Tbk JPFA tahun 2013 mencerminkan tingginya tingkat beban bunga yang dimiliki perusahaan.
Dividend Payout Ratio DPR tertinggi sebesar 121,41 pada PT. Delta Djakarta, Tbk di tahun 2011 dan Dividend Payout Ratio DPR terendah sebesar
8,81 pada PT. Lionmesh Prima, Tbk ditahun 2011 dengan nilai rata-rata sebesar 52,93 dan nilai standar deviasi sebesar 27,20. Dividend Payout Ratio DPR
merupakan rasio yang mengkur besarnya jumlah dividen dibandingkan dengan laba per lembar saham. Semakin tinggi rasio DPR menunjukkan besarnya
persentase pembayaran dividen per lembar saham dari setiap laba per lembar saham yang diperoleh perusahaan. DPR tertinggi pada PT. Delta Djakarta, Tbk di
tahun 2011 menunjukkan jumlah dividen yang dibayarkan kepada para pemegang saham lebih besar dibanding laba per lembar saham yang diperoleh perusahaan
sedangkan DPR terendah pada PT. Lionmesh Prima, Tbk ditahun 2011 menunjukkan rendahnya persentase laba yang dibagikan kepada pemegang saham
dibandingkan dengan laba per lembar saham yang diperoleh perusahaan.
4.2.2 Uji Asumsi Klasik
Salah satu syarat yang mendasari model regresi berganda dengan metode estimasi Ordinary Least Square OLS adalah terpenuhinya semua asumsi klasik,
agar hasil pengujian bersifat tidak bias dan efisien. Pengujian asumsi klasik dalam penelitian ini meliputi normalitas data, heteroskedastisitas, multikolonearitas, dan
autokorelasi agar hasil pengujian tidak bersifat bias dan efisien. Menurut Ghozali 2005: 123 asumsi klasik yang harus dipenuhi adalah berdistribusi normal, non-
multikolinearitas, non-autokorelasi dan non-heteroskedasitas.
Universitas Sumatera Utara
Pada pengujian awal asumsi klasik ditemukan bahwa data tidak terdistribusi secara normal. Hal ini terlihat dari uji normalitas dengan pendekatan
Histogram Jarque Bera dan Grafik QQ Plot pada Gambar 1.1 dan Gambar 1.2 berikut:
4 8
12 16
20
-40 -30
-20 -10
10 20
30 40
50 60
Series: Residuals Sample 1 160
Observations 160 Mean
-9.50e-15 Median
-3.265572 Maximum
61.63443 Minimum
-40.44156 Std. Dev.
21.78768 Skewness
0.603350 Kurtosis
3.039482 Jarque-Bera
9.717901 Probability
0.007759
Gambar 4.1 Histogram Jarque Bera sebelum transformasi
Pada Gambar 1.1 uji normalitas dengan Histogram Jarque Bera terlihat bahwa nilai Jarque Bera sebesar 9,717901 nilai kritis chi-kuadrat 11,0705,
dengan tingkat signifikansi terlihat sebesar 0 ,0077590,05. Dengan demikian, berdasarkan kriteria pengujian dapat diketahui bahwa data tidak terdistribusi
secara normal. Selanjutnya pengujian normalitas data dengan pendekatan Grafik QQ Plot dapat dilihat pada Gambar 1.2 berikut:
Universitas Sumatera Utara
-80 -60
-40 -20
20 40
60 80
-60 -40
-20 20
40 60
80 Quantiles of RESID
Q u
a n
ti le
s o
f N
o rm
a l
Gambar 4.2 Grafik QQ Plot sebelum transformasi
Berdasarkan Gambar 1.2 Grafik QQ Plot dapat diketahui bahwa data tidak terdistribusi secara normal. Hal ini terlihat dari sebagian titik titik penyebaran
data tidak berada disekitar sumbu diagonal sehingga hal ini mencerminkan penyebaran data tidak terdistribusi secara normal. Oleh karena itu, agar asumsi
klasik dapat dipenuhi, maka dilakukan transformasi data ke bentuk Log. Hasil uji asumsi klasik setelah transformasi dapat dilihat sebagai berikut:
1. Uji Normalitas a. Pendekatan Histogram Jarque-Bera
Uji Normalitas dengan pendekatan Jarque-Bera dapat dilihat pada Gambar 4.3 berikut:
Universitas Sumatera Utara
4 8
1 2 1 6
2 0 2 4
-1.4 -1.2
-1.0 -0.8
-0.6 -0.4
-0.2 0.0
0.2 0.4
0.6 0.8
1.0
Series: Residuals Sample 1 160
Observations 160 Mean
1.09e- 15 Median
0.014306 Maximum
0.983138 Minimum
- 1.346752 Std. Dev.
