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