Analisa Deskriptif 1. Analisa deskriptif tingkat

BAB V ANALISIS DAN PEMBAHASAN

5.1. Analisa Deskriptif 5.1.1. Analisa deskriptif tingkat underpricing Jumlah perusahaan yang melakukan penawaran saham perdana di Bursa Efek Indonesia selama tahun 2007-2011 berjumlah 102 perusahaan, namun yang mengalami underpricing dan memenuhi syarat sampel berjumlah 80 perusahaan. Underpricing pada harga saham perdana menunjukkan bahwa harga saham perdana di pasar sekunder lebih besar dari harga yang ditawarkan pada pasar perdana. Hal ini diartikan bahwa perusahaan telah menilai harga sahamnya terlalu rendah. Nilai underpricing merupakan initial return pada hari pertama perdagangan pada pasar sekunder. Initial return adalah selisih antara harga penutupan closing price di hari pertama perdagangan di pasar sekunder dengan harga penawaran perdana pada saat IPO dibagi dengan harga saham perdana. Berikut ini ditampilkan tabel yang menjelaskan besarnya tingkat underpricing dari emiten yang melakukan IPO per periode penelitian yaitu tahun 2007, 2008, 2009, 2010 dan 2011. Universitas Sumatera Utara Tabel 5.1. Tingkat underpricing tahun 2007-2011 Variabel Sampel Statistik deskriptif Tingkat underpricing Tahun Penelitian 2007 – 2011 80 Rata-rata Standar deviasi 0.303 0.243 2007 20 Rata-rata Standar deviasi 0,408 0,060 2008 16 Rata-rata Standar deviasi 0,357 0,233 2009 8 Rata-rata Standar deviasi 0,218 0,216 2010 20 Rata-rata Standar deviasi 0,249 0,203 2011 16 Rata-rata Standar deviasi 0,228 0,240 Jenis Industri Manufaktur 25 Rata-rata Standar deviasi 0.360 0.273 Non Manufaktur 55 Rata-rata Standar deviasi 0.274 0.224 Reputasi Auditor Tinggi 27 Rata-rata Standar deviasi 0,401 0,258 Rendah 53 Rata-rata Standar deviasi 0.253 0.221 Reputasi Penjamin Emisi Tinggi 48 Rata-rata Standar deviasi 0.225 0.228 Rendah 32 Rata-rata Standar deviasi 0.376 0.250 Berdasarkan Tabel 5.1 terlihat bahwa selama periode penelitian yaitu dari tahun 2007-2011, rata-rata hampir semua emiten yang melakukan IPO mengalami tingkat underpricing yang berbeda-beda. Tabel tersebut menunjukkan bahwa tingkat underpricing tertinggi terjadi pada tahun 2007 sebesar 40,8 dengan jumlah sampel perusahaan yang melakukan IPO sebanyak 20 perusahaan. Tingkat underpricing terendah terjadi pada tahun 2009 sebesar 21,8 dengan jumlah sampel sebanyak 8 perusahaan. Hal ini mungkin dikarenakan jumlah sampel yang melakukan IPO pada tahun 2009 lebih sedikit daripada jumlah perusahaan yang Universitas Sumatera Utara IPO tahun 2007. Hasil ini membuktikan bahwa fenomena underpricing masih terjadi pada perusahaan yang melakukan penawaran saham perdana di Bursa Efek Indonesia tahun 2007-2011 yaitu sebsar 30. Berdasarkan tabel tersebut juga menunjukkan bahwa jenis industri manufaktur mengalami underpricing paling tinggi sebesar 36 dibandingkan perusahaan non manufaktur sebesar 27. Hasil ini menunjukkan bahwa perusahaan yang memiliki resiko lebih tinggi akan mengalami tingkat underpricing lebih tinggi daripada perusahaan yang memiliki resiko lebih rendah. Tingkat underpricing perusahaan yang diaudit oleh auditor yang bereputasi tinggi lebih besar sebesar 40 daripada tingkay underpricing yang diaudit oleh auditor bereputasi rendah sebesar 25. Hail ini menunjukkan bahwa perusahaan yang diaudit oleh auditor bereputasi tinggi tidak menjamin bahwa keakuratan informasi yang disajikan dalam laporan keuangan digunakan sebagai dasar analisis untuk pengambilan keputusan investasi oleh investor. Tingkat underpricing perusahaan yang dijamin oleh lembaga penjamin emisi yang bereputasi tinggi lebih kecil sebesar 22,7 daripada perusahaan yang dijamin oleh lembaga penjamin bereputasi rendah sebesar 37,6. Hasil ini menunjukkan bahwa lembaga penjamin emisi dijadikan sebagai bahan pertimabangan bagi investor dalam melakukan investasi.

