Uji Asumsi Klasik .1 Uji Normalitas

2,05314693 dan nilai standar deviasi sebesar 1,173033562. Nilai standar deviasi lebih kecil dibanding nilai rata-rata mean menunjukkan bahwa simpangan data pada rasio DER ini dapat dikatakan baik. 5. Variabel Price to Book Value PBV memiliki jumlah sampel N sebanyak 82, dengan nilai minimum sebesar 0,503888 dan nilai maksimum sebesar 5,89. Variabel PBV memiliki nilai rata-rata sebesar 2,05314693 dan nilai standar deviasi sebesar 1,173033562. Nilai standar deviasi lebih kecil dibanding nilai rata-rata mean menunjukkan bahwa simpangan data pada rasio PBV ini dapat dikatakan baik. 4.3 Uji Asumsi Klasik 4.3.1 Uji Normalitas Uji normalitas adalah uji yang dilakukan untuk mengetahui apakah variabel pengganggu atau variabel residual terdistribusi normal. Salah satu cara yang digunakan untuk melihat apakah data normal atau tidak adalah melakukan analisis grafik dengan melihat grafik histogram dan probability plot. Suatu data dikatakan baik apabila data tersebut terdistribusi normal. Pada grafik histogram, data yang mengikuti atau mendekati distribusi normal adalah distribusi data dengan bentuk lonceng. Universitas Sumatera Utara Gambar 4.1 Histogram Sumber : Output SPSS. Diolah oleh penulis, 2014 Berdasarkan gambar 4.1, terlihat bahwa bentuk histogram menggambarkan data yang berdistribusi normal atau mendekati normal karena bentuk histogram seperti bentuk lonceng bell shaped curve. Uji normalitas yang kedua adalah dengan melihat normal probability plot. Pada grafik P-P Plot, data dikatakan terdistribusi secara normal apabila titik-titik datanya menyebar disekitar garis pola. Pada gambar 4.2 terlihat bahwa titik-titik data tidak menyebar Universitas Sumatera Utara dengan merata disekitar garis pola dimana ada beberapa titik yang menjauhi garis pola, sehingga ini menunjukkan bahwa data tidak terdistribusi secara normal. Gambar 4.2 Kurva Normal P-P Plot Analisis statistik dapat dilakukan dengan pengujian Kolmogorov Smirnov. Untuk melihat apakah data terdistribusi normal atau tidak dapat dilihat dari nilai signifikansinya. Jika nilai signifikansinya lebih besar dari 0,05 maka data terdistribusi normal. Apabila nilai signifikansinya lebih kecil dari 0,05 maka data tidak terdistribusi normal. Pengujian tersebut dapat dilihat pada tabel berikut ini : Universitas Sumatera Utara Tabel 4.2 Uji Normalitas Data Awal One-Sample Kolmogorov-Smirnov Test Unstandardiz ed Residual N 145 Normal Parameters a,b Mean 0E-7 Std. Deviation .01792651 Most Extreme Differences Absolute .156 Positive .156 Negative -.109 Kolmogorov-Smirnov Z 1.882 Asymp. Sig. 2-tailed .002 a. Test distribution is Normal. b. Calculated from data. Sumber : Output SPSS. Diolah oleh penulis, 2014 Hasil uji Kolmogorov Smirnov pada tabel diatas menunjukkan bahwa nilai signifikan atau nilai probabilitasnya sebesar 0,022. Maka dapat disimpulkan bahwa data tidak terdistribusi normal karena nilai signifikansinya lebih kecil dari 0,05 yaitu 0,022 0,05. Pengujian normalitas data yang dilakukan dengan uji grafik dan uji statistik menunjukkan bahwa data tidak terdistribusi normal sehingga uji hipotesis tidak dapat dilakukan. Untuk menormalkan data penelitian maka penulis melakukan transformasi data. Salah Universitas Sumatera Utara satu transformasi data yang dapat dilakukan adalah dengan menggunakan Logaritma Natural LN. Penulis melakukan pengujian ulang terhadap normalitas data untuk melihat apakah data terdistribusi normal atau tidak setelah dilakukan transformasi data. Hasil uji normalitas data setelah dilakukan transformasi data dapat dilihat sebagai berikut : Gambar 4.3 Histogram Setelah Transformasi Data Grafik histogram pada gambar 4.3 menunjukkan pola distribusi normal karena bentuk kurva cenderung di tengah dan tidak condong ke kiri maupun condong ke kanan. Dilihat dari grafik diatas, maka dapat disimpulkan bahwa data dalam penelitian berdistribusi normal. Universitas Sumatera Utara Normalisasi data juga diuji menggunakan grafik P-P Plot. Sebuah data dapat dikatakan normal apabila distribusi data menyebar di sekitar garis diagonal. Hal ini dapat dilihat pada gambar 4.4 yang menunjukkan grafik normal P-P Plot setelah dilakukan transformasi data. Gambar 4.4 Kurva Normal P-P Plot Setelah Transformasi Data Selanjutnya uji normalitas dilakukan dengan uji Kolmogorov- Smirnov dengan pedoman pengujian menurut Supratno 2013 adalah Universitas Sumatera Utara dengan cara memperhatikan bilangan pada kolom signifikansi Sig. dan untuk menetapkan kenormalan, kriteria yang berlaku adalah sebagai berikut: 1. Jika signifikansi yang diperoleh 0.05, maka sampel berasal dari populasi yang berdistribusi normal. 2. Jika signifikasi yang diperoleh 0.05, maka sampel bukan berasal dari populasi yang berdistribusi normal. Tabel 4.3 Uji Normalitas Setelah Transformasi One-Sample Kolmogorov-Smirnov Test Unstandardiz ed Residual N 82 Normal Parameters a,b Mean 0E-7 Std. Deviation 1.12651367 Most Extreme Differences Absolute .089 Positive .089 Negative -.068 Kolmogorov-Smirnov Z .808 Asymp. Sig. 2-tailed .531 Sumber : Output SPSS. Diolah oleh penulis, 2014 Hasil uji kolmogorov smirnov pada tabel 4.3 diatas menunjukkan nilai Kolmogorov Smirnov K-S sebesar 0,808 dan Universitas Sumatera Utara nilai signifikan sebesar 0,531 sehingga dapat disimpulkan bahawa data dalam model regresi berdistribusi normal, dimana nilai signifikansinya 0.531 0,05.

