Teknik Pengumpulan Data Deskripsi Objek Penelitian Pembahasan Hasil Penelitian

3.3 Jenis dan Sumber Data

Data merupakan keterangan yang dapat memberikan gambaran tentang suatu keadaaan. Data yang diperoleh perlu diolah untuk dapat menjawab persoalan penelitian yang telah dirumuskan. Dalam penelitian ini jenis data yang digunakan adalah data kuantitatif dan merupakan data sekunder yang informasinya diperoleh secara tidak langsung melalui media perantara. Data sekunder adalah data yang telah dikumpulkan oleh lembaga pengumpul data dan telah dipubllikasikan kepada masyarakat pengguna data Kuncoro, 2003:127. Data sekunder ini diperoleh dalam bentuk dokumentasi laporan keuangan yang rutin diterbitkan setiap tahun oleh pihak-pihak yang berkompeten yang terdapat di dalam Indonesian Capital Market Directory ICMD atau dapat didownload melalui situs www.idx.co.id. Data yang diperlukan dalam penelitian ini adalah informasi mengenai posisi keuangan dan rasio keungan perusahaan, informasi mengenai perdagangan saham, dan informasi mengenai arus kas perusahaan.

3.4 Teknik Pengumpulan Data

Data yang digunakan dalam penelitian ini adalah data eksternal. Metode pengunmpulan data dalam penelitian ini adalah metode dokumentasi. Pengumpulan data dimulai dengan tahap penelitian pendahuluan, yaitu dengan melakukan studi kepustakaan dengan mempelajari buku-buku dan bacaan lain yang berhubungan dengan pokok pembahasan dalam penelitian ini. Pada tahap ini juga dilakukan pengkajian data yang dibutuhkan, ketersediaan data, cara memperoleh data, dan gambaran cara mengolah data. Tahapan selanjutnya adalah penelitian pokok yang digunakan untuk mengumpulkan keseluruhan data yang Universitas Sumatera Utara dibutuhkan guna menjawab persoalan penelitian dan memperkaya literatur untuk menunjang data kuantitatif yang diperoleh. Data yang digunakan dalam penelitian ini diperoleh dari Indonesian Capital Market Directory ICMD 2009 dan dari situs www.idx.co.id.

3.5 Defenisi Operasional dan Pengukuran Variabel

3.5.1 Variabel Dependen Y

Variabel dependen sering disebut juga variabel terikat atau variabel tidak bebas, merupakan tipe variabel yang dipengaruhi atau dijelaskan oleh variabel independen Erlina, 2008:42. Variabel independen dalam penelitian ini adalah Debt to Equity Ratio DER sebagai proksi dari kebijakan hutang perusahaan. DER merupakan pebandingan antara total hutang perusahaan dengan total ekuitas perusahaan yang digunakan sebagai sumber pendanaan usaha. Ratio ini dapat dihitung dengan persamaan: Total Liabilities Total Hutang DER = Total Shareholder’s Equity Total Ekuitas

3.5.2 Variabel Independen X

Variabel independen atau variabel bebas adalah variabel yang mempengaruhi atau yang menjadi sebab perubahan atau timbulnya variabel dependen. Penelitian ini menggunakan free cash flow, kepemilikan manajerial, set kesempatan investasi, dan ukuran perusahaan sebagai variabel independennya.

3.5.2.1 Free Cach Flow FCF

Menurut Ross et al. 2003 “Free cash flow merupakan kas perusahaan yang dapat didistribusikan kepada pemegang saham atau kreditor, yang tidak Universitas Sumatera Utara diperlukan untuk modal kerja atau untuk diinvestasikan pada aset tetap”. Free cash flow dihitung dengan menggunakan rumus, yaitu: CFO – NCE + Change in Working Capital FCF = x 100 Total Asset Dimana: a. FCF adalah free cash flow perusahaan b. CFO Cash Flow from Operation merupakan nilai bersih kenaikanpenurunan arus kas dari aktivitas operasi perusahaan. c. NCE Net Capital Expenditure merupakan nilai perolehan aktiva tetap akhir dikurangi nilai perolehan aktiva tetap awal. d. Change in working capital dihitung dengan cara modal kerja akhir tahun dikurangi dengan modal kerja awal tahun. Modal kerja adalah selisih antara jumlah asset lancar dengan hutang lancer.

3.5.2.2 Kepemilikan Manajerial MOWNSP

Kepemilikan manajerial diukur sesuai dengan persentase kepemilikan saham yang dimiliki oleh manajerial. Menurut Wahidawati 2002 kepemilikan manajerial merupakan pemegang saham dari pihak manajemen yang secara aktif ikut dalam pengambilan keputusan perusahaaan komisaris dan direktur. Kepemilikan manajerial ini dapat dilihat di Indonesian Capital Market Directory ICMD atau dapat juga dilihat pada catatan atas laporan keuangan perusahaan. Variabel ini juga dapat diukur dengan menggunakan skala ratio, yaitu: Total Kepemilikan Saham Manajemen MOWNSP = x 100 Total Saham yang Beredar Universitas Sumatera Utara

3.5.2.3 Set Kesempatan Investasi Investment Oppurtunity Set IOS

Set Kesempatan Investasi Investment Oppurtunity Set IOS adalah suatu variabel yang tidak dapat diobservasi, sehingga diperlukan suatu proksi untuk bisa dilakukan suatu analisis Gul, 1999 dalam Tarjo, 2005. Dalam penelitian ini, proksi yang digunakan adalah rasio Market to Book Value of Equity MVEBVE yang mencerminkan bahwa pasar menilai return dari ekuitasnya. Adanya perberdaan antara nilai pasar dengan nilai buku ekuitas menunjukkan investasi perusahaan. Rasio MVEBVE dipilih dalam penelitian ini kerena merupakan rasio yang paling valid dan paling banyak digunakan oleh peneliti di bidang keuangan. Selain itu, ratio ini diyakini memiliki hubungan yang konsisten dengan pertumbuhan perusahaan yang nyata dari perusahaan Kallapur dan Trombley, 2001. Adapun rumus yang digunakan untuk menghitung rasio ini adalah: Share Outstanding x Share Closing Price MVEBVE = Total Common Equity