5.1.2. Analisa deskriptif informasi akuntansi return on assets, earning per

share, debt equity ratio, dan size perusahaan Informasi akuntansi perusahaan merupakan informasi penting bagi investor untuk pengambilan keputusan investasi. Informasi akuntansi yang baik Universitas Sumatera Utara dalam hal ini dinilai melalui laporan keuangan akan menarik lebih banyak investor untuk melakukan investasi sehingga permintaan akan saham perusahan meningkat dan akibatnya harga saham akan naik sehingga perubahan diantara transaksi yang terjadi akan semakin kecil. Tabel berikut akan menunjukkan besarnya rata-rata informasi akuntansi ROA, EPS, DER, SIZE periode 2007- 2011. Tabel 5.2 Data Informasi akuntansi yang mempengaruhi underpricing VARIA BEL SAM PEL Statistik Deskriptif INFORMASI AKUNTANSI ROA EPS DER SIZE Tahun 2007 -2011 80 Rata-rata Standar deviasi 0.059 0.046 2,040 5.401 1.569 2.018 5.676.840.500.000 11.100.978.610.712 Tahun 2007 20 Rata-rata Standar deviasi 0.054 0.035 2.152 4.906 1,324 1,546 2.636.650.000.000 3.430.534.564.375 Tahun 2008 16 Rata-rata Standar deviasi 0.060 0.049 1,296 1,652 1,512 2,387 4.761.625.000.000 9.030.431.779.083 Tahun 2009 8 Rata-rata Standar deviasi 0.072 0.053 0,701 0,920 2,033 3,160 9.026.875.000.000 20.068.107.366.363 Tahun 2010 20 Rata-rata Standar deviasi 0.059 0.053 3,703 9,281 1,640 2,211 7.895.800.000.000 10.432.260.957.949 Tahun 2011 16 Rata-rata Standar deviasi 0.06 0.045 41,71 2,229 1,612 1,290 5.943.577.500.000 14.174.879.997.474 Berdasarkan Tabel 5.2 menunjukkan bahwa rata-rata hampir semua faktor- faktor informasi akuntansi memiliki tingkat yang berbeda-beda. Secara umum variabel Return on Assets memiliki nilai rata-rata tertinggi pada tahun 2009 sebesar 0,072 kondisi tersebut juga tercerminkan oleh nilai standar deviasi yang tinggi sedangkan nilai rata-rata terendah pada tahun 2007 sebesar 0,05 yaitu 6.0197. Variabel Earning per Share memiliki nilai rata-rata tertinggi pada tahun 2010 sebesar Rp 3,70 per lembar saham dan terendah Earning per share dibayarkan pada tahun sebesar Rp 0,70. Variabel Debt to Equity Ratio memiliki Universitas Sumatera Utara nilai rata-rata tertinggi pada tahun sebesar 2009 sebesar 2,03X lebih tinggi dalam membayar utang perusahaan sedangkan terendah memiliki nilai rata-rata 1,37X yakni pada tahun 2007. Sedangkan variabel Size memiliki nilai rata-rata tertinggi pada tahun 2009 sebesar Rp 9,026.880.000.000 sedangkan rata-rata total aktiva terendah terjadi pada tahun 2007 sebesar Rp 2,636.650.000.000. Secara umum informasi akuntansi menghasilkan nilai rata-rata positif yang bertujuan untuk mengurangi tingkat underpricing. 5.1.3. Analisa Deskriptif Informasi Non Akuntansi Nilai Penawaran Saham, Persentase Penawaran Saham, Jenis Industri, Reputasi Auditor Informasi non akuntansi perusahaan merupakan informasi penting bagi investor untuk pengambilan keputusan investasi selain informasi yang diperoleh dari laporan keuangan. Perusahaan yang berkualitas baik dengan sengaja akan memberikan sinyal pada pasar mengenai informasi di luar laporan keuangan dengan harapan investro dapat membedakan perusahaan yang berkualitas baik dan buruk sehingga dapat menjadi bahan pertimbangan bagi investor untuk membeli di pasar perdana. Tabel berikut akan menunjukkan besarnya rata-rata informasi non akuntansi NPS, PPS, JI, RAUD selama periode 2007-2011. Universitas Sumatera Utara Tabel 5.3 Data informasi non akuntansi yang mempengaruhi underpricing VARIA BEL SAM PEL Statistik Deskriptif INFORMASI NON AKUNTANSI NPS PPS JI RAUD RPE Tahun 2007-2011 80 Rata-rata Standar deviasi 969.325.625.000 1.762.094.346.207 0,271 0,148 0,312 0,466 0,337 0,475 0,362 0,483 Tahun 2007 20 Rata-rata Standar deviasi 71.859.500.000 106.033.000.000 0,265 0,076 0,200 0,410 0,650 0,489 0,450 0,510 Tahun 2008 16 Rata-rata Standar deviasi 121.252.000.000 304.586.000.000 0,303 0,213 0,375 0,500 0,312 0,478 0,437 0,512 Tahun 2009 8 Rata-rata Standar deviasi 39.393.800.000 63.851.800.000 0,285 0,173 0,375 0,517 0,125 0,353 0,250 0,462 Tahun 2010 20 Rata-rata Standar deviasi 144.269.000.000 172.459.000.000 0,269 0,130 0,450 0,510 0,250 0,444 0,250 0,444 Tahun 2011 16 Rata-rata Standar deviasi 735.541.000.000 100.666.000.000 0,245 0,136 0,187 0,403 0,187 0,403 0,375 0,500 Berdasarkan Tabel 5.3 menunjukkan bahwa rata-rata informasi non akuntansi memiliki hasil yang berbeda-beda. Rata-rata nilai penawaran saham tertinggi pada tahun 2011 sebesar Rp 735.541.000.000 sedangkan terendah terjadi pada tahun 2009 sebesar Rp 39.393.800.000. Rata-rata persentase penawaran saham pada tahun 2008 sebesar 30,3 sedangkan terendah terjadi pada tahun 2011 sebesar 24,5. Rata-rata jenis industri tertinggi pada tahun 2010 sebesar 45 sedangkan terendah pada tahun 2011 sebesar 18,7. Rata-rata tertinggi laporan keuangan yang diaudit oleh auditor yang bereputasi tinggi terjadi pada tahun 2007 sebesar 65 sedangkan yang terendah terjadi pada tahun 2009 sebesar 12,5. Rata-rata tertinggi perusahaan yang dijamin oleh lembaga penjamin emisi yang bereputasi tinggi terjadi pada tahun 2007 sebesar 45 sedangkan terendah terjadi pada tahun 2009 dan 2010 sebesar 25. Universitas Sumatera Utara 5.2. Pengujian Asumsi Klasik 5.2.1. Uji asumsi klasik faktor-faktor informasi akuntansi dan informasi non akuntansi sebelum transformasi. 5.2.1.1. Uji normalitas sebelum transformasi Analisis Grafik, salah satu cara termudah untuk melihat normalitas residual adalah dengan melihat grafik histogram yang membandingkan antara data observasi dengan observasi yang mendekati distribusi normal seperti terlihat pada gambar 5.1 berikut. Gambar 5.1 Grafik histogram p-plot sebelum transformasi Namun, melihat histogram saja dapat menyesatkan khususnya data dengan sampel kecil. Metode yang lebih baik adalah dengan melihat normal probability plot yang membandingkan distribusi kumulatif dari distribusi normal. Distribusi Universitas Sumatera Utara normal akan membentuk satu garis lurus diagonal dan ploting data residual akan dibandingkan dengan garis diagonal. Jika data residual normal, maka garis yang menggambarkan data sesungguhnya akan mengikuti garis diagonalnya. Untuk menguji data penelitian ini berdistribusi normal atau tidak dapat dilihat melalui analisis grafik seperti pada gambar 5.2. Gambar 5.2 Normal p-plot sebelum transformasi Melihat tampilan grafik histogram maupun grafik normal plot dapat disimpulkan bahwa grafik histogram memberikan pola distribusi normal namun grafik normal plot terlihat titik-titik menyebar di sekitar garis diagonal namun penyebarannya agak menjauh dari garis diagonal. Grafik ini menunjukkan bahwa model regresi belum memenuhi asumsi normalitas. Uji normalitas dengan grafik dapat menyesatkan kalau tidak hati-hati dimana secara visual kelihatan normal, padahal secara statistik bisa sebaliknya. Universitas Sumatera Utara Salah satu uji statistik yang dapat digunakan adalah uju statistik non-parametik Kolmogorov-Sminarv test seperti terlihat pada tabel 5.4 berikut. Tabel 5.4 Hasil Uji normalitas per variabel sebelum transformasi One-Sample Kolmogorov-Smirnov Test Hasil uji statistik dengan menggunakan uji Kolmogorov-Sminorv dengan menunjukkan bahwa variabel ROA, EPS, DER, SIZE, NPS, PPS berada di bawah tingkat signifikan yaitu 0,05 yang berarti nilai residual variabel tersebut tidak berdistribusi secara normal. Namun secara keseluruhan nilai residual variabel berdistribusi secara normal seperti terlihat pada tabel 5.5 berikut. Tabel 5.5 Hasil uji normalitas seluruh variabel sebelum transformasi One-Sample Kolmogorov-Smirnov Test Unstandardized Residual N 80 ,0000000 ,22112991 ,102 ,102 -,084 ,908 ,382 Normal Parameters Most Extreme Differences a,b Mean Std. Deviation Absolute Positive Negative Kolmogorov-Smirnov Z Asymp. Sig. 2-tailed a . Test distribution is Normal. b. Calculated from data. ROA EPS DER SIZE NPS PPS JI RAUD N 80 80 80 80 80 80 80 80 Normal Parameters Most Extreme Differences a,b Mean Std. Deviation Absolute Positive Negative ,0000000 ,24284541 ,172 ,172 -,125 ,0000000 ,24303776 ,169 ,169 -,116 ,0000000 ,23953519 ,154 ,154 -,112 ,0000000 ,24017040 ,149 ,149 -,125 ,0000000 ,24211130 ,178 ,178 -,123 ,0000000 ,24315975 ,167 ,167 -,116 ,0000000 ,23914553 ,139 ,139 -,107 ,0000000 ,23267830 ,140 ,140 -,135 Kolmogorov-Smirnov Z Asymp. Sig. 2-tailed 1,538 ,018 1,513 ,021 1,378 ,045 1,332 ,050 1,594 ,012 1,491 ,023 1,246 ,090 1,248 ,089 Universitas Sumatera Utara

