Statistik Deskriptif Uji Asumsi Klasik

39

BAB IV HASIL PENELITIAN DAN PEMBAHASAN

4.1 Hasil Penelitian

4.1.1 Statistik Deskriptif

Setelah mengambil data sekunder terkait dengan variabel yang diuji pada penelitian ini yaitu Earning Power, Firm Size, Good Corporate Governance, dan Earning Management pada Perusahaan Manufaktur Makanan dan Minuman yang terdaftar di BEI periode 2012-2014, maka perlu diketahui bagaimana distribusi data dengan melihat nilai minimum, maksimum, nilai rata-rata, dan nilai standar deviasinya, yang mana ditampilkan pada Tabel 4.1 berikut: Tabel 4.1 Statistik Deskriptif Descriptive Statistics N Minimum Maximum Mean Std. Deviation earning_power 87 2.43 2.90 2.6593 .11337 firm_size 87 2.28 4.22 3.6029 .43113 GCG 87 -.90 4.20 2.3139 .92334 earning_mgt 87 -.54 2.46 .7269 .61883 Valid N listwise 87 Sumber: Hasil Pengolahan Data September 2016 Berdasarkan Tabel 4.1 diketahui bahwa nilai minimum, maksimum, mean, dan standar deviasi dari tiap-tiap variabel, adapun nilai earning power, firm size, good corporate governance, dan earning management adalah nilai yang sudah di logaritma naturalkan. Adapun data yang diteliti adalah 29 perusahaan selama 3 tahun penelitian yaitu 87 data. Universitas Sumatera Utara 40

4.1.2 Uji Asumsi Klasik

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. Gambar 4.1 Gambar Grafik Histogram Data Asli Universitas Sumatera Utara 41 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: 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 Universitas Sumatera Utara 42 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 4.2 Hasil Uji Normalitas dengan Kolmogorov-Smirnov One-Sample Kolmogorov-Smirnov Test Unstandardize d Residual N 87 Normal Parameters a,b Mean 0E-7 Std. Deviation .43418356 Most Extreme Differences Absolute .135 Positive .122 Negative -.135 Kolmogorov-Smirnov Z 1.258 Asymp. Sig. 2-tailed .084 a. Test distribution is Normal. b. Calculated from data. 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 0.084 dan nilai Kolmogorov-Smirnov Z sebesar 1.258 dibawah 1.97.

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. Universitas Sumatera Utara 43 Tabel 4.3 Hasil uji Multikolinearitas Coefficients a Model Collinearity Statistics Tolerance VIF 1 Constant earning_power .968 1.033 firm_size .968 1.033 a. Dependent Variable: earning_mgt 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.

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. 1. Jika pola tertentu, seperti titik-titik yang ada membentuk pola tertentu yang teratur bergelombang, melebar kemudian menyempit, maka mengindikasikan telah terjadi heteroskedastisitas. Universitas Sumatera Utara 44 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 dibawah ini: Gambar 4.3 Grafik Scatterplot 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. Universitas Sumatera Utara 45

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. Hasil pengujian autokorelasi dapat dilihat pada tabel berikut: 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 .713 a .508 .496 .43932 2.163 a. Predictors: Constant, firm_size, earning_power b. Dependent Variable: earning_mgt Berdasarkan hasil pengujian Durbin-Watson diperoleh nilai Durbin-Watson sebesar 2.163 yang berarti berdasarkan kriteria Durbin-Watson hasil tersebut 1.579 2.163 2.421 yang berarti tidak terjadi autokorelasi. Universitas Sumatera Utara 46

4.1.3 Uji Hipotesis