3.5.2.4 Ukuran Perusahaan

Ukuran perusahaan yang diberi symbol SIZE, diukur dengan menggunakan total aktiva. Ukuran perusahaan digunakan untuk membedakan antara prusahaan besar dan perusahaan kecil dengan menggunakan logaritma dari total asset. Data ini diperoleh langsung dari Indonesian Capital Market Directory ICMD tahun 2010. Adapun rumus yang digunakan untuk menghitung rasio ini adalah: SIZE: LnTA = Ln Total Aset Universitas Sumatera Utara

3.6 Metode Analisis Data

3.6.1 Statistik Deskriptif

Statistik deskriptif memberikan gambaran atau deskripsi suatu data yang dilihat dari nilai rata-rata mean, standar deviasi, maksimum dan minimum. Statistik deskriptif merupakan statistik yang menggambarkan atau yang mendekripsikan data yang menjadi sebuah informasi yang lebih jelas dan mudah untuk dipahami.

3.6.2 Uji Asumsi Klasik

Metode analisis data yang digunakan dalam penelitian ini adalah metode analisis statistik dengan menggunakan software SPSS 18. Peneliti melakukan terlebih dahulu uji asumsi klasik sebelum melakukan pengujian hipotesis, pengujian asumsi klasik diperlukan untuk mengetahui apakah hasil estimasi regresi yang dilakukan benar-benar bebas dari adanya gejala heteroskedastisitas, gejala multikolonieritas, dan gejala autokorelasi. Model regrsi akan dapat dijadikan alat estimasi yang tidak bias jika telah memenuhi persyaratan BLUE Best Linear Unbiasedestimator yakni tidak terdapat heteroskedastisitas, tidak terdapat multikolonieritas, dan tidak konstan sehingga dapat menyebabkan biasnya standart error. Jika terdapat multikolonieritas, maka akan sulit untuk mengisolasi pengaruh-pengaruh individual dari variabel, sehingga tingkat signifikansi koefisien regresi menjadi rendah. Dengan adanya autokorelasi mengakibatkan penaksir masih tetap bias dan masih tetap konsisten hanya saja menjadi tidak efisien. Oleh karena itu, uji asumsi Universitas Sumatera Utara klasik perlu dilakukan. Uji asumsi klasik yang dilakukan peneliti meliputi uji normalitas, uji multikoloniertas, uji heteroskedastisitas, dan uji autokorelasi.

3.6.2.1 Uji Normalitas Data

Menurut Erlina 2008:102, “tujuan uji normalitas adalah ingin mengetahui apakah dalam model regresi variabel pengganggu atau residual memiliki distribusi normal”. Pengujian ini diperlukan karena untuk melakukan uji T dan uji F mengasumsikan bahwa nilai residual mengikuti distribusi normal. Uji normalitas bertujuan untuk menguji apakah variabel independen dan variabel dependen berdistribusi normal Ghozali, 2005:110. Model regresi yang baik adalah memiliki distribusi data normal atau mendekati normal. Dalam penelitian ini, untuk mendeteksi normalitas data dapat dilakukan dengan pengujian berikut: 1. Uji Kolmogrov Smirnov 1 Jika nilai signifikan 0.05 maka distribusi normal, dan 2 Jika nilai signifikan 0.05 maka distribusi tidak normal Hipotesis yang digunakan dalam uji ini adalah: Ho : Data residual berdistribusi normal Ha : Data residual tidak berdistribusi normal 2. Histogram Pengujian dengan model histogram memiliki ketentuan bahwa data normal berbentuk lonceng. Data yang baik adalah data yang memiliki pola distribusi normal. Jika data melenceng ke kanan atau melenceng ke kiri berarti data tidak terdistribusi secara normal. 3. Grafik Normality Probability Plot Universitas Sumatera Utara 1 Jika data menyebar di sekitar garis diagonal dan mengikuti arah garis diagonal, maka model regresi memenuhi asumsi normalitas. 2 Jika data menyebar jauh dari diagonal danatau tidak mengikuti arah garis diagonal, maka model regresi tidak memenuhi asumsi normalitas. Jika data tidak normal, ada beberapa cara mengubah model regresi menjadi normal menurut Syafrizal 2008:62 yaitu: 1 lakukan transformasi data, misalnya mengubah data menjadi bentuk logaritma Log atau natural ln, 2 menambah jumlah data, 3 menghilangkan data yang dianggap sebagai penyebab tidak normalnya data, dan 4 menerima data apa adanya.

3.6.2.2 Uji Multikolinearitas

Uji Multikolinearitas bertujuan untuk menguji apakah model regresi mempunyai korelasi antar variabel independen. Menurut Umar 2003:132 ”multikolinearitas adalah ada tidaknya korelasi yang sempurna atau korelasi yang tidak sempurna tetapi relatif tinggi pada variabel-variabel bebasnya”. Pengujian multikolinearitas dilakukan dengan melihat nilai VIF antar variabel independen. Jika nilai VIF lebih besar dari 10, maka terjadi multikolinearitas di antara variabel independen. Jika terjadi korelasi sempurna diantara sesama variabel bebas, maka konsekuensinya adalah: 1. Koefisien - koefisien regresi menjadi tidak dapat ditaksir, dan 2. Nilai standar error setiap koefisien regresi menjadi tak terhingga. Menurut Ghozali 2005:91, untuk mendeteksi ada tidaknya multikolinearitas di dalam model regresi adalah sebagai berikut: Universitas Sumatera Utara 1. Nilai R 2 yang dihasilkan oleh suatu estimasi model regresi empiris sangat tinggi, tetapi secara individual variabel – variabel independennya banyak yang tidak signifikan mempengaruhi variabel dependen. 2. Menganalisis matrik korelasi variabel – variabel independen. Jika antar variabel independen ada korelasi yang cukup tinggi umumnya diatas 0,90, maka hal ini merupakan indikasi adanya multikolinearitas. Tidak adanya korelasi yang tinggi antar variabel independen tidak berarti bebas dari multikolinearitas. Multikolinearitas dapat disebabkan karena adanya efek kombinasi dua atau lebih variabel independen. 3. Multikolinearitas dapat juga dilihat dari a nilai tolerance dan lawannya b variance inflation factor VIF. Kedua ukuran ini menunjukan setiap variabel independen manakah yang dijelaskan oleh variabel independen lainnya. Dalam pengertian sederhana setiap variabel independen menjadi variabel dependen terikat dan diregres terhadap variabel independen lainnya. Tolerance mengukur variabilitas variabel independen yang terpilih yang tidak dijelaskan oleh variabel independen lainnya. Jadi nilai tolerance yang rendah sama dengan nilai VIF tinggi karena VIF=1Tolerance. Nilai cut off yang umum dipakai untuk menunjukan adanya multikolinearitas adalah nilai tolerance 0.10 atau sama dengan nilai VIF 10.

