54
4.2.2 Uji Asumsi Klassik 4.2.2.1 Uji Normalitas
Uji normalitas berguna untuk melihat apakah data telah berdistribusi normal atau tidak. Uji normalitas data yang dilakukan dalam penelitian ini
adalah Kolmogorov-Smirnov, grafik histogram, normal probability-plot. Pengujian normalitas menggunakan kolmogorov-smirnov K-S yaitu dengan
melihat nilai signifikansi. Jika nilai signifikansi lebih besar dari 0,05 maka data berdistribusi normal. Berikut ini uji normalitas dengan menggunakan
model Kolmogorov-Smirnov dapat dilihat pada tabel berikut ini : Tabel 4.2
Hasil Uji Normalitas One-Sample Kolmogorov-Smirnov Test
Sumber: Output SPSS, 2015. Hasil pengolahan data pada tabel 4.2 dapat dilihat bahwa nilai
kolmogrov-smirnov K-S adalah 0,942 dengan signifikansi 0,338 sehingga dapat disimpulkan bahwa data dalam model regresi telah terdistribusi normal,
dimana nilai signifikansinya lebih besar dari 0,05 p = 0,338 0,05. Dari
One-Sample Kolmogorov-Smirnov Test
Unstandardized Residual
N 48
Normal Parameters
a
Mean .0000000
Std. Deviation .29860524
Most Extreme Differences Absolute .136
Positive .136
Negative -.107
Kolmogorov-Smirnov Z .942
Asymp. Sig. 2-tailed .338
a. Test distribution is Normal.
55 gambar 4.1 menggunakan grafik probability plot juga terlihat titik-titik yang
mengikuti dan mendekati garis diagonalnya.
Gambar 4.1 Normal P-P
Plot of Regression Standardized Residual
Sumber: Output SPSS, 2015
56 Selain menggunakan grafik, Peneliti juga menggunakan metode lain yaitu
histogram.
Gambar 4.2 Kurva Histogram
Sumber: Output SPSS, 2015.
Berdasarkan gambar 4.2 diatas menunjukkan data telah terdistribusi secara normal, hal ini dapat dilihat dengan bentuk kurva yang berbentuk lonceng.
Kurva yang memiliki bentuk seperti lonceng maka data berdistribusi secara normal. Dengan demikian, secara keseluruhan dapat disimpulkan bahwa model
regresi telah memenuhi asumsi normalitas dan dapat dilanjutkan dengan uji
asumsi klasik lainnya.
57
4.2.2.2 Uji Multikolinearitas
Uji multikoliniearitas dalam penelitian ini dapat dideteksi dengan melihat besaran korelasi antar variabel independen dan besarnya tingkat
koliniearitas yang masih dapat ditolerir, yaitu tolerance 0,10 dan VIF 10.
Tabel 4.3 Hasil Uji Multikolinearitas
Sumber: Output SPSS, 2015 Berdasarkan data olahan SPSS diatas, dapat diketahui bahwa tidak terjadi
multikoliniearitas pada seluruh variabel data. Hal ini bisa diketahui dengan keterangan berikut ini :
a. ProfitabilitasX1 mempunyai nilai Tolerance sebesar 0.655 lebih besar dari 0,1 dan nilai VIF sebesar 1.526 lebih kecil dari 10.
b. Likuiditas X2 mempunyai nilai Tolerance sebesar 0,481 lebih besar dari0,1 dan nilai VIF sebesar 2,079 lebih kecil dari 10.
Coefficients
a
Model Unstandardized
Coefficients Standardized
Coefficients t
Sig. Collinearity
Statistics B
Std. Error Beta
Tolerance VIF
1Constant -.036
.194 -.184
.855 Profitabilitas
.011 .004
.467 2.969
.005 .655
1.526 Likuiditas
.001 .000
.279 1.521
.136 .481
2.079 Leverage
.141 .109
.248 1.298
.201 .446
2.242 Free Cash Flow
-3.048 .000
-.027 -.188
.852 .772
1.296 Ukuran
Perusahaan 1.150
.000 .006
.040 .969
.768 1.303
a
. Dependent Variable: Kebijakan Dividen
58 c. Leverage X3 mempunyai nilai Tolerance sebesar 0,446 lebih besar dari 0,1
dan nilai VIF sebesar 2,242 lebih kecil dari 10. d. Free cash flow X4 mempunyai Tolerance sebesar 0,772 lebih besar dari 0,1
dan nilai VIF sebesar 1,296 lebih kecil dari 10. e. Ukuran perusahaan X5 mempunyai Tolerance sebesar 0,768 lebih besar
dari 0,1 dan nilai VIF sebesar 1,303 lebih kecil dari 10. Berdasarkan kesimpulan diatas dapat dikatakan bahwa variabel independen
tidak terjadi multikoliniearitas.
4.2.2.3 Uji Heteroskedastisitas
Pengujian dilakukan dengan membuat scatterplot untuk mengetahui apakah terjadi heteroskedastisitas atau tidak.Adapun hasil dari uji
heteroskedastisitas pada penelitian ini dapat dilihat pada gambar berikut ini:
Gambar 4.3 Scatterplot
Sumber: Output SPSS, 2015
59 Pada gambar 4.3 menujukkan bahwa scatterplot terlihat titik-titik menyebar secara
acak dan tidak terlihat membentuk suatu pola tertentu serta tersebar baik diatas maupun dibawah angka 0 pada sumbu Y sehingga dapat disimpulkan bahwa dalam
model regresi tidak terjadi heterokedastisitas.
4.2.2.4 Uji Autokorelasi
Uji autokolerasi bertujuan menguji apakah dalam model regresi linearada korelasi antara kesalahan pengganggu pada periode t dengan kesalahan
pengganggu pada periode t-1 sebelumnya. Salah satu cara untuk mengetahui ada atau tidaknya autokolerasi adalah dengan uji Durbin-Watson DW. Jika
terjadi autokolerasi maka nilai Durbin-Watson DW lebih besar dari 2. Dalam uji Durbin-Watson ketentuan untuk melihat adanya autokolerasi adalah sebagai
berikut ini :
a. Angka D-W dibawah -2 berarti ada autokolerasi positif. b. Angka D-W diantara -2 sampai +2 berarti tidak ada autokolerasi.
c. Angka D-W diatas +2 berarti ada autokolerasi negatif. Berikut ini adalah uji autokolerasi dalam penelitian ini :
Tabel 4.4 Hasil Uji Autokorelasi
Model Summary
b
Model R
R Square Adjusted R
Square Std. Error of the
Estimate Durbin-Watson
1 .564
a
.419 .537
.31588 1.771
a. Predictors: Constant, Ukuran Perusahaan, Profitabilitas, Likuiditas, Free Cash Flow, Leverage
b. Dependent Variable: Kebijakan Dividen Sumber: Output SPSS, 2015.
60 Pada tabel 4.4 di atas, terbaca nilai Durbin-Watson D-W sebesar 1,771. Menurut
metode pengujian D-W, bila nilai D-W berada diantara-2 sampai +2 berarti tidak terjadi autokolerasi. Dengan demikian uji autokorelasi terpenuhi.
4.2.3 Regresi Linear Berganda
