29 reputasi auditor yang baik.KAP Kantor Akuntan Publik
dikategorikan menjadi Big Four dan Non Big Four. KAP big four adalah sebagai berikut:
1. KAP Price Waterhouse Coopers PWC, bekerjasama
dengan KAP Drs. Hadi Sutanto Rekan, Haryanto Sahari Rekan.
2. KAP Klynveld Peat Marwick Goerdele KPMG,
bekerjasama dengan KAP Sidharta-Sidharta Widjaja. 3.
KAP Ernest Young E Y, bekerjasama dengan KAP Prasetio, Sarwoko, Sanjadja.
4. KAP Deloitte Touche Thomatsu DTT, bekerjasama
dengan KAP Hans Tuanakotta Mustofa, Osman ramli satrio Rekan.
Kategori KAP merupakan variable dummy dimana KAP yang memiliki hubungan internasional big four diberi nilai 1 satu dan
yang tidak memiliki hubungan internasional non big four diberi nilai 0 nol.
3.6 Skala Pengukuran Variabel
Tabel 3.3 Skala Pengukuran Variabel Penelitian
Variabel Konsep
Variabel Alat Ukur
Skala
Manajemen Laba
pilihan manajer dalam memilih
beberapa aturan dalam akuntansi,
atau tindakan yang berkaitan dengan
laba, guna untuk ��
�
= ���
�
��
�−1
− �����
�
Rasio
30
mencapai tujuan tertentu yang
berkaitan dalam pelaporan
keuangan
Ukuran Perusahaan
Ukuran perusahaan yaitu
rata-rata total aset untuk tahun yang
bersangkutan sampai beberapa
tahun ln
����� ����� Rasio
Leverage Rasio leverage
merupakan rasio untuk mengukur
seberapa bagus struktur
permodalan perusahaan.
����� ������ ����� ������
× 100 Rasio
Earning per Share
Rasio yang menunjukan
pendapatan yang diperoleh setiap
lembar saham Laba Bersih setelah Pajak –
Dividen Saham Preferen Rata-Rata Jumlah Saham
Beredar Rasio
Reputasi Auditor
Kualitas Auditor Eksternal yang
meng-audit perusahaan
KAP Big Four = 1 KAP Non Big Four = 0
Dummy
3.7 Teknik Analisis Data
Dalam melakukan analisis data digunakan metode deskriptif kuantitatif, yaitu dengan mengumpulkan, mengolah dan menginterpretasikan hasil yang
diperoleh. Teknik yang digunakan dalam penelitian ini adalah teknik analisis statistik, yaitu uji asumsi klasik, analisis regresi linear berganda, dan pengujian
hipotesis.
3.7.1 Uji Asumsi Klasik
Sebelum melakukan uji analisis regresi linear berganda, maka hal yang pertama dilakukan adalah uji asumsi klasik, yang bertujuan untuk mendapatkan
nilai estimasi yang diperoleh bersifat BLUE Best, Linear, Unbiased, and
31 Estimator, yang artinya nilai estimator yang terbaik, estimator yang linear, dan
estimator yang tidak bias. Maka data-data yang digunakan dalam analisis regresi terlebih dahulu akan diuji normalitas, uji multikolinearitas, uji heteroskedastisitas,
dan uji autokorelasi.
3.7.1.1 Uji Normalitas
Tujuan uji normalitas adalah untuk mengetahui apakah dalam model regresi, variabel pengganggu atau residual memiliki distribusi normal. Uji ini
berguna untuk tahap awal dalam metode pemilihan analisis data. Jika data normal, maka digunakan statistik parametrik, dan jika data tidak normal maka digunakan
statistik nonparametrik atau lakukan treatment agar data normal. Data yang baik adalah data yang mempunyai pola seperti distribusi normal. Untuk melihat
normalitas dapat dilakukan dengan melihat histogram atau pola distribusi data normal. Normalitas dapat dideteksi dengan melihat penyebaran data titik pada
sumbu diagonal dari grafik atau dengan melihat histogram dari nilai residualnya. Dasar pengambilan keputusannya adalah:
1. Jika data menyebar di sekitar garis diagonal dan mengikuti arah garis
diagonal atau garis histogramnya menunjukkan pola berdistribusi normal, maka model regresi memenuhi asumsi normalitas,
2. Jika data menyebar jauh dari diagonal dan tidak mengikuti arah garis
diagonal atau grafik histogram tidak menunjukkan data berdistribusi normal, maka model regresi tidak memenuhi asumsi normalitas. Dalam
penelitian ini Peneliti menggunakan uji Kolmogorov-Smirnov K-S untuk menguji normalitas data. Uji K-S dibuat dengan membuat hipotesis:
32 H0 : data residual berdistribusi normal,
Ha : data residual tidak berdistribusi normal.
3.7.1.2 Uji Multikolinearitas
Menurut Ghozali 2009: 91, “uji ini bertujuan untuk menguji apakah model regresi ditemukan adanya korelasi antar variabel independen.” Model
regresi yang baik seharusnya tidak terjadi korelasi diantara variabel independen. Multikolinearitas adalah situasi adanya korelasi variabel-variabel independen
antara yang satu dengan yang lainnya. Jika terjadi korelasi sempurna diantara
sesama variabel bebas, maka konsekuensinya adalah:
1. Koefisien-koefisien regresi menjadi tidak dapat ditaksir,
2. Nilai standar error setiap koefisien regresi menjadi tak terhingga. Ada
tidaknya multikolinearitas dapat dideteksi dengan melihat nilai tolerance dan variance inflation factor VIF, serta dengan menganalisis matriks
korelasi variabel-variabel independen. Nilai cut off yang umum dipakai untuk menunjukkan adanya multikolinearitas adalah jika nilai VIF tidak
lebih dari sepuluh dan nilai tolerance tidak kurang dari 0,1 maka model dapat dikatakan terbebas dari multikolinearitas.
3.7.1.3 Uji Heteroskedastisitas
Uji heteroskedastisitas bertujuan untuk melihat apakah didalam model regresi terjadi ketidaksamaan variabel pengganggu dari satu pengamatan dengan
pengamatan yang lain. Menurut Ghozali 2009:125 Model regresi yang baik adalah yang Homokedastisitas atau tidak terjadi Heteroskedastisitas. Cara
memprediksi ada tidaknya heteroskedastisitas pada suatu model dapat dilihat dari
33 pola gambar Scatterplot model tersebut. Analisis pada gambar Scatterplot yang
menyatakan model regresi berganda tidak terdapat heteroskedastisitas jika: 1. titik-titik data menyebar di atas, di bawah atau di sekitar angka nol,
2. titik-titik data tidak mengumpul hanya di atas atau dibawah, 3. penyebaran titik-titik data tidak boleh membentuk pola bergelombang
melebar kemudian menyempit dan melebar kembali, 4. penyebaran titik-titik data sebaiknya tidak berpola.