3.6.2.3 Uji Heteroskedastisitas

Menurut Imam Ghozali 2005:105, uji heteroskedastisitas bertujuan menguji apakah dalam model regresi terdapat ketidaksamaan variance dari residual satu pengamatan ke pengamatan lain. Konsekuensinya adanya Universitas Sumatera Utara heteroskedastisitas dalam model regresi adalah penaksir yang diperoleh tidak efisien, baik dalam sampel kecil maupun besar. Salah satu cara yang dapat digunakan untuk mengetahui ada tidaknya gejala heteroskedastisitas adalah dengan melihat pada grafik scatter plot. Jika ada pola tertentu seperti titik-titik yang membentuk pola tertentu yang teratur bergelombang, melebar, kemudian menyempit maka mengindikasikan telah terjadi heteroskedastisitas. Jika tak ada pola yang jelas maka tidak terjadi gejala heteroskedastisitas. Untuk mengetahui ada tidaknya heteroskedastisitas juga dapat diketahui dengan melakukan uji glejser. Jika variabel bebas signifikan secara statistic mempengaruhi variabel terikat maka ada indikasi terjadi heteroskedastisitas Ghozali, 2005:69.

3.6.2.4 Uji Autokorelasi

Uji autokorelasi bertujuan untuk menguji apakah dalam suatu model regresi linier ada korelasi antara kesalahan pada periode t dengan periode t-1 sebelumnya. Jika terjadi korelasi maka dinamakan ada problem autokorelasi Ghozali, 2005:95. Untuk menguji ada tidaknya gejala autokorelasi maka dapat dideteksi dengan uji Durbin-Waston DW test. Pengambilan keputusan ada tidaknya autokorelasi adalah 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 di atas +2 berarti ada autokorelasi negatif. Universitas Sumatera Utara

3.6.2.5 Uji Regresi Berganda

Regresi berganda dilakukan untuk mengetahui sejauh mana variabel bebas mempengaruhi variabel terikat. Pada regresi berganda terdapat satu variabel terikat dan lebih dari satu variabel bebas. Dalam penelitian ini yang menjadi variabel terikat adalah kebijakan hutang DER, sedangkan yang menjadi variabel bebas adalah FCF, KM, SKI, dan UP. Model hubungan debt of equity ratio DER dengan variabel-variabel tersebut dapat disusun dalam fungsi atau persamaan adalah sebagai berikut : Y = β + β 1 X 1 + β 2 X 2 + β 3 X 3 + β 4 X 4 + e Y = Kebijakan Hutang DER β = konstanta X 1 = Free Cash Flow FCF X 2 = Kepemilikan Manajerial KM X 3 = Set kesempatan Investasi SKI X 3 = Ukuran Perusahaan UP β 1 , β 2 , β 3, β 4 = koefisien regresi e = variabel pengganggu error

3.6.3 Pengujian Hipotesis

Dalam uji asumsi klasik dapat dilakukan analisis hasil regresi atau uji hipotesis. Uji hipotesis yang digunakan meliputi : uji parsial t-test, uji pengaruh simultan F-test, uji koefisien determinasi R 2 . Universitas Sumatera Utara

3.6.3.1 Analisis Koefisien Determinasi

Koefisien determinasi R 2 pada intinya mengukur seberapa jauh kemampuan model dalam menerangkan variasi variabel dependen. Besarnya koefisien determinasi ini adalah 0 sampai dengan 1. Nilai R 2 yang kecil berarti kemampuan variabel-variabel independen dalam menjelaskan variasi.

3.6.3.2 Uji Signifikansi Simultan Uji F

Secara simultan, pengujian hipotesis dilakukan dengan uji F. Menurut Ghozali 2005:84 “uji statistik F pada dasarnya menunjukkan apakah semua variabel independen atau bebas yang dimasukkan dalam model mempunyai pengaruh secara bersama-sama terhadap variabel dependenterikat”. Uji ini dilakukan dengan membandingkan signifikansi F hitung dengan ketentuan: 1. jika F hitung F tabel pada α 0.05, maka H 1 ditolak, dan 2. jika F hitung F tabel pada α 0.05, maka H 1 diterima. 3.6.3.3 Uji Signifikansi Parsial Uji t Secara parsial, pengujian hipotesis dilakukan dengan uji t. Menurut Ghozali 2005:84 “uji statistik t pada dasarnya menunjukkan seberapa jauh pengaruh satu variabel penjelasindependen secara individual dalam menerangkan variabel dependen”. Uji ini dilakukan dengan membandingkan signifikansi t hitung dengan ketentuan: 1. jika t hitung t tabel pada α 0.05, maka H 1 ditolak, dan 2. jika t hitung t tabel pada α 0.05, maka H 1 diterima Universitas Sumatera Utara BAB IV HASIL DAN PEMBAHASAN

4.1 Deskripsi Objek Penelitian

Untuk mengetahui pengaruh yang terjadi dalam penelitian ini, maka diperlukan data dari perusahaan-perusahaan yang diteliti agar dapat diketahui bagaimana pengaruh yang terjadi antara free cash flow, kepemilikan manajerial, set kesempatan investasi, dan ukuran perusahaan terhadap kebijakan hutang. Populasi yang diteliti dalam penelitian ini adalah perusahaan manufaktur yang terdaftar di Bursa Efek Indonesia sebanyak 146 populasi. Setelah dilakukan pemilihan sampel dengan teknik purposive sampling diperoleh 57 sampel perusahaan sesuai dengan kriteria-kriteria yang telah ditentukan sebelumnya. Berdasarkan analisis data diperoleh jumlah sampel secara keseluruhan yang diteliti adalah sebanyak 57 perusahaan untuk periode tahun 2010.

