39
1. Perusahaan yang terdaftar di Bursa Efek Indonesia yang termasuk kategori perusahaan manufaktur dan mempublikasi laporan keuangan
pada tahun 2011-2014. 2. Perusahaan menyampaikan laporan keuangan dan data yang lengkap
secara berturut-turut pada tahun 2011-2014. 3. Perusahaan sampel tersebut mempublikasikan laporan keuangan dengan
menggunakan tahun buku yang berakhir pada tanggal 31 Desember. 4. Data yang tersedia lengkap baik data yang diperlukan untuk
mengidentifikasi kualitas laba dan data yang berkaitan dengan profitabilitas, Investment Opportunity Set IOS, dan good corporate
governance GCG perusahaan.
C. Metode Pengumpulan Data
Metode pengumpulan data yang digunakan dalam penelitian ini adalah studi pustaka dan studi dokumentasi. Studi pustaka dilakukan dengan
mengolah data, artikel, jurnal maupun media tertulis lain yang berkaitan dengan topik pembahasan dari penelitian ini. Studi dokumentasi adalah
metode pengumpulan data dengan mengumpulkan data sekunder yang digunakan untuk menyelesaikan masalah dalam penelitian ini seperti laporan
tahunan perusahaan yang menjadi sampel penelitian. Jenis data yang digunakan dalam penelitian ini adalah data kuantitatif. Peneliti menggunakan
data sekunder yaitu berupa laporan tahunan perusahaan manufaktur yang terdaftar di Bursa Efek Indonesia pada periode 2011-2014.
40
D. Metode Analisis Data
Metode analisis data dalam penelitian ini menggunakan pendekatan keilmuan statistika yaitu metode regresi linear berganda dengan
menggunakan aplikasi SPSS versi 21 dan EViews versi 9. Sesuai dengan data yang telah diperoleh maka pendekatan yang sesuai
dalam penelitian ini adalah pendekatan kuantitatif, yaitu pendekatan yang menekankan pada angka-angka dalam penelitiannya. Dari data angka yang
telah diperoleh maka diharap dapat memberikan kesimpulan yang tepat.
1. Metode Data Panel
Menurut Winarno 2011, data panel atau pooled data merupakan data yang terdiri atas data seksi silang beberapa variabel dan data runtut
waktu berdasar waktu. Analisis regresi data panel adalah analisis regresi yang didasarkan pada data panel untuk mengamati hubungan antara
variabel terikat dependen dan variabel bebas independen. a. Model dengan data cross section :
Data dengan seksi silang adalah data yang terdiri atas beberapa objek pada suatu waktu. Biasanya data dalam jenis ini, setiap objek
memiliki beberapa variabel, maka model yang dapat disimpulkan adalah sebagai berikut :
Yi = α + β Xi + Ɛi ; i = 1,2,…,N Dimana :
N = Banyaknya data cross section
41
b. Model dengan data time series : Data runtut waktu adalah data yang terdiri atas satu objek tetapi
meliputi beberapa periode waktu, maka model yang dapat disimpulkan adalah sebagai berikut :
Yt = α + β Xt + Ɛi ; t = 1,2,…,T Dimana :
T = Banyaknya data time series c. Model dengan data panel
Melihat data panel merupakan gabungan antara data cross section dan data time series maka model yang dapat disimpulkan adalah
sebagai berikut : Yit = α + β Xit + Ɛit ; I = 1,2,…,N; t = 1,2,…,T
Dimana : N = Banyaknya data cross section
T = Banyaknya data time series N x T = Banyaknya data panel
Keunggulan penggunaan metode data panel dibandingkan metode time series atau cross section adalah:
1. Estimasi data panel dapat menunjukkan adanya heterogenitas dalam tiap individu.
2. Dengan data panel, data lebih informasif, lebih bervariasi, mengurangi kolinearitas antar variabel, meningkatkan derajat
kebebasan degree of freedom, dan lebih efisien.
42
3. Studi data panel lebih memuaskan untuk menentukan perubahan dinamis dibandingkan dengan studi berulang dari cross section.
