Analisis Statistik Deskriptif Analisis Regresi Linear Sederhana dan Uji Signifikansi Pengaruh Parsial Uji t

BAB IV HASIL DAN PEMBAHASAN

4.1 Analisis Statistik Deskriptif

Analisis statistik deskriptif digunakan untuk mengetahui deskripsi suatu data yang dilihat dari nilai maksimum, nilai minimum, nilai rata-rata mean, dan nilai standar deviasi, dari variabel penghindaran pajak, nilai perusahaan, dan transparansi. Tabel 4.1 Statistik Deskriptif dari Penghindaran Pajak, Nilai Perusahaan, dan Transparansi N Minimum Maximum Mean Std. Deviation Penghindaran Pajak 192 .01 37.06 .6322 2.76192 Nilai Perusahaan 192 .34 18.64 2.2855 2.89843 Transparansi 192 .52 .96 .8067 .07425 Valid N listwise 192 Tabel 4.1. menunjukkan variabel nilai perusahaan Tobin’s Q memiliki nilai minimum 0,34 dan nilai maksimum 18,64. Sementara rata-rata dan standar deviasi dari nilai perusahaan adalah 2,2855 dan 2,89843. Hasil ini menunjukkan bahwa rata-rata perusahaan yang digunakan sebagai sampel memiliki nilai yang positif meningkat. Semakin tinggi nilai Tobin’s Q perusahaan berarti semakin tinggi nilai perusahaan. Nilai perusahaan yang lebih besar dari 1 menunjukkan besarnya pertumbuhan perusahaan yang didasarkan pada nilai pasar saham perusahaan. Hal ini berarti bahwa rata-rata nilai pasar saham perusahaan yang dimiliki oleh perusahaan sampel lebih besar dari nilai buku asset perusahaan. Universitas Sumatera Utara Variabel penghindaran pajak memiliki nilai minimum adalah 0,01 dan nilai maksimum 37,06. Sementara rata-rata dan standar deviasi dari penghindaran pajak adalah 0,6322 dan 2,76192. Diketahui nilai transparansi minimum adalah 0,52 dan nilai transparansi maksimum 0,96. Sementara rata-rata dan standar deviasi dari transparansi adalah 0,8067 dan 0,07425. 4.2 Uji Asumsi Klasik 4.2.1 Uji Asumsi Normalitas Dalam penelitian ini, uji normalitas terhadap residual dengan menggunakan uji Kolmogorov-Smirnov. Tingkat signifikansi yang digunakan � = 0,05. Dasar pengambilan keputusan adalah melihat angka probabilitas �, dengan ketentuan sebagai berikut. Jika nilai probabilitas � ≥ 0,05, maka asumsi normalitas terpenuhi. Jika probabilitas 0,05, maka asumsi normalitas tidak terpenuhi. Tabel 4.2 Uji Normalitas dengan Uji Kolmogorov-Smirnov One-Sample Kolmogorov-Smirnov Test Unstandardized Residual N 192 Normal Parameters a,,b Mean .0000000 Std. Deviation .81149407 Most Extreme Differences Absolute .105 Positive .105 Negative -.075 Kolmogorov-Smirnov Z 1.453 Asymp. Sig. 2-tailed .029 a. Test distribution is Normal. b. Calculated from data. Universitas Sumatera Utara Perhatikan bahwa berdasarkan Tabel 4.2, diketahui nilai probabilitas p atau Asymp. Sig. 2-tailed sebesar 0,029. Karena nilai probabilitas p, yakni 0,029, lebih kecil dibandingkan tingkat signifikansi, yakni 0,05. Hal ini berarti asumsi normalitas tidak terpenuhi. Untuk memperoleh hasil terbaik, maka data pencilan atau outlier yang ada dihilangkan. Outlier adalah data yang memiliki karakteristik unik yang terlihat sangat berbeda jauh dari observasi-obsevasi lainnya dan muncul dalam bentuk nilai ekstrim baik untuk sebuah variabel tunggal atau variabel kombinasi Ghozali, 2013:41-43. Untuk mengurangi pengaruh dari ketidaknormalan dapat dilakukan dengan mengeliminasi atau menghapus data outlier. Gamst, dkk 57:2008 memberikan saran terhadap data outlier sebagai berikut, “One way to reduce non-normality within a variable is to eliminate outliers that are clearly not representative of the population under study”. Sejalan dengan Gamst, dkk, Field 2009:153 juga menyatakan sebagai berikut. “If you detect outliers in the data there are several options for reducing impact of these values. However, before you do any of these things, it’s worth checking that the data have been entered correctly for the problem cases. If the data are correct then the three main options you have are: Remove the case: This entails deleting the data from the person who contributed the outlier.” Berdasarkan pendapat para pakar statistik di atas, maka untuk mengurangi pengaruh ketidaknormalan, maka data outlier dieliminasi. Setelah data outlier dieliminasi, maka data yang semula 192 dieliminasi menjadi 188. Hasil pengujian normalitas yang kedua diperlihatkan dalam Tabel 4.3. Universitas Sumatera Utara Tabel 4.3 Uji Normalitas setelah Data EkstrimOutlier Dieliminasi One-Sample Kolmogorov-Smirnov Test Unstandardized Residual N 188 Normal Parameters a,,b Mean .0000000 Std. Deviation .74215558 Most Extreme Differences Absolute .098 Positive .098 Negative -.067 Kolmogorov-Smirnov Z 1.348 Asymp. Sig. 2-tailed .053 a. Test distribution is Normal. b. Calculated from data. Berdasarkan Tabel 4.3, nilai probabilitas atau Asymp. Sig 2-tailed adalah 0,053. Oleh karena nilai probabilitas, yakni 0,053 lebih besar dibandingkan tingkat signifikansi, yakni 0,05, maka asumsi normalitas terpenuhi. Gambar 4.1 Uji Normalitas dengan Pendekatan Normal Probability Plot Berdasarkan uji normalitas dengan pendekatan normal probability plot Gambar 4.1, titik-titik menyebar cukup dekat dengan garis diagonal. Hal ini mengindikasikan asumsi normalitas terpenuhi. Universitas Sumatera Utara

