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