3.7.1.4 Uji Autokorelasi
Uji ini bertujuan untuk melihat apakah dalam suatu model regresi linear terdapat korelasi atau kesalahan pengganggu pada periode t dengan kesalahan
periode t-1. Jika terjadi autokorelasi, maka terdapat problem autokorelasi. Menurut Ghozali 2009:99. Autokorelasi muncul karena observasi yang
berurutan sepanjang tahun yang berkaitan satu dengan lainnya. Hal ini sering ditemukan pada data time series. Pada data cross section, masalah autokorelasi
relatif tidak terjadi. Uji yang digunakan dalam penelitian untuk mendeteksi ada tidaknya autokorelasi adalah dengan menggunakan uji Durbin-Watson DW.
Kriteria untuk penilaian terjadinya autokorelasi yaitu: 1. nilai D-W lebih kecil dari -2 berarti ada korelasi positif,
2. nilai D-W di antara -2 sampai +2 berarti tidak ada autokorelasi, 3. nilai D-W lebih besar dari +2 berarti ada autokorelasi negative.
3.7.2 Analisis Regresi Linear Berganda
Analisis regresi linear berganda digunakan dengan maksud meramalkan bagaimana keadaan naik-turunnya variabel dependen bila dua atau lebih variabel
34 independen dimanipulasi Sugiyono, 2006: 210. Analisis ini menggunakan teknik
analisis statistik SPSS dengan metode analisis regresi berganda dengan model persamaan sebagai berikut :
Y = a + b
1
X
1
+ b
2
X
2
+b
3
X
3
+ e
Dimana: Y
= Earning per Share a
= Konstanta X
1
= Manajemen Laba X
2
= Ukuran Perusahaan X
3
= Leverage e
= error term
3.7.3 Uji Hipotesis 3.7.3.1 Uji Koefisien Determinasi R
2
Pengujian koefisien determinasi dilakukan untuk melihat seberapa besar pengaruh variabel bebas terhadap variabel terikat. Pengujian ini dilakukan dengan
melihat nilai koefisien determinasi. Koefisien determinasiR
2
merupakan besaran
non negatif dan besarnya koefisien determinasi adalah
� ≤ �
�
≤ �
.
Jika koefisien determinasi bernilai 0, maka tidak ada hubungan antara variabel bebas dengan variabel terikat. Sebaliknya jika koefisien determinasi
bernilai 1, maka ada keterikatan sempurna antara variabel bebas dengan variabel terikat. Uji Determinasi, untuk melihat besarnya kontribusi pengaruh variabel
bebas dan variabel terikat dapat dihitung dengan rumus : D = r
2
x 100 .
35
3.7.3.2 Uji Signifikansi Parameter Individual Uji t
Uji t pada dasarnya menunjukkan seberapa jauh pengaruh satu variabel bebas secara individual dalam menerangkan variasi variabel terikat. Tujuan dari
uji t adalah untuk menguji koefisien regresi secara individual. Rumusan Hipotesis yang akan diuji adalah sebagai berikut :
H diterima bila t
tabel
t
hitung
, atau dapat dilihat dari nilai signifikansinya apabila 0.05; artinya tidak terdapat pengaruh yang signifikan dari variabel bebas
secara parsial terhadap variabel terikat. H
a
diterima bila t
hitung
t
tabel
,atau dapat dilihat dari nilai signifikansinya apabila 0.05; artinya terdapat pengaruh yang signifikan dari variabel bebas
secara parsial terhadap variabel terikat.
3.7.3.3 Uji Signifikansi Simultan F Uji F
Pengujian Hipotesis Distribusi F pada model regresi linear berganda dilakukan untuk mengetahui pengaruh variabel bebas secara bersama-sama
terhadap variabel terikat. Rumusan hipotesis yang diuji adalah sebagai berikut: Terima H
tolak H
a
bila F
hitung
≤ F
tabel
, atau dapat dilihat dari nilai signifikansinya apabila 0.05; artinya tidak terdapat pengaruh yang signifikan
secara serentak dari variabel bebas terhadap variabel terikat. Tolak H
terima H
a
bila F
hitung
F
tabel
, atau dapat dilihat dari nilai signifikansinya apabila 0.05; artinya terdapat pengaruh yang signifikan secara
serentak dari variabel bebas terhadap variabel terikat.
36
3.7.4 Uji Analisis Regresi dengan Variabel Moderasi
Dalam penelitian ini, metode yang digunakan untuk melakukan uji regresi dengan variabel moderator adalah Moderated Regression Analysis atau uji
interaksi. Menurut Ghozali 2009:164, Moderated RegressionAnalysis MRA merupakan aplikasi khusus regresi berganda linier dimana dalam persamaan
regresinya mengandung unsur interaksi perkalian dua atau lebih variabel
independent dengan rumus persamaan sebagai berikut : Y = a
1
+ b
1
X
1
+ b
14
X
1
X
4
+ e Y = a
2
+ b
2
X
2
+ b
24
X
2
X
4
+ e Y = a
3
+ b
3
X
3
+ b
34
X
3
X
4
+ e
Dimana : Y
= earning per share a
= konstanta b
= koefisien regresi X
1
= Manajemen Laba X
2
= Ukuran Perusahaan X
3
= Leverage X
4
= Reputasi Auditor e
= error term Jika variabel X
4
merupakan Variabel Moderating, maka koefisien b
14
, b
24
, dan b
34
harus signifikan pada tingkat signifikansi yang ditentukan. Apabila variabel X
4
semakin tinggi maka akan berpengaruh terhadap tingginya variabel Y.
37
3.8 Jadwal Penelitian
Penelitian ini akan direncanakan sebagai berikut : Tabel 3.4
Jadwal Penelitian
No Tahapan Penelitian
Mei 2015
Juni 2015
Juli 2015
Keterangan 1.
Pengajuan Proposal Skripsi √
1 minggu 2.
Bimbingan Proposal Skripsi √
2 minggu 3.
Pengumpulan Data √
1 minggu 4.
Pengolahan Data √
1 minggu 5.
Bimbingan Skripsi √
2 minggu 6.
Penyelesaian Penulisan Laporan Penelitian
√ 2 minggu
38
BAB IV HASIL PENELITIAN DAN PEMBAHASAN
4.1 Hasil Penelitian
4.1.1 Statistik Deskriptif
Data yang dikumpulkan dari masing-masing variabel yang telah diolah akan ditampilkan pada bagian ini dengan menampilkan nilai maksimum,
minimum, rata-rata, dan standar deviasi dari tiap variabel. Variabel dalam penelitian ini meliputi Manajemen Laba X1, Ukuran Perusahaan Ln Total
Asset X2, dan Leverage DER X3 terhadap Earning per Share EPS Y dengan variabel moderasi yakni Reputasi Auditor KAP Z. Hasil pengujian
statistik deskriptif dapat dilihat pada Tabel 4.1 berikut ini:
Tabel 4.1 Statistik Deskriptif
Descriptive Statistics
N Minimum Maximum Mean
Std. Deviation EARNINGS
78 -.02
.02 .0026
.00500
LN.T.ASSET 78
14.75 20.57
17.7040 1.61441
DER 78
-46.74 16.54
5.5481 9.54527
EPS 78
-11.08 982.67
179.6505 235.32301
KAP 78
.00 1.00
.7564 .43203
Valid N listwise 78
Sumber: Hasil Pengolahan SPSS September 2015
Berdasarkan Tabel 4.1 dapat dijelaskan hasil penelitian statistik deskriptif sebagai berikut:
1. Rata-rata nilai Manajemen Laba adalah 0.0026 dengan standar deviasi
0.00500, nilai minimum -0.02 dan nilai maksimum 0.02.