0.454586 Skewness
- 0.230735 Kurtosis
2.822151 Jar que-Bera
1.630561 Probability
0.442515
-1.5 -1.0
-0.5 0.0
0.5 1.0
1.5
-1.5 -1.0
-0.5 0.0
0.5 1.0
1.5 Quantiles of RESID
Q u
a n
ti le
s o
f N
o rm
a l
Sumber: Hasil Penelitian 2016
Gambar 4.3 Histogram Jarque-Bera
Berdasarkan Gambar 4.3 terlihat bahwa nilai Jarque-Bera sebesar 1,630561 nilai kritis chi-kuadrat 11,0705, dengan tingkat signifikansi terlihat
sebesar 0,4425150,05. Dengan demikian sesuai kriteria pengujian, maka dapat disimpulkan bahwa data terlah berdistribusi normal.
b. Pendekatan QQ Plot Uji Normalitas dengan pendekatan QQ Plot dapat dilihat pada Gambar 4.4
berikut:
Universitas Sumatera Utara
Sumber: Hasil Penelitian 2016
Gambar 4.4 QQ Plot
Berdasarkan Gambar 4.4 QQ Plot terlihat bahwa titik-titik penyebaran data
berada disekitar sumbu diagonal dari grafik. Dengan demikian dapat disimpulkan bahwa data telah berdistribusi secara normal.
2. Uji Heteroskedastisitas Pendekatan White Deteksi heteroskedastisitas dilakukan dengan uji White. Hasil uji White
dapat dilihat pada Tabel 4.3 berikut:
Tabel 4.3 Uji White
Heteroskedasticity Test: White F-statistic
1.937556 Prob. F5,154 0.0912
ObsR-squared 9.469521 Prob. Chi-Square5
0.0917 Scaled explained SS
7.992525 Prob. Chi-Square5 0.1566
Test Equation: Dependent Variable: RESID2
Method: Least Squares Date: 070316 Time: 01:39
Sample: 1 160 Included observations: 160
Variable Coefficient
Std. Error t-Statistic
Prob. C
0.893244 0.324960
2.748783 0.0067
LOGDAR2 -0.027670
0.013025 -2.124369
0.0352 LOGCR2
-0.008169 0.005527
-1.478021 0.1414
LOGROA2 -0.005704
0.007775 -0.733679
0.4643 LOGPER2
0.000649 0.006417
0.101155 0.9196
LOGTIE2 -0.004300
0.003226 -1.333187
0.1844
Sumber: Hasil Penelitian 2016
Berdasarkan Tabel 4.2 terlihat bahwa nilai ObsR-squared sebesar 0,09170,05. Berdasarkan pengujian tersebut, maka dapat disimpulkan bahwa
data tidak mengarah adanya heteroskedastisitas.
Universitas Sumatera Utara
3. Uji Multikolonearitas Asumsi selanjutnya yang harus dipenuhi adalah asumsi non
multikolonearitas. Hasil Uji Multikolonearitas dapat dilihat pada Tabel 4.4 berikut:
Tabel 4.4 Uji Multikolonearitas
Variance Inflation Factors Date: 070316 Time: 01:44
Sample: 1 160 Included observations: 160
Coefficient Uncentered
Centered Variable
Variance VIF
VIF LOGDAR
0.024784 232.1734
4.853553 LOGCR
0.011674 262.0351
4.112588 LOGROA
0.004654 28.56789
2.002555 LOGPER
0.004295 26.76374
1.213064 LOGTIE
0.001657 16.30322
2.780045 C
1.247100 935.2169
NA
Sumber: Hasil Penelitian 2016
Berdasarkan Tabel 4.3 terlihat bahwa nilai VIF seluruh variabel bebas 10 sehingga berdasarkan kriteria pengujian maka dapat disimpulan bahwa antar
variabel bebas tidak terjadi gejala multikolonearitas.
4. Uji Auto Korelasi
Untuk mendeteksi ada atau tidaknya autokorelasi, digunakan nilai Durbin- Watson. Hasil Uji Autokorelasi dengan Durbin-Watson dapat dilihat pada Tabel
4.5 berikut
Tabel 4.5 Uji Autokorelasi Durbin-Watson
Dependent Variable: LOGDPR Method: Least Squares
Date: 070316 Time: 01:15 Sample: 1 160
Included observations: 160
Universitas Sumatera Utara
R-squared 0.338572 Mean dependent var
3.826403 Adjusted R-squared
0.317097 S.D. dependent var 0.558953
S.E. of regression 0.461907 Akaike info criterion
1.329872 Sum squared resid
32.85714 Schwarz criterion 1.445191
Log likelihood -100.3898 Hannan-Quinn criter.
1.376699 F-statistic
15.76589 Durbin-Watson stat 1.662700
ProbF-statistic 0.000000
Sumber: Hasil Penelitian 2016
Berdasarkan Tabel 4.4 terlihat bahwa nilai Durbin-Watson Statistik sebesar 1,662700 1 dan 3. Dengan demikian berdasarkan kriteria pengujian
maka dapat disimpulkan tidak terjadi autokorelasi sehingga asumsi non- autokorelasi telah terpenuhi.
4.2.3 Analisis Statistik Data Panel 4.2.3.1 Pengujian
