4. Variabel financial leverage mempunyai nilai minimum 0,00 ; nilai maksimum
13,65 ; nilai rata-rata 2,9986 dan standar deviasi 4,38123 dengan jumlah observasi sebanyak 63 sampel.
5. Variabel pengungkapan tanggung jawab sosial mempunyai nilai minimum
0,10 ; nilai maksimum 0,89 ; nilai rata-rata 0,3968 dan standar deviasi 0,17130 dengan jumlah observasi sebanyak 63 sampel.
C. Uji Asumsi Klasik
Pengujian asumsi klasik diperlukan untuk mengetahui apakah hasil estimasi regresi yang dilakukan benar-benar bebas dari adanya gejala heteroskedastisitas,
gejala multikolinearitas, dangejala autokorelasi. Model regresi akan dapat dijadikan alat estimasi yang tidak bias jika telah memenuhi persyraratan Best
Linear Unbiased Estimator BLUE yakni tidak terdapat heteroskedastisitas, tidak terdapat multikolinearitas, dan tidak terdapat autokorelasi. Apabila terdapat
heterokedastisitas, maka varian tidak konstan sehingga dapat menyebabkan biasnya standar error. Apabila terdapat multikolinearitas, maka akan sulit untuk
mengisolasi pengaruh-pengaruh individual dari variabel, sehingga tingkat signifikansi koefesien regresi menjadi rendah. Adanya autokorelasi
mengakibatkan penaksir masih tetap bias dan masih tetap konsisten hanya saja menjadi tidak efisien, oleh karena itu, uji asumsi klasik perlu dilakukan.
Pengujian-pengujian yang dilakukan adalah sebagai berikut.
1. Uji Normalitas
Pengujian normalitas dalam penelitian ini menggunakan uji statistik non- parametrik Kolmogorov-Smirnov K-S, dengan hipotesis :
Universitas Sumatera Utara
H
o
= Data residual berdistribusi normal H
a
= Data tidak berdistribusi normal Apabila nilai signifikansi 0,05 dengan
α = 5, berarti distribusi data normal dan H
o
diterima, sebaliknya bila nilai signifikansi 0,05 berarti distribusi data tidak normal dan H
a
diterima.
Tabel 4.2 Hasil Uji Normalitas
One-Sample Kolmogorov-Smirnov Test
Unstandardized Residual
N 63
Normal Parameters
a,b
Mean .0000000
Std. Deviation .11556475
Most Extreme Differences Absolute
.077 Positive
.077 Negative
-.050 Kolmogorov-Smirnov Z
.613 Asymp. Sig. 2-tailed
.847 a. Test distribution is Normal.
b. Calculated from data. Sumber : Hasil Pengolahan Data SPSS 2011
Berdasarkan hasil pengolahan data pada tabel 4.2 diperoleh besarnya nilai Kolmogorov-Smirnov adalah 0,613 dan signifikan pada 0,847. Nilai
signifikansi ini lebih besar dari 0,05 yang menunjukkan bahwa setiap variabel berdistribusi normal. Setelah data berdistribusi normal dapat dilanjutkan
dengan uji asumsi lainnya. Berikut turut dilampirkan grafik histogram dan plot data yang terdistribusi normal.
Universitas Sumatera Utara
Gambar 4.1 Histogram
Sumber : Hasil Pengolahan Data SPSS 2011 Berdasarkan gambar 4.1 histogram di atas, dapat disimpulkan bahwa
distribusi data mendekati normal, karena grafik histogram menujukkan garis diagonal yang tidak menceng baik ke kiri maupun ke kanan. Berikut hasil uji
normalitas dengan menggunakan grafik plot:
Gambar 4.2 Normal P-Plot
Sumber : Hasil Pengolahan Data SPSS 2011
Universitas Sumatera Utara
Berdasarkan gambar 4.2 dapat dilihat bahwa penyebaran data mendekati normal atau memenuhi asumsi normalitas, dimana titik-titik menyebar di
sekitar garis diagonal dan penyebarannya mengikuti arah garis diagonal.
2. Uji Multikoleniaritas
Pengujian multikoleniaritas dilakukan untuk melihat apakah pada model regresi ditemukan adanya korelasi antar variabel independen. Model regresi
yang baik seharusnya tidak terjadi multikolonieritas. Cara mendeteksi ada atau tidaknya multikoleniaritas adalah dengan melihat nilai Variance Inflation
Factor VIF dan nilai tolerence. Menurut Ghozali 2005:92, ”suatu model regresi dinyatakan terjadi multikolinearitas apabila nilai tolerance 0,10 dan
VIF 10”. Berikut adalah hasil pengujian multikoleniaritas.