39 2.
Rata-rata nilai Ukuran Perusahaan adalah sebesar 17.7040 dengan standar deviasi sebesar 1.61441, nilai minimum 14.75 dan nilai
maksimum 20.57. 3.
Rata-rata nilai Leverage adalah sebesar 5.5481 dengan standar deviasi sebesar 9.54527, nilai minimum sebesar -46.74 dan nilai maksimum
sebesar 16.54. 4.
Rata-Rata nilai EPS adalah sebesar 179.6505 dengan standar deviasi sebesar 235.32301, nilai minimum sebesar -11.08 dan maksimum
982.67 5.
Jumlah data sebanyak 78 data, dengan penjelasan 26 perusahaan dan selama 3 tahun periode yakni 2012-2014.
4.1.2 Analisis regresi Berganda tanpa Variabel Moderasi
Uji asumsi klasik dilakukan untuk mengetahui kondisi data yang digunakan dalam sebuah penelitian. Hal ini dilakukan agar diperoleh model
analisis yang tepat untuk digunakan dalam penelitian ini. Adapun uji asumsi klasik yang dilakukan meliputi; Uji normalitas, uji multikolinearitas, uji
heteroskedastisitas dan uji autokorelasi.
4.1.2.1 Uji Normalitas
Uji normalitas dilakukan untuk mengetahui apakah data yang digunakan memiliki distribusi normal atau mendekati normal dengan melihat normal
probability plot. Uji normalitas yang pertama dilakukan adalah berdasarkan grafik secara histogram yang terlihat pada gambar 4.1.
40
Sumber: Hasil Pengolahan Data SPSS September 2015 Gambar 4.1
Gambar Grafik Histogram Data Asli
Berdasarkan gambar 4.1 terlihat bahwa pola distribusi normal, akan tetapi jika kesimpulan normal atau tidaknya data hanya dilihat dari grafik histogram,
maka hal ini dapat menyesatkan khususnya untuk jumlah sampel yang kecil. Metode lain yang digunakan dalam analisis grafik adalah dengan melihat normal
probability plot yang membandingkan distribusi kumulatif dan distribusi normal. Jika distribusi data residual normal, maka garis yang akan menggambarkan data
sesungguhnya akan mengikuti garis diagonalnya. Uji normalitas dengan melihat normal probability plot dapat dilihat dalam gambar 4.2 berikut:
41
Sumber: Hasil Pengolahan Data SPSS September 2015 Gambar 4.2
Normal Probability Plot Data Asli
Berdasarkan grafik profitabilitas pada gambar 4.2 di atas menunjukkan bahwa data telah terdistribusi secara normal karena distribusi data residualnya
mengikuti arah garis diagonal garis normal. Pengujian normalitas data secara analisis statistik dapat dilakukan dengan melakukan uji Kolmogorov-Smirnov.
Data yang terdistribusi normal ditunjukkan dengan nilai signifikansi di atas 0.05. Sedangkan, data yang tidak berdistribusi normal ditunjukkan dengan nilai
signifikansi dibawah 0.05 Ghozali,2007:12.
42
Tabel 4.2 Hasil Uji Normalitas dengan Kolmogorov-Smirnov
One-Sample Kolmogorov-Smirnov Test
Unstandardized Residual N
78
Normal Parameters
a,b
Mean
0E-7
Std. Deviation
162.67364912
Most Extreme Differences
Absolute
.072
Positive .072
Negative -.042
Kolmogorov-Smirnov Z
.639
Asymp. Sig. 2-tailed .809
a. Test distribution is Normal. b. Calculated from data.
Sumber: Hasil Pengolahan Data SPSS September 2015
Berdasarkan hasil uji normalitas dengan Kolmogorov-Smirnov Data Asli diatas, terlihat bahwa data telah terdistribusi dengan normal yang mana terlihat
bahwa nilai signifikansi diatas 0.05 yaitu sebesar 0.809 dan nilai Kolmogorov- Smirnov Z sebesar 0.639.
4.1.2.2. Uji Multikolinearitas
Uji multikolinearitas dilakukan untuk mengetahui ada atau tidaknya hubungan linear antara variabel independen dalam model regresi dimana prasyarat
dalam model regresi adalah tidak adanya multikolinearitas. Pada uji multikolinearitas ini dapat dilihat melalui nilai inflation factor VIF dan
Tolerance.
43
Tabel 4.3 Hasil Uji Multikolinearitas
Coefficients
a
Model Collinearity Statistics
Tolerance VIF
1 Constant
EARNINGS .969
1.032
LN.T.ASSET
.974 1.027
DER .995
1.005
a. Dependent Variable: EPS
Sumber: Hasil Pengolahan Data SPSS September 2015
Berdasarkan aturan Variance Inflation Factor VIF dan Tolerance, apabila VIF melebihi angka 10 atau Tolerance kurang dari 0.10 maka dinyatakan
terjadi gejala multikolinearitas, sebaliknya apabila VIF kurang dari 10 atau Tolerance lebih dari 0.10 maka dinyatakan tidak terjadi gejala multikolinearitas.
Dalam penelitian ini data yang digunakan dalam uji multikolinearitas ini adalah data dari variabel independen. Berdasarkan tabel 4.3. diatas diketahui masing-
masing nilai VIF berada dibawah 10, dan nilai Tolerance diatas 0.1, maka dapat dipastikan data dari variabel independen tidak terjadi multikolinearitas.
4.1.2.3. Uji Heteroskedastisitas
Uji ini bertujuan untuk menguji apakah dalam model regresi terjadi ketidaksamaan variance dari residual satu pengamatan ke pengamatan yang lain.
Jika variance dari residual satu pengamatan ke pengamatan lain tetap, maka disebut homoskedastisitas, dan jika variance dari residual satu pengamatan ke
pengamatan lain berbeda disebut heteroskedastisitas. Untuk mendeteksi ada atau tidaknya heteroskedastisitas dapat dilakukan dengan melihat grafik scatterplot,
dengan dasar analisis Ghozali, 2005:139.
44 1.
Jika pola tertentu, seperti titik-titik yang ada membentuk pola tertentu yang teratur bergelombang, melebar kemudian
menyempit, maka mengindikasikan telah terjadi heteroskedastisitas.
2. Jika tidak ada pola yang jelas, serta titik-titik menyebar di atas dan
di bawah angka 0 pada sumbu Y, maka tidak terjadi heteroskedastisitas.