4. Data panel lebih mendeteksi dan mengukur efek yang secara sederhana tidak dapat diukur oleh data time series atau cross
section. 5. Data panel membantu studi untuk menganalisis perilaku yang lebih
kompleks. 6. Data panel dapat meminimalkan bias yang dihasilkan oleh agregasi
individu atau perusahaan karena unit data lebih banyak.
2. Pemodelan data panel
Terdapat tiga pendekatan yang dapat digunakan dalam mengestimasi data panel, yaitu : 1 pendekatan OLS biasa Pooled Least Square, 2
pendekatan efek tetap Fixed Effect Model, dan 3 pendekatan efek acak Random Effect Model.
a. Pendekatan Pooled Least Square PLS
Pendekatan ini merupakan pendekatan yang paling sederhana karena menggabungkan data cross section dan data time series sebagai
analisisnya. Dalam pendekatan ini tidak memperhatikan dimensi antar individu maupun rentang waktu, sehingga model ini dapat pula dapat
pula disebut sebagai model OLS biasa karena menggunakan kuadrat terkecil.
43
b. Pendekatan Fixed Effect Model FEM
Metode efek tetap ini dapat menunjukan perbedaan antar objek meskipun dengan regresor yang sama. Model ini dikenal dengan model
regresi Fixed Effect efek tetap. Efek tetap ini dimaksudkan adalah bahwa sutu objek, memiliki konstan yang tetap besarannya untuk
berbagai periode waktu. Demikian juga dengan koefisien regresinya, tetap besaranya dari waktu ke waktu time invariant.
Keuntungan metode efek tetap ini adalah dapat membedakan efek individual dan efek waktu dan tidak perlu mengasumsikan bahwa
komponen eror tidak berkolerasi dengan variabel bebas yang mungkin sulit dipenuhi. Dan kelemahan metode efek tetap ini adalah
ketidaksesuaian model dengan keadaan yang sesungguhnya. Kondisi tiap objek saling berbeda, bahkan satu objek pada suatu waktu akan
sangat berbeda dengan kondisi objek tersebut pada waktu yang lain.
c. Pendekatan Random Effect Model REM
Keputusan untuk memasukan variabel boneka dalam model efek tetap fixed effect tidak dapat dipungkiri akan dapat menimbulkan
konsekuensi trade off. Penambahan variabel boneka ini akan dapat mengurangi banyaknya derajat kebebasan degree of freedom yang
pada akhirnya akan mengurangi efisiensi dari parameter yang diestimasi. Model panel data yang didalamnya melibatkan kolerasi
antar error term karena berubahnya waktu karena berbedanya observasi dapat diatasi dengan pendekatan model komponen eror eror
44
component model atau disebut juga model efek acak random effect. Metode ini digunakan untuk mengatasi kelemahan metode efek tetap
yang menggunakan variabel semu, sehingga model mengalami ketidakpastian. Tanpa menggunakan variabel semu, metode efek
menggunakan residual, yang diduga memiliki hubungan antar waktu dan antar objek. Syarat untuk menganalisis efek random yaitu objek
data silang harus lebih besar dari pada banyaknya koefisien Winarno, 2007.
3. Pemilihan Model Data Panel
Ada dua tahap dalam memilih metode dalam data panel. Pertama kita harus membandingkan PLS dengan FEM terlebih dahulu. Kemudian
dilakukan uji F-test. Jika hasil menunjukkan model PLS yang diterima, maka model PLS lah yang akan dianalisa. Tapi jika model FEM yang
diterima, maka tahap kedua dijalankan, yakni melakukan perbandingan lagi dengan model REM. Setelah itu dilakukan pengujian dengan
Hausman test untuk menentukan metode mana yang akan dipakai, apakah FEM atau REM.
a. Uji Chow
Uji ini dilakukan untuk mengetahui model Pooled Least Square PLS atau FEM yang akan digunakan dalam estimasi. Relatif
terhadap Fixed Effect Model, Pooled Least Square adalah restricted model dimana ia menerapkan intercept yang sama untuk seluruh
individu. Padahal asumsi bahwa setiap unit cross section memiliki
45
perilaku yang sama cenderung tidak realistis mengingat dimungkinkan saja setiap unit tersebut memiliki perilaku yang berbeda. Untuk
mengujinya dapat digunakan restricted F-test, dengan hipotesis sebagai berikut.
