BAB 4

HASIL PENELITIAN DAN PEMBAHASAN

4.1 Hasil Penelitian

Peneltian ini menganalisis pengaruh Analisis faktor- faktor yang
Memengaruhi Kebijakan Dividen Pada Perusahaan Manufaktur yang Terdaftar di
Bursa Efek Indonesia (BEI).
4.1.1 Sampel Penelitian
Data yang digunakan dalam penelitian ini adalah data sekunder yang
diperoleh dari www.idx.co.id. Populasinya adalah semua perusahaan manufaktur
yang terdaftar di bursa efek indonesia pada periode 2010-2012 sebanyak 136
perusahaan. Teknik pengambilan sampel menggunakan teknik purposive sampling
yaitu pengambilan sampel berdasarkan kriteria tertentu. Dapat diperoleh sampel
sebanyak 31 perusahaan. Daftar nama dan kode perusahaan sampel dapat dilihat
pada Tabel 4.1 berikut:
Tabel 4.1
Nama Sampel Penelitian
KODE
NO Nama Emiten
SAHAM
1 AKPI Argha Karya Prima Industry Tbk.
2 AMFG Asahimas Flat Glass Tbk.
3 ARNA Arwana Citramulia Tbk.
4 ASII Astra International Tbk.
5 AUTO Astra Otoparts Tbk.
6 BATA Sepatu Bata Tbk.
7 CPIN Charoen Pokphand Indonesia Tbk.
8 DPNS Duta Pertiwi Nusantara Tbk.
9 EKAD Ekadharma International Tbk.
10 GGRM Gudang Garam Tbk.
11 HMSP H.M. Sampoerna Tbk.
12 ICBP Indofood CBP Sukses Makmur Tbk.
13 INDF Indofood Sukses Makmur Tbk.

47
 48

Lanjutan Tabel 4.1

KODE
NO Nama Emiten
SAHAM
14 INKP Indah Kiat Pulp&Paper Tbk.
15 INTP Indocement Tunggal Prakarsa Tbk.
16 KBLI KMI Wire and Cable Tbk.
17 KLBF Kalbe Farma Tbk.
18 MERK Merck Tbk.
19 MLBI Multi Bintang Indonesia Tbk.
20 MYOR Mayora Indah Tbk.
21 SCCO Supreme Cable Manufacturing & Commerce Tbk.
22 SKLT Sekar Laut Tbk.
23 SMCB Holcim Indonesia Tbk.
24 SMGR Semen Indonesia (persero) Tbk.
25 SMSM Selamat Sempurna Tbk.
26 TCID Mandom Indonesia Tbk.
27 TKIM Pabrik Kertas Tjiwi Kimia Tbk.
28 TOTO Surya Toto Indonesia Tbk.
29 TRST Trias Sentosa Tbk.
30 TSPC Tempo Scan Pacific Tbk.
31 UNVR Unilever Indonesia Tbk.
Sumber : ICMD 2011-2016

4.1.2 Deskriptif Variabel Penelitian Independen dan Dependen

4.1.2.1 Free Cash Flow
Free cash flow arti sederhana dan singkat Arus Kas Bebas adalah sisa
perhitungan arus kas yang dihasilkan oleh suatu perusahaan di akhir suatu periode
keuangan (kuartalan atau tahunan) setelah membayar gaji, biaya produksi,
tagihan, cicilan hutang berikut bunganya, pajak dan juga belanja modal (capital
expenditure) untuk pengembangan usaha. Sisa uang inilah yang disebut Arus Kas
Bebas. Ukuran free cash flow sebagaimana merujuk kepada Ross et.al. (2000)
adalah:
Free Cash Flow = cash flow from operations – (net capital expenditure +
changes working capital)
 49

4.2.1.2 Return On Equity

ROE adalah rasio yang menunjukkan kemampuan perusahaan dalam
menghasilkan laba bersih dengan menggunakan modal sendiri dan
menghasilkan laba bersih yang tersedia bagi pemilik atau investor.

4.2.1.3 Debt to Equity Ratio

Rasio hutang terhadap ekuitas atau rasio hutang modal adlah suatu rasio
keuangan yang menunjukan posisi relatif antara ekuitas dan hutang yang
digunakan untuk membiayai aset perusahaan. Rasio Debt to Equity ini juga
dikenal sebagai rasio leverage (rasio pengungkit) yaitu rasio yang digunakan
untuk mengukur seberapa baik struktur investasi suatu perusahaan.

4.2.1.4 Investment Opportunity Set

Digambarkan melalui rasio MBV ( Market to Book Value ) yang
mencerminkan bahwa pasar menilai return dari investasi perusahaan di masa
depan dari return yang diharapkan dari ekuitasnya. Adanya perbedaan antara nilai
pasar dan nilai buku menunjukan kesempatan investasi bagi perusahaan dimasa
depan. Rasio ini dihitung dari perbandingan antara nilai pasar terhadap nilai buku
perusahaan.

4.2.1.5 Firm Size

Merupakan sebuah ukuran untuk perusahaan yang diukur dengan
menggunakan logarithm dari total aset perusahaan.
 50

4.1.2.6 Variabel Terikat

Varibel terikat dalam penelitian ini adalah Dividend Payout Ratio. Besaran
atau persentase dari laba atau pendapatan yang akan dibagikan oleh perusahaan
kepada para pemegang saham sebagai dividen tunai disebut Dividend Payout
Ratio.

Berikut disajikan hasil statistic deskriptif Free Cash Flow, Return On Equity,
Debt to Equity Ratio, Investment Opportunity Set, Firm Size dan Dividend Payout
Ratio selama periode 2010-2015 yang sudah diolah dengan menggunakan SPSS
versi 16 sebagai alat penelitian dengan variabel-variabel penelitian sebagai
berikut:

.Tabel 4.1
Analisis Deskriptif Free Cash Flow, Return On Equity, Debt to Equity Ratio,
Investment Opportunity Set, Firm Size dan Dividend Payout Ratio

Descriptive Statistics

N Minimum Maximum Mean Std. Deviation

Free Cash Flow 153 -1.39 .72 .1177 .20296

Return On Equity 153 -5.01 143.53 23.9581 27.80189
Debt to Equity Ratio 153 .11 16.05 1.1842 2.06628
Investment Opportunity Set 153 .10 58.48 5.9961 10.67551
Firm Size 153 11.40 19.32 15.4412 1.80354
Dividend Payout Ratio 153 6.47 4667.00 75.8998 375.07931
Valid N (listwise) 153
Sumber : Data yang telah diolah, 2018
Berdasarkan Tabel 4.1 statistik deskripsi di atas dapat diketahui:
a. Free Cash Flow.
Berdasarkan hasil pengujian tersebut diketahui bahwa Free Cash Flow
terendah yaitu -1.39 dan nilai tertinggi 0.72. Hasil tersebut menunjukkan
bahwa besarnya Nilai Free Cash Flow yang menjadi sampel penelitian ini
 51

berkisar antara -1.39 hingga 0.72 dengan nilai mean 0.117 dan standar deviasi
0.202.
b. Return On Equity.
Berdasarkan hasil pengujian tersebut diketahui bahwa Return On Equity
terendah yaitu -5.01 dan nilai tertinggi 143.53. Hasil tersebut menunjukkan
bahwa besarnya Return On Equity yang menjadi sampel penelitian ini berkisar
antara -5.01 hingga 143.53 dengan nilai mean 23.958 dan standar deviasi
27.801.
c. Debt to Equity Ratio.
Berdasarkan hasil pengujian tersebut diketahui bahwa Debt to Equity
Ratio terendah yaitu 0.11 dan nilai tertinggi 16.05. Hasil tersebut
menunjukkan bahwa besarnya Debt to Equity Ratio yang menjadi sampel
penelitian ini berkisar antara 0.11 hingga 16.05 dengan nilai mean 1.184 dan
standar deviasi 2.066.
d. Investment Opportunity Set.
Berdasarkan hasil pengujian tersebut diketahui bahwa Investment
Opportunity Set perusahaan terendah yaitu 0.10 dan nilai tertinggi 58.48. Hasil
tersebut menunjukkan bahwa besarnya Investment Opportunity Set yang
menjadi sampel penelitian ini berkisar antara 0.10 hingga 58.48 dengan nilai
mean 5.996 dan standar deviasi 10.675.
e. Firm Size.
Berdasarkan hasil pengujian tersebut diketahui bahwa Firm Size terendah
yaitu 11.40 dan nilai tertinggi 19.32. Hasil tersebut menunjukkan bahwa
besarnya Firm Size yang menjadi sampel penelitian ini berkisar antara 11.40
hingga 19.32 dengan nilai mean 15.441 dan standar deviasi 1.803.
f. Dividend Payout Ratio.
Berdasarkan hasil pengujian tersebut diketahui bahwa Dividend Payout
Ratio terendah yaitu 6.47 dan nilai tertinggi 4667.00 Hasil tersebut
menunjukkan bahwa besarnya Dividend Payout Ratio yang menjadi sampel
penelitian ini berkisar antara 6.47 hingga 4667.00 dengan nilai mean 75.898
dan standar deviasi 375.079.
 52

4.2 Persamaan Regresi Pertama

4.2.1 Uji Asumsi Klasik
Uji asumsi klasik digunakan untuk mengetahui apakah hasil analisis regresi
berganda yang digunakan untuk menganalisis dalam penelitian ini terbebas dari
penyimpangan asumsi klasik yang meliputi uji normalitas, multikoloneritas,
heterokedastisitas dan autokorelasi. Dalam penelitian ini menggunakan model
regresi linier berganda (multiplier linier regression method) dengan variabel
dependennya adalah Free Cash Flow, Return On Equity, Debt to Equity Ratio,
Investment Opportunity Set dan variabel independennya adalah Dividend Payout
Ratio dan varianbel intervening adalah firm size.

