Analisis Statistik Deskriptif Analisis Regresi Linier Berganda

BAB IV HASIL DAN PEMBAHASAN

4.1 Data Penelitian

Data dalam penelitian ini mengunakan data sekunder yang diperoleh dari situs www.idx.co.id dengan mendownload laporan keuangan sampel perusahaan manufaktur tahun 2012. Populasi dalam penelitian ini adalah perusahaan manufaktur yang terdaftar di Bursa Efek Indonesia dan masih aktif pada tahun 2012. Sampel dalam penelitian ini dipilih dengan menggunakan metode purposive sampling dengan beberapa kriteria tertentu. Berdasarkan kriteria yang telah ditetapkan, terdapat sejumlah 93 perusahaan manufaktur yang memenuhi kriteria untuk dijadikan sampel dan diamati pada periode 2012. Metode analisis data yang digunakan dalam penelitian ini adalah metode analisis statistik dengan menggunakan model persamaan regresi berganda yang bertujuan untuk mengetahui hubungan dan pengaruh dari beberapa variabel bebas atau independen terhadap variabel tidak bebas atau dependen. Analisis data dimulai dengan mengolah data menggunakan Microsoft Excel dan juga software SPSS, selanjutnya dilakukan pengujian asumsi klasik dan pengujian hipotesis yang dilakukan dengan menggunakan regresi berganda. Pengujian asumsi klasik dan regresi berganda dilakukan dengan menggunakan software SPSS.