H0: Model Pooled Least Square PLS H1: Model Fixed Effect
Jika nilai F-hitung F-tabel, atau nilai probabilitas P-Value a 5, maka H0 ditolak, artinya model panel yang baik untuk
digunakan adalah Fixed Effect Model, dan sebaliknya jika H0 diterima, maka model Pooled Least Square yang dipakai dan
dianalisis. Namun jika H0 ditolak, maka model FEM harus diuji kembali untuk memilih apakah memakai model FEM atau REM lalu
dianalisis.
b. Uji Hausman
Ada beberapa pertimbangan teknis empiris yang dapat digunakan sebagai panduan untuk memilih antara Fixed Effect Model atau
Random Effect Model yaitu: 1 Bila T jumlah unit time series besar sedangkan N jumlah
unit cross section kecil, maka hasil FEM dan REM tidak jauh berbeda. Dalam hal ini pilihan umumnya akan didasarkan
pada kenyamanan perhitungan, yaitu FEM. 2 Bila N besar dan T kecil, maka hasil estimasi kedua
pendekatan dapat berbeda signifikan. Jadi, apabila kita meyakini
46
bahwa unit cross section yang kita pilih dalam penelitian diambil secara acak random maka REM harus digunakan. Sebaliknya,
apabila kita meyakini bahwa unit cross section yang kita pilih dalam penelitian tidak diambil secara acak maka kita
menggunakan FEM. 3 Apabila cross section error component
€i berkorelasi dengan variabel bebas X maka parameter yang diperoleh dengan
REM akan bias sementara parameter yang diperoleh dengan FEM tidak habis.
4 Apabila N dan T kecil, dan apabila asumsi yang mendasari REM dapat terpenuhi, maka REM lebih efisien dibandingkan
tidak bias. Keputusan penggunaan FEM dan REM dapat pula ditentukan
dengan menggunakan spesifikasi yang dikembangkan dengan Hausman. Spesifikasi ini akan memberikan penilaian dengan
menggunakan Chi-square statistik sehinggan keputusan pemilihan model akan dapat ditentukan secara statistik. Pengujian ini dilakukan
dengan hipotesa sebagai berikut: H0 : Random Effect Model
H1 : Fixed Effect Model Setelah dilakukan pengujian ini, hasil dari Hausman test
dibandingkan dengan Chi-square statistik dengan df = k, dimana k adalah jumlah koefesien variabel yang diestimasi atau nilai
47
probabilitas P-Value a 5,. Jika hasil dari Hausman test signifikan, maka H0 ditolak, maka Fixed Effect Model yang
digunakan dan jika sebaliknya maka Random Effect Model yang digunakan .
c. Uji Lagrangge Multiplier LM
Uji Langrangge
Multiliper LM
dilakukan untuk
membandingkan atau memilih model mana yang terbaik antara Fixed Effect Model dan Random Effect Model. Pengujian ini dilakukan
dengan hipotesa sebagai berikut: H0 : Fixed Effect Model
H1 : Random Effect Model Setelah dilakukan pengujian ini, hasil dari Langrangge Multiplier
test Breusch-Pagan dibandingkan dengan nilai probability. Jika nilai Breusch
– Pagan a 5 maka H0 ditolak, artinya model panel yang baik untuk digunakan adalah Random Effect Model REM. Namun
jika H0 diterima maka model data panel yang baik digunakan adalah Fixed Effect Model FEM.