4.2.1.1 Uji Normalitas.

Uji normalitas bertujuan untuk menguji apakah dalam sebuah model regresi,
variabel dependen, variabel independen keduanya memiliki distribusi normal
ataukah tidak. Model regresi yang baik adalah data normal atau mendekati normal
(Ghozali, 2013:160). Caranya adalah dengan normal probability plot yang
membandingkan distribusi kumulatif dari data sesungguhnya dengan distribusi
komulatif dari distribusi normal. Data yang normal atau mendekati distribusi
normal memiliki bentuk seperti lonceng. Alat analisis yang digunakan dalam uji
ini adalah uji Kolmogorov – Smirnov dengan koreksi Lilliefors.
Pengambilan keputusan mengenai normalitas adalah sebagai berikut :
 Jika p < 0,05 maka distribusi data tidak normal
 Jika p > 0,05 maka distribusi data normal
Ada dua cara untuk mendeteksi apakah residual berdistribusi normal atau
tidak, dengan analisis grafik dan analisis statisitik berikut ini akan disajikan data
dalam grafik gambar maupun berdasarkan data tabel angka yang akan
menjelaskan tentang apakah data berdistribusi normal atau data tidak berdistribusi
normal. Berikut Hasil pengolahan data uji normalitas yang di jelaskan pada
Gambar 4.1 dan Tabel 4.2 sebagai berikut :.
 53

Gambar 4.1
Uji Normalitas Scatterplot
Sumber : Data yang telah diolah, 2018

Berdasarkan tabel P-P plot titik tidak menyebar di garis sehingga di curigai
data berdistribusi tidak normal tetapi untuk memperoleh data yabg lebih akurat
penulis memakai uji kolomogorov smirnov untuk menjelaskan data tersebut.
Tabel 4.2
Uji kolmogorov smirnov
One-Sample Kolmogorov-Smirnov Test
Unstandardized
Residual
N 153
Normal Parametersa Mean .0000000
Std. Deviation 3.72883226E2
Most Extreme Differences Absolute .390
Positive .390
Negative -.360
Kolmogorov-Smirnov Z 4.820
Asymp. Sig. (2-tailed) .000
a. Test distribution is Normal.
Sumber : Data yang telah diolah, 2018
Berdasarkan hasil pada Tabel 4.2 diatas, menunjukkan bahwa data
terdistribusi tidak normal. Hal ini ditunjukkan dengan nilai signifikansi pada
0.000 yang lebih kecil dari 0,05. Hal ini mungkin terjadi di karenakan adanya data
yang bernilai ekstreme atau outlier maka data tersebut harus di hapus terlebih
dahulu agar mendapatkan data yang berdistribusi normal. Untuk memperoleh
hasil terbaik maka data outlier yang ada dihilangkan dengan metode Z-score, z-
 54

score dapat dilakukan dengan menentukan nilai batas yang dapat dikategorikan
sebagai data outlier yaitu dengan mengkonversikan nilai data kedalam skor
standardized.. Outlier adalah data yang memiliki karakteristik unik yang terlihat
sangat berbeda jauh dari observasi-observasi lainnya dan muncul dalam bentuk
nilai ekstrim baik untuk sebuah variabel tunggal atau variabel kombinasi
(Ghozali, 2013:112).
Setelah menghilangkan 18 data yang dideteksi bernilai ekstreme atau outlier,
data yang dihapus dapat dilihat ditabel dibawah ini :

Tabel 4.3
Data Outlier
FCF ROE DER IOS DPR
-0.29461 3.36 - - -
-0.05008 -5.01 - - -
-0.00782 -0.15 - - -
-0.00292 - - - -
-1.06829 - - - -
-1.39083 - - - -
-0.05557 - - - -
-0.03201 - - - -
-0.0451 - - - -
-0.10506 - - - -
-0.02627 - - - -
-0.11681 - - - -
-0.05969 - - - -
-0.06197 - - - -
-0.0176 - - - -

Sumber : Data yang telah diolah, 2018

Data yang semula 153 menjadi 135 maka dilakukan pengujian ulang di
dapatkan tabel 4.5 kolmogorov smirnov dan gambar 4.2 P-P plot sebagai berikut :
 55

Gambar 4.2
Uji Normalitas Scatterplot
Sumber : Data yang telah diolah, 2018

Berdasarkan tabel P-P plot titik mendekati di garis sehingga data berdistribusi
normal tetapi untuk memperoleh data yabg lebih akurat penulis memakai uji
kolomogorov smirnov untuk menjelaskan data tersebut.
Tabel 4.4
Uji kolmogorov smirnov

One-Sample Kolmogorov-Smirnov Test

Unstandardized
Residual

N 135

Normal Parametersa Mean .0000000

Std. Deviation .66925162

Most Extreme Differences Absolute .106

Positive .106

Negative -.069

Kolmogorov-Smirnov Z 1.237

Asymp. Sig. (2-tailed) .094

a. Test distribution is Normal.
Sumber : Data yang telah diolah, 2018

Berdasarkan hasil pada Tabel 4.4 diatas, menunjukkan bahwa data

terdistribusi tidak normal. Hal ini ditunjukkan dengan nilai signifikansi pada
0.094 yang lebih besar dari 0,05.
 56

4.2.3 Uji Multikolinieritas.

Multikolinieritas adalah adanya suatu hubungan linier yang sempurna antara
beberapa atau semua variabel independen. Uji Multikolinieritas bertujuan untuk
menguji apakah model regresi ditemukan adanya korelasi antar variabel bebas
(independen). Model regresi yang baik seharusnya tidak terjadi korelasi diantara
variabel bebas (Ghozali,2013:135).
Pada program SPSS, ada beberapa metode yang sering digunakan untuk
mendeteksi adanya multikolinieritas. Salah satunya adalah dengan cara
mengamati nilai Variance Inflation Factor (VIF) dan TOLERANCE. Batas dari
VIF adalah 10 dan nilai dari TOLERANCE adalah 0,1. Jika nilai VIF lebih besar
dari 10 dan nilai TOLERANCE kurang dari 0,1 maka terjadi multikolinieritas.
Bila ada variabel independen yang terkena multikolinieritas, maka
penanggulangannya adalah salah satu variabel tersebut dikeluarkan
(Ghozali,2013:136) , sebagai dasar acuannya dapat disimpulkan :
Tabel 4.5
Uji Multikolinieritas

Coefficientsa

Collinearity Statistics

Model Tolerance VIF

1 LNFCF .943 1.061

LNROE .304 3.293

LNDER .989 1.012

LNIOS .307 3.254

a. Dependent Variable: LNDPR

Sumber : Data yang telah diolah, 2018
Suatu model regresi dinyatakan bebas dari multikolinearitas adalah jika
mempunyai nilai Tolerance diatas 0,1 dan nilai VIF dibawah 10. Data yang
digunakan untuk uji multikolinearitas ini adalah data yang telah dihilangkan
outlier-nya. Dari tabel 4.4 diperoleh bahwa semua variabel bebas memiliki nilai
Tolerance di atas 0.1 dan nilai VIF jauh di bawah angka 10. Dengan demikian
dalam model ini tidak terjadi multikolinieritas.
 57

4.2.4 Uji heteroskedastisitas.

Uji Heteroskedastisitas ini bertujuan untuk menguji apakah dalam model
regresi terjadi ketidaksamaan varians dari residual satu pengamatan ke
pengamatan lain. Jika varians dari satu pengamatan ke pengamatan yang lain
tetap, maka disebut homoskedastisitas atau tidak terjadi heterokedastisitas. Dan
jika varians berbeda maka disebut heteroskedastisitas. Model regresi yang baik
adalah yang homoskedastisitas atau tidak terjadi heteroskedastisitas (Ghozali,
2013:144).
Deteksi ada tidaknya heteroskedastisitas dapat dilakukan dengan melihat ada
tidaknya pola tertentu pada grafik scatterplot antara SRESID dan ZPRED dimana
sumbu Y’ adalah Y yang diprediksi, dan sumbu X adalah residual (Y prediksi-Y
sesungguhnya) yang telah di studentized (Ghozali, 2013:146). Uji yang dapt
digunakan adalah uji Glejser, Uji Park, dan Uji White. Dalam penelitian ini
menggunakan uji Glejser. Uji Glesjer dilakukan dengan meregresikan variabel-
variabel bebas terhadap absolut residualnya (Gujarati, 2004:165). Sebagai
pengertian dasar, residual adalah selisih antara nilai observasi dengan nilai
prediksi dan absolut adalah nilai mutlaknya. Deteksi ada tidaknya problem
heteroskedastisitas adalah dengan media grafik, apabila tidak ada pola yang jelas,
serta titik-titik menyebar di atas dan di bawah angka 0 pada sumbu Y, maka tidak
terjadi Heteroskedastisitas (Ghozali, 2011:139).

