994 2.
PT Astra Graphia Tbk ASGR
31 Okt 1975 15 Nov 1989
3. PT Astra Internasional Tbk
ASII 20 Feb 1957
04 Apr 1990 4.
PT Goodyear Indonesia Tbk GDYR 26 Jan 1917
22 Des 1980 5.
PT Gudang Garam Tbk GGRM 30 Jun 1971
27 Agt 1990 6.
PT Hexindo Adiperkasa Tbk HEXA
28 Nov 1988 13 Feb 1995 7.
PT Indofood Sukses Makmur Tbk INDF
14 Agt 1980 14 Jul 1994
8. PT Indocemen Tunggal Perkasa Tbk INTP
16 Jan 1985 05 Des 1989
9. PT Lautan Luas Tbk
LTLS 13 Jul 1951
21 Jul 1997 10.
PT Lionmesh Prima Tbk LMSH
14 Des 1982 04 Jun 1990
11. PT Metrodata Tbk
MTDL 17 Feb 1983 09 Apr 1990
12. PT Selamat Sempurna Tbk
SMSM 19 Jan 1976 09 Sep 1996
13. PT Semen Gresik Tbk
SMGR 25 Mar 1953 08 Jul 1991 14.
PT Tunas Baru Lampung Tbk TBLS
22 Des 1973 15 Feb 2000
15. PT Trias Sentosa Tbk
TRST 23 Nov 1979 02 Jul 1990
16. PT Tempo Scan Pacific Tbk
TSPC 20 Mei 1970
17 Jun 1994 17.
PT United Tractors Tbk UNTR
11 Jan 1901 19 Sep 1989
18. PT Unilever Tbk
UNVR 05 Des 1901 11 Jan 1982
Sumber : www.idx.co.id
Universitas Sumatera Utara
34
4.2 Analisis Statistik Deskriptif
Statistik deskriptif dari variabel tersebut dari sampel perusahaan manufaktur selama periode 2008 sampai dengan tahun 2010 disajikan dalam
tabel 4.2 berikut.
Tabel 4.2 Statistik Deskriptif Variabel-variabel Selama Tahun 2008-2010
Descriptive Statistics
N Minimum Maximum
Mean Std, Deviation
ROI 54
0,65 53,28
13,1635 11,99494
Arus_Kas_Operasi 54
-4,E11 2,E13
1,72E12 3,701E12
DPR 54
4,13 302,90
51,2106 48,99582
Valid N listwise 54
Sumber : Data yang diolah Penulis, 2012
Berikut ini merupakan perincian data deskriptif yang telah diolah: a.
Variabel ROI memiliki nilai minimum 0,65 dan maksimum 53,28 dengan rata-rata ROI sebesar 13,1635 dengan jumlah sampel sebanyak
54 perusahaan. b.
Variabel arus kas operasi memiliki nilai minimum -4.E11 dan nilai maksimum 2.E13 dengan rata-rata kas operasi sebesar 1.72E12 dengan
jumlah sampel sebanyak 54 perusahaan.
Universitas Sumatera Utara
35
c. Variabel DPR memiliki nilai minimum 4,13 dan nilai maksimum 302,90
dengan rata-rata DPR sebesar 51,2106 dengan jumlah sampel 54 perusahaan.
4.3 Uji Asumsi Klasik 4.3.1 Uji Normalitas
Pengujian normalitas data dalam penelitian ini menggunakan uji statistik non parametrik Kolmogorov-Smirnov K-S dengan membuat
hipotesis. Ho : Data residual berdistribusi normal.
Ha : Data residual tidak berdistribusi normal. Apabila nilai signifikansinya lebih besar dari 0,05 maka H
diterima, sedangkan jika nilai signifikansinya lebih kecil dari 0,05 maka H
ditolak.