4. Uji Asumsi Klasik
Terlebih dahulu dilakukan uji asumsi klasik sebelum di lakukannya regresi, hal tersebut dilakukan untuk melihat apakah data terbebas dari
masalah multikolinearitas, heteroskedastisitas, dan autokorelasi. Uji asumsi klasik ini penting dilakukan untuk menghasilkan estimator yang
linier tidak bias dengan varian yang minimum Best Linier Unbiased
48
Estimator – BLUE, yang berarti model regresi tidak mengandung
masalah. Untuk itu perlu dibuktikan lebih lanjut apakah model regresi yang digunakan sudah memenuhi asumsi tersebut. Asumsi
– asumsi tersebut antara lain:
a. Uji Normalitas
Salah satu asumsi dalam analisis statistika adalah data berdistribusi normal. Untuk menguji data apakah terdistribusi normal
dengan menggunakan histogram dan uji Jarque-Bera. Jarque-Bera adalah uji statistik untuk mengetahui apakah data
berdistribusi normal. Uji ini mengukur perbedaan skewness dan kurtosis data dan dibandingkan dengan apabila datanya bersifat
normal. Dengan H pada data berdistribusi normal, uji Jarque-Bera
didistribusi dengan X
2
dengan derajat bebas degree of freedom sebesar 2. Probability menunjukan kemungkinan Jarque-Bera
melebihi dalam nilai absolut nilai terobservasi dibawah hipotesis nol. Nilai probabilitas yang kecil cenderung mengarahkan pada
penolakan hipotesis nol distribusi normal. Pada angka Jarque-Bera diatas nilai probabilitas 5, maka kita dapat menolak H
bahwa data terdistribusi normal Winarno, 2011
b. Uji Multikolinearitas
Multikolinearitas adalah kondisi adanya hubungan linier antar variabel
independen. Karena
melibatkan beberapa
variabel independen, maka multikolinearitas tidak akan terjadi pada persamaan
49
regresi sederhana yang terdiri atas satu variabel dependen dan satu variabel independen. Winarno, 2011.
Menurut Santoso 2010, multikolinearitas mengandung arti bahwa antar variabel independen yang terdapat dalam model memiliki
hubungan yang sempurna atau mendekati sempurna koefisien korelasinya tinggi atau bahkan 1.
Indikasi multikolinearitas ditunjukkan dengan beberapa informasi antara lain:
1. Nilai R
2
tinggi, tetapi variable independen banyak yang tidak signifikan.
2. Dengan menghitung koefisien korelasi antarvariabel independen, apabila koefisien rendah maka tidak terdapat multikolinearitas.
3. Dengan melakukan regresi auxiliary, yaitu regresi yang dapat digunakan untuk mengetahui hubungan antara dua atau lebih
variabel independen yang secara bersama-sama mempengaruhi satu variabel independen lainnya.
Sedangkan alternatif menghilangkan multikolinearitas antara lain bisa dengan menambahkan data penelitian bila memungkinkan, karena
masalah multikolinearitas biasanya muncul karena jumlah observasi yang sedikit. Selain itu dapat dengan menghilangkan salah satu
variabel independen terutama yang memiliki hubungan linier yang kuat dengan variabel lain. Namun jika tidak mungkin dihilangkan
maka tetap
harus dipakai.
Selanjutnya bisa
dengan
50
mentransformasikan salah satu atau beberapa variabel dengan melakukan diferensiasi Winarno, 2011.
c. Uji Heteroskedastisitas
Dalam regresi linier ganda, salah satu asumsi yang harus dipenuhi agar taksiran parameter dalam model tersebut bersifat BLUE adalah
var u
i
= ơ
2
konstan, semua sesatan mempunyai variansi yang sama. Padahal, ada kasus-
kasus tertentu dimana variansi ư
i
tidak konstan, melainkan suatu variabel berubah-ubah Nachrowi, 2008.
Heteroskedastisitas merupakan fenomena terjadinya perbedaan varian antar seri data. Heteroskedastisitas muncul apabila nilai varian
dari variabel tak bebas Y
i
meningkat sebagai meningkatnya varian dari variabel bebas X
i
, maka varian dari Y
i
adalah tidak sama. Gejala heteroskedastisitas lebih sering dalam data cross section dari
pada time series. Selain itu juga sering muncul dalam analisis yang menggunakan data rata-rata.
Menurut Nachrowi dan Usman 2008:129, ada beberapa dampak yang ditimbulkan oleh heteroskedastisitas terhadap OLS, antara lalin:
1. Akibat tidak konstannya variansi, maka salah satu dampak yang ditimbulkan adalah lebih besarnya variansi dari taksiran.
2. Lebih besarnya variansi taksiran, tentu akan berpengaruh pada uji hipotesis yang dilakukan uji t dan F karena kedua uji tersebut
menggunakan besaran variansi taksiran. Akibatnya, kedua uji hipotesis tersebut menjadi kurang akurat.