Gambar 4.3
Uji Heteroskedastisitas
Sumber : Data yang telah diolah, 2018
 58

Berdasarkan Gambar 4.1 dapat diketahui bahwa data (titik-titik) menyebar

secara merata di atas dan di bawah garis nol, tidak berkumpul di satu tempat, serta
tidak membentuk pola tertentu sehingga dapat disimpulkan bahwa pada uji regresi
ini tidak terjadi masalah heteroskedastisitas.
Analisis menggunakan grafik plot memiliki kelemahan yang cukup signifikan
oleh karena jumlah pengamatan mempengaruhi hasil ploting. Semakin sedikit
jumlah pengamatan, maka semakin sulit menginterprestasikan hasil plot.Selain
menggunakan analsisi grafik Uji Heterokedastisitas juga dapat dilakukan dengan
menggunakan Uji Glejser. Uji ini mengusulkan untuk meregresi nilai absolut
residual terhadap variabel independen.
Jika variable independen secara signifikan mempengaruhi variabel dependen,
maka ada indikasi terjadi heteokedastisitas. Jika probabilitas signifikansi diatas
tingkat kepercayaan 5%, maka dapat disimpulkan model tidak terjadi
heterokedastisitas (Ghozali, 2013:139) metode glesjer untuk memperkuat
pernyataan di Tabel 4.6 :
Tabel 4.6
Uji Heteroskedastisitas glesjer
Coefficientsa
Standardized
Unstandardized Coefficients Coefficients
Model B Std. Error Beta t Sig.
1 (Constant) .762 .224 3.398 .001
LNFCF .008 .065 .011 .124 .902
LNROE -.094 .076 -.191 -1.246 .215
LNDER .029 .046 .054 .635 .527
LNIOS -.030 .061 -.075 -.494 .622
a. Dependent Variable: Abresid
Sumber : Data yang telah diolah, 2018
Berdasarkan Tabel 4.6 dapat dijelaskan bahwa variabel-variabel tidak
mengalami heteroskedastisitas karena keempat variabel (Free Cash Flow, Return
On Equity, Debt to Equity Ratio dan Investment Opportunity Set) menunjukan
tingkat signifikan di atas 0.05 sehingga variabel yang digunakan bebas dari
heteroskedastisitas.
 59

4.2.5 Uji autokorelasi ( Durbin Watson )

Menurut Ghozali (2013:110) uji autokorelasi bertujuan menguji apakah
model regresi linear ada korelasi antara kesalahan pengganggu pada periode t
dengan kesalahan pengganggu pada periode t-1 (sebelumnya). Untuk menguji ada
tidaknya gejala autokorelasi maka dapat dideteksi dengan uji Durbin-Watson
(DW Test). Uji Durbin-Waston adalah sebuah uji yang digunakan untuk
mendeteksi terjadinya autokorelasi pada nilai residual dari sebuah analisis regresi.
Yang dimaksud dengan autokorelasi adalah “hubungan antara nilai-nilai yang
dipisahkan satu sama lain dengan jeda waktu tertentu”. Uji ini dikemukakan oleh
James Durbin dan Geoffrey Watson.
d < dl
terjadi autokorelasi
d > 4 – dl
keputusan du < d < 4 – du tidak terjadi autokorelasi
dl < d < du
tidak ada kesimpulan
4 - du < d < 4 –d
Tabel 4.7
Uji Autokorelasi

Model Summaryb

Adjusted R Std. Error of the

Model R R Square Square Estimate Durbin-Watson

1 .454a .206 .182 .67947 1.273

a. Predictors: (Constant), LNIOS, LNDER, LNFCF, LNROE

b. Dependent Variable: LNDPR
Sumber : Data yang telah diolah, 2018
Dari Tabel 4.6 dapat di ketahui dan sesuai dengan kepututusan maka
disimpulkan du > dw > 4-du ( 1.789 > 1.273 > 2.211 ) nilai dw sebesar 1.273
berada di luar di antara angka 1.789 - 2.211 sehingga data dicurigai terjadi gejala
autokorelasi sehingga penulis kembali melakukan uji autokorelasi dengan metode
largemultiple. Prinsip Uji Autokorelasi dengan metode Lagrange Multiplier (LM-
test) adalah dengan membandingkan X2 hitung (n x R2) dengan nilai X2 tabel
dengan df= (n,α). Menurut Suliyanto, kriteria Uji Autokorelasi dengan metode
Lagrange Multiplier (LM-test) adalah sebagai berikut:
 60

1) Jika X2 hitung > X2 tabel dengan df= (n,α), maka model dinyatakan tidak
linier
2) Jika X2 hitung < X2 tabel dengan df= (n,α), maka model dinyatakan linier
Data hasil uji Autokorelasi dengan metode Lagrange Multiplier (LM-test)
dapat dilihat pada Tabel 4.8 berikut:
Tabel 4.8
Uji Autokorelasi Lagange Multiplier

Model Summaryb

Adjusted R Std. Error of the

Model R R Square Square Estimate

1 .394a .155 .117 .65509467

a. Predictors: (Constant), lag1, LNROE, LNDER, LNFCF, LNIOS

b. Dependent Variable: Unstandardized Residual

Sumber : Data yang telah diolah, 2018
Dari data di atas dapat dilihat bahwa koefisien R2 sebesar 0,155 sehingga nilai
X2 hitung = 135 x 0,155 = 20.93 sedangkan nilai X2 tabel dengan df=135;0,05
adalah 163.12. Karena nilai X2 hitung (20.93) < dari nilai X2 tabel (163.12) maka
dapat disimpulkan bahwa model regresi tidak terjadi Autokorelasi.

4.2.2 Hasil Analisis Regresi Berganda.

Menurut Sugiyono (2010:277), Analisis Linier Berganda adalah Analisis
yang digunakan peneliti, bila bermaksud meramalkan bagaimanakeadaan (naik
turunnya) variabel dependen (kriterium), bila terdapat dua atau lebih variabel
independen sebagai faktor prediktor yang dimanipulasi (dinaik turunkan nilainya).
Regresi ini digunakan untuk menganalisa data yang bersifat multivariate. Analisa
ini digunakan untuk meramalkan nilai variabel dependen (Y) dengan variabel
independen yang lebih dari satu (minimal dua), sehingga analisis regresi berganda
sering disebut juga analisa multivariate, karena variabel yang mempengaruhi naik
turunnya variabel dependen (Y) lebih dari satu variabel Independen (X).
Kondisi variabel independen (X) dalam mempengaruhi variabel dependen (Y)
bervariasi bisa positif bisa juga negatif, atau beraneka ragam kondisi yang
 61

mempengaruhi. Sehingga regresi berganda ini lebih real dengan kenyataan di

lapangan, bahwa sesuatu hal pasti dipengaruhi oleh banyak hal. Sedangkan untuk
membuktikan ada atau tidaknya hubungan kasual antara beberapa variabel
independen (X1, X2 …) mempengaruhi variabel dependen (Y) dapat dilakukan
dengan dengan diuji statistik.. Persamaan regresi berganda dapat berupa sebagai
berikut:
Dari data yang diperoleh kemudian dianalisis dengan metode regresi
berganda dan dihitung dengan menggunakan program SPSS. Berdasar output
SPSS tersebut secara parsial pengaruh dari keempat variabel independen dan 1
variabel Dependen yaitu Free Cash Flow, Return On Equity, Debt to Equity Ratio
dan Investment Opportunity Set terhadap Dividend Payout Ratio ditunjukkan pada
Tabel 4.8 sebagai berikut:
Tabel 4.9
Hasil Regresi Berganda
Coefficientsa

Standardized
Unstandardized Coefficients Coefficients

Model B Std. Error Beta t Sig.

1 (Constant) 4.194 .318 13.207 .000

LNFCF -.102 .092 -.089 -1.107 .271

LNROE -.437 .107 -.579 -4.082 .000

LNDER .019 .065 .023 .298 .766

LNIOS .489 .086 .799 5.670 .000

a. Dependent Variable: LNDPR

Sumber : Data yang telah diolah, 2018
Dengan melihat Tabel 4.8 diatas, dapat disusun persamaan regresi linear
berganda sebagai berikut :
DPR = 4.194 - 0.102 CFC - 0.437 ROE + 0.019 DER + 0.489 IOS
Persamaan regresi di atas mempunyai makna sebagai berikut:
1. Konstanta sebesar 4.194 menyatakan bahwa jika Free Cash Flow, Return
On Equity, Debt to Equity Ratio dan Investment Opportunity Set adalah
nol, maka Dividend Payout Ratio yang terjadi adalah sebesar 4.194.
 62

2. Koefisien regresi Free Cash Flow sebesar -0.112 menyatakan bahwa

setiap penambahan Free Cash Flow sebesar 1%, maka akan menurunkan
Dividend Payout Ratio sebesar 0.102.
3. Koefisien regresi Return On Equity sebesar -0.437 menyatakan bahwa
setiap penambahan Return On Equity sebesar 1%, maka akan menurunkan
Dividend Payout Ratio sebesar 0.437.
4. Koefisien regresi Debt to Equity Ratio sebesar 0.019 menyatakan bahwa
setiap penambahan Debt to Equity Ratio sebesar 1%, maka akan
menurunkan Dividend Payout Ratio sebesar 0.019.
5. Koefisien regresi Investment Opportunity Set sebesar 0,489 menyatakan
bahwa setiap penambahan Investment Opportunity Set sebesar 1%, maka
akan meningkatkan Dividend Payout Ratio sebesar 0.489%

4.4 Pengujian hipotesis.

4.4.1 Uji t
Menurut Ghozali (2011:98) uji statistik F menunjukkan apakah semua
varibel independen atau bebas yang dimasukkan dalam model mempunyai
pengaruh secara bersama-sama terhadap variabel dependen/terikat. Pengujian ini
dilakukan untuk menguji apakah Free Cash Flow, Return On Equity, Debt to
Equity Ratio dan Investment Opportunity Set berpengaruh terhadap keputusan
menjadi Dividen Payout ratio secara Simultan. Pengujian ini dengan
menggunakan taraf signifikan 5% (0,05).
Pengujian ini dilakukan untuk mengetahui secara parsial variabel bebas
berpengaruh secara signifikan atau tidak terhadap variabel terikat. Pengujian ini
dilakukan dengan mengguanakan uji dua arah dengan hipotesis sebagai berikut :
1. Ho = b1 = 0, artinya tidak ada pengaruh signifikan dari variabel bebas
terhadap variabel terikat.
2. Ho = b1 ≠ 0, artinya ada pengaruh secara signifikan dari variabel bebas
terhadap variabel terikat.
 63