5.2.1.2. Uji multikolonieritas sebelum transformasi.

Uji Multikolonieritas dilakukan dengan melihat nilai Collinearity statistic dan nilai koefisien korelasi di antara variabel bebas. Uji ini bertujuan untuk mengetahui apakah model regresi ditemukan adanya korelasi antar variabel bebas. Multikolinieritas terjadi apabila nilai tolerance 10 dan Variance Inflation Factor VIF 10. Berdasarkan tabel 5.6 terlihat nilai VIF variabel informasi akuntansi yang terdiri dari ROA, EPS, DER, SIZE dan variabel informasi non akuntansi yang terdiri dari NPS, PPS, JI, dan RAUD lebih kecil dari 10 sedangkan nilai tolerance lebih besar dari 0,10. Hal ini menunjukkan bahwa indikakator varibel informasi akuntansi dalam penelitian ini tidak saling berkorelasi. Tabel 5.6 Hasil Uji multikolonieritas sebelum tarnsformasi Model Collinearity Statistics Tolerance VIF 1 Constant ROA DER SIZE EPS NPS PPS JI RAUD ,902 ,662 ,515 ,883 ,502 ,896 ,879 ,768 1,109 1,511 1,941 1,133 1,993 1,116 1,138 1,302

5.2.1.3. Uji autokorelasi sebelum transformasi

. Pengujian ini bertujuan untuk menguji apakah dalam model regresi linier ada korelasi antara kesalahan pengganggu pada periode t dengan kesalahan pengganggu pada periode t-1 sebelumnyaJika terjadi korelasi, maka dinamakan ada masalah autokorelasi Ghozali, 2006. Pendektesian autokorelasi dapat dilakukan dengan pengujian Durbin-Watson pada tabel 5.7 berikut. Universitas Sumatera Utara Tabel 5.7 Hasil uji autokorelasi sebelum transformasi model summary b Model R R Square Adjusted R Square Std. Error of the Estimate Durbin-Watson 1 ,348 ,121 a ,021 ,24097 1,340 a.Predictors : Constant , ROA,EPS,DER,SIZE,NPS,PPS,JI,RAUD b.Dependen Variabel : UNDER Adapun kriteria pengujiannya adalah : a. Jika nilai D-W dibawah 0 samapai 1,5 berarti ada autokorelasi positif. b. Jika nilai D-W diantara 1,5 samapi 2,5 berarti tidak ada autokorelasi. c. Jika nilai D-W diatas 2,5 sampai 4 berarti ada autokorelasi negatif. Dari Tabel 5.7 diperoleh nilai hitung Durbin-Watson sebesar 1,340, kondisi menunjukkan ada autokorelasi positif.