4.2 Analisis Hasil Penelitian

4.2.1 Statistik Deskriptif

Statistik deskriptif adalah statistik yang digunakan untuk menganalisis dengan cara mendeskripsikan atau menggambarkan data yang telah terkumpul sebagaimana adayanya tanpa bermaksud membuat kesimpulan yang berlaku untuk umum atau generalisasi Sugiyono, 2007. Satatistik deskriptif ini memberikan gambaran mengenai nilai minimum, nilai maksimum, mean, serta standar deviasi. Statistik deskriptif adalah proses data penelitian dalam bentuk tabulasi sehingga mudah dipahami. Statistik deskriptif akan dijelaskan dalam tabel berikut ini: Universitas Sumatera Utara Tabel 4.1 Statistik Deskriptif Descriptive Statistics N Minimum Maximum Mean Std. Deviation FCF 35 .35 126.60 16.8858 20.59379 KM 35 .00 70.00 5.2112 10.90508 SKI 35 .30 31.09 2.1274 4.30506 UP 35 24.77 32.36 27.7178 1.75022 DER 35 .04 27.06 1.6983 3.78634 Valid N listwise 35 Sumber : Output SPSS, diolah Penulis, 2012 Dari table 4.1 diatas dapat disimpulkan bahwa: 1. Rata – rata dari FCF adalah 16,8858 dengan standar deviasi 20,59379 dan jumlah data yang ada adalah 35. Nilai FCF tertinggi adalah 126,60 sedangkan nilai terendah adalah 0,35. 2. Rata – rata dari KM adalah 5,2112 dengan standar deviasi 10,90508 dan jumlah data yang ada adalah 35. Nilai KM tertinggi adalah 70,00 sedangkan nilai terendah adalah 0,00. 3. Rata – rata dari SKI adalah 2,1274 dengan standar deviasi 4,30506 dan jumlah data yang ada adalah 35. Nilai SKI tertinggi adalah 31.09 sedangkan nilai terendah adalah 0,30. 4. Rata – rata dari UP adalah 27,7178 dengan standar deviasi 1,75022 dan jumlah data yang ada adalah 35. Nilai UP tertinggi adalah 32,36 sedangkan nilai terendah adalah 24,77. Universitas Sumatera Utara 5. Rata – rata dari DER adalah 1,6983 dengan standar deviasi 3,78634 dan jumlah data yang ada adalah 35. Nilai DER tertinggi adalah 27,06 sedangkan nilai terendah adalah 0,04.

4.3 Pengujian Asumsi Klasik

Uji asumsi klasik merupakan prasyaratan analisis regresi berganda. Dari hasil perhitungan sampel, maka dalam penelitian ini perlu dilakukan pengujian asumsi klasik terlebih dahulu yang meliputi: uji normalitas, uji multikolinieritas, uji heteroskedasitisitas, dan uji autokolerasi. Menurut Ghozali 2005:123, asumsi klasik yang harus dipenuhi adalah : 1. Berdistribusi normal, 2. Non-multikolinearitas yaitu antara variabel independen dalam model regresi tidak memiliki korelasi atau hubungan secara sempurna ataupun mendekati sempurna, 3. Non-autokorelasi yaitu kesalahan pengganggu dalam model regresi tidak saling berkorelasi, 4. Non-heteroskedastisitas yaitu variance variabel independen dari satu pengamatan ke pengamatan lain adalah konstan atau sama.

4.3.1 Uji Normalitas

Pengujian normalitas data dalam penelitian ini menggunakan uji statistik non parametrik Kolmogorov-Smirnov untuk mengetahui apakah data sudah terdistribusi secara normal atau tidak. Ghozali 2005:115, memberikan pedoman pengambilan keputusan rentang data mendekati atau merupakan distribusi normal berdasarkan uji Kolmogorov- Smirnov, dapat dilihat dari: 1. Jika nilai signifikan 0,05 maka distribusi data tidak normal, dan 2. Jika nilai signifikan 0,05 maka distribusi data normal. Hipotesis yang digunakan adalah : H : Data residual berdistribusi normal, dan Universitas Sumatera Utara H a : Data residual tidak berdistribusi normal. Tabel 4.2 Hasil Uji Normalitas One-Sample Kolmogorov-Smirnov Test Unstandardized Predicted Value N 35 Normal Parameters a,b Mean 1.0122326 Std. Deviation .37356412 Most Extreme Differences Absolute .106 Positive .087 Negative -.106 Kolmogorov-Smirnov Z .629 Asymp. Sig. 2-tailed .824 a. Test distribution is Normal. b. Calculated from data. Sumber : Output SPSS, diolah Penulis, 2012 Dari hasil uji normalitas data diatas, maka nilai Kolmogrov – Smirnov menjadi 0,629 dan signifikansi lebih 0,05 karena Asymp. Sig. 2-tailed 0,824 dari 0,05. Nilai signifikansi lebih besar dari 0,05, maka H diterima atau H 1 ditolak yang berarti data residual telah berdistribusi 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 jelas, berikut ini turut dilampirkan grafik histogram dan plot data yang terdistribusi normal. Universitas Sumatera Utara Sumber : Output SPSS, diolah Penulis, 2012 Gambar 4.1 Histogram Grafik histogram diatas menunjukkan pola distribusi normal karena grafik tidak melenceng skeweness kiri maupun melenceng kanan. Dengan demikian, dapat disimpulkan bahwa model regresi telah memenuhi asumsi normalitas. Demikian pula hasil uji normalitas dengan menggunakan grafik normal p-plot. Universitas Sumatera Utara Sumber : Output SPSS, diolah Penulis, 2012 Gambar 4.2 Grafik Normal P-plot Berdasarkan grafik normal p-plot di atas terlihat bahwa data menyebar disekitar garis diagonal, maka dapat disimpulkan bahwa model regresi telah memenuhi asumsi normalitas. Hal ini sesuai dengan pernyataan Ghozali 2005:112, dimana pendeteksian normalitas dapat dilakukan dengan melihat penyebaran data titik pada sumbu diagonal dari grafik, yaitu jika data titik menyebar di sekitar garis diagonal dan mengikuti arah garis diagonal, hal ini menunjukkan data yang telah terdistribusi normal. Universitas Sumatera Utara