Hasil uji heteroskedastisitas dengan menggunakan grafik scatterplot ditunjukkan pada gambar 4.3 berikut:
Sumber: Hasil Pengolahan Data SPSS September 2015 Gambar 4.3
Grafik Scatterplot
45 Pada grafik scatterplot diatas, terlihat titik-titik menyebar secara acak,
serta tersebar baik diatas maupun dibawah angka 0 pada sumbu Y sehingga dapat diambil kesimpulan bahwa tidak terdapat gejala heteroskedastisitas pada model
regresi yang digunakan.
4.1.2.4. Uji Autokorelasi
Uji autokorelasi dilakukan untuk menguji apakah sebuah model regresi terdapat korelasi antara kesalahan penganggu pada periode t dengan kesalahan
pengganggu pada periode t-1 atau sebelumnya Ghozali, 2005. Jika terjadi korelasi dinamakan ada masalah autokorelasi. Untuk mendeteksi ada atau
tidaknya autokorelasi, peneliti menggunakan Durbin-Watson DW test. Model regresi yang baik adalah regresi yang bebas dari autokorelasi. Kriteria pengujian
dengan hipotesis tidak ada autokorelasi adalah sebagai berikut, Menurut Santoso kriteria autokorelasi ada 3, yaitu:
1. Nilai D-W di bawah -2 berarti diindikasikan ada autokorelasi positif.
2. Nilai D-W di antara -2 sampai 2 berarti diindikasikan tidak ada
autokorelasi. 3.
Nilai D-W di atas 2 berarti diindikasikan ada autokorelasi negatif. Hasil pengujian autokorelasi dapat dilihat pada tabel berikut:
46
Tabel 4.4 Uji Autokorelasi dengan Durbin-Watson
Model Summary
b
Model R R Square Adjusted R
Square Std. Error of
the Estimate Durbin-
Watson 1
.723
a
.522 .503
165.93833 1.655
a. Predictors: Constant, DER, LN.T.ASSET, EARNINGS b. Dependent Variable: EPS
Sumber: Hasil Pengolahan Data SPSS September 2015
Berdasarkan hasil pengujian Durbin-Watson dengan menggunakan SPSS maka diperoleh nilai Durbin-Watson sebesar 1.655 yang berarti berdasarkan
kriteria Durbin-Watson hasil tersebut tidak terjadi autokorelasi.
4.1.2.5 Model Regresi Berganda
Hasil regresi linear berganda pengaruh manajemen laba, ukuran perusahaan, dan leverage terhadap earning per share saham perusahaan perbankan
yang terdaftar di BEI periode 2012-2014 yang ditunjukkan pada tabel 4.5 berikut:
Tabel 4.5 Hasil Analisis Regresi
Coefficients
a
Model Unstandardized
Coefficients Standardized
Coefficients t
Sig. B
Std. Error Beta
1 Constant
1689.255 209.832
8.050 .000
EARNINGS -470.250
3841.458 -.010
-.122 .903
LN.T.ASSET 105.545
11.869 .724
8.892 .000
DER .283
1.986 .011
.142 .887
a. Dependent Variable: EPS
Sumber: Hasil Pengolahan Data SPSS September 2015
Berdasarkan hasil analisis regresi linear berganda yang digunakan untuk menguji pengaruh dua atau lebih variabel independen terhadap satu variabel
dependen. Persamaan regresi dapat dilihat dari tabel hasil uji coefficients. Pada tabel coefficients yang dibaca adalah nilai dalam kolom B pada baris pertama
menunjukkan konstanta a dan baris selanjutnya menunjukkan konstanta variabel
47 independen. Berdasarkan tabel 4.5 diatas maka model regresi yang digunakan
adalah sebagai berikut: EPS = 1689.255 -470.250EARNINGS + 105.545LN.T.ASSET +
0.283DER + e Dari persamaan regresi tersebut di atas maka dapat dianalisis sebagai
berikut: a.
Konstanta sebesar 1689.255 menyatakan bahwa jika nilai manajemen laba, ukuran perusahaan, dan leverage adalah konstan maka nilai EPS
adalah sebesar 1689.255. b.
Koefisien regresiManajemen Laba sebesar -470.250 menunjukkan bahwa apabila Manajemen Laba meningkat sebesar 1 satuan, maka
akan menurunkan EPS sebesar sebesar 470.250 satuan. c.
Koefisien regresi Ukuran Perusahaan sebesar 105.545 menunjukkan bahwa apabila ukuran perusahaan meningkat sebesar 1 satuan, maka
EPS akan meningkat sebesar 105.545 satuan. d.
Koefisien regresi Leverage sebesar 0.283 menunjukkan bahwa apabila leverage meningkat sebesar 1 satuan, maka EPS akan meningkat
sebesar 0.283 satuan.
4.1.2.6 Uji Koefisien Determinasi R
2
Uji koefisien determinasiR
2
ini digunakan untuk menggambarkan kemampuan model menjelaskan variasi yang terjadi dalam variabel dependen
Ghozali, 2005. Koefisien determinasi R
2
dinyatakan dalam persentase. Nilai yang mendeakati satu berarti variabel independen memberikan hampir semua
48 informasi yang dibutuhkan untuk memprediksi variasi variabel dependen.
Besarnya nilai koefisien determinasi R
2
dapat dilihat pada tabel 4.6 berikut:
Tabel 4.6
Model Summary
b
Model R R Square Adjusted R
Square Std. Error of
the Estimate Durbin-
Watson 1
.723
a
.522 .503
165.93833 1.655
a. Predictors: Constant, DER, LN.T.ASSET, EARNINGS b. Dependent Variable: EPS
Sumber: Hasil Pengolahan Data SPSS September 2015
Berdasarkan tabel diatas menunjukkan koefisien korelasi R dan koefisien determinasi R Square. Nilai R menunjukkan tingkat hubungan antar variabel-
variabel independen dengan variabel dependen. Dari hasil olah data diperoleh nilai koefisien korelasi sebesar 0.723 atau sebesar 72.3 artinya hubungan antara
variabel Manajemen Laba, Ukuran Perusahaan, dan Leverage dengan EPS adalah erat.
Berdasarkan tabel diatas ditunjukkan nilai Adjusted R Square. Dari hasil perhitungan nilai Adjusted R Square sebesar 0.503 atau sebesar 50.3 artinya
50.3 variabel EPSdipengaruhi oleh Manajemen Laba, Ukuran Perusahaan, dan Leverage. Sedangkan sisanya 49.7 dipengaruhi oleh faktor faktor lain diluar
model.
4.1.2.7 Uji Signifikansi Parameter Individual Uji t
Uji t dilakukan untuk menguji pengaruh pada masing-masing variabel independen Manajemen Laba, Ukuran Perusahaan, dan Leverage terhadap EPS.