5.2.1.4. Uji heteroskedastisitas sebelum transformasi.

Deteksi ada tidaknya heterokedastisitas dapat dilakukan dengan melihat ada tidaknya pola tertentu bergelombang, melebar lalu menyempit pada grafik Scatterplot antara prediksi nilai variabel terikat ZPRED denga residualnya SRESID. Berdasarkan Gambar 5.3 berikut terlihat bahwa titik titik menyebar secara acak baik di atas maupun di bawah garis 0 pada sumbu Y. Gambar 5.3. Scatterplot heterokedastisitas sebelum transformasi. Universitas Sumatera Utara Tabel 5.8. Uji koefisien korelasi spearman sebelum tarnsformasi Berdasarkan Tabel 5.8 bahwa korelasi faktor-faktor infomasi akuntansi ROA, EPS, DER,SIZE dan informasi non akuntansi NPS, PPS, JI, RAUD dengan Undstandardized Residual yakni variabel informasi non akuntansi yaitu ROA EPS DER SIZE NPS PPS JI RAUD Unstand ardized Residual Spea rman s rho ROA Correlation Coefficient Sig. 2-tailed N 1,000 . 80 ,057 ,613 80 -,142 ,209 80 -,081 ,480 79 ,039 ,734 80 -,149 ,188 80 ,072 ,528 80 ,025 ,824 80 ,006 ,956 79 EPS Correlation Coefficient Sig. 2-tailed N ,057 ,613 80 1,000 . 80 ,110 ,333 80 ,228 ,044 79 ,069 ,545 80 -,159 ,159 80 -,023 ,837 80 ,048 ,672 80 ,206 ,068 79 DER Correlation Coefficient Sig. 2-tailed N -,142 ,209 80 ,110 ,333 80 1,000 . 80 ,249 ,027 79 -,069 ,544 80 -,107 ,345 80 -,179 ,112 80 ,134 ,236 80 -,052 ,647 79 SIZE Correlation Coefficient Sig. 2-tailed N -,081 ,480 79 ,228 ,044 79 ,249 ,027 79 1,000 . 79 ,705 ,000 79 -,279 ,013 79 -,248 ,027 79 ,345 ,002 79 -,207 ,067 79 NPS Correlation Coefficient Sig. 2-tailed N ,039 ,734 80 ,069 ,545 80 -,069 ,544 80 ,705 ,000 79 1,000 . 80 -,128 ,259 80 -,250 ,025 80 ,495 ,000 80 -,236 ,036 79 PPS Correlation Coefficient Sig. 2-tailed N -,149 ,188 80 -,159 ,159 80 -,107 ,345 80 -,279 ,013 79 -,128 ,259 80 1,000 . 80 ,186 ,099 80 -,088 ,439 80 ,018 ,878 79 JI Correlation Coefficient Sig. 2-tailed N ,072 ,528 80 -,023 ,837 80 -,179 ,112 80 -,248 ,027 79 -,250 ,025 80 ,186 ,099 80 1,000 . 80 -,139 ,219 80 ,016 ,892 79 RAUD Correlation Coefficient Sig. 2-tailed N ,025 ,824 80 ,048 ,672 80 ,134 ,236 80 ,345 ,002 79 ,495 ,000 80 -,088 ,439 80 -,139 ,219 80 1,000 . 80 ,062 ,587 79 Unstand ardized Residual Correlation Coefficient Sig. 2-tailed N ,006 ,956 79 ,206 ,068 79 -,052 ,647 79 -,207 ,067 79 -,236 ,036 79 ,018 ,878 79 ,016 ,892 79 ,062 ,587 79 1,000 . 79 Universitas Sumatera Utara NPS yakni lebih kecil dari 0,05 sehingga dapat disimpulkan bahwa terjadi gejala heterokedastisitas dalam model. 5.2.2. Uji asumsi klasik variabel reputasi penjamin emisi sebagai variabel moderating sebelum transformasi 5.2.2.1. Uji normalitas sebelum transformasi. Analisis grafik merupakan salah satu cara termudah untuk melihat normalitas residual adalah dengan melihat grafik histogram yang membandingkan antara data observasi dengan observasi yang mendekati distribusi normal seperti terlihat pada gambar 5.4 berikut. Gambar 5.4 Grafik histogram p-plot sebelum transformasi Namun, melihat histogram saja dapat menyesatkan khususnya data dengan sampel kecil. Metode yang lebih baik adalah dengan melihat normal probability plot yang membandingkan distribusi kumulatif dari distribusi normal. Distribusi normal akan membentuk satu garis lurus diagonal dan ploting data residual akan Universitas Sumatera Utara dibandingkan dengan garis diagonal. Jika data residual normal, maka garis yang menggambarkan data sesungguhnya akan mengikuti garis diagonalnya. Untuk menguji data penelitian ini berdistribusi normal atau tidak dapat dilihat melalui analisis grafik seperti pada gambar 5.5 berikut. Gambar 5.5 Normal p-plot sebelum transformasi Dengan melihat tampilan grafik histogram maupun grafik normal plot dapat disimpulkan bahwa grafik histogram memberikan pola distribusi normal dan pada grafik normal plot terlihat titik-titik menyebar di sekitar garis diagonal. Grafik ini menunjukkan bahwa model regresi telah memenuhi asumsi normalitas. Uji normalitas dengan grafik dapat menyesatkan kalau tidak hati-hati dimana secara visual kelihatan normal, padahal secara statistik bisa sebaliknya. Salah satu uji statistik yang dapat digunakan adalah uju statistik non-parametik Kolmogorov-Sminarv test seperti terlihat pada Tabel 5.9 berikut. Universitas Sumatera Utara Tabel 5.9 Hasil uji normalitas per variabel sebelum transformasi Hasil uji statistik dengan menggunakan uji Kolmogorov-Sminorv dengan menunjukkan bahwa variabel ROA, EPS, DER, SIZE, NPS, PPS berada di bawah tingkat signifikan yaitu 0,05 yang berarti nilai residual variabel tersebut tidak berdistribusi secara normal, demikian juga secara keseluruhan nilai residual variabel tidak berdistribusi secara normal seperti terlihat pada tabel 5.10 berikut. Tabel 5.10 Hasil uji normalitas seluruh variabel sebelum transformasi One-Sample Kolmogorov-Smirnov Test Unstandardiz ed Residual N 80 Normal Parameters Most Extreme Differences a,b Mean Std. Deviation Absolute Positive Negative ,0000000 ,46686637 ,222 ,162 -,222 Kolmogorov-Smirnov Z Asymp. Sig. 2-tailed 1,984 ,001 a. Test distribution is Normal. b. Calculated from data. One-Sample Kolmogorov-Smirnov Test ROS EPS DER SIZE NPS PPS JI RAUD RPE N 80 80 80 80 80 80 80 80 Normal Parameters Most Extreme Differences a,b Kolmogorov- Smirnov Z Mean Std. Deviation Absolute Positive Negative ,00000 ,24284 ,172 ,172 -,125 1,538 ,018 ,00000 ,24303 ,169 ,169 -,116 1,513 ,021 ,00000 ,239535 ,154 ,154 -,112 1,378 ,045 ,00000 ,240170 ,149 ,149 -,125 1,332 ,057 ,00000 ,24211 ,178 ,178 -,123 1,594 ,012 ,00000 ,243159 ,167 ,167 -,116 1,491 ,023 ,00000 ,23914 ,139 ,139 -,107 1,246 ,090 ,00000 ,23267 ,140 ,140 -,135 1,248 ,089 ,00000 ,23583 ,147 ,147 -,103 1,313 ,064 Asymp. Sig. 2-tailed a. Test distribution is Normal. b. Calculated from data. Universitas Sumatera Utara

