Metode Pengumpulan Data Operasional Variabel Penelitian

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