Untuk menguji pengaruh parsial tersebut dapat dilakukan dengan cara berdasarkan nilai signifikansi. Jika nilai signifikansi lebih kecil dari 0.05 atau 5
maka hipotesis yang diajukan diterima atau dikatakan signifikan namun apabila
49 nilai signifikansi lebih besar dari 0.05 atau 5 maka hipotesis ditolak atau
dikatakan tidak signifikan. Hasil uji t dapat dilihat pada tabel 4.7 berikut:
Tabel 4.7 Hasil Uji t
Coefficients
a
Model Unstandardized
Coefficients Standardized
Coefficients t
Sig. B
Std. Error Beta
1 Constant
1689.255 209.832
8.050 .000
EARNINGS -470.250
3841.458 -.010
-.122 .903
LN.T.ASSET 105.545
11.869 .724
8.892 .000
DER .283
1.986 .011
.142 .887
a. Dependent Variable: EPS
Sumber: Hasil Pengolahan Data SPSS September 2015
Berdasarkan tabel 4.7, maka hasil regresi berganda dapat menganalisis pengaruh dari masing-masing variabel Manajemen Laba, Ukuran Perusahaan, dan
Leverage terhadap EPS adalah sebagai berikut: Harga t hitung yang ada selanjutnya dibandingkan dengan harga t tabel. Untuk
kesalahan 5 uji dua pihak dan dk = n – 3 = 75, maka diperoleh t tabel = 1.665 Adapun kriteria penerimaan hipotesis adalah sebagai berikut :
Ho Hipotesis Nol :
µ = 0 tidak ada pengaruh Ha Hipotesis Alternatif
: µ ≠ 0 ada pengaruh
Tabel 4.7 untuk variabel Manajemen Laba nilai t
hitung
-0.122 t
tabel
1.665dan nilai sig sebesar 0.903 0.05 maka H0 ditolak dan H1 diterima. Dapat disimpulkan bahwa variabel Manajemen Laba berpengaruh secara negatif
dan tidak signifikan terhadap EPS. Variabel Ukuran Perusahaan nilai t
hitung
8.892 t
tabel
1.665 dan nilai sig sebesar 0.000 0.05 maka H0 ditolak dan H1 diterima. Dapat disimpulkan bahwa
50 variabel Ukuran Perusahaan berpengaruh secara positif dan signifikan terhadap
EPS. Variabel Leverahe nilai t
hitung
0.142 t
tabel
1.665 dan nilai sig sebesar 0.887 0.05 maka H0 ditolak dan H1 diterima. Dapat disimpulkan bahwa
variabel Leverage berpengaruh secaara positif dan tidak signifikan terhadap EPS.
4.1.2.8 Uji Signifikansi Simultan Uji F
Uji F dilakukan untuk mengetahui pengaruh seluruh variabel independen Manajemen Laba, Ukuran Perusahaan, dan Leverage terhadap EPS yaitu Hasil uji
F ditunjukkan pada tabel 4.8 berikut:
Tabel 4.8 Uji F
ANOVA
a
Model Sum of
Squares df
Mean Square
F Sig.
1 Regression
2226393.573 3
742131.191 26.952
.000
b
Residual 2037629.141
74 27535.529
Total 4264022.714
77
a. Dependent Variable: EPS b. Predictors: Constant, DER, LN.T.ASSET, EARNINGS
Sumber: Hasil Pengolahan Data SPSS September 2015
Berdasarkan hasil analisis regresi dapat diketahui bahwa secara bersama- sama simultan variabel independen memiliki pengaruh yang signifikan terhadap
variabel dependen. Hal ini dapat dibuktikan dari nilai F hitung sebesar 26.952dengan signifikansi sebesar 0.000. Nilai F hitung ini lebih besar dari F
tabel sebesar 2.73. Apabila nilai signifikansi di bawah 0.05 atau 5 maka regresi dapat digunakan untuk memprediksi EPS atau dapat dikatakan bahwa Manajemen
Laba,Ukuran Perusahaan, dan Leverage berpengaruh secara positif dan signifikan terhadap EPS.
51
4.1.3 Regresi dengan Variabel Pemoderasi 1
Uji asumsi klasik dilakukan untuk mengetahui kondisi data yang digunakan dalam sebuah penelitian. Hal ini dilakukan agar diperoleh model
analisis yang tepat untuk digunakan dalam penelitian ini. Adapun uji asumsi klasik yang dilakukan meliputi; Uji normalitas, uji multikolinearitas, uji
heteroskedastisitas dan uji autokorelasi.
4.1.3.1 Uji Normalitas
Uji normalitas dilakukan untuk mengetahui apakah data yang digunakan memiliki distribusi normal atau mendekati normal dengan melihat normal
probability plot. Uji normalitas yang pertama dilakukan adalah berdasarkan grafik secara histogram yang terlihat pada gambar 4.4.
Sumber: Hasil Pengolahan Data SPSS September 2015 Gambar 4.4
Gambar Grafik Histogram Data Asli
52 Berdasarkan gambar 4.4 terlihat bahwa pola distribusi normal, akan tetapi
jika kesimpulan normal atau tidaknya data hanya dilihat dari grafik histogram, maka hal ini dapat menyesatkan khususnya untuk jumlah sampel yang kecil.
Metode lain yang digunakan dalam analisis grafik adalah dengan melihat normal probability plot yang membandingkan distribusi kumulatif dan distribusi normal.
Jika distribusi data residual normal, maka garis yang akan menggambarkan data sesungguhnya akan mengikuti garis diagonalnya. Uji normalitas dengan melihat
normal probability plot dapat dilihat dalam gambar 4.5 berikut:
Sumber: Hasil Pengolahan Data SPSS September 2015 Gambar 4.5
Normal Probability Plot Data Asli
53 Berdasarkan grafik profitabilitas pada gambar 4.5 di atas menunjukkan
bahwa data telah terdistribusi secara normal karena distribusi data residualnya mengikuti arah garis diagonal garis normal. Pengujian normalitas data secara
analisis statistik dapat dilakukan dengan melakukan uji Kolmogorov-Smirnov. Data yang terdistribusi normal ditunjukkan dengan nilai signifikansi di atas 0.05.
Sedangkan, data yang tidak berdistribusi normal ditunjukkan dengan nilai signifikansi dibawah 0.05 Ghozali,2007:12.
Tabel 4.9 Hasil Uji Normalitas dengan Kolmogorov-Smirnov
One-Sample Kolmogorov-Smirnov Test
Unstandardized Residual N
78
Normal Parameters
a,b
Mean 0E-7
Std. Deviation
219.65785019
Most Extreme Differences
Absolute .210
Positive .210
Negative -.142
Kolmogorov-Smirnov Z 1.850
Asymp. Sig. 2-tailed .052
a. Test distribution is Normal. b. Calculated from data.
Sumber: Hasil Pengolahan Data SPSS September 2015
Berdasarkan hasil uji normalitas dengan Kolmogorov-Smirnov Data Asli diatas, terlihat bahwa data telah terdistribusi dengan normal yang mana terlihat
bahwa nilai signifikansi diatas 0.05 yaitu sebesar 0.052 dan nilai Kolmogorov- Smirnov Z sebesar 1.850.
4.1.3.2. Uji Multikolinearitas
Uji multikolinearitas dilakukan untuk mengetahui ada atau tidaknya hubungan linear antara variabel independen dalam model regresi dimana prasyarat
dalam model regresi adalah tidak adanya multikolinearitas. Pada uji
54 multikolinearitas ini dapat dilihat melalui nilai inflation factor VIF dan
Tolerance.
