77
0,39 dengan nilai rata-rata mean sebesar 0,1826, sedangkan standar deviasi sebesar 0,07979.
6 Komisaris Independen Hasil uji statistik pada tabel 4.3 menunjukkan bahwa variabel
komisaris independen IND dari jumlah sampel N 115 memiliki nilai minimum sebesar 0,25 dan komisaris independen IND maksimum
sebesar 0,50 dengan nilai rata-rata mean sebesar 0,3735, sedangkan standar deviasi sebesar 0,05565.
b. Variabel Dependen Variabel dependen dalam penelitian ini adalah Effective Tax Rate.
Hasil uji statistik pada tabel 4.3 menunjukkan bahwa variabel Effective Tax Rate ETR dari jumlah sampel N 115 memiliki nilai minimum
sebesar 0,15 dan Effective Tax Rate ETR maksimum sebesar 0,33 dengan nilai rata-rata mean sebesar 0,2461, sedangkan standar deviasi
sebesar 0,02999.
2. Uji Asumsi Klasik
a. Uji Heteroskedastisitas Uji heteroskedastisitas dilakukan untuk menguji apakah dalam model
regresi terjadi ketidaksamaan variance dari residual satu pengamatan ke pengamatan yang lain. Pendeteksian ada atau tidaknya heteroskedastisitas
dapat dilakukan dengan uji park pada tabel 4.4
78
Tabel 4.4 Hasil Uji Heteroskedastisitas Menggunakan Uji
Park sebelum Transformasi
Coefficients
a
Model Unstandardized Coefficients
Standardized Coefficients
t Sig.
B Std. Error
Beta 1 Constant
2,420 13,655
,177 ,860
Ln_SIZE -3,721
3,959 -,095
-,940 ,349
Ln_LEV ,322
,326 ,113
,988 ,326
Ln_ROA -,844
,339 -,269
-2,488 ,014
Ln_CI -,393
,418 -,100
-,942 ,348
Ln_II ,234
,350 ,064
,670 ,504
Ln_IND ,574
1,499 ,036
,383 ,703
a. Dependent Variable: Ln_PARK
Sumber: Data sekunder yang diolah Berdasarkan
tabel 4.4
mengenai hasil
uji heteroskedastisitas
menggunakan uji park, memberikan koefisien parameter untuk variabel independen profitabilitas ROA signifikan 0,05, maka dapat disimpulkan
bahwa model regresi terdapat Heteroskedastisitas. Maka dari itu untuk mengobati penyimpangan asumsi klasik atas heteroskedastisitas dilakukan
dengan Model Regresi Semi Log Ghozali, 2013:193. Model Regresi Semi Log yaitu model regresi kita rubah menjadi semi-
log dengan semua variabel independen ukuran perusahaan, leverage, profitabilitas, intensitas aset tetap, intensitas persediaan, dan komisaris
independen dalam bentuk logaritma natural sehingga persamaan regresi menjadi seperti berikut ini:
ETRt = β1 + β2Ln_SIZE
it
+ β3Ln_LEV
it
+ β4Ln_ROA
it
+ β5Ln_CI
it
+ Ln_
β6II
it
+ β7IND
it
+ €it
79
Tabel 4.5 Hasil Uji Heteroskedastisitas Menggunakan Uji
Park Sesudah Transformasi
Coefficients
a
Model Unstandardized
Coefficients Standardized
Coefficients t
Sig. B
Std. Error Beta
Constant -3,294
16,650 -,198
,844 Ln_SIZE
-,589 4,827
-,013 -,122
,903 Ln_LEV
,756 ,398
,223 1,901
,060 Ln_ROA
-,274 ,414
-,074 -,663
,509 Ln_CI
-,142 ,510
-,030 -,280
,780 Ln_II
,405 ,426
,093 ,950
,344 Ln_IND
3,278 1,828
,172 1,793
,076 a. Dependent Variable: Ln_UjiPark
Sumber: Data sekunder yang diolah Berdasarkan tabel 4.5 mengenai hasil uji heteroskedastisitas
menggunakan uji park, memberikan koefisien parameter untuk variabel independen tidak ada yang siginfikan 0,05, maka dapat disimpulkan
bahwa model regresi tidak terdapat Heteroskedastisitas.
Grafik 4.1 Hasil Uji Heteroskedastisitas Menggunakan Grafik
Scatterplot
Sumber: Data sekunder yang diolah
80
Berdasarkan grafik 4.1 mengenai hasil uji heteroskedastisitas menggunakan 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 pada model regresi ini tidak terjadi
heteroskedastisitas, sehingga model regresi ini layak dipakai untuk memprediksi effective tax rate berdasarkan variabel-variabel yang
mempengaruhinya yaitu ukuran perusahaan SIZE, leverage LEV, profitabilitas ROA, intensitas aset tetap CI, intensitas persediaan II, dan
komisaris independen IND. b. Uji Multikolonieritas
Uji multikolonieritas ini dilihat dari nilai tolerance T dan variance inflation factor VIF. Uji multikolonieritas dilakukan untuk menguji apakah
terdapat korelasi antar variabel independen Berikut ini adalah tabel hasil pengujian uji multikolonieritas dengan menggunakan nilai tolerance T dan
variance inflation factor VIF.