Hasil perhitungan analisis regresi guna menguji hipotesis-hipotesis yang

diajukan secara parsial dapat dilihat dari uji t pada Tabel 4.10 yang di sajikan
sebagai berikut:
Tabel 4.10
Hasil Uji t
Coefficientsa
Standardized
Unstandardized Coefficients Coefficients
Model B Std. Error Beta t Sig.
1 (Constant) 4.194 .318 13.207 .000
LNFCF -.102 .092 -.089 -1.107 .271
LNROE -.437 .107 -.579 -4.082 .000
LNDER .019 .065 .023 .298 .766
LNIOS .489 .086 .799 5.670 .000
a. Dependent Variable: LNDPR
Sumber : Data yang telah diolah, 2018

Dilihat dari Tabel 4.10 diatas diperoleh nilai t hitung dari setiap variabel
independen dalam penelitian ini. Nilai t hitung dari setiap variabel independen
akan dibandingkan dengan nilai t tabel dengan menggunakan tingkat kepercayaan
(confidence interval) 95% atau α = 0,05 maka diperoleh nilai ttabel = 1,997.
Dari hasil uji t akan dapat diketahui pengaruh setiap variabel bebas
(independent variabel) terhadap variabel terikatnya (dependent variabel) sebagai
berikut:
a. Pengaruh variabel bebas Free Cash Flow (X1) terhadap variabel terikat
Dividend Payout Ratio (Y) seperti ditunjukkan pada tabel 4.10 diatas, nilai
t hitung (-1.107) lebih kecil dari t tabel (1,997) dan nilai signifikan sebesar
0.271 lebih besar dari 0.05. Keputusannya hipotesis Ho diterima dan Ha
ditolak. Dengan demikian dapat disimpulkan bahwa Free Cash Flow tidak
berpengaruh signifikan terhadap Dividen Payout Ratio.

b. Pengaruh variabel bebas Return On Equity (X2) terhadap variabel terikat

Dividend Payout Ratio (Y) seperti ditunjukkan pada tabel 4.10 diatas, nilai
 64

t hitung (-4.082) lebih besar dari t tabel (-1,997) dan nilai signifikan sebesar
0.000 lebih kecil dari 0.05. Keputusannya hipotesis Ho ditolak dan Ha
diterima. Dengan demikian dapat disimpulkan bahwa Return On Equity
berpengaruh signifikan terhadap Dividen Payout Ratio.

c. Pengaruh variabel bebas Debt to Equity Ratio (X3) terhadap variabel

terikat Dividend Payout Ratio (Y) seperti ditunjukkan pada tabel 4.10
diatas, nilai t hitung (0.298) lebih kecil dari t tabel (1,997) dan nilai signifikan
sebesar 0.766 lebih besar dari 0.05. Keputusannya hipotesis Ho diterima
dan Ha ditolak. Dengan demikian dapat disimpulkan bahwa Debt to Equity
Ratio tidak berpengaruh signifikan terhadap Dividen Payout Ratio.

d. Pengaruh variabel bebas Investment Opportunity Set (X4) terhadap

variabel terikat Dividend Payout Ratio (Y) seperti ditunjukkan pada tabel
4.10 diatas, nilai t hitung (5.670) lebih besar dari t tabel (1,997) dan nilai
signifikan sebesar 0.000 lebih kecil dari 0.05. Keputusannya hipotesis Ho
ditolak dan Ha diterima. Dengan demikian dapat disimpulkan bahwa
Investment Opportunity Set berpengaruh signifikan terhadap Dividen
Payout Ratio.

4.4.2 Uji F
Menurut Ghozali (2011:98) “uji statistik t pada dasarnya menunjukkan
seberapa jauh pengaruh satu variabel penjelas/independen secara individual dalam
menerangkan variabel dependen”. Nilai-nilai koefisien regresi dalam persamaan
regresi merupakan hasil perhitungan berdasarkan sampel yang terpilih sehingga
disamping uji-f dilakukan juga uji-t untuk masing-masing nilai koefisien regresi
dalam persamaan regresi.
Uji statistik F pada dasarnya menunjukkan apakah semua variabel
independen yang dimasukkan dalam model mempunyai pengaruh secara bersama-
sama terhadap variabel dependennya. Hasil perhitungan Uji F ini dapat dilihat
pada Tabel 4.11 berikut ini:
 65

Tabel 4.11
Hasil Uji F

ANOVAb

Model Sum of Squares df Mean Square F Sig.

1 Regression 15.575 4 3.894 8.434 .000a

Residual 60.018 130 .462

Total 75.593 134

a. Predictors: (Constant), LNIOS, LNDER, LNFCF, LNROE

b. Dependent Variable: LNDPR

Sumber : Data yang telah diolah, 2018

Dari Tabel 4.11 Menjelaskan bahwa analisis regresi diketahui pula secara
bersama-sama variabel independen memiliki pengaruh yang signifikan terhadap
variabel dependen. Dari data nilai signifikan sebesar 0,000 yang lebih kecil dari
0,05 dan nilai Fhitung sebesar 10.399 yang lebih besar dari Ftabel yang hanya
2.73 sehingga dapat disimpulkan bahwa variabel Free Cash Flow, Return On
Equity, Debt to Equity Ratio dan Investment Opportunity Set secara bersama-sama
mempunyai pengaruh signifikan terhadap Dividen Payout Ratio.

4.4.3 Koefisien determinasi.

Koefisien Determinasi (R2) pada intinya mengukur seberapa jauh kemapuan
model dalam menerangkan variansi variabel independen.Nilai koefisien
determinasi adalah antara nol dan satu.Nilai R2 yang kecil berarti kemampuan
variabel-variabel independen dalam menjelaskan variabel dependen sangat
terbatas. Nilai yang mendekati satu berarti variabel-variabel independen
menberikan hamper semua informasi yang dibutuhkan untuk memprediksi variasi
variabel dependen (Ghozali 2011:97). Uji Koefisien Determinasi ini dilakukan
untuk mengetahui seberapa besar pengaruh variabel bebas (X) yaitu Free Cash
Flow, Return On Equity, Debt to Equity Ratio dan Investment Opportunity Set
terhadap variabel terikat (Y) yaitu Dividen Payout Ratio.
 66

Dengan kata lain, nilai koefisien determinan digunakan untuk mengukur

besarnya kontribusi variabel independen yang diteliti yaitu Free Cash Flow,
Return On Equity, Debt to Equity Ratio dan Investment Opportunity Set terhadap
Dividend Payout Ratio sebagai variabel dependen. Hasil perhitungan koefisien
determinasi tersebut dapat terlihat pada Tabel 4.12 berikut:
Tabel 4.12
Perhitungan Koefisien Determinasi

Model Summaryb

Adjusted R Std. Error of the

Model R R Square Square Estimate

1 .454a .206 .182 .67947

a. Predictors: (Constant), LNIOS, LNDER, LNFCF, LNROE

b. Dependent Variable: LNDPR

Sumber : Data yang telah diolah, 2018
Dari hasil Tabel 4.12 perhitungan diperoleh hasil besarnya pengaruh variabel
independen terhadap variabel dependen yang dapat diterangkan oleh model
persamaan ini adalah sebesar 18,2 %. Hal ini menunjukkan bahwa besaran
pengaruh variabel Free Cash Flow, Return On Equity, Debt to Equity Ratio dan
Investment Opportunity Set terhadap Dividend Payout Ratio yang dapat
diterangkan oleh model Adjusted R Square persamaan ini adalah sebesar 18,2 %
dan sisanya sebesar 81,8 % dipengaruhi oleh faktor-faktor lain yang tidak
dimasukkan dalam model regresi berupa faktor eksternal maupun Faktor internal.

4.3 Persamaan Regresi Kedua

4.3.1 Uji Asumsi Klasik
Uji asumsi klasik digunakan untuk mengetahui apakah hasil analisis regresi
berganda yang digunakan untuk menganalisis dalam penelitian ini terbebas dari
penyimpangan asumsi klasik yang meliputi uji normalitas, multikoloneritas,
heterokedastisitas dan autokorelasi. Dalam penelitian ini menggunakan model
regresi linier berganda (multiplier linier regression method) dengan variabel
dependennya adalah Free Cash Flow, Return On Equity, Debt to Equity Ratio,
 67

Investment Opportunity Set dan variabel independennya adalah Dividend Payout

Ratio dan varianbel intervening adalah firm size.

4.3.1.1 Uji Normalitas.

Uji normalitas bertujuan untuk menguji apakah dalam sebuah model regresi,
variabel dependen, variabel independen keduanya memiliki distribusi normal
ataukah tidak. Model regresi yang baik adalah data normal atau mendekati normal
(Ghozali, 2013:160). Caranya adalah dengan normal probability plot yang
membandingkan distribusi kumulatif dari data sesungguhnya dengan distribusi
komulatif dari distribusi normal. Data yang normal atau mendekati distribusi
normal memiliki bentuk seperti lonceng. Alat analisis yang digunakan dalam uji
ini adalah uji Kolmogorov – Smirnov dengan koreksi Lilliefors.
Pengambilan keputusan mengenai normalitas adalah sebagai berikut :
 Jika p < 0,05 maka distribusi data tidak normal
 Jika p > 0,05 maka distribusi data normal
. Ada dua cara untuk mendeteksi apakah residual berdistribusi normal atau
tidak, dengan analisis grafik dan analisis statisitik.