Tabel 4.10 Hasil Uji Multikolinearitas
Coefficients
a
Model Collinearity Statistics
Tolerance VIF
1 Constant
EARNINGS .994
1.006
KAP .695
1.440
ABSX1 .698
1.433
a. Dependent Variable: CSR
Sumber: Hasil Pengolahan Data SPSS September 2015
Berdasarkan aturan Variance Inflation Factor VIF dan Tolerance, apabila VIF melebihi angka 10 atau Tolerance kurang dari 0.10 maka dinyatakan
terjadi gejala multikolinearitas, sebaliknya apabila VIF kurang dari 10 atau Tolerance lebih dari 0.10 maka dinyatakan tidak terjadi gejala multikolinearitas.
Dalam penelitian ini data yang digunakan dalam uji multikolinearitas ini adalah data dari variabel independen. Berdasarkan tabel 4.10. diatas diketahui masing-
masing nilai VIF berada dibawah 10, dan nilai Tolerance diatas 0.1, maka dapat dipastikan data dari variabel independen tidak terjadi multikolinearitas.
4.1.3.3. Uji Heteroskedastisitas
Uji ini bertujuan untuk menguji apakah dalam model regresi terjadi ketidaksamaan variance dari residual satu pengamatan ke pengamatan yang lain.
Jika variance dari residual satu pengamatan ke pengamatan lain tetap, maka disebut homoskedastisitas, dan jika variance dari residual satu pengamatan ke
55 pengamatan lain berbeda disebut heteroskedastisitas. Untuk mendeteksi ada atau
tidaknya heteroskedastisitas dapat dilakukan dengan melihat grafik scatterplot, dengan dasar analisis Ghozali, 2005:139.
1. Jika pola tertentu, seperti titik-titik yang ada membentuk pola tertentu
yang teratur bergelombang, melebar kemudian menyempit, maka mengindikasikan telah terjadi heteroskedastisitas.
2. Jika tidak ada pola yang jelas, serta titik-titik menyebar di atas dan di
bawah angka 0 pada sumbu Y, maka tidak terjadi heteroskedastisitas. Hasil uji heteroskedastisitas dengan menggunakan grafik scatterplot
ditunjukkan pada gambar 4.6 berikut:
Sumber: Hasil Pengolahan Data SPSS September 2015 Gambar 4.6
Grafik Scatterplot
56 Pada grafik scatterplot diatas, terlihat titik-titik menyebar secara acak,
serta tersebar baik diatas maupun dibawah angka 0 pada sumbu Y sehingga dapat diambil kesimpulan bahwa tidak terdapat gejala heteroskedastisitas pada model
regresi yang digunakan.
4.1.3.4. Uji Autokorelasi
Uji autokorelasi dilakukan untuk menguji apakah sebuah model regresi terdapat korelasi antara kesalahan penganggu pada periode t dengan kesalahan
pengganggu pada periode t-1 atau sebelumnya Ghozali, 2005. Jika terjadi korelasi dinamakan ada masalah autokorelasi. Untuk mendeteksi ada atau
tidaknya autokorelasi, peneliti menggunakan Durbin-Watson DW test. Model regresi yang baik adalah regresi yang bebas dari autokorelasi. Kriteria pengujian
dengan hipotesis tidak ada autokorelasi adalah sebagai berikut, Menurut Santoso kriteria autokorelasi ada 3, yaitu:
1. Nilai D-W di bawah -2 berarti diindikasikan ada autokorelasi positif.
2. Nilai D-W di antara -2 sampai 2 berarti diindikasikan tidak ada
autokorelasi. 3.
Nilai D-W di atas 2 berarti diindikasikan ada autokorelasi negatif. Hasil pengujian autokorelasi dapat dilihat pada tabel berikut:
Tabel 4.11 Uji Autokorelasi dengan Durbin-Watson
Model Summary
b
Model R R Square Adjusted R
Square Std. Error of
the Estimate Durbin-
Watson 1
.359
a
.129 .093
224.06614 1.846
a. Predictors: Constant, ABSX1, EARNINGS, KAP b. Dependent Variable: EPS
Sumber: Hasil Pengolahan Data SPSS September 2015
57 Berdasarkan hasil pengujian Durbin-Watson dengan menggunakan SPSS
maka diperoleh nilai Durbin-Watson sebesar 1.846 yang berarti berdasarkan kriteria Durbin-Watson hasil tersebut tidak terjadi autokorelasi.
4.1.3.5 Model Regresi dengan Variabel Moderating
Hasil regresi linear dengan variabel moderating pengaruh manajemen laba terhadap EPS dengan Reputasi Auditor sebagai variabel moderasi pada
Perusahaan Perbankan yang terdaftar pada BEI periode 2012-2014 yang ditunjukkan pada tabel 4.12 berikut:
Tabel 4.12 Hasil Analisis Regresi
Coefficients
a
Model Unstandardized
Coefficients Standardized
Coefficients t
Sig. B
Std. Error Beta
1 Constant
140.452 88.053
1.595 .115
EARNINGS 4172.049
5121.172 .089
.815 .418
KAP 113.870
70.919 .209
1.606 .113
ABSX1 -52.905
38.055 -.181
-1.390 .169
Y = 140.452 + 4172.049EARNINGS + 113.870KAP - 52.905ABSX1 + e Berdasarkan hasil analisis regresi lienar dengan variabel moderating yang
digunakan untuk menguji variabel moderating apakah menguatkan hubungan variabel independen terhadap variabel dependen. Berdasarkan Tabel 4.12 dapat
diketahui bahwa variabel selisih ABSX1 memiliki signifikansi sebesar 0.169 0.05, sehingga dapat disimpulkan bahwa Reputasi Auditor tidak mampu
memoderasi hubungan antara Manajemen Laba dengan EPS.
58
4.1.4 Regresi dengan Variabel Pemoderasi 2
Uji asumsi klasik dilakukan untuk mengetahui kondisi data yang digunakan dalam sebuah penelitian. Hal ini dilakukan agar diperoleh model
analisis yang tepat untuk digunakan dalam penelitian ini. Adapun uji asumsi klasik yang dilakukan meliputi; Uji normalitas, uji multikolinearitas, uji
heteroskedastisitas dan uji autokorelasi.
4.1.4.1 Uji Normalitas
Uji normalitas dilakukan untuk mengetahui apakah data yang digunakan memiliki distribusi normal atau mendekati normal dengan melihat normal
probability plot. Uji normalitas yang pertama dilakukan adalah berdasarkan grafik secara histogram yang terlihat pada gambar 4.7.
Sumber: Hasil Pengolahan Data SPSS September 2015 Gambar 4.7
Gambar Grafik Histogram Data Asli
59 Berdasarkan gambar 4.7 terlihat bahwa pola distribusi normal, akan tetapi
jika kesimpulan normal atau tidaknya data hanya dilihat dari grafik histogram, maka hal ini dapat menyesatkan khususnya untuk jumlah sampel yang kecil.