4.3.2 Uji Multikolinearitas

Uji multikolinearitas bertujuan untuk menguji apakah terdapat korelasi antar variabel independen dalam model regresi. Jika pada model regresi terjadi multikolinearitas, maka koefisien regresi tidak dapat ditaksir dan nilai standard error menjadi tidak terhingga. Cara yang digunakan untuk mendeteksi ada tidaknya multikolinearitas adalah dengan melihat tolerance value dan VIF. Menurut Ghozali 2005 “adanya gejala multikolinearitas dapat dilihat dari tolerance value atau nilai variance inflation factor VIF. Batas tolerance value adalah 0,1 dan batas VIF adalah 10”. Apabila tolerance value 0,1 atau VIF 10 = terjadi multikolinearitas. Apabila tolerance value 0,1 atau VIF 10 = tidak terjadi multikolinearitas. Tabel 4.3 Hasil Uji Multikolinearitas Coefficients a Model Collinearity Statistics Tolerance VIF 1 Constant FCF .973 1.027 KM .891 1.122 SKI .691 1.447 UP .710 1.408 a. Dependent Variable: DER Sumber : Output SPSS, diolah Penulis, 2012 Hasil uji multikolinieritas terdapat pada tabel 4.3 di atas menunjukkan bahwa tidak ada variabel independen yang memiliki nilai tolerance kurang dari 0,10 yang berarti bahwa tidak ada kolerasi antar variabel independen yang nilainya lebih besar dari 95. Universitas Sumatera Utara Hasil perhitungan untuk VIF juga menunjukkan hal yang sama bahwa tidak ada variabel independen yang memiliki nilai VIF lebih dari 10. Dengan demikian, dapat disimpulkan bahwa tidak ada multikolinearitas yang terjadi antar variabel independen dalam model regresi.

4.3.3 Uji Heteroskedastisita

Uji heteroskedastisitas bertujuan untuk menguji apakah terjadi ketidaksamaan variance dari residual satu pengamatan ke pengamatan lain dalam model regresi. Model regresi yang baik adalah tidak terjadi heteroskedastisitas atau terjadi homokedastisitas apabila titik-titik yang ada membentuk pola tertentu yang teratur. Menurut Ghozali 2005:105, terdapat dua dasar pengambilan keputusan penentuan uji heteroskedastisitas yaitu : 1. Jika ada pola tertentu seperti titik-titik yang ada membentuk pola tertentu yang teratur bergelombang, melebar kemudian menyempit, maka mengindikasikan telah terjadi heteroskedastisitas. 2. Jika tidak ada pola yang jelas serta titik-titik menyebar di atas dan di bawah angka 0 pada sumbu Y, maka tidak terjadi heteroskedastisitas. Berikut ini dilampirkan grafik scatterplot untuk menganalisis apakah terjadi heterokedastisitas dengan mengamati penyebaran titik-titik pada gambar 4.3 dibawah ini: Universitas Sumatera Utara Sumber : Output SPSS, diolah Penulis, 2012 Gambar 4.3 Grafik Scatterplot Dari gambar 4.3 grafik scatterplot di atas, terlihat bahwa titik-titik menyebar secara acak serta tidak membentuk pola tertentu atau tidak teratur, serta titik-titik menyebar di atas dan dibawah angka 0 pada sumbu Y. Hal ini mengindikasikan tidak terjadi heteroskedastisitas pada model regresi sehingga model regresi layak dipakai untuk memprediksi variabel dependen. Universitas Sumatera Utara

4.3.4 Uji Autokorelasi

Uji autokorelasi bertujuan untuk menguji apakah dalam suatu model regresi linier ada korelasi antara kesalahan pengganggu pada periode saat ini t dengan kesalahan pengganggu sebelumnya t-1. Jika terjadi korelasi, maka terdapat autokorelasi. Autokorelasi muncul karena observasi yang berurutan sepanjang waktu berkaitan satu sama lain. Masalah ini timbul karena residual atau kesalahan pengganggu tidak bebas dari satu observasi ke observasi lainnya. Jika terjadi autokorelasi dalam model regresi berarti koefisien korelasi yang diperoleh menjadi tidak akurat, sehingga model regresi yang baik adalah model regresi yang bebas dari autokorelasi. Ada beberapa cara yang dapat digunakan untuk mendeteksi masalah dalam autokorelasi diantaranya adalah dengan Uji Durbin Watson. Pengambilan keputusan ada tidaknya autokeralsi adalah sebagai berikut: 1. Angka D-W di bawah –2 berarti ada autokorelasi positif, 2. Angka D-W di antara -2 sampai +2, berarti tidak ada autokorelasi, dan 3. Angka D-W di atas +2 berarti ada autokorelasi negatif. Untuk lebih jelas tingkat autokorelasi dapat dilihat pada tabel 4.4 dibawah ini: Tabel 4.4 Tingkat Autokorelasi Durbin Watson DW Kesimpulan Kurang dari 1,10 Ada autokorelasi 1,10 – 1,54 Tidak ada kesimpulan 1,55 – 2,46 Tidak ada autokorelasi 2,47 – 2,90 Tidak ada kesimpulan Lebih dari 2,91 Ada autokorelasi Universitas Sumatera Utara Tabel 4.5 Hasil Uji Autokorelasi Model Summary b Model R R Square Adjusted R Square Std. Error of the Estimate Durbin- Watson 1 .409 a .167 .056 .88734 1.902 a. Predictors: Constant, UP, FCF, KM, SKI b. Dependent Variable: DER Sumber : Output SPSS, diolah Penulis, 2012 Nilai D-W menurut tabel di atas dengan signifikansi 5 dan nilai n = 35 serta k = 4 diperoleh angka dl = 1,2221 dan du = 1,7259. Oleh karena itu, nilai D- W lebih besar dari du 1,7529 dan kurang dari 4 – 1,7529 = 2,2741, maka dapat disimpulkan bahwa tidak ada autokorelasi positif maupun autokorelasi negatif antar residual.