5.2.2.2. Uji multikolonieritas sebelum transformasi.

Uji Multikolonieritas dilakukan dengan melihat nilai Collinearity statistic dan nilai koefisien korelasi di antara variabel bebas. Uji ini bertujuan untuk mengetahui apakah model regresi ditemukan adanya korelasi antar variabel bebas. Multikolinieritas terjadi apabila nilai tolerance 10 dan Variance Inflation Factor VIF 10. Berdasarkan tabel 4.11 terlihat nilai VIF variabel informasi akuntansi yang terdiri dari ROA, EPS, DER, SIZE dan variabel informasi non akuntansi yang terdiri dari NPS, PPS, JI, dan RAUD lebih kecil dari 10 sedangkan nilai tolerance lebih besar dari 0,10. Hal ini menunjukkan bahwa indikakator varibel informasi akuntansi dalam penelitian ini tidak saling berkorelasi. Tabel 5.11 Hasil Uji multikolonieritas sebelum transformasi Model Collinearity Statistics Tolerance VIF 1 Constant ROA DER SIZE EPS NPS PPS JI RAUD ,902 ,662 ,515 ,883 ,502 ,896 ,879 ,768 1,109 1,511 1,941 1,133 1,993 1,116 1,138 1,302

5.2.2.3 Uji autokorelasi sebelum transformasi.

Pengujian ini bertujuan untuk menguji apakah dalam model regresi linier ada korelasi antara kesalahan pengganggu pada periode t dengan kesalahan pengganggu pada periode t-1 sebelumnya. Jika terjadi korelasi, maka dinamakan ada masalah autokorelasi Ghozali, 2006. Pendektesian autokorelasi dapat dilakukan dengan pengujian Durbin-Watson pada Tabel 5.12. Universitas Sumatera Utara Tabel 5.12 Hasil Uji Autokorelasi Sebelum Transformasi Model Summary b Model R R Square Adjusted R Square Std. Error of the Estimate Durbin-Watson 1 ,461 ,212 a ,122 ,454 1,616 Dari Tabel 5.12 diperoleh nilai hitung Durbin-Watson sebesar 1,616, kondisi menunjukkantidak ada autokorelasi positif dan negatif.