Metode lain yang digunakan dalam analisis grafik adalah dengan melihat normal probability plot yang membandingkan distribusi kumulatif dan distribusi normal.
Jika distribusi data residual normal, maka garis yang akan menggambarkan data sesungguhnya akan mengikuti garis diagonalnya. Uji normalitas dengan melihat
normal probability plot dapat dilihat dalam gambar 4.8 berikut:
Sumber: Hasil Pengolahan Data SPSS September 2015 Gambar 4.8
Normal Probability Plot Data Asli
60 Berdasarkan grafik profitabilitas pada gambar 4.8 di atas menunjukkan
bahwa data telah terdistribusi secara normal karena distribusi data residualnya mengikuti arah garis diagonal garis normal. Pengujian normalitas data secara
analisis statistik dapat dilakukan dengan melakukan uji Kolmogorov-Smirnov. Data yang terdistribusi normal ditunjukkan dengan nilai signifikansi di atas 0.05.
Sedangkan, data yang tidak berdistribusi normal ditunjukkan dengan nilai signifikansi dibawah 0.05 Ghozali,2007:12.
Tabel 4.13 Hasil Uji Normalitas dengan Kolmogorov-Smirnov
One-Sample Kolmogorov-Smirnov Test
Unstandardize d Residual
N 78
Normal Parameters
a,b
Mean 0E-7
Std. Deviation
137.37551106
Most Extreme Differences
Absolute .146
Positive .146
Negative -.046
Kolmogorov-Smirnov Z 1.291
Asymp. Sig. 2-tailed .071
a. Test distribution is Normal. b. Calculated from data.
Sumber: Hasil Pengolahan Data SPSS September 2015
Berdasarkan hasil uji normalitas dengan Kolmogorov-Smirnov Data Asli diatas, terlihat bahwa data telah terdistribusi dengan normal yang mana terlihat
bahwa nilai signifikansi diatas 0.05 yaitu sebesar 0.71 dan nilai Kolmogorov- Smirnov Z sebesar 1.291.
4.1.4.2. Uji Multikolinearitas
Uji multikolinearitas dilakukan untuk mengetahui ada atau tidaknya hubungan linear antara variabel independen dalam model regresi dimana prasyarat
dalam model regresi adalah tidak adanya multikolinearitas. Pada uji
61 multikolinearitas ini dapat dilihat melalui nilai inflation factor VIF dan
Tolerance.
Tabel 4.14 Hasil Uji Multikolinearitas
Coefficients
a
Model Collinearity Statistics
Tolerance VIF
1 Constant
KAP .681
1.469
LN.T.ASSET .532
1.879
ABSX2 .732
1.366
a. Dependent Variable: EPS
Sumber: Hasil Pengolahan Data SPSS September 2015
Berdasarkan aturan Variance Inflation Factor VIF dan Tolerance, apabila VIF melebihi angka 10 atau Tolerance kurang dari 0.10 maka dinyatakan
terjadi gejala multikolinearitas, sebaliknya apabila VIF kurang dari 10 atau Tolerance lebih dari 0.10 maka dinyatakan tidak terjadi gejala multikolinearitas.
Dalam penelitian ini data yang digunakan dalam uji multikolinearitas ini adalah data dari variabel independen. Berdasarkan tabel 4.14. diatas diketahui masing-
masing nilai VIF berada dibawah 10, dan nilai Tolerance diatas 0.1, maka dapat dipastikan data dari variabel independen tidak terjadi multikolinearitas.
4.1.4.3. Uji Heteroskedastisitas
Uji ini bertujuan untuk menguji apakah dalam model regresi terjadi ketidaksamaan variance dari residual satu pengamatan ke pengamatan yang lain.
Jika variance dari residual satu pengamatan ke pengamatan lain tetap, maka disebut homoskedastisitas, dan jika variance dari residual satu pengamatan ke
pengamatan lain berbeda disebut heteroskedastisitas. Untuk mendeteksi ada atau
62 tidaknya heteroskedastisitas dapat dilakukan dengan melihat grafik scatterplot,
dengan dasar analisis Ghozali, 2005:139. 1.
Jika pola tertentu, seperti titik-titik yang ada membentuk pola tertentu yang teratur bergelombang, melebar kemudian menyempit, maka
mengindikasikan telah terjadi heteroskedastisitas. 2.
Jika tidak ada pola yang jelas, serta titik-titik menyebar di atas dan di bawah angka 0 pada sumbu Y, maka tidak terjadi heteroskedastisitas.
Hasil uji heteroskedastisitas dengan menggunakan grafik scatterplot ditunjukkan pada gambar 4.9 berikut:
Sumber: Hasil Pengolahan Data SPSS September 2015 Gambar 4.9
Grafik Scatterplot
63 Pada grafik scatterplot diatas, terlihat titik-titik menyebar secara acak,
serta tersebar baik diatas maupun dibawah angka 0 pada sumbu Y sehingga dapat diambil kesimpulan bahwa tidak terdapat gejala heteroskedastisitas pada model
regresi yang digunakan.
4.1.4.4. Uji Autokorelasi
Uji autokorelasi dilakukan untuk menguji apakah sebuah model regresi terdapat korelasi antara kesalahan penganggu pada periode t dengan kesalahan
pengganggu pada periode t-1 atau sebelumnya Ghozali, 2005. Jika terjadi korelasi dinamakan ada masalah autokorelasi. Untuk mendeteksi ada atau
tidaknya autokorelasi, peneliti menggunakan Durbin-Watson DW test. Model regresi yang baik adalah regresi yang bebas dari autokorelasi. Kriteria pengujian
dengan hipotesis tidak ada autokorelasi adalah sebagai berikut, Menurut Santoso kriteria autokorelasi ada 3, yaitu:
1. Nilai D-W di bawah -2 berarti diindikasikan ada autokorelasi positif.
2. Nilai D-W di antara -2 sampai 2 berarti diindikasikan tidak ada
autokorelasi. 3.
Nilai D-W di atas 2 berarti diindikasikan ada autokorelasi negatif. Hasil pengujian autokorelasi dapat dilihat pada tabel berikut:
Tabel 4.15 Uji Autokorelasi dengan Durbin-Watson
Model Summary
b
Model R R Square Adjusted R
Square Std. Error of
the Estimate Durbin-
Watson 1
.812
a
.659 .645
140.13249 1.470
a. Predictors: Constant, ABSX2, KAP, LN.T.ASSET b. Dependent Variable: EPS
Sumber: Hasil Pengolahan Data SPSS September 2015
64 Berdasarkan hasil pengujian Durbin-Watson dengan menggunakan SPSS
maka diperoleh nilai Durbin-Watson sebesar 1.470 yang berarti berdasarkan kriteria Durbin-Watson hasil tersebut tidak terjadi autokorelasi.