4.3.5 Analisis Regresi Berganda

Berdasarkan hasil pengujian asumsi klasik, disimpulkan bahwa model regresi yang dipakai dalam penelitian ini telah memenuhi model estimasi yang Best Linear Unbiased Estimator BLUE. Analisis statistik selanjutnya adalah análisis regresi dengan SPSS 18.0. Analisis regresinya yaitu analisis koefisien regresi, analisis koefisien korelasi dan determinasi, dan melakukan pengujian hipótesis. Universitas Sumatera Utara

4.3.5.1 Persamaan Regresi

Dalam pengolahan data dengan menggunakan regresi linear, dilakukan beberapa tahapan untuk mencari hubungan antara variabel independen dan variabel dependen, melalui pengaruh Free Cash Flow X 1 , Kepemilikan Manajerial X 2 , Set Kesempatan Investasi X 3 dan Ukuran Perusahaan X 4 terhadap Kebijakan Hutang Y. Hasil regresi dapat dilihat pada tabel berikut ini : Tabel 4.6 Analisis Hasil Regresi Coefficients a Model Unstandardized Coefficients Standardized Coefficients t Sig. B Std. Error Beta 1 Constant -3.210 2.745 -1.169 .251 FCF -.009 .018 -.083 2.491 .027 KM -.012 .013 -.163 -.925 .362 SKI -.295 .147 -.401 -2.000 .055 UP .176 .102 .342 1.728 .004 a. Dependent Variable: DER Sumber : Output SPSS, diolah Penulis, 2012 Model regresi berdasarkan hasil analisis regresi diatas adalah sebagai berikut: Y = -3,210 – 0,009 X 1 – 0,012 X 2 – 0,295 X 3 + 0,176 X 4 + e 1. Konstanta a sebesar -3,210 menyatakan bahwa jika variabel independen dianggap konstan X 1 =X 2 =X 3 =X 4 =X 5 =0, maka DER sebesar -3,210. 2. Koefisien X 1 = -0,009, ini menunjukkan apabila terjadi perubahan variabel FCF sebesar 1 satuan akan meningkatkan DER sebesar -0,009 atau -0,9 dengan asumsi variabel independen lainnya tetap atau sama dengan nol. Universitas Sumatera Utara 3. Koefisien X 2 = -0,012, ini menunjukkan apabila terjadi perubahan variabel KM sebesar 1 satuan akan meningkatkan DER sebesar -0,012 atau -1,2 dengan asumsi variabel independen lainnya tetap atau sama dengan nol. 4. Koefisien X 3 = 0,295, ini menunjukkan apabila terjadi perubahan variabel SKI sebesar 1 satuan akan meningkatkan DER sebesar -0,295 atau -29,5 dengan asumsi variabel independen lainnya tetap atau sama dengan nol. 5. Koefisien X 4 = 0,176, ini menunjukkan apabila terjadi perubahan variabel UP sebesar 1 satuan akan meningkatkan DER sebesar 0,176 atau 17,6 dengan asumsi variabel independen lainnya tetap atau sama dengan nol.

4.4 Uji Hipotesis

4.4.1 Analisis Koefisien Korelasi dan Koefisien Determinasi

Nilai koefisien korelasi R menunjukkan seberapa besar korelasi atau hubungan antara variabel-variabel independen dengan variabel dependen. Koefisien korelasi dikatakan kuat jika nilai R berada diatas 0,5 dan mendekati 1. Koefisien determinasi R square menunjukkan seberapa besar variabel independen menjelaskan variabel dependennya. Nilai R square adalah nol sampai dengan satu. Apabila nilai R square semakin mendekati satu, maka variabel-variabel independen memberikan semua informasi yang dibutuhkan untuk memprediksi variasi variabel dependen. Sebaliknya, semakin kecil nilai R square, maka kemampuan variabel-variabel independen dalam menjelaskan variasi variabel dependen semakin terbatas. Oleh karena itu, digunakan nilai adjusted R square untuk mengevaluasi mana model regresi terbaik. Universitas Sumatera Utara Tabel 4.7 Hasil Analisis Koefisien Korelasi dan Koefisien Determinasi Model Summary b Model R R Square Adjusted R Square Std. Error of the Estimate d e s o 1 .409 a .167 .056 .88734 Pada model summary di atas, angka R sebesar 0,409 menunjukkan bahwa terdapat korelasi atau hubungan yang lemah antara DER dengan FCF, KM, SKI dan UP yaitu sebesar 40,9 yang berada dibawah 0,5 50. Angka adjusted R atau koefisien determinasi adalah 0,056. Angka ini menunjukkan bahwa 40,9 variasi atau perubahan dalam model DER dapat dijelaskan oleh variasi FCF, KM, SKI, dan UP. Sedangkan sisanya 100 - 40,9 = 59,1 dijelaskan oleh faktor-faktor lain yang tidak dimasukkan dalam model penelitian. Strandar Error of the Estimate SEE adalah 0,88734, semakin besar SEE akan membuat model regresi kurang tepat dalam memprediksi variabel dependen. a. Predictors: Constant, FCF, KM, SKI, UP b. Dependent Variabel : DER Sumber : Output SPSS, diolah Penulis, 2012 Universitas Sumatera Utara