Gambar 4.3
Uji Normalitas Scatterplot
Sumber : Data yang telah diolah, 2018
 68

Berdasarkan tabel P-P plot titik tidak menyebar di garis sehingga di curigai
data berdistribusi tidak normal tetapi untuk memperoleh data yabg lebih akurat
penulis memakai uji kolomogorov smirnov untuk menjelaskan data tersebut.
Tabel 4.13
Uji kolmogorov smirnov
One-Sample Kolmogorov-Smirnov Test
Unstandardized
Residual
N 153
Normal Parametersa Mean .0000000
Std. Deviation 3.72803788E2
Most Extreme Differences Absolute .392
Positive .392
Negative -.354
Kolmogorov-Smirnov Z 4.853
Asymp. Sig. (2-tailed) .000
a. Test distribution is Normal.
Sumber : Data yang telah diolah, 2018
Berdasarkan hasil pada Tabel 4.13 diatas, menunjukkan bahwa data
terdistribusi tidak normal. Hal ini ditunjukkan dengan nilai signifikansi pada
0.000 yang lebih kecil dari 0,05. Hal ini mungkin terjadi di karenakan adanya data
yang bernilai ekstreme atau outlier maka data tersebut harus di hapus terlebih
dahulu agar mendapatkan data yang berdistribusi normal. Untuk memperoleh
hasil terbaik maka data outlier yang ada dihilangkan dengan metode Z-score, z-
score dapat dilakukan dengan menentukan nilai batas yang dapat dikategorikan
sebagai data outlier yaitu dengan mengkonversikan nilai data kedalam skor
standardized.. Outlier adalah data yang memiliki karakteristik unik yang terlihat
sangat berbeda jauh dari observasi-observasi lainnya dan muncul dalam bentuk
nilai ekstrim baik untuk sebuah variabel tunggal atau variabel kombinasi
(Ghozali, 2013:112).
Setelah menghilangkan 18 data yang dideteksi bernilai ekstreme atau outlier,
data yang dihapus dapat dilihat ditabel dibawah ini :
 69

Tabel 4.14
Data Outlier
FCF ROE DER IOS DPR
-0.29461 3.36 - - -
-0.05008 -5.01 - - -
-0.00782 -0.15 - - -
-0.00292 - - - -
-1.06829 - - - -
-1.39083 - - - -
-0.05557 - - - -
-0.03201 - - - -
-0.0451 - - - -
-0.10506 - - - -
-0.02627 - - - -
-0.11681 - - - -
-0.05969 - - - -
-0.06197 - - - -
-0.0176 - - - -

Sumber : Data yang telah diolah, 2018

Data yang semula 153 menjadi 135 maka dilakukan pengujian ulang di
dapatkan tabel 4.5 kolmogorov smirnov dan gambar 4.2 P-P plot sebagai berikut :

Gambar 4.4
Uji Normalitas Scatterplot
Sumber : Data yang telah diolah, 2018
 70

Berdasarkan tabel P-P plot titik mendekati di garis sehingga data berdistribusi
normal tetapi untuk memperoleh data yabg lebih akurat penulis memakai uji
kolomogorov smirnov untuk menjelaskan data tersebut.
Tabel 4.15
Uji kolmogorov smirnov

One-Sample Kolmogorov-Smirnov Test

Unstandardized
Residual

N 135
Normal Parametersa Mean .0000000
Std. Deviation .66619805
Most Extreme Differences Absolute .112
Positive .112
Negative -.066
Kolmogorov-Smirnov Z 1.305
Asymp. Sig. (2-tailed) .066
a. Test distribution is Normal.
Sumber : Data yang telah diolah, 2018

Berdasarkan hasil pada Tabel 4.15 diatas, menunjukkan bahwa data

terdistribusi tidak normal. Hal ini ditunjukkan dengan nilai signifikansi pada
0.000 yang lebih kecil dari 0,05.

4.3.1.2 Uji Multikolinieritas.

Multikolinieritas adalah adanya suatu hubungan linier yang sempurna antara
beberapa atau semua variabel independen. Uji Multikolinieritas bertujuan untuk
menguji apakah model regresi ditemukan adanya korelasi antar variabel bebas
(independen). Model regresi yang baik seharusnya tidak terjadi korelasi diantara
variabel bebas (Ghozali,2013:135).
Pada program SPSS, ada beberapa metode yang sering digunakan untuk
mendeteksi adanya multikolinieritas. Salah satunya adalah dengan cara
mengamati nilai Variance Inflation Factor (VIF) dan TOLERANCE. Batas dari
 71

VIF adalah 10 dan nilai dari TOLERANCE adalah 0,1. Jika nilai VIF lebih besar
dari 10 dan nilai TOLERANCE kurang dari 0,1 maka terjadi multikolinieritas.
Bila ada variabel independen yang terkena multikolinieritas, maka
penanggulangannya adalah salah satu variabel tersebut dikeluarkan
(Ghozali,2013:136) , sebagai dasar acuannya dapat disimpulkan :
Tabel 4.16
Uji Multikolinieritas

Coefficientsa

Collinearity Statistics

Model Tolerance VIF

1 LNFCF .938 1.066

LNROE .298 3.356

LNDER .921 1.086

LNIOS .297 3.364

LNFS .899 1.112

a. Dependent Variable: LNDPR

Sumber : Data yang telah diolah, 2018
Suatu model regresi dinyatakan bebas dari multikolinearitas adalah jika
mempunyai nilai Tolerance diatas 0,1 dan nilai VIF dibawah 10. Data yang
digunakan untuk uji multikolinearitas ini adalah data yang telah dihilangkan
outlier-nya. Dari tabel 4.4 diperoleh bahwa semua variabel bebas memiliki nilai
Tolerance di atas 0.1 dan nilai VIF jauh di bawah angka 10. Dengan demikian
dalam model ini tidak terjadi multikolinieritas.
4.3.1.3 Uji heteroskedastisitas.
Uji Heteroskedastisitas ini bertujuan untuk menguji apakah dalam model
regresi terjadi ketidaksamaan varians dari residual satu pengamatan ke
pengamatan lain. Jika varians dari satu pengamatan ke pengamatan yang lain
tetap, maka disebut homoskedastisitas atau tidak terjadi heterokedastisitas. Dan
jika varians berbeda maka disebut heteroskedastisitas. Model regresi yang baik
adalah yang homoskedastisitas atau tidak terjadi heteroskedastisitas (Ghozali,
2013:144).
 72

Deteksi ada tidaknya heteroskedastisitas dapat dilakukan dengan melihat ada

tidaknya pola tertentu pada grafik scatterplot antara SRESID dan ZPRED dimana
sumbu Y’ adalah Y yang diprediksi, dan sumbu X adalah residual (Y prediksi-Y
sesungguhnya) yang telah di studentized (Ghozali, 2013:146). Uji yang dapt
digunakan adalah uji Glejser, Uji Park, dan Uji White. Dalam penelitian ini
menggunakan uji Glejser. Uji Glesjer dilakukan dengan meregresikan variabel-
variabel bebas terhadap absolut residualnya (Gujarati, 2004:165). Sebagai
pengertian dasar, residual adalah selisih antara nilai observasi dengan nilai
prediksi dan absolut adalah nilai mutlaknya. Deteksi ada tidaknya problem
heteroskedastisitas adalah dengan media grafik, apabila tidak ada pola yang jelas,
serta titik-titik menyebar di atas dan di bawah angka 0 pada sumbu Y, maka tidak
terjadi Heteroskedastisitas (Ghozali, 2011:139).

Gambar 4.6
Uji Heteroskedastisitas
Sumber : Data yang telah diolah, 2018

Berdasarkan Gambar 4.1 dapat diketahui bahwa data (titik-titik) menyebar

secara merata di atas dan di bawah garis nol, tidak berkumpul di satu tempat, serta
tidak membentuk pola tertentu sehingga dapat disimpulkan bahwa pada uji regresi
ini tidak terjadi masalah heteroskedastisitas.
 73

Analisis menggunakan grafik plot memiliki kelemahan yang cukup signifikan

oleh karena jumlah pengamatan mempengaruhi hasil ploting. Semakin sedikit
jumlah pengamatan, maka semakin sulit menginterprestasikan hasil plot. Selain
menggunakan analsisi grafik Uji Heterokedastisitas juga dapat dilakukan dengan
menggunakan Uji Glejser. Uji ini mengusulkan untuk meregresi nilai absolut
residual terhadap variabel independen.
Jika variable independen secara signifikan mempengaruhi variabel dependen,
maka ada indikasi terjadi heteokedastisitas. Jika probabilitas signifikansi diatas
tingkat kepercayaan 5%, maka dapat disimpulkan model tidak terjadi
heterokedastisitas (Ghozali, 2013:139) metode glesjer untuk memperkuat
pernyataan di Tabel 4.17 :
Tabel 4.17
Uji Heteroskedastisitas glesjer
Coefficientsa
Standardized
Unstandardized Coefficients Coefficients
Model B Std. Error Beta t Sig.
1 (Constant) 1.204 1.102 1.093 .277
LNFCF .005 .066 .007 .081 .936
LNROE -.103 .077 -.208 -1.330 .186
LNDER .032 .048 .059 .658 .512
LNIOS -.012 .062 -.030 -.194 .846
LNFS -.163 .389 -.038 -.419 .676
a. Dependent Variable: Abresid
Sumber : Data yang telah diolah, 2018
Berdasarkan Tabel 4.17 dapat dijelaskan bahwa variabel-variabel tidak
mengalami heteroskedastisitas karena keempat variabel ( Free Cash Flow, Return
On Equity, Debt to Equity Ratio, Investment Opportunity Set dan Firm Size )
menunjukan tingkat signifikan di atas 0.05 sehingga variabel yang digunakan
bebas dari heteroskedastisitas.