Tabel 4.3 Hasil Uji Multikoleniaritas
Coefficients
a
Model Unstandardized
Coefficients Standardized
Coefficients t
Sig. Collinearity
Statistics B
Std. Error Beta
Tolerance VIF Constant
-.749 .200
-3.748 .000 SIZE
.034 .007
.506 4.515 .000 .624 1.602
KOMITE .038
.018 .209 2.135 .037
.815 1.227 PROFIT
.970 .330
.264 2.944 .005 .978 1.022
LEV .005
.004 .124 1.123 .266
.648 1.543 a. Dependent Variable: CSR
Sumber : Hasil Pengolahan Data SPSS 2011 Berdasarkan tabel 4.3, dapat disimpulkan bahwa tidak terjadi korelasi di
antara variabel independen, dengan kata lain variabel-variabel independen
Universitas Sumatera Utara
dalam penelitian ini bebas dari gejala multikolinearitas. Jika dilihat pada tabel semua variabel independen memiliki VIF sekitar 1, atau VIF 10. Selain itu,
nilai toleransi untuk setiap variabel independen lebih besar dari 0,1 tolerance 0,1 sehingga dapat disimpulkan tidak ada multikolinearitas dalam model
regresi ini.
3. Uji Heterokedastisitas
Pengujian heterokedastisitas bertujuan untuk menguji apakah terjadi ketidaksamaan variance dari residual satu pengamatan ke pengamatan lain
dalam model regresi. Model regresi yang baik adalah tidak terjadi heterokedastisitas atau homokedastisitas. Uji heterokedastisitas dapat dilihat
dengan grafik scatterplot. Model regresi telah menyatakan terjadi heterokedastisitas apabila titik-titik yang ada membentuk pola tertentu yang
teratur bergelombang, melebar kemudian menyempit. Hasil pengujian dengan grafik dapat dilihat pada gambar di bawah ini.
Gambar 4.3 Hasil Uji Heterokedastisitas Scatterplot
Sumber: Hasil Pengolahan Data SPSS 2011
Universitas Sumatera Utara
Berdasarkan grafik scatterplot terlihat bahwa titik-titik menyebar secara acak serta tersebar baik di atas maupun di bawah angka 0 pada sumbu Y. Hal
ini dapat disimpulkan bahwa tidak terjadi heterokedastisitas pada model regresi, sehingga model ini layak dipakai untuk memprediksi pengungkapan
tanggung jawab sosial pada perusahaan Perbankan dan Lembaga Keuangan yang terdaftar di BEI berdasarkan masukan variabel independen ukuran
perusahaan, ukuran komite audit, profitabilitas, dan financial leverage.
4. Uji Autokorelasi
Menurut Situmorang 2010:113, “uji autokorelasi bertujuan menguji apakah dalam model regresi linear ada korelasi antara kesalahan pengganggu
pada periode t dengan kesalahan pengganggu pada periode sebelumnya”. Autokorelasi sering ditemukan pada data time series karena “gangguan” pada
data cenderung mempengaruhi “gangguan” data yang sama pada periode berikutnya. Model regresi yang baik adalah regresi yang terbebas dari
autokorelasi. Cara yang dapat digunakan untuk mendeteksi ada atau tidaknya
autokorelasi dalam suatu model regresi adalah dengan melakukan uji Durbin- Watson. Model regresi tidak akan mengalami autokorelasi apabila nilai du
dw 4 – du. Berikut ini disajikan hasil uji Durbin-Watson.
Universitas Sumatera Utara
Tabel 4.4 Hasil Uji Autokorelasi
Sumber: Hasil Pengolahan Data SPSS 2011 Berdasarkan tabel 4.4 di atas ditunjukkan bahwa nilai uji Durbin-Watson
yaitu sebesar 2,142. Nilai ini akan dibandingkan dengan nilai tabel dengan menggunakan signifikansi 5, jumlah pengamatan N 63, dan jumlah variabel
independen k 4, maka didapatkan nilai batas atas du sebesar 1, 727 dan nilai batas bawah dl sebesar 1,444 sehingga nilai dw lebih besar dari 1,727 dan
lebih kecil dari 4 – 1,727 atau dapat dinyatakan bahwa 1,727 2,142 4 – 1,727 du dw 4 – du. Hasil penelitian tersebut menjelaskan bahwa tidak
terdapat autokorelasi baik positif maupun negatif.
D. Analisis Regresi dan Uji Hipotesis 1. Persamaan Regresi