4.2 Hasil Penelitian

4.2.1 Analisis Statistik Deskriptif

Statistik deskriptif adalah statistik yang digunakan untuk menganalisa data dengan cara mendeskripsikan atau menggambarkan data yang telah Universitas Sumatera Utara terkumpul Sugiyono, 2004: 142. Statistik deskriptif memberikan penjelasan mengenai nilai minimum, nilai maksimum, nilai rata-rata mean, dan nilai standar deviasi dari variabel-variabel independen dan variabel dependen. Tabel 4.1 Statistik Deskriptif Descriptive Statistics N Minimum Maximum Mean Std. Deviation KM 93 .00 .81 .0569 .15341 BOC 93 .20 1.00 .3967 .11925 AC 93 .43 .86 .6586 .05961 KAP 93 .00 1.00 .4624 .50128 MLABA 93 -1.16 .56 .0472 .23705 Valid N listwise 93 Sumber : Hasil Olahan SPSS 17.0, 2013 Tabel 4.1 dapat menampilkan beberapa hal yang dijelaskan di bawah ini. a. Variabel kepemilikan manajerial KM memiliki nilai minimun 0.00 dan nilai maksimum 0,81 dengan rata-rata sebesar 0,0569 dan standar deviasi 0,15341 dengan jumlah pengamatan sebanyak 93 perusahaan. b. Variabel board of commissioner BOC atau komposisi anggota dewan komisaris memiliki nilai minimun 0,20 dan nilai maksimum 1,00 dengan rata- rata sebesar 0,3967 dan standar deviasi 0,11925 dengan jumlah pengamatan sebanyak 93 perusahaan. c. Variabel audit commite AC atau komite audit memiliki nilai minimun 0.43 dan nilai maksimum 0,86 dengan rata-rata sebesar 0,6586 dan standar deviasi 0,05961 dengan jumlah pengamatan sebanyak 93 perusahaan. Universitas Sumatera Utara d. Variabel ukuran kantor akuntan publik KAP memiliki nilai minimun 0.00 dan nilai maksimum 1,00 dengan rata-rata sebesar 0,4624 dan standar deviasi 0,50128 dengan jumlah pengamatan sebanyak 93 perusahaan. e. Variabel manajemen laba MLABA memiliki nilai minimun -1,16 dan nilai maksimum 0,56 dengan rata-rata sebesar 0,0472 dan standar deviasi 0,23705 dengan jumlah pengamatan sebanyak 93 perusahaan. 4.2.2 Uji Asumsi Klasik 4.2.2.1 Uji Normalitas Uji normalitas dilakukan untuk menguji apakah dalam sebuah model regresi, variabel independen dan variabel dependen atau keduanya mempunyai distribusi normal atau tidak. Model yang paling baik adalah distribusi data normal atau mendekati normal. Untuk melakukan pengujian normalitas dengan analisis grafik dapat dengan melihat grafik histogram dan normal probability plot. Distribusi normal akan membentuk satu garis lurus diagonal. Jika distribusi data residual normal, maka garis yang menggambarkan data sesungguhnya akan mengikuti garis diagonalnya, dan sebaliknya jika pola distribusi tidak normal dan terlihat titik-titik menyebar di sekitar garis diagonal dan penyebarannya jauh dari garis diagonal, hal tersebut menunjukkan bahwa model regresi menyalahi asumsi normalitas. Universitas Sumatera Utara Gambar 4.1 Histogram Dependen Manajemen laba PLABA Sumber: hasil olahan spss 17.0, 2013 Gambar 4.1 menunjukkan kurva histogram yang memiliki kemiringan seimbang kekiri dan kekanan, atau tidak condong ke kiri maupun ke kanan, melainkan ke tengah dengan bentuk seperti lonceng. Hal ini memenuhi salah satu syarat uji normalitas data bahwa data berdistribusi normal. Universitas Sumatera Utara Gambar 4.2 Normal P-Plot of Regresion Standarized Residual Sumber: Hasil olahan spss 17.0, 2013 Gambar 4.2 merupakan kurva P-Plot yang menunjukkan penyebaran titik-titik data di sekitar garis diagonal dan mengikuti arah garis diagonal. Hal ini berarti data pada variabel yang digunakan, yaitu variabel Manajemen laba berdistribusi normal. Pengujian normalitas data dalam penelitian ini juga menggunakan uji statistik non-parametrik Kolmogorov-Smirnov K-S. Jika angka probabilitas Universitas Sumatera Utara �= 0,05 maka variabel tidak terdistrubusi secara normal. Sebaliknya, bila angka probabilitas � = 0,05 maka variabel terdistribusi secara normal. Tabel 4.2 Kolmogorov Smirnov One-Sample Kolmogorov-Smirnov Test Unstandardized Residual N 93 Normal Parameters a,,b Mean .0000000 Std. Deviation .23228419 Most Extreme Differences Absolute .137 Positive .125 Negative -.137 Kolmogorov-Smirnov Z 1.318 Asymp. Sig. 2-tailed .062 a. Test distribution is Normal. b. Calculated from data. Sumber: Hasil olahan spss 17.0, 2013 Dari hasil pengolahan data pada tabel 4.2 diperoleh besarnya nilai Kolomogorov-Smirnov adalah 1,318 dan signifikan pada 0,062. Nilai signifikansi lebih besar dari 0,05, hal ini berarti data residual berdistribusi normal. Setelah data berdistribusi normal dapat dilanjutkan dengan uji asumsi klasik lainnya.

4.2.2.2 Uji Multikolinearitas

Multikolinearitas adalah situasi adanya korelasi variabel-variabel independen antara yang satu dengan yang lainnya Erlina, 2008:105. Pengujian ini bermaksud untuk menguji apakah model regresi ditemukan adanya korelasi di antara variabel independen, model regresi yang baik seharusnya tidak terjadi korelasi di antara variabel independen. Jika terjadi korelasi, maka dinamakan Universitas Sumatera Utara terdapat problem multikolinearitas. Multikolinearitas dapat dideteksi dengan, Ghozali dalam Erlina, 2008:105 : a. Nilai deskriminasi yang sangat tinggi dan diakui dengan nilai F test yang sangat tinggi, serta tidak atau hanya sedikit nilai t test yang signifikan. b. Meregresikan model analisis dan melakukan uji korelasi antar variable dependent dengan menggunakan Variance Inflating Factor VIF dan Tolerance Value. Batas VIF adalah 10 dan Tolerance Value adalah 0.1 jika nilai VIF lebih besar dari 10 dan nilai Tolerance Value lebih kecil dari 0.10 maka terjadi multikolinearitas dan harus dikelompokkan dari model. Tabel 4.3 Hasil Uji Mulkolinearitas Sumber: Hasil olahan spss 17.0, 2013 Hasil perhitungan nilai tolerance menunjukkan variabel independen memiliki nilai tolerance lebih dari 0,10 yaitu 0,903; 0,990; 0,901; 0,988 yang berarti tidak terjadi korelasi antar variabel independen. Hasil perhitungan VIF juga menunjukkan hal yang sama dimana variabel independen Coefficients a Model Unstandardized Coefficients Standardized Coefficients t Sig. Collinearity Statistics B Std. Error Beta Tolerance VIF 1 Constant -.165 .306 -.539 .592 KM .277 .170 .179 1.631 .107 .903 1.108 BOC .014 .209 .007 .067 .947 .990 1.010 AC .322 .438 .081 .735 .464 .901 1.110 KAP -.045 .050 -.095 -.906 .368 .988 1.013 a. Dependent Variable: MLABA Universitas Sumatera Utara memiliki nilai VIF kurang dari 10 yaitu 1,108; 1,010; 1,110; 1,013. Dengan demikian dapat disimpulkan bahwa dalam model regresi tidak terjadi multikolinearitas antar variabel independen.