5.2.2.4. Uji heteroskedastisitas sebelum transformasi.

Deteksi ada tidaknya heterokedastisitas dapat dilakukan dengan melihat ada tidaknya pola tertentu bergelombang, melebar lalu menyempit pada grafik Scatterplot antara prediksi nilai variabel terikat ZPRED denga residualnya SRESID. Berdasarkan Gambar 5.6 berikut terlihat bahwa titik titik tidak menyebar secara acak baik di atas maupun di bawah garis 0 pada sumbu Y dan membentuk suatu pola tertentu sehingga dapat disimpulkan terdapat masalah heterokedastisitas. Gambar 5.6 Scatterplot heterokedastisitas sebelum transformasi Universitas Sumatera Utara Berdasarkan tabel 5.13 bahwa korelasi antar variabel informasi akuntansi dan non akuntansi dengan variabel reputasi penjamin emisi sebagai variabel moderating yakni lebih kecil dari 0,05 sehingga dapat disimpulkan bahwa tidak terjadi gejala heterokedastisitas dalam model. Tabel 5.13. Uji koefisien korelasi spearman sebelum transformasi ROA EPS DER SIZE NPS PPS JI RAU D Unstandardiz ed Residual Spearma ns rho ROA Correlation Coefficient 1,000 ,057 -,142 -,081 ,039 -,149 ,072 ,025 -,026 Sig. 2-tailed . ,613 ,209 ,480 ,734 ,188 ,528 ,824 ,823 N 80 80 80 79 80 80 80 80 79 EPS Correlation Coefficient ,057 1,000 ,110 ,228 ,069 -,159 -,023 ,048 -,025 Sig. 2-tailed ,613 . ,333 ,044 ,545 ,159 ,837 ,672 ,825 N 80 80 80 79 80 80 80 80 79 DER Correlation Coefficient -,142 ,110 1,000 ,249 -,069 -,107 -,179 ,134 -,062 Sig. 2-tailed ,209 ,333 . ,027 ,544 ,345 ,112 ,236 ,590 N 80 80 80 79 80 80 80 80 79 SIZE Correlation Coefficient -,081 ,228 ,249 1,000 ,705 -,279 -,248 ,345 ,006 Sig. 2-tailed ,480 ,044 ,027 . ,000 ,013 ,027 ,002 ,957 N 79 79 79 79 79 79 79 79 79 NPS Correlation Coefficient ,039 ,069 -,069 ,705 1,000 -,128 -,250 ,495 ,156 Sig. 2-tailed ,734 ,545 ,544 ,000 . ,259 ,025 ,000 ,171 N 80 80 80 79 80 80 80 80 79 PPS Correlation Coefficient -,149 -,159 -,107 -,279 -,128 1,000 ,186 -,088 ,102 Sig. 2-tailed ,188 ,159 ,345 ,013 ,259 . ,099 ,439 ,371 N 80 80 80 79 80 80 80 80 79 JI Correlation Coefficient ,072 -,023 -,179 -,248 -,250 ,186 1,000 -,139 ,104 Sig. 2-tailed ,528 ,837 ,112 ,027 ,025 ,099 . ,219 ,362 N 80 80 80 79 80 80 80 80 79 RAUD Correlation Coefficient ,025 ,048 ,134 ,345 ,495 -,088 -,139 1,000 -,089 Sig. 2-tailed ,824 ,672 ,236 ,002 ,000 ,439 ,219 . ,436 N 80 80 80 79 80 80 80 80 79 Unstand ardized Residual Correlation Coefficient -,026 -,025 -,062 ,006 ,156 ,102 ,104 -,089 1,000 Sig. 2-tailed ,823 ,825 ,590 ,957 ,171 ,371 ,362 ,436 . N 79 79 79 79 79 79 79 79 79 Universitas Sumatera Utara 5.2.3. Uji asumsi klasik faktor-faktor informasi akuntansi dan informasi non akuntansi setelah transformasi Setelah ditemukan masalah pada asumsi klasik sebelumnya, peneliti melakukan transformasi pada beberapa data yang tidak normal dengan menjadikan data dalam bentuk logaritma natural LN sehingga dapat menyelesaikan masalah data yang tidak normal. Hasil transformasi yang telah dilakukan adalah sebagai berikut :

5.2.3.1. Uji normalitas setelah transformasi.

Setelah dilakukan transformasi, data dilihat data dalam peneltian ini berdistribusi secara normal yang dapat dilihat melalui analisis grafik seperti pada Ga mbar 5.7 berikut. Gambar 5.7 Normal p-plot setelah transformasi Berdasarkan gambar 5.7 menunjukkan titik-titik tidak menyebar jauh dari garis diagonal sehingga model regresi sudah memenuhi asumsi klasik. Pola distribusi normal Universitas Sumatera Utara dapat dilihat juga melalui grafik histogram pada Gambar 5.8 yang memberikan pola distribusi normal dengan penyebaran secara merata baik ke kiri maupun ke kanan. Gambar 5.8 Grafik histogram setelah transformasi Hasil uji normalitas residual pada tabel 5.14 dengan uji statistik non parametik Kolmogrof-Sminorv K-S setiap variabel sudah berdistribusi secara normal yakni berada di atas 0,05. Demikian juga berdasarkan hasil uji nilai residual seluruh variabel dikatakan telah berdistribusi secara normal. Tabel 5.14 Hasil Uji Normalitas Per Variabel Setelah Transformasi One-Sample Kolmogorov-Smirnov Test Ln_ROA Ln_EPS Ln_DER Ln_SIZE Ln_NPS Ln_PPS JI RAUD N 80 80 80 80 80 80 80 80 Normal Parameters Mean a,b Std. Deviation -3,140 ,9016 -,5640 1,595 -,102 1,055 28,088 1,663 26,389 1,670 -1,424 ,4990 ,0000 ,2391 ,00000 ,232678 Most Extreme Differences Absolute Positive Negative ,155 ,051 -,155 1,384 ,053 ,052 ,051 -,052 ,463 ,983 ,074 ,074 -,063 ,664 ,770 ,071 ,071 -,039 ,633 ,818 ,089 ,089 -,067 ,797 ,548 ,108 ,068 -,108 ,969 ,305 ,139 ,139 -,107 1,246 ,090 ,140 ,140 -,135 1,248 ,089 Kolmogorov-Smirnov Z Asymp. Sig. 2-tailed Universitas Sumatera Utara Tabel 5.15 Hasil Uji Normalitas Seluruh Variabel Setelah Transformasi One-Sample Kolmogorov-Smirnov Test Unstandardized Residual N 80 ,0000000 ,20030884 ,090 ,090 -,038 ,801 ,542 Normal Parameters Most Extreme Differences a,b Mean Std. Deviation Absolute Positive Negative Kolmogorov-Smirnov Z Asymp. Sig. 2-tailed a. Test distribution is Normal. b. Calculated from data.

5.2.3.2. Uji multikolonieritas setelah transformasi.

Setelah diadakan tarnsformasi, diperoleh nilai korelasi yang lebih besar dari 0,10 dan Variance Inflation Factor VIF lebih kecil dari 10. Hal ini menunjukkan bahwa variabel independen dalam peneltian ini tidak salaing berkolerasi atau tidak ditemukan adanya korelasi antara variabel independen. Hasil pengujian terlihat pada Tabel 5.16 berikut. Tabel 5.16 Hasil uji multikoloniearitas setelah transformasi Model Collinearity Statistics Tolerance VIF 1 Constant Ln_Roa Ln_Eps DER Ln_Size Ln_Nps Ln_Pps JI AUD ,898 ,929 ,912 ,868 ,924 ,970 ,905 ,861 1,114 1,076 1,097 1,152 1,082 1,031 1,105 1,161 Universitas Sumatera Utara