51
3. Lebih besarnya variansi taksiran akan mengakibatkan standard error taksiran yang lebih besar sehingga interval kepercayaan
menjadi sangat besar. 4. Akibat beberapa dampak tersebut, maka kesimpulan yang diambil
dari persamaan regresi yang dibuat dapat menyesatkan. Menurut
Gujarati 2007,
untuk mendektesi
keberadaan heteroskedastisitas digunakan metode grafik scatter plot, uji Park, uji
Glejser, uji White, dimana apabila nilai probabilitas p-value observasi R
2
lebih besar dibandingkan tingkat resiko kesalahan yang diambil digunakan
α = 5, maka residual digolongkan homoskedastisitas.
d. Uji Autokorelasi
Autokorelasi adalah adanya korelasi antara variable itu sendiri, pada pengamatan yang berbeda waktu dan individunya. Pada umumya
autokorelasi lebih sering terjadi pada data time series Nachrowi dan Usman, 2008.
Menurut Winarno 2011, autokorelasi adalah hubungan antara residual satu observasi dengan residual observasi lainnya.
Autokorelasi lebih mudah timbuh pada data yang bersifat runtut waktu, karena berdasarkan sifatnya, data masa sekarang dipengaruhi
oleh data pada masa sebelumnya. Dikarenakan dalam penelitian ini menggunakan data panel, maka
uji autokorelasi sudah tidak perlu du uji kembali. Karena data panel
52
sifatnya lebih kepada cross section maka bisa dikatakan tidak ada autokorelasi.
5. Uji Hipotesis
Uji hipotesis ini digunakan untuk memeriksa atau menguji apakah koefisien regresi yang didapat signifikan berbeda nyata. Maksudnya
dari signifikan ini adalah suatu nilai koefisien regresi yang secara statistik tidak sama dengan nol. Jika koefisien slope sama dengan nol,
berarti dapat dikatakan bahwa tidak cukup bukti untuk menyatakan variabel bebas mempunyai pengaruh terhadap variabel terikat. Ada dua
jenis uji hipotesis terhadap koefisien regresi yang dapat dilakukan antara lain:
a. Uji Signifikansi Individual uji t
Uji ini dilakukan untuk mengetahui pengaruh masing – masing
variabel independen secara parsial terhadap variabel dependen. Uji t dilakukan dengan membandingkan t hitung terhadap t table dengan
ketentuan sebagai berikut: 1.
Ho : βi = 0, berarti tidak ada pengaruh positif dari masing - masing variabel independen terhadap variabel dependen secara
parsial individu. 2.
Ho : βi 0, berarti ada pengaruh positif dari masing-masing variabel independen terhadap variabel dependen secara parsial
individu.
53
3. Tingkat kepercayaan yang digunakan adalah 95 atau taraf signifikan 5 α = 0,05 dengan criteria penilaian sebagai
berikut: a. Jika t hitung t table maka Ha diterima dan Ho ditolak
berarti ada pengaruh yang signifikan dari masing – masing
variable independen terhadap variable dependen secara parsial individu.
b. Jika t hitung t table maka Ho diterima dan Ha ditolak berarti tidak ada pengaruh yang signifikan dari masing
– masing variabel independen terhadap variable dependen
secara parsial individu.
b. Uji Signifikansi simultan Uji F
Pengujian ini dilakukan untuk mengetahui apakah semua variabel independen secara bersama-sama simultan dapat
berpengaruh terhadap variable dependen. Cara yang digunakan adalah dengan membandingkan nilai F hitung dengan F table
dengan ketentuan sebagai berikut: 1.
Ho : βi = 0 berarti tidak ada pengaruh signifikan dari variabel independen terhadap variabel dependen secara
simultan bersama-sama. 2.
Ho : βi 0, berarti ada hubungan yang signifikan dari variabel independen terhadap variabel dependen secara
simultan bersama-sama.
