Analisis Data

B. Analisis Data

1 . Uji Statistik Deskriptif

Analisis deskriptif digunakan untuk memperoleh gambaran atau deskripsi suatu data. Hasil akhir dari pemilihan sampel penelitian ini didapatkan 43 perusahaan yang memiliki data lengkap yang kemudian di-pooling menjadi 215 observasi. Setelah diketahui nilai dari discretionary accrual pada tahun 2006 dan 2010, maka dapat diketahui, nilai minimum, nilai maksimum, rata-rata, dan standar deviasinya, setiap tahun dari 43 perusahaan tersebut pada analisis statistik deskriptif. Tabel 4.2 berikut ini menyajikan statistik deskriptif data penelitian untuk tahun 2006-2010.

commit to user

Statistik Deskriptif

Std. Deviation

.49917 Valid N (listwise)

43

Sumber: Output SPSS

Berdasarkan hasil analisis diskriptif diketahui nilai minimum pajak tangguhan (deferred tax expense) sebesar 0.00 pada perusahaan Elnusa, nilai maksimum 0.63 pada perusahaan Unilever, mean 0.149 dan standar deviasi 0.16156. Dengan penyebaran distribusinya dari -0.01556 sampai dengan 0.31056. Nilai minimum manajemen laba (earning management) sebesar -0.35, pada perusahaan Lippo Karawaci, nilai maksimum sebesar 0.35 pada perusahaan Barito Pacific, mean sebesar 0.0253 dan standar deviasi sebesar 0.10920. Dengan penyebaran distribusinya dari -0.0839 sampai dengan 0.1345.

2. Uji asumsi Klasik

a. Uji Normalitas Uji statistik sederhana dapat dilakukan dengan menilai nilai kurtosis dan skewness dari residual (Ghozali, 2011: 163). Uji statistik lain yang dapat digunakan untuk menguji normalitas residual adalah uji statistik non-parametrik Kolmogorov-Smirnov (K-S). Uji K-S dilakukan dengan membuat hipotesis (Ghozali, 2011: 164):

H ₀ : Data residual berdistribusi normal jika p-value > 0.05 Ha : Data residual tidak berdistribusi normal p-value < 0.05

commit to user

Tabel 4.3 Uji Normalitas

Sumber data: Output SPSS Dari tabel 4.3 dapat dilihat bahwa nilai p-value dari Z K-S lebih besar dari 0.05 sehingga dapat disimpulkan bahwa data berdistribusi normal.

b. Uji Multikoliniearitas Metode pengujian yang digunakan untuk mendeteksi ada tidaknya multikoliniearitas di dalam regresi adalah dengan melihat nilai tolerance dan lawannya variance inflation factor (VIF). Tolerance mengukur variabilitas variabel independen yang terpilih yang tidak dijelaskan oleh variabel independen lainnya (Ghozali, 2006).. Adapun hasil uji multikolinearitas dapat dilihat pada tabel berikut:

Tabel 4.4 Uji Multikolinearitas

Sumber data: Output SPSS

Tabel 4.4. menunjukkan bahwa nilai Tolerance > 0,10 dan VIF < 10, hal ini menunjukkan bahwa pada model regresi tidak terdapat multikolinearitas.

Variabel

Z K-S p- value

Kesimpulan Unstandart Residual 1.321 0,610

Berdistribusi Normal

Tolerance Variabel

Tidak terjadi Multikolinearitas Indt

0.996

1.004

Tidak terjadi Multikolinearitas

commit to user

Pada penelitian ini uji autokorelasi dengan menggunakan run test, adapun pengujiannya dapat dilihat pada hasil residual terjadi secara random atau tidak, dengan keputusan uji dapat dilihat pada p-value. Jika p-value > 0,05 maka tidak adanya autokorelasi (random) dan sebalikya jika p-value < 0.05 maka terjadi adanya autokorelasi (tidak random). (Ghozali, 2009).

Tabel 4.5 Uji Autokorelasi

Zhitung p- value Keterangan

-0.068

0.946

tidak terjadi autokorelasi Sumber: Output SPSS Tabel 4.5. menunjukkan bahwa nilai p-value > 0.05 yang berarti tidak terdapat

autkorelasi pada model regresi yang digunakan dalam penelitian.

d. Uji Heteroskedastisitas Uji Heteroskedastisitas bertujuan menguji apakah dalam model regresi terjadi ketidaksamaan varian dari residual satu pengamatan ke pengamatan yang lain. Jika variance dari residual satu pengamatan ke pangamatan yang tetap, maka disebut Homoskedasitisitas dan jika berbeda disebut Heteroskedastisitas.