5.2.3.3. Uji autokorelasi setelah transformasi.

Hasil transformasi terhadap penelitian menghasilkan nilai baru yang tertera pada tabel 5.17 untuk Durbin Watson sebesar 1,749 yang berada di antara 1,5 samapai dengan 2,5 sehingga menunjukkan tidak terjadi autokorelasi. Tabel 5.17 Hasil uji autokorelasi setelah transformasi Model Summary b Model R R Square Adjusted R Square Std. Error of the Estimate Durbin-Watson 1 ,554 ,307 a ,229 ,21355 1,749

5.2.3.4. Uji Heteroskedastisitas Setelah Transformasi.

Berdasarkan Gambar 5.9 berikut terlihat bahwa titik-titik menyebar secara acak serta tersebar baik di atas maupun di bawah angka 0 nol pada sumbu Y sehingga dapat disimpulkan bahwa tidak terjadi gejala heterokedastisitas pada model regresi. Gambar 5.9 Scatterplot heterokedastisitas setelah transformasi Universitas Sumatera Utara Selain membaca pola penyebaran Scatterplot, analisa terhadap heteroskedastisitas dapat dilakukan dengan membaca tabel koefisien korelasi pada tabel 5.18 berikut. Tabel 5.18 Uji koefisien korelasi spearman setelah transformasi Correlations Ln_ROA Ln_Eps Ln_DER Ln_Size Ln_Nps Ln_Pps JI AUD S p e a r m a n s r h o Ln_ROA Correlation Coefficient Sig. 2-tailed N 1,000 . 80 ,057 ,613 80 -,142 ,209 80 ,112 ,323 80 -,057 ,616 80 -,193 ,087 80 -,125 ,271 80 -,088 ,437 80 Ln_Eps Correlation Coefficient Sig. 2-tailed N ,057 ,613 80 1,000 . 80 ,110 ,333 80 -,013 ,907 80 -,046 ,682 80 ,069 ,540 80 ,066 ,561 80 ,153 ,174 80 Ln_DER Correlation Coefficient Sig. 2-tailed N -,142 ,209 80 ,110 ,333 80 1,000 . 80 -,128 ,259 80 ,119 ,295 80 ,002 ,988 80 -,104 ,359 80 -,067 ,555 80 Ln_Size Correlation Coefficient Sig. 2-tailed N ,112 ,323 80 -,013 ,907 80 -,128 ,259 80 1,000 . 80 ,003 ,981 80 ,025 ,828 80 -,170 ,132 80 ,247 ,027 80 Ln_Nps Correlation Coefficient Sig. 2-tailed N -,057 ,616 80 -,046 ,682 80 ,119 ,295 80 ,003 ,981 80 1,000 . 80 ,419 ,000 80 -,160 ,156 80 ,033 ,770 80 Ln_Pps Correlation Coefficient Sig. 2-tailed N -,193 ,087 80 ,069 ,540 80 ,002 ,988 80 ,025 ,828 80 ,419 ,000 80 1,000 . 80 -,012 ,918 80 ,025 ,828 80 JI Correlation Coefficient Sig. 2-tailed N -,125 ,271 80 ,066 ,561 80 -,104 ,359 80 -,170 ,132 80 -,160 ,156 80 -,012 ,918 80 1,000 . 80 -,139 ,219 80 AUD Correlation Coefficient Sig. 2-tailed N -,088 ,437 80 ,153 ,174 80 -,067 ,555 80 ,247 ,027 80 ,033 ,770 80 ,025 ,828 80 -,139 ,219 80 1,000 . 80 . Correlation is significant at the 0.05 level 2-tailed. . Correlation is significant at the 0.01 level 2-tailed. Universitas Sumatera Utara Dari Tabel 5.18 diketahui bahwa nilai korelasi variabel independen dengan Understandardized Residual memilki nilai signifikan karena lebih besar dari 0,05 maka dapat disimpulkan bahwa tidak terjadi masalah heterokedastisitas pada model regresi. 5.2.4. Uji Asumsi Klasik Variabel Reputasi Penjamin Emisi sebagai Variabel Moderating Setelah Transformasi

5.2.4.1. Uji normalitas setelah transformasi.

Pengujian data penelitian ini berdistribusi normal atau tidak dapat dilihat dari analisis grafik yang terlihat pada gambar 5.10 berikut. Gambar 5.10 Normal p-plot setelah transformasi Berdasarkan gambar 5.10 menunjukkan titik-titik tidak menyebar jauh dari garis diagonal sehingga model regresi sudah memenuhi asumsi klasik. Universitas Sumatera Utara Pola distribusi normal dapat dilihat juga melalui grafik histogram pada Gambar 5.11 yang memberikan pola distribusi normal dengan penyebaran secara merata baik ke kiri maupun ke kanan dan tabel 5.19 yang menunjukkan hasil pengujian non parametik Kolmogrov-Sminorv K-S berikut. Gambar 5.11 Grafik histogram setelah transformasi Tabel 5.19 Hasil Uji Normalitas Per Variabel Setelah Transformasi One-Sample Kolmogorov-Smirnov Test Ln_ROA Ln_EPS Ln_DER Ln_SIZE Ln_NPS Ln_PPS JI RAUD RPE N 80 80 80 80 80 80 80 80 80 Normal Parameters Mean a,b -3,140 -,5640 -,1026 28,088 26,389 -1,424 ,00000 ,00000 ,00000 Std. Deviation ,9016 1,595 1,055 1,663 1,670 ,4990 ,2391 ,2326 ,23583 Most Extreme Differences Absolute ,155 ,052 ,074 ,071 ,089 ,108 ,139 ,140 ,147 Positive ,051 ,051 ,074 ,071 ,089 ,068 ,139 ,140 ,147 Negative -,155 -,052 -,063 -,039 -,067 -,108 -,107 -,135 -,103 Kolmogorov-Smirnov Z 1,384 ,463 ,664 ,633 ,797 ,969 1,246 1,248 1,313 Asymp. Sig. 2-tailed ,053 ,983 ,770 ,818 ,548 ,305 ,090 ,089 ,064 a. Test distribution is Normal. b. Calculated from data. Universitas Sumatera Utara Tabel 5.20. Hasil uji normalitas seluruh variabel setelah transformasi One-Sample Kolmogorov-Smirnov Test Unstandardiz ed Residual N 80 Normal Parameters Most Extreme Differences a,b Mean Std. Deviation Absolute Positive Negative ,0000000 ,06469389 ,090 ,057 -,090 Kolmogorov-Smirnov Z Asymp. Sig. 2-tailed ,801 ,543 a. Test distribution is Normal. b. Calculated from data. Uji normalitas residual pada tabel 5.20 dengan uji statistik non parametik Kolmogrov-Sminorv K-S memperoleh hasil sebesar 0,685 yang lebih besar dari 0,05 sehingga data berdistribusi normal.