4.3.1.4 Uji autokorelasi ( Durbin Watson )

 74

Menurut Ghozali (2013:110) uji autokorelasi bertujuan menguji apakah

model regresi linear ada korelasi antara kesalahan pengganggu pada periode t
dengan kesalahan pengganggu pada periode t-1 (sebelumnya). Untuk menguji ada
tidaknya gejala autokorelasi maka dapat dideteksi dengan uji Durbin-Watson
(DW Test). Uji Durbin-Waston adalah sebuah uji yang digunakan untuk
mendeteksi terjadinya autokorelasi pada nilai residual dari sebuah analisis regresi.
Yang dimaksud dengan autokorelasi adalah “hubungan antara nilai-nilai yang
dipisahkan satu sama lain dengan jeda waktu tertentu”. Uji ini dikemukakan oleh
James Durbin dan Geoffrey Watson.
d < dl
terjadi autokorelasi
d > 4 – dl
keputusan du < d < 4 – du tidak terjadi autokorelasi
dl < d < du
tidak ada kesimpulan
4 - du < d < 4 –d
Tabel 4.18
Uji Autokorelasi
Model Summaryb
Adjusted R Std. Error of the
Model R R Square Square Estimate Durbin-Watson
1 .462a .213 .183 .67899 1.279
a. Predictors: (Constant), LNFS, LNROE, LNFCF, LNDER, LNIOS
b. Dependent Variable: LNDPR
Sumber : Data yang telah diolah, 2018
Dari Tabel 4.6 dapat di ketahui dan sesuai dengan kepututusan maka
disimpulkan du > dw > 4-du ( 1.789 > 1.279 > 2.211 ) nilai dw sebesar 1.279
berada di luar di antara angka 1.789 - 2.211 sehingga data dicurigai terjadi gejala
autokorelasi sehingga penulis kembali melakukan uji autokorelasi dengan metode
largemultiple. Prinsip Uji Autokorelasi dengan metode Lagrange Multiplier (LM-
test) adalah dengan membandingkan X2 hitung (n x R2) dengan nilai X2 tabel
dengan df= (n,α). Menurut Suliyanto, kriteria Uji Autokorelasi dengan metode
Lagrange Multiplier (LM-test) adalah sebagai berikut:
1) Jika X2 hitung > X2 tabel dengan df= (n,α), maka model dinyatakan tidak
linier
2) Jika X2 hitung < X2 tabel dengan df= (n,α), maka model dinyatakan linier
 75

Data hasil uji Autokorelasi dengan metode Lagrange Multiplier (LM-test)

dapat dilihat pada Tabel 4.8 berikut:
Tabel 4.19
Uji Autokorelasi Lagange Multiplier

Model Summaryb

Adjusted R Std. Error of the

Model R R Square Square Estimate

1 .404a .164 .118 .65484055

a. Predictors: (Constant), lag1, LNROE, LNFS, LNDER, LNFCF,

LNIOS

b. Dependent Variable: Unstandardized Residual

Sumber : Data yang telah diolah, 2018
Dari data di atas dapat dilihat bahwa koefisien R2 sebesar 0,155 sehingga nilai
X2 hitung = 135 x 0,164 = 22.14 sedangkan nilai X2 tabel dengan df=135;0,05
adalah 163.12. Karena nilai X2 hitung (22.14) < dari nilai X2 tabel (163.12) maka
dapat disimpulkan bahwa model regresi tidak terjadi Autokorelasi.

4.3.2 Hasil Analisis Regresi Berganda.

Menurut Sugiyono (2010:277), Analisis Linier Berganda adalah Analisis
yang digunakan peneliti, bila bermaksud meramalkan bagaimanakeadaan (naik
turunnya) variabel dependen (kriterium), bila terdapat dua atau lebih variabel
independen sebagai faktor prediktor yang dimanipulasi (dinaik turunkan nilainya).
Regresi ini digunakan untuk menganalisa data yang bersifat multivariate. Analisa
ini digunakan untuk meramalkan nilai variabel dependen (Y) dengan variabel
independen yang lebih dari satu (minimal dua), sehingga analisis regresi berganda
sering disebut juga analisa multivariate, karena variabel yang mempengaruhi naik
turunnya variabel dependen (Y) lebih dari satu variabel Independen (X).
Kondisi variabel independen (X) dalam mempengaruhi variabel dependen (Y)
bervariasi bisa positif bisa juga negatif, atau beraneka ragam kondisi yang
mempengaruhi. Sehingga regresi berganda ini lebih real dengan kenyataan di
lapangan, bahwa sesuatu hal pasti dipengaruhi oleh banyak hal. Sedangkan untuk
membuktikan ada atau tidaknya hubungan kasual antara beberapa variabel
 76

independen (X1, X2 …) mempengaruhi variabel dependen (Y) dapat dilakukan

dengan dengan diuji statistik.. Persamaan regresi berganda dapat berupa sebagai
berikut:
Dari data yang diperoleh kemudian dianalisis dengan metode regresi
berganda dan dihitung dengan menggunakan program SPSS. Berdasar output
SPSS tersebut secara parsial pengaruh dari keempat variabel independen dan 1
variabel Dependen yaitu Free Cash Flow, Return On Equity, Debt to Equity
Ratio, Investment Opportunity Set dan Firm Size terhadap Dividend Payout Ratio
ditunjukkan pada Tabel 4.20 sebagai berikut:
Tabel 4.20
Hasil Regresi Berganda
Coefficientsa

Standardized
Unstandardized Coefficients Coefficients

Model B Std. Error Beta t Sig.

1 (Constant) 2.550 1.544 1.651 .101

LNFCF -.095 .092 -.083 -1.031 .305

LNROE -.421 .108 -.557 -3.897 .000

LNDER .000 .067 .000 .003 .997

LNIOS .472 .088 .771 5.384 .000

LNFS .593 .545 .090 1.089 .278

a. Dependent Variable: LNDPR

Sumber : Data yang telah diolah, 2018
Dengan melihat Tabel 4.20 diatas, dapat disusun persamaan regresi linear
berganda sebagai berikut :
DPR = 2.550 - 0.095 Free Cash Flow - 0.421 Return On Equity + 0.000 Debt
to Equity Ratio + 0.472 Investment Opportunity Set + 0.593 Firm Size
Persamaan regresi di atas mempunyai makna sebagai berikut:
1. Konstanta sebesar 2.550 menyatakan bahwa jika Free Cash Flow, Return
On Equity, Debt to Equity Ratio, Investment Opportunity Set dan Firm Size
adalah nol, maka Dividend Payout Ratio yang terjadi adalah sebesar 2.550.
 77

2. Koefisien regresi Free Cash Flow sebesar -0.095 menyatakan bahwa setiap
penambahan Free Cash Flow sebesar 1%, maka akan menurunkan Dividend
Payout Ratio sebesar 0.095.
3. Koefisien regresi Return On Equity sebesar -0.421 menyatakan bahwa setiap
penambahan Return On Equity sebesar 1%, maka akan menurunkan
Dividend Payout Ratio sebesar 0.437.
4. Koefisien regresi Debt to Equity Ratio sebesar 0.000 menyatakan bahwa
setiap penambahan Debt to Equity Ratio sebesar 1%, maka akan
menurunkan Dividend Payout Ratio sebesar 0.000.
5. Koefisien regresi Investment Opportunity Set sebesar 0,472 menyatakan
bahwa setiap penambahan Investment Opportunity Set sebesar 1%, maka
akan meningkatkan Dividend Payout Ratio sebesar 0.472.
6. Koefisien regresi Firm Size sebesar 0,593 menyatakan bahwa setiap
penambahan Firm Size sebesar 1%, maka akan meningkatkan Dividend
Payout Ratio sebesar 0.593.

4.4 Pengujian hipotesis.

4.4.1 Uji t
Menurut Ghozali (2011:98) uji statistik F menunjukkan apakah semua
varibel independen atau bebas yang dimasukkan dalam model mempunyai
pengaruh secara bersama-sama terhadap variabel dependen/terikat.Pengujian ini
dilakukan untuk menguji apakah Free Cash Flow, Return On Equity, Debt to
Equity Ratio, Investment Opportunity Set dan Firm Size berpengaruh terhadap
keputusan menjadi Dividen Payout Ratio secara Simultan. Pengujian ini dengan
menggunakan taraf signifikan 5% (0,05).
Pengujian ini dilakukan untuk mengetahui secara parsial variabel bebas
berpengaruh secara signifikan atau tidak terhadap variabel terikat. Pengujian ini
dilakukan dengan mengguanakan uji dua arah dengan hipotesis sebagai berikut :
1. Ho = b1 = 0, artinya tidak ada pengaruh signifikan dari variabel bebas
terhadap variabel terikat.
 78

2. Ho = b1 ≠ 0, artinya ada pengaruh secara signifikan dari variabel bebas

terhadap variabel terikat.
Hasil perhitungan analisis regresi guna menguji hipotesis-hipotesis yang
diajukan secara parsial dapat dilihat dari uji t pada Tabel 4.10 yang di sajikan
sebagai berikut:
Tabel 4.21
Hasil Uji t
Coefficientsa
Standardized
Unstandardized Coefficients Coefficients
Model B Std. Error Beta t Sig.
1 (Constant) 2.550 1.544 1.651 .101
LNFCF -.095 .092 -.083 -1.031 .305
LNROE -.421 .108 -.557 -3.897 .000
LNDER .000 .067 .000 .003 .997
LNIOS .472 .088 .771 5.384 .000
LNFS .593 .545 .090 1.089 .278
a. Dependent Variable: LNDPR
Sumber : Data yang telah diolah, 2018

Dilihat dari Tabel 4.21 diatas diperoleh nilai t hitung dari setiap variabel
independen dalam penelitian ini. Nilai t hitung dari setiap variabel independen
akan dibandingkan dengan nilai t tabel dengan menggunakan tingkat kepercayaan
(confidence interval) 95% atau α = 0,05 maka diperoleh nilai ttabel = 1,997.