Tabel 4.3 Uji Normalitas Sebelum Data Ditranformasi
One-Sample Kolmogorov-Smirnov Test
ROI Arus_Kas_Op
erasi DPR
N 54
54 54
Normal Parameters
a,b
Mean 13,1635
1,72E12 51,2106
Std, Deviation 11,99494
3,701E12 48,99582 Most Extreme
Differences Absolute
0,194 0,294
0,269 Positive
0,194 0,293
0,269 Negative
-0,148 -0,294
-0,168 Kolmogorov-Smirnov Z
1,424 2,158
1,978 Asymp, Sig, 2-tailed
0,035 0,000
0,001 Sumber : Data yang diolah Penulis, 2012
Universitas Sumatera Utara
36
Dari hasil pengolahan data tersebut, besarnya nilai Kolmogorov- Smirnov K-S masing-masing variabel penelitian yaitu ROI, Arus Kas
Operasi dan DPR yaitu, 0,035, 0,000 dan 0,001 pada taraf kemaknaan 0,05. Jika signifikansi nilai Kolmogorov-Smirnov variabel penelitian lebih kecil
dari 0,05 maka disimpulkan data tidak terdistribusi secara normal. Data yang tidak terdistribusi secara normal tersebut juga dapat dilihat melalui
grafik histogram dan grafik normal plot data.
Gambar 4.1 Histogram sebelum data ditranformasi
Sumber : Data yang diolah Penulis, 2012 Dengan cara membandingkan antara data observasi dengan distribusi
yang mendekati distribusi normal, dari grafik di atas dapat disimpulkan bahwa distribusi data tidak normal karena grafik histogram menunjukkan
distribusi data tidak mengikuti garis diagonal yaitu menceng ke kiri positive skewness.
Universitas Sumatera Utara
37
Gambar 4.2 Grafik Normal P-P Plot sebelum data ditranformasi
Sumber : Data yang diolah Penulis, 2012
Demikian pula dengan hasil uji normalitas dengan menggunakan grafik plot. Pada grafik normal plot, terlihat titik-titik menyebar di sekitar
garis diagonal serta penyebarannya agak menjauh dari garis diagonal sehingga dapat disimpulkan bahwa data dalam model regresi terdistribusi
secara tidak normal. Dari hasil uji normalitas dengan Kolmogorov-Smirnov K-S, grafik histogram dan grafik normal plot menunjukkan data tidak
terdistribusi secara normal. Ada beberapa cara mengubah model regresi menjadi normal menurut Erlina 2007:106, yaitu:
1 Lakukan tranformasi data ke bentuk lainnya.
2 Lakukan trimming, yaitu membuang data outliner.
3 Lakukan winsorizing, yaitu mengubah nilai data yang outliner ke suatu
nilai tertentu.
Universitas Sumatera Utara
38
Untuk mengubah nilai residual agar berdistribusi normal, penulis melakukan transformasi data ke model LN dari persamaan DPR = f ROL,
Arus Kas
Operasi, menjadi
LN_DPR =
f LN_ROL,
LN_Arus_Kas_Operasi. Kemudian, data diuji ulang berdasarkan asumsi normalitas. Berikut ini hasil pengujian Kolmogorov-Smirnov K-S.
Tabel 4.4 Uji Normalitas Setelah Data Ditransformasi
One-Sample Kolmogorov-Smirnov Test
LN_ROI LN_Arus_Kas
_Operasi LN_DPR
N 54
48 54
Normal Parameters
a,b
Mean 2,2211
26,6902 3,6035
Std, Deviation ,91500
2,29875 ,84551
Most Extreme Differences
Absolute 0,104
0,128 0,189
Positive 0,069
0,092 0,117
Negative -0,104
-0,128 -0,189
Kolmogorov-Smirnov Z 0,764
0,885 1,391
Asymp, Sig, 2-tailed 0,604
0,413 0,062
a. Test distribution is Normal, b. Calculated from data,
Sumber : Data yang diolah Penulis, 2012 Dari tabel di atas, besarnya Kolmogorov-Smirnov K-S pada
masing-masing variabel penelitian yaitu ROI, Arus Kas Operasi dan DPR adalah 0,604, 0,413 dan 0,062 lebih besar dari nilai signifikansi 0,05
sehingga dapat disimpulkan bahwa data dalam model regresi telah terdistribusi secara normal. Dengan demikian, secara keseluruhan dapat
disimpulkan bahwa nilai-nilai observasi data telah terdistribusi secara normal dan dapat dilanjutkan dengan uji asumsi klasik lainnya. Untuk lebih
Universitas Sumatera Utara
39
jelas, berikut ini turut dilampirkan grafik histogram dan plot data yang terdistribusi normal.