Salah satu uji statistik yang dipergunakan dalam regresi adalah Uji Glejser. Untuk melakukan Uji Glejser harus mendapatkan nilai residual unstandardized dari persamaan regresi awal dulu. Jika variabel bebas signifikan mempengaruhi variabel terikat berarti ada Heteroskedastisitas dan sebaliknya jika tidak signifikan berarti tidak ada

commit to user

pada tabel berikut:

Tabel 4.6 Uji Heteroskedastisitas

Variabel t hitung

P -value

Keterangan

__________________________________________________________ DTEit -0.597 0.551 Tidak terjadi heteroskedastistas

Indt 0.526 0.600 Tidak terjadi heteroskedastistas Sumber data: Output SPSS

Dari tabel 4.6 dapat dilihat bahwa p-value > 0.05 yang berarti variabel DTEit dan Indt tidak signifikan, sehingga dapat disimpulkan bahwa dalam model regresi yang digunakan tidak terjadi heteroskedastisitas.

2. Pengujian Hipotesis Alat analisa yang digunakan dalam penelitian ini adalah model regresi linier sederhana untuk mengetahui pengaruh variabel independen terhadap variabel dependen. Model persamaan regresi dari output SPSS sebagai berikut:

Tabel 4.7 Hasil Analisis Regresi

________________________________________________________ Variabel Koefisien Regresi t hitung

value p-

________________________________________________________ DTEit 0.104 12,756 0,000 Indt 0.001 -0,089 0,929 Fhitung = 81,777 p-value = 0.000 R² = 0.435 Adjusted R² = 0.430

Sumber: Output SPSS

commit to user

a). Koefisien Determinasi Koefisien determinasi (R²) pada intinya mengukur seberapa jauh kemampuan model dalam menerangkan variasi variabel dependen. Nilai koefisien determinasi adalah antara nol dan satu. Nilai R² yang kecil berarti kemampuan variabel-variabel independen dalam menjelaskan variasi variabel dependen amat terbatas. Nilai yang mendekati satu berarti variabel-variabel independen memberikan hampir semua informasi yang dibutuhkan untuk memprediksi variasi variabel dependen (Ghozali, 2011: 97).

Kelemahan mendasar penggunaan koefisien determinasi adalah bias terhadap jumlah variabel independen yang dimasukkan ke dalam model. Setiap tambahan satu variabel independen, maka R² pasti meningkat tidak peduli apakah variabel tersebut berpengaruh secara signifikan terhadap variabel dependen. Oleh karena itu banyak peneliti menganjurkan untuk menggunakan nilai Adjusted R² pada saat mengevaluasi mana model regresi terbaik. Tidak seperti R², nilai Adjusted R² dapat naik atau turun apabila satu variabel independen ditambahkan ke dalam model (Ghozali, 2011: 97).

Dari hasil pengujian tersebut dapat diambil kesimpulan bahwa Adjusted R² sebesar 0,430 hal ini menunjukkan bahwa sebesar 43,00 % variasi dari Earning Managemen dapat diterangkan oleh variabel Pajak Tangguhan dan jenis industri sedangkan sisanya sebesar 57,00% diterangkan oleh variabel lain yang tidak d imasukkan dalam persamaan regresi.

b) Uji Signifikansi Simultan (Uji Statistik F) Uji statistik F pada dasarnya menunjukkan apakah semua variabel independen atau bebas yang dimasukkan dalam model mempunyai pengaruh secara bersama-sama

commit to user

keputusannya adalah:

1) bila F-hitung < F-tabel, maka model regresi tidak cocok (hipotesis ditolak),

2) bila F-hitung > F-tabel, maka model regresi cocok (hipotesis diterima). Hasil F-hitung sebesar 81,777 dengan p-value = 0.000, hal ini menunjukkan bahwa

secara bersama-sama variabel beban pajak tangguhan (DTEit) dan Jenis Industri (Indt) berpengaruh terhadap Earning Managemen.

c) Uji Signifikansi Parameter Individual (Uji Statistik t) Uji statistik t pada dasarnya menunjukkan seberapa jauh pengaruh satu variabel penjelas/independen secara individual dalam menerangkan variasi variabel dependen (Ghozali, 2011: 98). Dasar pengambilan keputusannya adalah: - bila t-hitung < t-tabel, maka variabel independen secara individual tidak berpengaruh terhadap variabel dependen atau dalam hal ini hipotesis ditolak.

Tabel 4.7 menunjukan bahwa variabel DTE mempunyai koefisien regresi positif sebesar 0 ,104 dengan p-value 0,000 lebih kecil dari 0,05, dengan demikian beban pajak tangguhan bepengaruh signifikan terhadap earning manajemen. Sedangkan variabel Indt mempunyai koefisien sebesar 0.001 dengan p-value sebesar 0.929 > 0.05, dengan demikian jenis perusahaan tidak berbeda secara signifikan terhadap earning manajemen.