Dari hasil uji t akan dapat diketahui pengaruh setiap variabel bebas
(independent variabel) terhadap variabel terikatnya (dependent variabel) sebagai
berikut:
a. Pengaruh variabel bebas Free Cash Flow (X1) terhadap variabel terikat
Dividend Payout Ratio (Y) seperti ditunjukkan pada tabel 4.21 diatas, nilai
t hitung (-1.031) lebih kecil dari t tabel (-1,997) dan nilai signifikan sebesar
0.305 lebih besar dari 0.05. Keputusannya hipotesis Ho diterima dan Ha
ditolak. Dengan demikian dapat disimpulkan bahwa Free Cash Flow tidak
berpengaruh signifikan terhadap Dividen Payout Ratio.
 79

b. Pengaruh variabel bebas Return On Equity (X2) terhadap variabel terikat

Dividend Payout Ratio (Y) seperti ditunjukkan pada Tabel 4.21 diatas,
nilai t hitung (-3.897) lebih besar dari t tabel (-1,997) dan nilai signifikan
sebesar 0.000 lebih kecil dari 0.05. Keputusannya hipotesis Ho ditolak dan
Ha diterima. Dengan demikian dapat disimpulkan bahwa Return On
Equity berpengaruh signifikan terhadap Dividen Payout Ratio.
c. Pengaruh variabel bebas Debt to Equity Ratio (X3) terhadap variabel
terikat Dividend Payout Ratio (Y) seperti ditunjukkan pada Tabel 4.21
diatas, nilai t hitung (0.003) lebih kecil dari t tabel (1,997) dan nilai signifikan
sebesar 0.997 lebih besar dari 0.05. Keputusannya hipotesis Ho diterima
dan Ha ditolak. Dengan demikian dapat disimpulkan bahwa Debt to Equity
Ratio tidak berpengaruh signifikan terhadap Dividen Payout Ratio.
d. Pengaruh variabel bebas Investment Opportunity Set (X4) terhadap
variabel terikat Dividend Payout Ratio (Y) seperti ditunjukkan pada tabel
4.21 diatas, nilai t hitung (5.384) lebih besar dari t tabel (1,997) dan nilai
signifikan sebesar 0.000 lebih kecil dari 0.05. Keputusannya hipotesis Ho
ditolak dan Ha diterima. Dengan demikian dapat disimpulkan bahwa
Investment Opportunity Set berpengaruh signifikan terhadap Dividen
Payout Ratio.
e. Pengaruh variabel bebas Firm Size (X4) terhadap variabel terikat Dividend
Payout Ratio (Y) seperti ditunjukkan pada tabel 4.21 diatas, nilai t hitung

(1.089) lebih kecil dari t tabel (1,997) dan nilai signifikan sebesar 0.278 lebih
besar dari 0.05. Keputusannya hipotesis Ho diterima dan Ha ditolak.
Dengan demikian dapat disimpulkan bahwa Investment Opportunity Set
tidak berpengaruh signifikan terhadap Dividen Payout Ratio.

4.4.2 Uji F
Menurut Ghozali (2011:98) “uji statistik t pada dasarnya menunjukkan
seberapa jauh pengaruh satu variabel penjelas/independen secara individual dalam
menerangkan variabel dependen”. Nilai-nilai koefisien regresi dalam persamaan
regresi merupakan hasil perhitungan berdasarkan sampel yang terpilih sehingga
 80

disamping uji-f dilakukan juga uji-t untuk masing-masing nilai koefisien regresi
dalam persamaan regresi.
Uji statistik F pada dasarnya menunjukkan apakah semua variabel
independen yang dimasukkan dalam model mempunyai pengaruh secara bersama-
sama terhadap variabel dependennya. Hasil perhitungan Uji F ini dapat dilihat
pada Tabel 4.22 berikut ini:
Tabel 4.22
Hasil Uji F
ANOVAb
Model Sum of Squares df Mean Square F Sig.
1 Regression 16.122 5 3.224 6.994 .000a
Residual 59.472 129 .461
Total 75.593 134
a. Predictors: (Constant), LNFS, LNROE, LNFCF, LNDER, LNIOS
b. Dependent Variable: LNDPR
Sumber : Data yang telah diolah, 2018
Dari Tabel 4.22 Menjelaskan bahwa analisis regresi diketahui pula secara
bersama-sama variabel independen memiliki pengaruh yang signifikan terhadap
variabel dependen. Dari data nilai signifikan sebesar 0,000 yang lebih kecil dari
0,05 dan nilai Fhitung sebesar 10.399 yang lebih besar dari Ftabel yang hanya
2.73 sehingga dapat disimpulkan bahwa variabel Free Cash Flow, Return On
Equity, Debt to Equity Ratio, Investment Opportunity Set dan Firm Size secara
bersama-sama mempunyai pengaruh signifikan terhadap Dividen Payout Ratio.

4.4.3 Koefisien determinasi.

Koefisien Determinasi (R2) pada intinya mengukur seberapa jauh kemapuan
model dalam menerangkan variansi variabel independen.Nilai koefisien
determinasi adalah antara nol dan satu. Nilai R2 yang kecil berarti kemampuan
variabel-variabel independen dalam menjelaskan variabel dependen sangat
terbatas. Nilai yang mendekati satu berarti variabel-variabel independen
menberikan hamper semua informasi yang dibutuhkan untuk memprediksi variasi
variabel dependen (Ghozali 2011:97). Uji Koefisien Determinasi ini dilakukan
untuk mengetahui seberapa besar pengaruh variabel bebas (X) yaitu Free Cash
 81

Flow, Return On Equity, Debt to Equity Ratio, Investment Opportunity Set dan
Firm Size terhadap variabel terikat (Y) yaitu Dividen Payout Ratio.
Dengan kata lain, nilai koefisien determinan digunakan untuk mengukur
besarnya kontribusi variabel independen yang diteliti yaitu Free Cash Flow,
Return On Equity, Debt to Equity Ratio, Investment Opportunity Set dan Firm
Size terhadap Dividend Payout Ratio sebagai variabel dependen. Hasil
perhitungan koefisien determinasi tersebut dapat terlihat pada Tabel 4.23 berikut:
Tabel 4.23
Perhitungan Koefisien Determinasi

Model Summaryb

Adjusted R Std. Error of

Model R R Square Square the Estimate
1
.462a .213 .183 .67899

a. Predictors: (Constant), LNFS, LNROE, LNFCF, LNDER,

LNIOS
b. Dependent Variable: LNDPR
Sumber : Data yang telah diolah, 2018
Dari hasil Tabel 4.21 perhitungan diperoleh hasil besarnya pengaruh
variabel independen terhadap variabel dependen yang dapat diterangkan oleh
model persamaan ini adalah sebesar 18,3 %. Hal ini menunjukkan bahwa besaran
pengaruh variabel Free Cash Flow, Return On Equity, Debt to Equity Ratio,
Investment Opportunity Set dan Firm Size terhadap Dividend Payout Ratio yang
dapat diterangkan oleh model Adjusted R Square persamaan ini adalah sebesar
18,3 % dan sisanya sebesar 81,7 % dipengaruhi oleh faktor-faktor lain yang tidak
dimasukkan dalam model regresi berupa faktor eksternal maupun Faktor internal.

4.5 Pembahasan
Penelitian ini bertujuan untuk mengetahui pengaruh Free Cash Flow,
Suku Bunga Indonesia, Nilai Tukar dan Investment Opportunity Set baik secara
parsial maupun simultan terhadap Dividen Payout Ratio.
4.5.1 Pengaruh Free Cash Flow terhadap Dividend Payout Ratio.
 82

Pengaruh variabel bebas Free Cash Flow (X1) terhadap variabel terikat
Dividend Payout Ratio (Y) seperti ditunjukkan pada tabel 4.10 diatas, nilai t hitung

(-1.107) lebih kecil dari t tabel (1,997) dan nilai signifikan sebesar 0.271 lebih besar
dari 0.05. Keputusannya hipotesis Ho diterima dan Ha ditolak. Dengan demikian
dapat disimpulkan bahwa Free Cash Flow tidak berpengaruh signifikan terhadap
Dividen Payout Ratio.
Aliran kas bebas merupakan aliran kas sesungguhnya yang tersedia untuk
dibagikan kepada pemegang saham dan kreditur setelah perusahaan
menginvestasikan ke dalam aktiva tetap dan modal kerja yang diperlukan untuk
mempertahankan operasional perusahaan. Dari definisi tersebut, peneliti dapat
mengatakan bahwa free cash flow merupakan kas yang berlebih di perusahaan
yang seharusnya dibagikan kepada para pemegang saham dalam bentuk dividen.
Pembagian tersebut dapat dilakukan setelah perusahaan melakukan pembelanjaan
modal (capital expenditure) seperti pembelian aset tetap secara tunai. Hal ini
selaras dengan pemikiran peneliti bahwa pemilik atau pemegang saham berencana
untuk membagikan dividen tunai dalam jumlah yang tinggi untuk menghindari
terjadinya permasalahan Free Cash Flow yang dilakukan oleh manajerial dengan
membelanjakan keperluan dikemudian hari.
Hasil ini selaras dengan penelitian yang dilakukan oleh Iryuliawati-2013
yang mengatakan tingkat Hasil penelitian ini membuktikan bahwa free cash flow
berpengaruh tidak signifikan terhadap dividend policy

4.5.2 Return On Equity terhadap Dividend Payout Ratio.

Pengaruh variabel bebas Return On Equity (X2) terhadap variabel terikat
Dividend Payout Ratio (Y) seperti ditunjukkan pada tabel 4.10 diatas, nilai t hitung

(-4.082) lebih besar dari t tabel (-1,997) dan nilai signifikan sebesar 0.000 lebih
kecil dari 0.05. Keputusannya hipotesis Ho ditolak dan Ha diterima. Dengan
demikian dapat disimpulkan bahwa Return On Equity berpengaruh signifikan
terhadap Dividen Payout Ratio.
Hasil penelitian ini mengungkapkan bahwa varaibel profitabilitas yang
diproksikan oleh ROE berpengaruh negatif dan signifikan terhadap dividen adalah
 83

bagian dari keuntungan bersih perusahaan, berarti dividen akan dibagikan kepada
pemegang saham apabila perusahaan memperoleh laba, sehingga keuntungan
perusahaan akan sangat mempengaruhi besarnya tingkat pembayaran, tetapi
dalam penelitian ini bahwa perusahaan memperoleh laba tetapi perusahaan tidak
menyalurkan secara langsung keuntungan bagi para pemegang saham sehingga
dengan itu bahwa ROE yang diperoleh digunakan kembali untuk kegiatan
operasiya sehingga tidak langsung membayarkan dividennya sehingga perusahaan
belum mampu mengoptimalkan asetnya untuk memberikan dividen yang lebih
besar kepada pemegang saham dengan kata lain perusahaan tersebut dianggap
tidak mampu untuk membayar sebagian porsi labanya dalam bentuk
dividen tunai. Semakin tinggi laba yang mampu dihasilkan, semakin besar pula
probabilitas perusahaan untuk membagikan dividen. Ketika dalam kondisi laba
yang rendah atau rugi, perusahaan tidak memiliki porsi laba yang cukup untuk
dibagikan dalam bentuk dividen. Perusahaan perbankan cenderung untuk
menahan laba yang ada untuk mencukupi terlebih dahulu jumlah permodalan
(capital adequacy) yang diharuskan oleh Bank Indonesia.

