Analisis Statistik Deskriptif Analisis Koefisien Determinasi

48

BAB IV HASIL DAN PEMBAHASAN

4.1 Analisis Statistik Deskriptif

Analisis statistik deskriptif digunakan untuk mengetahui deskripsi suatu data yang dilihat dari nilai maksimum, nilai minimum, nilai rata-rata mean, dan nilai standar deviasi, dari variabel profitabilitas, leverage, ukuran perusahaan, dividend payout ratio DPR, dan income smoothing. Berdasarkan analisis statistik deskriptif diperoleh gambaran sampel sebagai berikut. Tabel 4.1 Statistik Deskriptif dari Profitabilitas, Leverage, Ukuran Perusahaan, Dividend Payout Ratio DPR dan Income Smoothing Descriptive Statistics N Minimum Maximum Mean Std. Deviation Profitabilitas 64 .04 27.49 5.1622 4.65196 Leverage 64 .02 .88 .4936 .22505 Ukuran Perusahaan 64 10.05 17.91 14.1976 1.71342 DPR 64 5.42 71.59 35.4069 18.78371 Income Smoothing 64 693.00 7784577.00 591536.5000 1.69648E6 Valid N listwise 64 Berdasarkan Tabel 4.1, diketahui nilai profitabilitas minimum adalah 0,04, dan maksimum 27,49. Sementara rata-rata dan standar deviasi dari profitabilitas adalah 5,1622 dan 4,65196. Diketahui nilai leverage minimum adalah 0,02, dan maksimum 0,88. Sementara rata-rata dan standar deviasi dari leverage adalah 0,4936 dan 0,22505. Diketahui nilai ukuran perusahaan minimum adalah 10,05, dan maksimum 17,91. Sementara rata-rata dan standar deviasi dari ukuran perusahaan adalah 14,1976 dan 1,71342. Diketahui nilai DPR minimum adalah 5,42, dan maksimum 71,59. Sementara rata-rata dan standar deviasi dari DPR adalah 35,4069 dan 18.78371. Diketahui nilai income smoothing minimum adalah 693, dan Universitas Sumatera Utara 49 maksimum 7784577. Sementara rata-rata dan standar deviasi dari income smoothing adalah 591536,5 dan 169648.

4.2 Uji Asumsi Klasik

4.2.1 Uji Normalitas

Dalam penelitian ini, uji normalitas terhadap residual dengan menggunakan uji Kolmogorov-Smirnov. Tingkat signifikansi yang digunakan � = , 5. Dasar pengambilan keputusan adalah melihat angka probabilitas , dengan ketentuan sebagai berikut. Jika nilai probabilitas ≥ 0,05, maka asumsi normalitas terpenuhi. Jika probabilitas 0,05, maka asumsi normalitas tidak terpenuhi. Tabel 4.2 Uji Normalitas One-Sample Kolmogorov-Smirnov Test Unstandardize d Residual N 64 Normal Parameters a,,b Mean .0000000 Std. Deviation 11.91754172 Most Extreme Differences Absolute .164 Positive .164 Negative -.096 Kolmogorov-Smirnov Z 1.315 Asymp. Sig. 2-tailed .063 a. Test distribution is Normal. b. Calculated from data. Perhatikan bahwa berdasarkan Tabel 4.2, diketahui nilai probabilitas p atau Asymp. Sig. 2-tailed sebesar 0,063. Karena nilai probabilitas p, yakni 0,063, lebih besar dibandingkan tingkat signifikansi, yakni 0,05. Hal ini berarti asumsi normalitas terpenuhi.