4.3.2 Uji Heteroskedastisitas

Uji heteroskedastisitas adalah uji yang dilakukan untuk melihat apakah dalam model regresi terjadi perbedaan variabel residu dari satu pengamatan ke pengamatan lain Ghozali, 2011. Hasil pengujian heteroskedastisitas dapat dilihat pada gambar 4.5 berikut ini: Gambar 4.5 Grafik Scatterplot Awal Universitas Sumatera Utara Pada gambar 4.5 terlihat bahwa grafik scatterplot menunjukkan pola tertentu dimana titik-titik tidak tersebar baik diatas maupun dibawah angka 0 pada sumbu Y dan mengindikasikan telah terjadi heteroskedastisitas. Model regresi dikatakan baik apabila tidak terjadi heteroskedastisitas. Agar model regresi dapat digunakan maka peneliti melakukan transformasi data. Hasil dari transformasi data terhadap pengujian heteroskedastisitas adalah sebagai berikut: Gambar 4.6 Grafik Scatterpplot Setelah Transformasi Data Pengujian heteroskedastisitas setelah transformasi data pada gambar 4.6 menunjukkan bahwa titik-titik menyebar secara acak Universitas Sumatera Utara serta tersebar baik diatas maupun dibawah angka 0 pada sumbu Y, sehingga dapat dikatakan tidak terjadi heteroskedastisitas dan model regresi layak dipakai untuk mengetahui faktor-faktor yang mempengaruhi manajemen laba.