54
3. Tingkat kepercayaan yang digunakan adalah 95 atau taraf signifikan 5 α = 0,05 dengan kriteria penilaian sebagai
berikut: a Jika F hitung F table maka Ha diterima dan Ho
ditolak berarti ada variable independen secara bersama- sama mempunyai pengaruh yang signifikan terhadap
variable dependen.
b Jika F hitung F tabel maka Ho diterima dan Ha
ditolak berarti ada variable independen secara bersama- sama tidak mempunyai pengaruh yang signifikan
terhadap variable dependen. c. Koefisien Determinasi Adjusted R
2
Untuk mengetahui penaksiran parameter dan standard error bahwa model regresi estimasi cukup baik atau tidak perlu
dilakukan cara untuk mengukur seberapa dekat garis regresi yang terestimasi dengan data. Ukuran yang biasa yang
digunakan untuk keperluan ini adalah Goodness of Fit R
2
. ukuran ini mencerminkan seberapa besar variasi dari
regressand Y dapat diterangkan oleh regressor X. Bila R
2
=0, artinya variasi dari Y tidak dapat diterangkan oleh X sama sekali. Sementara bila R
2
= 1, artinya variasi dari Y, 100 dapat diterangkan oleh X. dengan kata lain bila R
2
= 1, maka semua titik pengamatan berada pada garis regresi. Dengan
55
demikian, ukuran goodness of fit dari suatu model ditentukan oleh R
2
yang nilainya antara nol dan satu.
6. Model Regresi Data Panel
Model persamaan dasar data panel yaitu: Yit = β1 X1it + β2 X2it + β3 X3it + β4 X4it + µit……………….
Model persamaan yang akan diestimasi pada penelitian ini adalah sebagai berikut:
KL = β0 + β1 ROA + β2 IOS + β3 KM + β4 KI + ε… Dimana:
KL : Kualitas Laba
β0 : Konstanta
β1,β2,β3,β4,β5 : Koefisien Variabel Independen ROA
: Return On Asset IOS
: Investment Opportunity Set KM
: Kepemilikan Manajerial KI
: Komposisi Dewan Komisaris ε
: Koefisien Eror Setelah model penelitian di estimasi maka akan diperoleh nilai dan
besaran dari masing – masing parameter dalam model persamaan diatas.
Nilai dari parameter positif atau negatif selanjutnya akan digunakan untuk menguji hipotesis penelitian.
56
E. Operasional Variabel Penelitian
1. Variabel Penelitian Penelitian yang akan dilakukan ini menggunakan variabel terikat
dependent dan variabel bebas independent. Variabel terikat merupakan variabel yang dijelaskan atau dipengaruhi oleh variabel
bebas. Variabel terikat yang digunakan dalam penelitian ini adalah kualitas laba yang diukur dengan rasio dari arus kas operasi dibagi
dengan laba bersih. Variabel bebas merupakan variabel yang diduga mempengaruhi variabel terikat. Variabel bebas dalam penelitian ini
meliputi profitabilitas, Investment Opportunity Set IOS, dan mekanisme Good Corporate Governance GCG.
2. Definisi Operasional a. Variabel Dependen
Dalam penelitian ini variabel dependen yang digunakan adalah kualitas laba. Kualitas laba diukur dengan menggunakan model
pendekatan Penman 2001 dalam Setianingsih 2013 yaitu rasio dari arus kas operasi dibagi dengan laba bersih. Semakin rendah
rasio maka semakin tinggi kualitas laba. b. Variabel Independen
Variabel independen dalam penelitian ini meliputi Profitabilitas, Investment Opportunity Set IOS, dan mekanisme Good Corporate
Governance GCG yang diproksikan dengan komite audit, komisaris independen dan kepemilikan manajerial.
57
1 Profitabilitas Profitabilitas adalah seberapa besar efektifitas perusahaan
dalam menghasilkan keuntungan dengan pemanfaatan yang dimiliki. ROA adalah salah satu bentuk dari rasio profitabilitas
untuk mengukur kemampuan perusahaan dalam menghasilkan laba yang menggunakan total aktiva yang ada dan setelah biaya-
biaya modal dikeluarkan dari analisis. ROA dihitung dari laba bersih dengan total aktiva Sukmawati et al., 2014.