4.2.2 Uji Heteroskedastisitas

Deteksi ada tidaknya heteroskedastisitas dapat dilakukan dengan melihat ada tidaknya pola tertentu pada grafik scatter plot antara SRESID pada sumbu Y, dan ZPRED pada sumbu X. Ghozali, 2013. Ghozali 2013 menyatakan dasar analisis adalah jika ada pola tertentu, seperti titik-titik yang ada membentuk pola tertentu yang teratur, maka mengindikasikan telah terjadi heteroskedastisitas. Jika tidak ada pola yang jelas, serta titik-titik menyebar di atas dan di bawah angka 0 pada sumbu Y, maka tidak terjadi heteroskedastisitas. Gambar 4.2 Uji Heteroskedastisitas Perhatikan bahwa berdasarkan Gambar 4.2, tidak terdapat pola yang begitu jelas, serta titik-titik menyebar di atas dan di bawah angka 0 pada sumbu Y, maka tidak terjadi heteroskedastisitas. Universitas Sumatera Utara

4.2.3 Uji Autokorelasi

Uji autokorelasi dalam penelitian ini digunakan uji Durbin-Watson. Berikut hasil berdasarkan uji Durbin-Watson. Tabel 4.4 Uji Autokorelasi dengan Uji Durbin-Watson Model Summary b Model R R Square Adjusted R Square Std. Error of the Estimate Durbin-Watson 1 .176 a .031 .026 .74415 1.826 a. Predictors: Constant, Penghindaran Pajak b. Dependent Variable: Nilai Perusahaan Nilai statistik dari uji Durbin-Watson yang lebih kecil dari 1 atau lebih besar dari 3 diindikasi terjadi autokorelasi. Field 2009:220-221 menyatakan sebagai berikut. “The size of the Durbin-Watson statistic depends upon the number of predictors in the model and the number of observations. For accuracy, you should look up the exact acceptable values in Durbin and Watsons 1951 original paper. As very conservative rule of thumb, values less then 1 or greater than 3 are definitely cause for concern; however, values closer to 2 may stil be problematic depending on your sample and model”. Berdasarkan Tabel 4.4, nilai dari statistik Durbin-Watson adalah 1,826. Perhatikan bahwa karena nilai statistik Durbin-Watson terletak di antara 1 dan 3, yakni 1 1,826 3, maka asumsi non-autokorelasi terpenuhi. Dengan kata lain, tidak terjadi gejala autokorelasi yang tinggi pada residual. 4.3 Analisis Koefisien Determinasi Koefisien determinasi � 2 merupakan suatu nilai nilai proporsi yang mengukur seberapa besar kemampuan variabel-variabel bebas yang digunakan dalam persamaan regresi, dalam menerangkan variasi variabel tak bebas. Universitas Sumatera Utara Tabel 4.5 Koefisien Determinasi Model Summary b Model R R Square Adjusted R Square Std. Error of the Estimate Durbin-Watson 1 .176 a .031 .026 .74415 1.826 a. Predictors: Constant, Penghindaran Pajak b. Dependent Variable: Nilai Perusahaan Berdasarkan Tabel 4.5, nilai koefisien determinasi � 2 terletak pada kolom Adjusted R-Square. Diketahui nilai koefisien determinasi sebesar � 2 = 0,031. Nilai tersebut berarti seluruh variabel bebas penghindaran pajak mempengaruhi variabel nilai perusahaan sebesar 3,1, sisanya sebesar 96,9 dipengaruhi oleh faktor-faktor lain.