5.2.4.2. Uji multikolonieritas setelah transformasi.

Berdasarkan hasil pengujian tabel 5.21 terlihat nilai Tollerance seluruh variabel independen dan moderating lebih besar dari 0,10 dan nilai VIF lebih kecil dari 10. Hasil peneltian menunjukkan seluruh variabel terbebas dari gejala multikolonieritas. Tabel 5.21 Hasil Uji Multikoloniearitas Setelah Transformasi Model Collinearity Statistics Tolerance VIF 1 Constant Ln_ROA Ln_Eps Ln_DER Ln_Size Ln_Nps Ln_Pps JI AUD ,898 ,929 ,912 ,868 ,924 ,970 ,905 ,861 1,114 1,076 1,097 1,152 1,082 1,031 1,105 1,161 Universitas Sumatera Utara

5.2.4.3. Uji autokorelasi setelah transformasi.

Pendektesian masalah autokorelasi dilakukan dengan pengujian Durbin- Watson dari tabel 5.22 diperoleh nilai hitung Durbin-Watson sebesar yang berada di antara 1,5 sampai 2,5 sehingga menunjukkan tidak terjadi gejala autokorelasi. Tabel 5.22 Hasil uji autokorelasi setelah transformasi Model Summary b Model R R Square Adjusted R Square Std. Error of the Estimate Durbin- Watson 1 ,345 ,119 a ,020 ,47896 2,314

5.2.4.4. Uji heteroskedastisitas setelah transformasi.

Pengujian heterokedastisitas dilakukan dengan melihat gambar 5.12 yang menunjukkan titik-titik menyebar pada sekitar angka o pada sumbu Y sehingga dapat diambil kesimpulan tidak terjadi gejala heterokedastisitas. Gambar 5.12. Scatterplot heterokedastisitas setelah transformasi Universitas Sumatera Utara Selain melihat pola penyebaran Scaterplot, analisa terhadap heterokedastisitas dapat dilakukan dengan membaca tabel 5.23 berikut. Tabel 5.23 Uji koefisien korelasi spearman setelah transformasi Correlations ROA Ln_E ps DER Ln_Size Ln_Nps Ln_Pps JI AUD Unstandardiz ed Residual Spear mans rho ROA Correlation Coefficient Sig. 2-tailed N 1,00 . 80 ,057 ,613 80 -,142 ,209 80 ,112 ,323 80 -,057 ,616 80 -,193 ,087 80 -,125 ,271 80 -,088 ,437 80 -,011 ,926 80 Ln_Eps Correlation Coefficient Sig. 2-tailed N ,057 ,613 80 1,00 . 80 ,110 ,333 80 -,013 ,907 80 -,046 ,682 80 ,069 ,540 80 ,066 ,561 80 ,153 ,174 80 ,054 ,631 80 DER Correlation Coefficient Sig. 2-tailed N -,142 ,209 80 ,110 ,333 80 1,00 . 80 -,128 ,259 80 ,119 ,295 80 ,002 ,988 80 -,104 ,359 80 -,067 ,555 80 ,020 ,858 80 Ln_Size Correlation Coefficient Sig. 2-tailed N ,112 ,323 80 -,013 ,907 80 -,128 ,259 80 1,000 . 80 ,003 ,981 80 ,025 ,828 80 -,170 ,132 80 ,247 ,027 80 -,089 ,434 80 Ln_Nps Correlation Coefficient Sig. 2-tailed N -,057 ,616 80 -,046 ,682 80 ,119 ,295 80 ,003 ,981 80 1,000 . 80 ,419 ,000 80 -,160 ,156 80 ,033 ,770 80 -,148 ,191 80 Ln_Pps Correlation Coefficient Sig. 2-tailed N -,193 ,087 80 ,069 ,540 80 ,002 ,988 80 ,025 ,828 80 ,419 ,000 80 1,000 . 80 -,012 ,918 80 ,025 ,828 80 -,060 ,596 80 JI Correlation Coefficient Sig. 2-tailed N -,125 ,271 80 ,066 ,561 80 -,104 ,359 80 -,170 ,132 80 -,160 ,156 80 -,012 ,918 80 1,00 80 -,139 ,219 80 ,154 ,174 80 AUD Correlation Coefficient -,088 ,153 -,067 ,247 ,033 ,025 -,139 1,00 -,141 Sig. 2-tailed N ,437 80 ,174 80 ,555 80 ,027 80 ,770 80 ,828 80 ,219 80 . 80 ,211 80 Unstand ardized Residual Correlation Coefficient Sig. 2-tailed N -,011 ,926 80 ,054 ,631 80 ,020 ,858 80 -,089 ,434 80 -,148 ,191 80 -,060 ,596 80 ,154 ,174 80 -,141 ,211 80 1,000 . 80 . Correlation is significant at the 0.05 level 2-tailed. . Correlation is significant at the 0.01 level 2-tailed. Berdasarkan tabel 5.23 dapat diketahui bahwa nilai korelasi variabel independen dengan Understandardized Residual memiliki nilai lebih besar dari 0,05 sehingga dapat disimpulkan bahwa tidak terjadi masalah heterokedastisitas pada model regresi. Universitas Sumatera Utara 5.3. Pengujian Data Hipotesis 5.3.1. Pengujian koefisien regresi parsial Uji t