4.1.4.5 Model Regresi dengan Variabel Moderating
Hasil regresi linear dengan variabel moderating pengaruh Ukuran Perusahaan terhadap EPS dengan Reputasi Auditor yang ditunjukkan pada tabel
4.16 berikut:
Tabel 4.16 Hasil Analisis Regresi
Coefficients
a
Model Unstandardized
Coefficients Standardized
Coefficients t
Sig. B
Std. Error Beta
1 Constant
-2516.513 236.926
-10.622 .000
KAP -107.305
44.795 -.197
-2.395 .019
LN.T.ASSET 149.471
13.559 1.025
11.024 .000
ABSX2 169.783
31.781 .424
5.342 .000
Sumber: Hasil Pengolahan Data SPSS September 2015
Y = -2516.513 + 149.471 – 10.7305KAP + 169.783ABSX2 + e Berdasarkan hasil analisis regresi lienar dengan variabel moderating yang
digunakan untuk menguji variabel moderating apakah menguatkan hubungan variabel independen terhadap variabel dependen. Berdasarkan Tabel 4.16 dapat
diketahui bahwa variabel selisih ABSX2 memiliki signifikansi sebesar 0.000 0.05, sehingga dapat disimpulkan bahwa Reputasi Auditor memoderasi hubungan
antara Ukuran Perusahaan dengan EPS.
4.1.5 Pembahasan
Hasil penelitian menunjukkan bahwa secara bersama-sama variabel manajemen laba, ukuran perusahaan dan leverage berpengaruh secara positif dan
signifikan terhadap EPS saham perusahaan perbankan yang terdaftar di BEI pada
65 periode 2012-2014, yang diperoleh melalui pengujian signifikansi simultan yang
menunjukkan nilai F hitung sebesar 26.952 F tabel 2.73, dan signifikansi sebesar 0.000 0.05. Hasil penelitian ini menunjukkan bahwa apabila variabel
manajemen laba, ukuran perusahaan, dan leverage ditingkatkan, maka akan meningkatkan EPS saham perusahaan perbankan. Hasil pengujian koefisien
determinasi menunjukkan nilai Adjusted R Square sebesar 0.503 yang berarti bahwa 50.3 EPS ditentukan oleh Manajemen Laba, Ukuran Perusahaan, dan
Leverage, sedangkan sisanya sebesar 49.7 lainnya ditentukan oleh variabel lain yang tidak diteliti pada penelitian ini.
Pengaruh Manajemen Laba terhadap Earning per Share
Hasil penelitian menunjukkan bahwa manajemen laba berpengaruh negatif namun tidak signifikan terhadap earning per share saham perusahaan perbankan
yang terdaftar di Bursa Efek Indonesia periode 2012-2014, yang diperoleh melalui pengujian signifikansi parsial uji t yang menunjukkan nilai t hitung sebesar -
0.122 t tabel 1.665 dan signifikansi sebesar 0.903 0.05. Hasil penelitian ini sesuai dengan hasil penelitian yang dilakukan oleh Nuryaman 2013 yang
meneliti tentang The Influence of Earning Management on Stock Return, yang menyatakan bahwa manajemen laba berpengaruh negatif terhadap pengembalian
saham. Hasil penelitian kali ini menunjukkan bahwa apabila perusahaan tersebut melaksanakan praktek manajemen laba, maka praktek tersebut akan menurunkan
earning per share perusahaan tersebut akibat berkurangnya kepercayaan masyarakat terhadap perusahaan tersebut.
66
Pengaruh Ukuran Perusahaan terhadap Earning per Share
Hasil penelitian menunjukkan bahwa ukuran perusahaan berpengaruh positif dan signifikan terhadap earning per share saham perusahaan perbankan
yang terdaftar di Bursa Efek Indonesia periode 2012-2014, yang diperoleh melalui pengujian signifikansi parsial uji t yang menunjukkan nilai t hitung sebesar
8.892 t tabel 1.665 dan signifikansi sebesar 0.000 0.05. Hasil penelitian ini menunjukkan bahwa semakin besar nilai aset suatu perusahaan, maka akan
semakin besar earning per share yang akan didapatkan oleh para pemegang saham. Hasil penelitian ini sesuai dengan penelitian yang dilakukan oleh Pangestu 2015
yang meneliti tentang Pengaruh Rasio Keuangan, Ukuran Perusahaan, dan Arus Kas dari Aktivitas Operasi terhadap Earning per Share pada Perusahaan
Pertambangan yang terdaftar di BEI periode 2010-2013, yang menyatakan bahwa Ukuran Perusahaan memiliki pengaruh positif dan signifikan terhadap earning per
share.
Pengaruh Leverage terhadap Earning per Share
Hasil penelitian menunjukkan bahwa leverage berpengaruh positif tetapi tidak signifikan terhadap earning per share saham perusahaan perbankan yang
terdaftar di Bursa Efek Indonesia periode 2012-2014, yang diperoleh melalui pengujian signifikansi parsial uji t yang menunjukkan nilai t hitung sebesar
0.142 t tabel 1.665 dan signifikansi sebesar 0.887 0.05. Hasil penelitian ini menunjukkan bahwa semakin besar nilai leverage suatu perusahaan, maka akan
semakin kecil earning per share yang akan didapatkan oleh para pemegang saham. Hasil penelitian ini sesuai dengan penelitian yang dilakukan oleh Pangestu 2015
67 yang meneliti tentang Pengaruh Rasio Keuangan, Ukuran Perusahaan, dan Arus
Kas dari Aktivitas Operasi terhadap Earning per Share pada Perusahaan Pertambangan yang terdaftar di BEI periode 2010-2013, yang menyatakan bahwa
Leverage memiliki pengaruh positif namun tidak signifikan terhadap earning per share.
Pengaruh Reputasi Auditor sebagai Variabel Pemoderasi
Hasil penelitian menunjukkan bahwa reputasi auditor memiliki pengaruh yang berbeda-beda sebagai variabel moderasi. Pada hubungan antara manajemen
laba dengan earning per share, reputasi auditor tidak mampu menjadi variabel moderasi. Pada hubungan antara ukuran perusahaan dengan earning per share,
variabel reputasi auditor mampu memoderasi hubungan antara keduanya. Kemudian pada hubungan antara leverage dengan earning per share, reputasi
auditor tidak mampu memoderasi hubungan antar keduanya.
68
BAB V KESIMPULAN DAN SARAN
5.1 Kesimpulan
Berdasarkan hasil penelitian dan pembahasan yang telah dijelaskan sebelumnya, maka kesimpulan yang dapat diambil adalah:
1. Secara bersama-sama, seluruh variabel independen yakni manajemen
laba, ukuran perusahaan, dan leverage berpengaruh positif dan signifikan terhadap earning per share perusahaan perbankan yang
terdaftar di Bursa Efek Indonesia periode 2012-2014. 2.
Secara parsial, dapat diketahui bahwa manajemen laba berpengaruh negatif namun tidak signifikan terhadap earning per share, sementara
ukruan perusahaan berpengaruh positif dan signifikan terhadap earning per share. Kemudian leverage berpengaruh positif namun tidak
signifikan terhadap earning per share. 3.
Variabel reputasi auditor tidak mampu memoderasi hubungan antara manajemen laba dengan earning per share, namun mampu memoderasi
hubungan antara ukuran perusahaan dengan earning per share.
5.2 Saran