4.3.3 Uji Autokorelasi

Uji autokorelasi bertujuan menguji apakah dalam suatu model regresi linear ada korelasi antara kesalahan pengganggu pada periode t dengan kesalahan pada periode t-1 atau sebelumnya Erlina, 2008:106. Autokorelasi sering terjadi pada sampel dengan data time series dengan sampel adalah periode waktu. Pengujian autokorelasi pada penelitian ini dilakukan dengan menggunakan uji Durbin- Watson. Tabel 4.4 Uji Durbin-Watson Model Summary b Model R R Square Adjusted R Square Std. Error of the Estimate Durbin- Watson 1 .156 a .024 -.026 1.15540 1.816 a. Predictors: Constant, PBV, DER, IFRS, SIZE b. Dependent Variable: LN_DLLPit Universitas Sumatera Utara Hasil pengujian pada tabel 4.4 menunjukkan bahwa nilai D-W Durbin Watson sebesar 1,816. Nilai ini akan dibandingkan dengan nilai tabel Durbin-Watson, dimana nilai batas bawah Durbin-Watson dl sebesar 1,5406, nilai batas atas Durbin-Watson du sebesar 1,7446 dengan jumlah sampel n sebanyak 82 dan jumlah variabel independen k sebanyak 4 variabel. Sesuai dengan kriteria pengambilan keputusan Durbin-Watson du d 4-du = 1,7446 1,816 2,2554, maka model regresi pada penelitian ini tidak terjadi autokorelasi.

4.3.4 Uji Multikolinearitas

Uji multikolinearitas adalah uji yang dilakukan untuk mengetahui apaka pada model regresi ditemukan adanya korelasi di antara variabel independen. Model regresi yang baik seharusnya tidak terjadi multikolinearitas di antara variabel independen. Cara untuk mendeteksi terjadinya multikolinearitas yaitu dengan melihat nilai tolerance TOL dan variance inflation factor VIF. Jika nilai VIF 10 dan nilai tolerance 0,1, maka dapat disimpulkan tidak terjadi multikolinearitas. Hasil pengujian multikolinearitas pada penelitian ini adalah sebagai berikut: Hasil tabel 4.3 menunjukkan bahwa seluruh variabel bebas dari gejala multikolinearitas karena masing-masing variabel memiliki nilai tolerance 0.10 dan nilai VIF 10. Universitas Sumatera Utara Universitas Sumatera Utara Tabel 4.5 Uji Multikolinearitas Coefficients a Model Unstandardized Coefficients Standardize d Coefficients t Sig. Collinearity Statistics B Std. Error Beta Toleranc e VIF 1 Constant -4.347 2.506 -1.735 .087 IFRS .042 .335 .014 .125 .901 .973 1.028 SIZE -.032 .080 -.052 -.405 .686 .784 1.276 DER -.022 .060 -.041 -.362 .718 .968 1.033 PBV .164 .123 .169 1.331 .187 .786 1.272 a. Dependent Variable: LN_DLLPit Hasil pengujian multikolinearitas pada tabel 4.5 menunjukkan nilai tolerance variabel independen lebih besar dari 0,1. Nilai tolerance IFRS sebesar 0,973; SIZE sebesar 0,784; DER sebesar 0,968; dan PBV sebesar 0,786. Hasil perhitungan VIF kurang dari 10 terlihat pada IFRS sebesar 1,028; SIZE sebesar 1,276; DER sebesar 1,033; dan PBV sebesar 1,272. Dari nilai tolerance dan nilai VIF dimana masing-masing nilai variabel independen memenuhi kriteria pengujian multikolinearitas maka dapat disimpulkan bahwa tidak ada multikolinearitas antar variabel independen. Universitas Sumatera Utara

4.4 Pengujian Hipotesis