Gambar 4.3 Histogram sesudah data ditranformasi
Sumber : Data yang diolah Penulis, 2012
Gambar 4.4 Grafik Normal P-P Plot sesudah data ditranformasi
Sumber : Data yang diolah Penulis, 2010
Universitas Sumatera Utara
40
Dengan cara membandingkan antara data observasi dengan distribusi yang mendekati distribusi normal, dari grafik di atas dapat
disimpulkan bahwa distribusi data normal karena grafik histogram menunjukkan distribusi data mengikuti garis diagonal yang tidak menceng
skewness ke kiri maupun ke kanan atau normal. Demikian pula dengan hasil uji normalitas dengan menggunakan grafik plot. Pada grafik normal
plot, terlihat titik-titik menyebar, di sekitar garis diagonal serta penyebarannya agak mendekati dengan garis diagonal sehingga dapat
disimpulkan bahwa data dalam model regresi terdistribusi secara normal.
4.3.2 Uji Multikolonieritas
Dalam penelitian ini, untuk mendeteksi ada tidaknya gejala multikolonieritas adalah dengan melihat besaran korelasi antar variabel
independen dan besarnya tingkat kolonieritas yang masih dapat ditolerir, yaitu: Tolerance 0,10 dan VIF 10. Berikut ini disajikan tabel hasil
pengujian.
Tabel 4.5 Nilai Collinearity Statistics
Model Collinearity Statistics
Tolerance VIF
1 Constant
LN_ROI 1.000
1.000 LN_Arus_Kas_Operasi
1.000 1.000
Sumber : Data yang diolah Penulis, 2012 Hasil perhitungan nilai tolerance menunjukkan variabel independen
memili nilai tolerance lebih dari 0,10 yaitu 1,00 yang berarti tidak terjadi korelasi antar variabel independen. Hasil perhitungan VIF juga
Universitas Sumatera Utara
41
menunjukkan hal yang sama dimana variabel independen memiliki nilai VIF kurang dari 10 yaitu 1,00. Berdasarkan tabel di atas dapat disimpulkan
bahwa tidak ada multikolonieritas antar variabel independen dalam model ini.
4.3.3 Uji Heterokedastisitas
Dalam penelitian ini, untuk mendeteksi ada tidaknya gejala heterokedastisitas adalah dengan melihat plot gtafik yang dihasilkan dari
pengolahan data dengan menggunakan program SPSS. Dasar pengambilan keputusannya adalah:
Jika ada pola tertentu, seperti titik-titik yang ada membentuk pola tertentu yang teratur bergelombang, melebar kemudian menyempit,
maka mengindikasikan telah terjadi heterokedastisitas. Jika tidak ada pola yang jelas, seperti titik-titik menyebar di atas dan di
bawah angka 0 pada sumbu Y, maka tidak terjadi heterokedastisitas atau terhadi komokedastisitas.
Berikut ini dilampirkan grafik scatterplot untuk menganalisis apakah terjadi heterokedastisitas atau terjadi homokedastisitas dengan mengamati
penyebaran titik-titik pada gambar.
Universitas Sumatera Utara
42
Gambar 4.5 Scatterplot
Sumber : Data yang diolah Penulis, 2010
Dari grafik scatterplot terlihat bahwa titik-titik menyebar secara acak serta tersebar baik di atas maupun di bawah angka 0 pada sumbu Y,
sehingga dapat disimpulkan bahwa tidak terjadi heterokedastisitas pada model regresi. Adanya titik-titik yang menyebar menjauh dari titik-titik
yang lain dikarenakan adanya data observasi yang sangat berbeda dengan data observasi yang lain.
4.3.4 Uji Autokorelasi