4.4 Analisis Regresi Linear Sederhana dan Uji Signifikansi Pengaruh Parsial Uji t

Tabel 4.6 menyajikan nilai koefisien regresi, serta nilai statistik t untuk pengujian pengaruh secara parsial. Tabel 4.6 Uji Signifikansi Pengaruh Parsial Uji � Coefficients a Model Unstandardized Coefficients Standardized Coefficients t Sig. B Std. Error Beta 1 Constant .185 .090 2.049 .042 Penghindaran Pajak -.149 .061 -.176 -2.434 .016 a. Dependent Variable: Nilai Perusahaan Universitas Sumatera Utara Berdasarkan Tabel 4.6, diperoleh persamaan regresi linear sederhana sebagai berikut. � = 0,185 − 0,149� + � Berdasarkan persamaan regresi linear sederhana di atas, diketahui:  Nilai koefisien dari penghindaran pajak adalah -0,149, yakni bernilai negatif. Nilai tersebut dapat diinterpretasikan penghindaran pajak berpengaruh negatif terhadap nilai perusahaan. Dengan kata lain, penghindaran pajak yang semakin sering dilakukan atau meningkat, cenderung menurunkan nilai perusahaan. Gambar 4.3 merupakan perhitungan nilai t tabel. Df = 186 Jumlah pengamatan setelah eliminasi = 188 – 2 X dan Y = 186 Gambar 4.3 Menghitung t tabel dengan Rumus TINV dalam Microsoft Excel Dari Tabel 4.6, diketahui:  Nilai t hitung dari penghindaran pajak adalah |-2,434| t tabel |1,972| Gambar 4.3  Nilai Sig. 0,016 0,05 Maka penghindaran pajak berpengaruh signifikan terhadap nilai perusahaan. Universitas Sumatera Utara 4.5 Uji Signifikansi Transparansi dalam Memoderasi Hubungan antara Penghindaran Pajak terhadap Nilai Perusahaan Ghozali 2013 menyatakan terdapat tiga cara menguji regresi dengan varaibel moderating, yaitu: 1 uji interaksi, 2 uji nilai selisih mutlak, dan 3 uji residual. Dalam penelitian ini digunakan uji residual. Digunakannya uji residual karena pada uji interaksi dan uji nilai selisih mutlak mempunyai kecenderungan akan terjadi multikolinearitas yang tinggi antar variabel independen dan hal ini akan menyalahi asumsi klasik dalam regresi ordinary least square OLS Ghozali, 2013. Untuk mengatasi multikolinearitas ini, maka dikembangkan metode lain yang disebut uji residual. Tabel 4.7 Uji Signifikansi Transparansi dalam Memoderasi Hubungan antara Penghindaran pajak terhadap Nilai Perusahaan Coefficients a Model Unstandardized Coefficients Standardized Coefficients t Sig. B Std. Error Beta 1 Constant .059 .004 15.636 .000 Nilai Perusahaan -.004 .004 -.071 -.972 .332 a. Dependent Variable: abs_residual_moderasi Dalam pengujian moderasi dengan pendekatan uji residual, suatu variabel dikatakan memoderasi variabel bebas jika koefisien regresi variabel tak bebas bernilai negatif dan signifikan Ghozali, 2013:244. Perhatikan bahwa koefisien regresi dari nilai perusahaan, pada Tabel 4.7 adalah -0,004 bernilai negatif, namun tidak signifikan Sig. 0,332 0,05. Hal ini berarti transparansi tidak Universitas Sumatera Utara signifikan dalam memoderasi hubungan antara penghindaran pajak terhadap nilai perusahaan. Universitas Sumatera Utara

BAB V KESIMPULAN DAN SARAN

5.1. Kesimpulan

Berdasarkan uraian-uraian yang telah dipaparkan penulis pada bab terdahulu maka dapat diambil kesimpulan sebagai berikut:  Penghindaran pajak mempengaruhi variabel nilai perusahaan sebesar 3,1, sisanya sebesar 96,9 dipengaruhi oleh faktor-faktor lain.  Penghindaran pajak berpengaruh negatif dan signifikan terhadap nilai perusahaan.  Transparansi tidak signifikan dalam memoderasi hubungan antara penghindaran pajak terhadap nilai perusahaan.

5.2. Saran

Berdasarkan dari pembahasan dan kesimpulan yang telah dikemukakan dalam penulisan skripsi ini maka penulis mencoba memberikan saran sebagai berikut: 1. Bagi penelitian selanjutnya, diharapkan agar lebih memperbanyak jumlah variabel yang digunakan dalam penelitian mengenai nilai perusahaan, 2. Periode penelitian ini hanya terbatas pada 3 tahun saja yaitu 2013-2015, maka untuk penelitian selanjutnya dapat menggunakan periode penelitian lebih dari 3 tahun. Universitas Sumatera Utara