4.4.2 Uji Signifikansi Simultan Uji F

Secara simultan, pengujian hipotesis dilakukan dengan uji F F test . Uji F dilakukan untuk menguji apakah variabel-variabel independen berpengaruh secara simultan terhadap variabel dependen. Adapun hipotesis untuk uji F adalah : H 1 : Free Cash Flow FCF, Kepemilikan Manajerial KM, Set Kesempatan Investas SKI. Dan Ukuran Perusahaan UP berpengaruh signifikan terhadap Kebijakan Hutang DER. Uji ini membandingkan signifikansi F hitung dengan ketentuan: 1. Jika F hitung F tabel pada α 0,05, maka H 1 ditolak, dan 2. Jika F hitung F tabel pada α 0,05, maka H 1 diterima. Setelah uji F dilakukan, maka diperoleh nilai F hitung dan nilai signifikansi seperti dibawah ini. Tabel 4.8 Hasil Uji F ANOVA b Model Sum of Squares df Mean Square F Sig. 1 Regression 4.745 4 1.186 1.507 .225 a Residual 23.621 30 .787 Total 28.366 34 a. Predictors: Constant, UP, FCF, KM, SKI b. Dependent Variable: DER Dari hasil uji ANOVA atau F test , diperoleh F hitung sebesar 1,507 dengan derajat kebebasan tingkat df 1 ialah 4 dan derajat kebebasan df 2 ialah 30. Jika dibandingkan dengan F tabel dengan tingkat signifikansi 0,05 diperoleh F tabel ialah 1,697. Dengan demikian F hitung F tabel yang berarti H 1 ditolak dan H diterima. Universitas Sumatera Utara Berdasarkan hasil tersebut dapat disimpulkan bahwa FCF, KM, SKI, dan UP secara simultan tidak berpengaruh signifikan terhadap DER perusahaan, karena F hitung F tabel 1,507 1,697 dan signifikansi penelitian 0,05 yaitu 0,225 0,05.

4.4.3 Uji Signifikansi Parsial Uji t

Uji t digunakan untuk menguji signifikansi konstanta dari setiap variabel independen terhadap variabel dependen secara parsial. Dalam uji t digunakan hipotesis seperti yang terlihat berikut ini. H : b 1 ,b 2 ,b 3, b 4 = 0, artinya FCF, KM, SKI dan UP tidak berpengaruh signifikan terhadap kebijakan hutang DER secara parsial pada perusahaan manufaktur yang terdaftar di Bursa Efek Indonesia. H a : b 1 ,b 2 ,b 3 ,b 4 ≠ 0, artinya FCF, KM, SKI dan UP berpengaruh signifikan terhadap kebijakan hutang DER secara parsial pada perusahaan manufaktur yang terdaftar di Bursa Efek Indonesia. Uji t digunakan untuk menguji signifikansi konstanta dan setiap variabel independennya dengan kriteria sebagai berikut : 1. H diterima dan H a ditolak jika t hitung t tabel untuk α = 5, dan 2. H a diterima dan H ditolak jika t hitung t tabel untuk α = 5. Setelah uji parsial t dilakukan, maka diperoleh nilai t hitung dan nilai signifikansi seperti pada table 4.9 dibawah ini: Universitas Sumatera Utara Tabel 4.9 Hasil Uji t Coefficients a Model Unstandardized Coefficients Standardized Coefficients t Sig. B Std. Error Beta 1 Constant -3.210 2.745 -1.169 .251 FCF -.009 .018 -.083 2.491 .027 KM -.012 .013 -.163 -.925 .362 SKI -.295 .147 -.401 -2.000 .055 UP .176 .102 .342 1.728 .004 a. Dependent Variable: DER Sumber : Output SPSS, diolah Penulis, 2012 Uji t dalam penelitian ini digunakan untuk meneliti lebih lanjut manakah diantara empat variabel independen dalam penelitian ini yang berpengaruh signifikan terhadap DER. Berdasarkan hasil penelitian ini, dari empat variabel independen yang dimasukkan mempunyai nilai signifikansi melebihi 5 yaitu KM dan SKI sedangkan terdapat dua variabel independen yaitu FCF dan UP yang mempunyai nilai signifikansi yang lebih kecil dari 5. Dari hasil output SPSS terlihat bahwa nilai signifikansi variabel FCF adalah sebesar 0,027, variabel KM sebesar 0,362, variabel SKI sebesar 0,55 dan variabel UP sebesar 0,004. Berdasarkan tabel uji t di atas, maka uji signifikansi parsial uji-t dapat dijelaskan sebagai berikut; 1. Pengujian terhadap variabel FCF Dari hasil pengolahan data diketahui bahwa variabel FCF mempunyai koefisien regresi sebesar -0,009 dengan probabilitas tingkat kesalahan 2,7 Universitas Sumatera Utara lebih kecil dari tingkat signifikansi 5. Nilai t hitung diperoleh sebesar 2,491 yang bermakna nilai t hitung lebih besar dari nilai t tabel sebesar 1,697. Dengan demikian, maka H a diterima dan H ditolak, hal ini berarti variabel FCF secara parsial mempunyai pengaruh yang signifikan terhadap DER. 2. Pengujian terhadap variabel KM Dari hasil pengolahan data diketahui bahwa variabel KM mempunyai koefisien regresi sebesar -0,012 dengan probabilitas tingkat kesalahan 36,2 lebih besar dari tingkat signifikansi 5. Nilai t hitung diperoleh sebesar -0,925 yang bermakna nilai t hitung lebih kecil dari nilai t tabel sebesar 1,697. Dengan demikian, maka H a ditolak dan H diterima, hal ini berarti variabel KM secara parsial tidak mempunyai pengaruh yang signifikan terhadap DER. 3. Pengujian terhadap variabel SKI Dari hasil pengolahan data diketahui bahwa variabel SKI mempunyai koefisien regresi sebesar -0,295 dengan probabilitas tingkat kesalahan 5,5 lebih besar dari tingkat signifikansi 5. Nilai t hitung diperoleh sebesar -2,000 yang bermakna nilai t hitung lebih kecil dari nilai t tabel sebesar 1,697. Dengan demikian, maka H a ditolak dan H diterima, hal ini berarti variabel SKI secara parsial tidak mempunyai pengaruh yang signifikan terhadap DER. 4. Pengujian terhadap variabel UP Dari hasil pengolahan data diketahui bahwa variabel UP mempunyai koefisien regresi sebesar 0,176 dengan probabilitas tingkat kesalahan 4 lebih kecil dari tingkat signifikansi 5. Nilai t hitung diperoleh sebesar 1,728 yang bermakna nilai t hitung lebih besar dari nilai t tabel sebesar 1,697. Dengan demikian, maka H a Universitas Sumatera Utara diterima dan H ditolak, hal ini berarti variabel UP secara parsial mempunyai pengaruh yang signifikan terhadap DER.