Hasil ini bertolak belakang dengan penelitian Junaedi- 2013 yang

menyatakan Hasil penelitian ini menunjukkan bahwa variabel pertumbuhan,
resiko, profitabilitas dan kesempatan investasi secara serempak berpengaruh
terhadap kebijakan deviden

4.5.3 Pengaruh Debt to Equity Ratio terhadap Dividend Payout Ratio.

Pengaruh variabel bebas Debt to Equity Ratio (X3) terhadap variabel terikat
Dividend Payout Ratio (Y) seperti ditunjukkan pada tabel 4.10 diatas, nilai t hitung

(0.298) lebih kecil dari t tabel (1,997) dan nilai signifikan sebesar 0.766 lebih besar
dari 0.05. Keputusannya hipotesis Ho diterima dan Ha ditolak. Dengan demikian
dapat disimpulkan bahwa Debt to Equity Ratio tidak berpengaruh signifikan
terhadap Dividen Payout Ratio.
Hal ini disebabkan penggunaan hutang dalam pendanaan perusahaan akan
lebih berdampak didalam manajemen perusahaan. Pemegang saham akan
 84

mengutamakan pendanaan perusahaan melalui hutang. Pemilik perusahaan akan

mengupayakan untuk mendapatkan dividen dari keuntungan yang didapatkan
perusahaan daripada menggunakannya untuk membiayai hutang. Didalam
penelitian ini perusahaan-perusahaan menggunakan pembiayaan hutang dalam
menjalankan kegiatan usahanya sehingga mempengaruhi dari sisi pembayaran
deviden yang akan berakibat kepada pemegang saham itu sendiri dikarenakan
tingginya penggunaan hutang.
Hasil dari penelitian ini selaras dengan penelitian yang dilakukan oleh Ramli
(1994) yang mengatakan bahwa Hasil secara keseluruhan menyebutkan bahwa
besarnya tingkat keuntungan (EPS) berpengaruh positif terhadap besarnya
dividen, dan besarnya tingkat hutang berpengaruh negatif terhadap besarnya
deviden.
4.5.4 Pengaruh Investment Opportunity Set terhadap Dividend Payout Ratio
Pengaruh variabel bebas Investment Opportunity Set (X4) terhadap variabel
terikat Dividend Payout Ratio (Y) seperti ditunjukkan pada tabel 4.10 diatas, nilai
t hitung (5.670) lebih besar dari t tabel (1,997) dan nilai signifikan sebesar 0.000 lebih
kecil dari 0.05. Keputusannya hipotesis Ho ditolak dan Ha diterima. Dengan
demikian dapat disimpulkan bahwa Investment Opportunity Set berpengaruh
signifikan terhadap Dividen Payout Ratio.
Investment opportunity set (IOS) terdiri dari proyek-proyek yang
memberikan pertumbuhan. Dengan demikian, investment opportunity set (IOS)
dapat menjadi pemikiran sebagai prospek pertumbuhan bagi perusahaan di masa
depan. Kesempatan investasi atau investment opportunity set (IOS) yang tinggi di
masa depan membuat perusahaan dikatakan mempunyai tingkat pertumbuhan
yang tinggi. Apabila kondisi perusahaan sangat baik maka pihak manajemen akan
cenderung lebih memilih investasi baru daripada membayar dividen yang tinggi.
Sebaliknya, perusahaan yang mengalami pertumbuhan lambat cenderung
membagikan dividen lebih tinggi untuk mengatasi masalah overinvestment,
manajer cenderung untuk menginvestasikan arus kas bebas ke dalam peluang
investasi dan memperbesar ukuran perusahaan meskipun tidak menguntungkan.
Perusahaan yang berada dalam posisi sangat baik akan melakukan penanaman
 85

modal baru sehingga membayar dividen yang tinggi tidak perlu dilakukan. Dana
yang semestinya dapat diberikan sebagai dividen kepada para investor cenderung
digunakan dalam melakukan penananam modal yang lebih mendatangkan
keuntungan bagi perusahaannya.
Hasil ini selaras dengan penelitian yang dilakukan oleh Suroto-2015 yang
menyatakan hasil investment opportunity set berpengaruh positif sugnifikan
dividend payout ratio.

4.5.5 Pengaruh Firm Size terhadap Dividend Payout Ratio

Pengaruh variabel bebas Firm Size (X5) terhadap variabel terikat Dividend
Payout Ratio (Y) seperti ditunjukkan pada tabel 4.21 diatas, nilai t hitung (1.089)
lebih kecil dari t tabel (1,997) dan nilai signifikan sebesar 0.278 lebih besar dari
0.05. Keputusannya hipotesis Ho diterima dan Ha ditolak. Dengan demikian dapat
disimpulkan bahwa Firm Size tidak berpengaruh signifikan terhadap Dividen
Payout Ratio
Hal ini dikarenakan perusahaan yang telah terdaftar dibursa efek mereka
miliki jumlah asset yang tidak berbeda jauh antara satu dengan lainnya. Semakin
tingginya pendapatan perusahaan, besarnya ukuran perusahaan dengan
kepemilikan asing, akan lebih memilih untuk mendistribusikan jumlah dividen
lebih tinggi dan konsisten dalam pembayaran sesuai dengan pendapatan dan
ukuran perusahaan Perusahaan yang memiliki ukuran yang besar akan lebih
mudah memasuki pasar modal sehingga dengan kesempatan ini perusahaan
membayar dividen dengan jumlah besar kepada pemegang saham. Sementara
perusahaan yang baru dan yang masih kecil akan mengalami kesulitan, semakin
besar ukuran suatu perusahaan, semakin menurun dividen yang dibagikan.
Semakin besar ukuran perusahaan, semakin besar goncangan global yang
dirasakan dan menyebabkan beban yang ditanggung oleh perusahaan yang
semakin berat sehingga perusahaan akan mengurangi proporsi dividen yang
dibagikan kepada pemegang saham.
 86

Hasil ini selaras dengan penelitian yang dilakukan oleh Novitasari, Ayu dan
Andwiani-2015 yang menyatakan hasil ukuran perusahaan (firm size) berpengaruh
positif..

4.5.6 Perbandingan antara Free Cash Flow, Return On Equity, Debt to

Equity Ratio, Investment Opportunity Set terhadap Dividend Payout
Ratio dengan ada atau tidaknya Firm Size
Berdasarkan Hasil Pengujian bahwa di hasil perbandingan antara Free Cash
Flow, Return On Equity, Debt to Equity Ratio dan Investment Opportunity Set
terhadap Dividend Payout Ratio sebelum dan sudah menggunakan Firm Size
dapat menganalisa yang di sajikan dalam Tabel 4.24 berikut ini :
Tabel 4.24
Tabel Free Cash Flow, Return On Equity, Debt to Equity Ratio dan Investment
Opportunity Set terhadap Dividend Payout Ratio sebelum dan sudah
menggunakan Firm Size
Sebelum adanya
Variabel Adanya Firm Size
Firm Size

Free Cash Flow -1.107 -1.031

Return On Equity -4.082 -3.897

Debt to Equity Ratio 0.298 0.003

Investment Opportunity Set 5.670 5.384

Sumber : Data Primer Diolah, 2017

Berdasarkan Tabel 4.21, Analisis pengaruh ini ditujukan untuk melihat
seberapa kuat pengaruh suatu variabel dengan variabel lainnya yang
menggunakan Firm Size sebagai moderatornya.

Berdasarkan Hasil Pengujian bahwa di hasil perbandingan antara Free

Cash Flow, Return On Equity, Debt to Equity Ratio dan Investment Opportunity
 87

Set terhadap Dividend Payout Ratio sebelum dan sudah menggunakan Firm Size
dapat menganalisa sebagai berikut :

1. Dari Sisi Free Cash Flow lebih baik menggunakan variabel moderat nya
dikarenakan lebih baik dari sisi penilaiannya (-1.107 < -.1.031)

2. Dari Sisi Return On Equity lebih baik menggunakan variabel moderat nya
dikarenakan lebih baik dari sisi penilaiannya (-4.082 < -.3.897)

3. Dari Sisi Debt to Equity Ratio lebih baik tanpa menggunakan variabel
moderat nya dikarenakan lebih baik dari sisi penilaiannya (0.298 > 0.003)

4. Dari Sisi Investment Opportunity Set lebih baik tanpa menggunakan

variabel moderat nya dikarenakan lebih baik dari sisi penilaiannya (5.670
> 5.843).