4.2.2.3 Uji Heteroskedastisitas

Uji ini bertujuan untuk melihat apakah dalam model regresi terjadi ketidaksamaan variabel dari residual satu pengamatan yang lain. Jika varian dari residual satu pengamatan ke pengamatan lain tetap, maka disebut homoskedastisitas dan jika berbeda disebut heteroskedastisitas. Model regresi yang baik adalah tidak terjadi heteroskedastisitas Erlina, 2008 : 106. Cara memprediksi ada tidaknya heteroskedastisitas pada suatu model dapat dilihat dari gambar scatterplot model tersebut Nugroho, 2005:62. Analisis pada gambar scatterplot yang menyatakan model regresi linier berganda tidak terdapat heteroskedastisitas jika: a. Titik-titik data menyebar di atas, di bawah atau di sekitar angka nol. b. Titik-titik data tidak mengumpul hanya di atas atau di bawah saja. c. Penyebaran titik-titik data tidak boleh membentuk pola bergelombang melebar kemudian menyempit dan melebar kembali. d. Penyebaran titik-titik data sebaiknya tidak berpola. Universitas Sumatera Utara Gambar 4.3 Hasil Uji Heterokedastisitas Grafik Scatter Plot Sumber: Hasil olahan spss 17.0, 2013 Dari grafik scatterplot terlihat bahwa titik-titik menyebar secara acak serta tersebar baik di atas maupun di bawah angka 0 pada sumbu Y, sehingga dapat disimpulkan bahwa tidak terjadi heterokedastisitas pada model regresi.

4.2.2.3 Uji Autokorelasi

Uji autokorelasi bertujuan menguji apakah dalam suatu model regresi linear ada korelasi antara kesalahan pengganggu pada periode t dengan kesalahan pada periode t-1 atau sebelumnya Erlina, 2008:106. Jika terjadi korelasi, maka dinamakan ada problem autokorelasi. Universitas Sumatera Utara Ada beberapa cara yang dapat digunakan untuk mendeteksi masalah dalam autokorelasi di antaranya adalah dengan Uji Durbin Watson pada buku stastistik relevan. Menurut Sunyoto 2009:91, Pengambilan keputusan ada tidaknya autokorelasi 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, 3 angka D-W di atas +2 berarti ada autokorelasi negatif Tabel 4.4 Hasil Uji Autokorelasi Model Summary b Model R R Square Adjusted R Square Std. Error of the Estimate Durbin-Watson 1 .199 a .040 -.004 .23750 1.563 a. Predictors: Constant, KAP, KM, BOC, AC b. Dependent Variable: MLABA Sumber: Hasil olahan spss 17.0, 2013 Berdasarkan tabel 4.4 di atas terlihat bahwa nilai D-W sebesar 1,563. Angka ini terletak diantara -2 dan +2, dari pengamatan ini dapat disimpulkan bahwa tidak terjadi autokorelasi positif maupun autokorelasi negatif dalam penelitian ini.

4.2.3 Analisis Regresi Linier Berganda

Analisis regresi linier berganda digunakan untuk menguji hipotesis tentang pengaruh variabel independen secara simultan maupun parsial. Hasil analisis regresi dapat dilihat pada Tabel 4.8 berikut ini: Universitas Sumatera Utara Tabel 4.5 Analisis Regresi Linier Berganda