4.5 Pembahasan Hasil Penelitian

Berdasarkan hasil penelitian yang telah diuraikan secara statistik dengan menggunakan program SPSS Versi 18.0 maka dapat disimpulkan bahwa Free Cash Flow FCF dan Ukuran Perusahaan UP secara parsial berpengaruh signifikan terhadap kebijakan hutang yang diukur dengan Debt to Eguity Ratio DER. Hal ini dapat dibuktikan dengan hasil analisis nilai t hitung t tabel dimana untuk FCF 2,491 1,697 dan untuk UP 1,728 1,697 yang memiliki makna bahwa H a diterima dan H ditolak yang berarti FCF dan UP memiliki pengaruh signifikan terhadap DER secara parsial. Hasil penelitian ini juga sejalan dengan hasil penelitian yang dilakukan oleh Wahidawati 2002, Damayanti 2006, Bachtiar 2007, namun penelitian ini tidak sejalan dengan hasil penelitian yang dilakukan oleh Kurniati 2007 dan penelitian Jaggi dan Gul 1999. Sedangkan Kepemilikan Manajerial KM dan Set Kesempatan Investasi SKI secara parsial tidak berpengaruh signifikan terhadap kebijakan hutang yang diukur dengan Debt to Equity Ratio DER. Hal ini dapat dibuktikan dengan hasil anaisis nilai t hitung t tabel dimana untuk KM -0,925 1,697 dan SKI -2,000 1,697 yang memiliki makna bahwa semua H diterima dan H a ditolak. Hasil penelitian ini juga sejalan dengan hasil penelitian Moh’d et Al 1998, Jones dan Sharma 2001, Kurniati 2007, namun tidak sejalan dengan penelitian yang dilakukan oleh Wahidawati 2002 dan Damayanti 2006. Selain pembuktian diatas, hal tersebut juga turut didasarkan pada hasil analisis koefisien korelasi Universitas Sumatera Utara antara variabel independen dan dependen tersebut diperoleh standardized coefficients untuk KM sebesar -0,012 dan SKI sebesar -0,295 yang bermakna bahwa korelasi atau hubungan antara variabel dependen dan independen adalah hubungan yang negatif atau berbanding terbalik lemah. Hal tersebut menunjukkan bahwa dalam perusahaan manufaktur yang terdaftar di BEI yang memiliki KM dan SKI tidak dapat digunakan untuk menentukan kebijakan hutang perusahaan DER. Penjelasan secara rinci keempat variabel independen dan hubungannya dengan incosistency peneliti terdahulu sebagai berikut: 1. FCF setelah melalui tahap uji-t mempunyai nilai signifikansi 0,027 yang berarti nilai ini lebih kecil dari 0,05. Nilai t hitung diperoleh sebesar 2,491 yang bermakna nilai t hitung lebih besar dari nilai t tabel sebesar 1,697. Berdasarkan nilai tersebut disimpulkan bahwa H a diterima dan H ditolak, artinya secara parsial FCF berpengaruh signifikan terhadap DER. 2. KM melalui tahap uji-t mempunyai nilai signifikansi 0,362 yang berarti nilai ini lebih besar dari 0,05. Nilai t hitung diperoleh sebesar -0,925 yang bermakna nilai t hitung lebih kecil dari nilai t tabel sebesar 1,697. Berdasarkan nilai tersebut disimpulkan bahwa H diterima dan H a ditolak, artinya secara parsial KM tidak berpengaruh signifikan terhadap DER. 3. SKI melalui tahap uji-t mempunyai nilai signifikansi 0,055 yang berarti nilai ini lebih besar dari 0,05. Nilai t hitung diperoleh -2,000 yang bermakna nilai t hitung lebih kecil dari nilai t tabel sebesar 1,697. Berdasarkan nilai tersebut Universitas Sumatera Utara disimpulkan bahwa H diterima dan H a ditolak, artinya secara parsial SKI tidak berpengaruh signifikan terhadap DER. 4. UP melalui tahap uji-t mempunyai nilai signifikansi 0,004 yang berarti nilai ini lebih kecil dari 0,05. Nilai t hitung diperoleh 1,728 yang bermakna nilai t hitung lebih besar dari nilai t tabel sebesar 1,697. Berdasarkan nilai tersebut disimpulkan bahwa H a diterima dan H ditolak, artinya secara parsial UP berpengaruh signifikan terhadap DER. Hasil penelitian menunjukkan bahwa FCF, KM, SKI, dan UP secara simultan tidak memiliki pengaruh signifikan terhadap penentuan kebijakan hutang perusahaan yang diukur dengan DER. Hal ini dapat dibuktikan dengan hasil anailisis F hitung F tabel 1,507 1,697 dan signifikansi penelitian 0,05 0,225 0,05 dengan demikian H 1 diterima. Hasil penelitian ini juga sejalan dengan hasil penelitian yang dilakukan oleh Anafoni 2011 namun tidak sejalan dengan hasil penelitian yang dilakukan oleh Siswandi 2011. Hal ini juga dapat dilihat dari besarnya nilai pengaruh variabel independen yang ditunjukkan oleh nilai Adjusted R Square sebesar 0,056 yaitu persentase pengaruh FCF, KM, SKI, dan UP terhadap kebijakan hutang pada perusahaan manufaktur yang terdaftar di BEI adalah sebesar 5,6, sehingga variabel lain di luar variable-variabel independen tersebut faktor eksternal yang menjelaskan kebijakan hutang perusahaan manufaktur yang terdaftar di BEI secara menyeluruh adalah 94,4. Dengan demikian pengaruh dari semua variabel yang digunakan dalam penelitian ini kecil sekali. Universitas Sumatera Utara BAB V KESIMPULAN DAN SARAN

5.1 Kesimpulan