4.2.2 Uji Multikolinearitas

Universitas Sumatera Utara 50 Untuk memeriksa apakah terjadi multikolinearitas atau tidak dapat dilihat dari nilai variance inflation factor VIF. Nilai VIF yang lebih dari 10 diindikasi suatu variabel bebas terjadi multikolinearitas Ghozali, 2013. Tabel 4.3 Uji Asumsi Multikolinearitas Model Collinearity Statistics Tolerance VIF 1 Constant Profitabilitas .894 1.119 Leverage .853 1.172 Ukuran Perusahaan .856 1.168 DPR .882 1.134 Perhatikan bahwa berdasarkan Tabel 4.3, nilai VIF dari profitabilitas adalah 1,119, nilai VIF dari variabel dari variabel leverage adalah 1,172, nilai VIF dari ukuran perusahaan adalah 1,168, dan nilai VIF dari DPR adalah 1,134. Karena masing-masing nilai VIF tidak lebih besar dari 10, maka tidak terdapat gejala multikolinearitas yang berat.

4.2.3 Uji Autokorelasi

Menurut Ghozali 2011 uji autokorelasi bertujuan untuk menguji apakah terjadi korelasi antara kesalahan pengganggu pada periode t dengan kesalahan pada periode t-1 sebelumnya. Model regresi yang baik adalah regresi yang bebas dari autokorelasi. Untuk mengetahui adanya korelasi dalam suatu regresi dapat dilakukan uji Run Test. Universitas Sumatera Utara 51 Tabel 4.4 Uji Asumsi Autokorelasi dengan Uji Run Runs Test Unstandardize d Residual Test Value a -2.57105 Cases Test Value 32 Cases = Test Value 32 Total Cases 64 Number of Runs 40 Z 1.764 Asymp. Sig. 2- tailed .078 a. Median Berdasarkan Tabel 4.4, diketahui nilai probabilitas atau Asymp. Sig. adalah 0,078, di mana lebih besar dari 0,05, maka tidak terjadi gejala autokorelasi. Uji autokorelasi juga dapat diuji dengan menggunakan uji Durbin-Watson Gio, 2015:61-62, Field, 2009:220. Nilai statistik dari uji Durbin-Watson berkisar di antara 0 dan 4. Nilai statistik dari uji Durbin- Watson yang lebih kecil dari 1 atau lebih besar dari 3 diindikasi terjadi autokorelasi. Tabel 4.5 Uji Asumsi Autokorelasi Model Durbin- Watson 1 2.801 Berdasarkan Tabel 4.5, nilai dari statistik Durbin-Watson adalah 2,801. Perhatikan bahwa karena nilai statistik Durbin-Watson terletak di antara 1 dan 3, maka asumsi non- autokorelasi terpenuhi. Dengan kata lain, tidak terjadi autokorelasi. Universitas Sumatera Utara 52

4.2.4 Uji Heteroskedastisitas

Uji heteroskedastisitas dapat dilakukan dengan uji grafik plot dan uji statistik. Uji statistik Glejser dipilih karena lebih dapat menjamin keakuratan hasil dibandingkan dengan uji grafik plot yang dapat menimbulkan bias. Uji Glejser dilakukan dengan meregresikan variabel bebas terhadap nilai absolute residual-nya terhadap variabel dependen. Kriteria yang digunakan untuk menyatakan apakah terjadi heteroskedastisitas atau tidak di antara data pengamatan dapat dijelaskan dengan menggunakan koefisien signifikansi. Koefisien signifikansi harus dibandingkan dengan tingkat signifikansi yang ditetapkan sebelumnya 5. Apabila koefisien signifikansi lebih besar dari tingkat signifikansi yang ditetapkan, maka dapat disimpulkan tidak terjadi heteroskedastisitas homoskedastisitas. Jika koefisien signifikansi lebih kecil dari tingkat signifikansi yang ditetapkan, maka dapat disimpulkan terjadi heteroskedastisitas. Tabel 4.6 Uji Heteroskedastisitas dengan Uji Glejser Coefficients a Model Unstandardized Coefficients Standardized Coefficients t Sig. B Std. Error Beta 1 Constant -10.652 10.989 -.969 .336 Profitabilitas .353 .296 .153 1.193 .238 Leverage -7.443 6.258 -.156 -1.189 .239 Ukuran Perusahaan 1.293 .821 .206 1.576 .120 DPR .107 .074 .187 1.453 .151 a. Dependent Variable: abs_residual_Glejser Berdasarkan Tabel 4.6, diketahui nilai probabilitas atau Sig. dari profitabilitas adalah 0,238, nilai probabilitas atau Sig. dari leverage adalah 0,239, nilai probabilitas atau Sig. dari ukuran perusahaan adalah 0,120, dan nilai probabilitas atau Sig. dari DPR adalah 0,151. Universitas Sumatera Utara 53 Karena masing-masing nilai probabilitas Sig. 0,05, maka disimpulkan tidak terjadi gejala heteroskedastistas.