Return On Asset =
L
X 100 2 Investment Opportunity Set IOS
Investment opportunity set IOS menggambarkan luasnya kesempatan atau peluang investasi bagi suatu perusahaan,
namun sangat tergantung pada pilihan expenditure perusahaan untuk kepentingan dimasa mendatang Simamora et al., 2014.
Perhitungan rasio market value to book value of equity MVEBVE diformulasikan sebagai berikut.
MVEBE=
ℎ ℎ
× �
ℎ �
3 Good Corporate Governance Variabel good corporate governance terdiri atas komposisi
komisaris independen dan kepemilikan manajerial. a Komisaris Independen
Komisaris independen merupakan sebuah badan dalam perusahaan yang biasanya beranggotakan dewan komisaris
58
yang independen yang berasal dari luar perusahaan fungsinya untuk menilai kinerja perusahaan secara luas dan
keseluruhan, komisaris independen bertujuan untuk menyeimbangkan dalam pengambilan keputusan khususnya
dalam rangka perlindungan terhadap pemegang saham minoritas dan pihak-pihak lain yang terkait Herawati,
2008. Pengukuran variabel komisaris independen dalam penelitian ini dengan menghitung jumlah komisaris
independen dibagi jumlah total komisaris yang ada dalam susunan dewan komisaris perusahaan.
KI =
J
b Kepemilikan Manajerial Kepemilikan manajerial adalah tingkat kepemilikan saham
pihak manajemen yang secara aktif ikut dalam pengambilan keputusan, misalnya direktur dan komisaris Simamora et
al., 2014. Kepemilikan manajerial juga dapat diartikan sebagai persentase saham yang dimiliki oleh manajer dan
direktur perusahaan pada akhir tahun untuk masing-masing periode pengamatan Paulus, 2012. Pengukuran variabel
kepemilikan manajerial pada penelitian ini dihitung berdasarkan besarnya nilai saham yang dimiliki oleh pihak
manajemen perusahaan. KPMJ =
J y
y
59
Tabel 3.1 Operasionalisasi Variabel Penelitian
Variabel Indikator
Skala Profitabilitas
Sukmawati, 2014
L
X 100 Rasio
Investment opportunity
set IOS Simamora,
2014
Jumlah lembar saham beredar × Harga penutupan saham Total ekuitas
Rasio
Komisaris Independen
Simamora, 2014
Jumlah anggota dewan komisaris dari luar perusahaan Seluruh anggota dewan komisaris perusahaan
Rasio
Kepemilikan Manajerial
Simamora, 2014
Saham yang dimiliki direksi dan komisaris Total saham
Rasio
Kualitas laba Setianingsih,
2013 Arus kas operasi
Laba bersih Rasio
Sumber: Data yang diolah
60
BAB IV HASIL DAN PEMBAHASAN
A. Gambaran Umum Penelitian
Penelitian ini mengambil populasi dari seluruh perusahaan manufaktur yang terdaftar di Bursa Efek Indonesia BEI dari tahun 2011
sampai dengan tahun 2014. Perusahaan manufaktur merupakan emiten terbesar dalam memberikan kesempatan bagi para pelaku pasar investor
untuk menanamkan modalnya, sehingga perusahaan manufaktur selalu mendapat perhatian dari para pelaku pasar Novianti, 2013. Kriteria-kriteria
perusahaan yang djadikan sampel dalam penelitian ini dapat dilihat dalam tabel 4.1 dibawah ini
Tabel 4.1 Rincian Sampel Penelitian
No Kriteria
Jumlah
1 Seluruh perusahaan manufaktur yang terdaftar di BEI
dari tahun 2011-2014 571
2 Perusahaan yang tidak mengeluarkan annual report
secara berturut turut 319
3 Perusahaan tersebut memiliki data lengkap terkait
dengan variabel yang diteliti 252
4 Perusahaan menyajikan laporan keuangan selain dalam
bentuk rupiah. 52
5 Total perusahaan sampel yang diolah 2011-2014
200 Sumber: Data sekuder yang diolah
Perusahaan manufaktur terdiri dari sektor industri dasar dan kimia semen, porselen, keramik dan kaca, logam dan sejenisnya, kimia, plastik dan