4.3 Analisis Koefisien Determinasi

Koefisien determinasi merupakan suatu nilai nilai proporsi yang mengukur seberapa besar kemampuan variabel-variabel bebas yang digunakan dalam persamaan regresi, dalam menerangkan variasi variabel tak bebas Supranto, 2005:158, Gujarati, 2003:212. Tabel 4.7 Koefisien Determinasi Model Summary b Model R R Square Adjusted R Square Std. Error of the Estimate Durbin- Watson 1 .712 a .507 .473 12.31490 2.801 a. Predictors: Constant, DPR, Profitabilitas, Ukuran Perusahaan, Leverage b. Dependent Variable: Income Smoothing Berdasarkan Tabel 4.7, nilai koefisien determinasi terletak pada kolom R-Square. Diketahui nilai koefisien determinasi sebesar = ,5 7. Nilai tersebut berarti seluruh variabel bebas secara simultan mempengaruhi variabel income smoothing sebesar 50,7, sisanya sebesar 49,3 dipengaruhi oleh faktor-faktor lain. 4.4 Uji Signifikansi Pengaruh Simultan Uji Uji bertujuan untuk menguji pengaruh variabel bebas secara bersama-sama atau simultan terhadap variabel tak bebas. Diketahui nilai F tabel adalah 2,52 nilai F tabel tersaji di lampiran. Berdasarkan Tabel 4.8, diketahui nilai F hitung adalah 15,139. Perhatikan bahwa karena nilai F hitung 15,139 ≥ F tabel 2,52, maka disimpulkan bahwa pengaruh Universitas Sumatera Utara 54 simultan dari seluruh variabel bebas terhadap income smoothing signifikan secara statistika pada tingkat signifikansi � = , 5. Hasilnya dapat diringkas pada Tabel 4.9 dan Tabel 4.10. Tabel 4.8 Uji Pengaruh Simultan dengan Uji ANOVA b Model Sum of Squares df Mean Square F Sig. 1 Regression 9183.864 4 2295.966 15.139 .000 a Residual 8947.751 59 151.657 Total 18131.615 63 a. Predictors: Constant, DPR, Profitabilitas, Ukuran Perusahaan, Leverage b. Dependent Variable: Income smoothing Tabel 4.9 Uji Pengaruh Simultan dengan Pendekatan Nilai F Variabel Nilai F Hitung Nilai F Tabel Tersaji di Lampiran Interpretasi profitabilitas, leverage, ukuran perusahaan, DPR 15,139 2,52 Pengaruh faktor profitabilitas, leverage, ukuran perusahaan, DPR, secara simultan signifikan mempengaruhi income smoothing F Hitung F Tabel Tabel 4.10 Uji Pengaruh Simultan dengan Pendekatan Nilai Sig Variabel Nilai Sig Tingkat Signifikansi Interpretasi profitabilitas, leverage, ukuran perusahaan, DPR 0,000 � = , 5 Pengaruh faktor profitabilitas, leverage, ukuran perusahaan, DPR, secara simultan signifikan mempengaruhi income smoothing Sig 0,05 Universitas Sumatera Utara 55

4.5 Analisis Regresi Linear Berganda dan Uji Signifikansi Pengaruh Parsial Uji t