Tabel 4.6 Hasil Uji Multikolonieritas Menggunakan VIF
Model Collinearity Statistics
Tolerance VIF
Constant Ln_SIZE
,790 1,266
Ln_LEV ,617
1,620 Ln_ROA
,685 1,461
Ln_CI ,715
1,399 Ln_II
,882 1,134
Ln_IND ,924
1,082 a. Dependent Variable: ETR
81
Berdasarkan tabel 4.6 mengenai hasil uji multikolonieritas menggunakan VIF terlihat bahwa variabel ukuran perusahaan SIZE memiliki nilai
tolerance T sebesar 0,790 dan variance inflation factor VIF sebesar 1,266, variabel leverage LEV memiliki nilai tolerance T sebesar 0,617 dan
variance inflation factor VIF sebesar 1,620, variabel profitabilitas ROA memiliki nilai tolerance T sebesar 0,685 dan variance inflation factor VIF
sebesar 1,461, variabel intensitas aset tetap CI memiliki nilai tolerance T sebesar 0,715 dan variance inflation factor VIF sebesar 1,399, variabel
intensitas persediaan II memiliki nilai tolerance T sebesar 0,882 dan variance inflation factor VIF sebesar 1,134, serta variabel komisaris
independen IND memiliki nilai tolerance T sebesar 0,924 dan variance inflation factor VIF sebesar 1,082.
Dari hasil perhitungan nilai tolerance T diatas menunjukkan tidak ada variabel independen yang memiliki nilai tolerance T kurang dari 0,10 yang
berarti tidak ada korelasi antar variabel independen yang nilainya lebih dari 95. Tabel 4.6 juga menunjukkan hal yang sama bahwa tidak ada satu
variabel independen yang memiliki nilai variance inflation factor VIF lebih dari 10. Berdasarkan hasil uji multikolonieritas tersebut maka dapat
disimpulkan bahwa dalam model persamaan regresi penelitian ini tidak terdapat masalah pada uji multikolonieritas dan model persamaan regresi
dapat digunakan pada penelitian ini.
82
c. Uji Normalitas Uji normalitas dilakukan untuk menguji apakah dalam model regresi,
variabel pengganggu atau residual memiliki distribusi normal. Untuk menguji normalitas atas suatu data dilakukan pengujian melalui analisis grafik.
Berikut ini adalah hasil uji normalitas dengan menggunakan grafik histogram
Grafik 4.2 Hasil Uji Normalitas Menggunakan Grafik Histogram
Sumber: Data sekunder yang diolah Berdasarkan grafik 4.2 mengenai hasil uji normalitas menggunakan
grafik histogram, pada grafik 4.2 menunjukkan pola distribusi pada grafik histogram tersebut adalah grafik histogram dengan pola distribusi normal.
Dengan demikian, dapat disimpulkan bahwa data dalam penelitian ini telah terdistribusi dengan normal atau model regresi telah memenuhi asumsi
normalitas.
83
Grafik 4.3 Hasil Uji Normalitas Menggunakan Grafik P-Plot
Sumber: Data sekunder yang diolah Berdasarkan grafik 4.3 mengenai hasil uji normalitas menggunakan
grafik P-Plot hal ini terlihat data pada grafik tersebut menyebar disekitar garis diagonal dan mengikuti arah garis diagonal. Dengan demikian dapat
disimpulkan bahwa data dalam penelitian ini telah terdistribusi dengan normal dan model regresi memenuhi asumsi normalitas.
84
Tabel 4.7 Hasil Uji Normalitas Menggunakan Kolmogorov-Sminorv K-S
One-Sample Kolmogorov-Smirnov Test Unstandardized Residual
N 115
Normal Parameters
a,b
Mean ,0000000
Std. Deviation ,02741511
Most Extreme Differences
Absolute ,077
Positive ,065
Negative -,077
Test Statistic ,077
Asymp. Sig. 2-tailed ,089
c
a. Test distribution is Normal. b. Calculated from data.
c. Lilliefors Significance Correction.
Sumber: Data sekunder yang diolah
Berdasarkan tabel 4.7 mengenai hasil uji normalitas menggunakan uji statistik non-parametrik Kolmogorov-Smirnov, besarnya nilai Kolmogorov-
Smirnov adalah 0,077 dan signifikan pada 0,089 yang nilainya lebih dari 0,05. Dengan demikian dapat disimpulkan bahwa data dalam penelitian ini
telah terdistribusi dengan normal. d. Uji Autokorelasi
Persamaan regresi yang baik adalah yang tidak memiliki masalah autokorelasi. Jika terjadi autokorelasi maka persamaan tersebut menjadi tidak
baik atau tidak layak dipakai prediksi. Salah satu ukuran dalam menentukan ada tidaknya autokorelasi adalah dengan menggunakan uji Durbin-Watson
DW. Terjadi autokorelasi positif jika nilai DW dibawah -2 DW -2, tidak terjadi autokorelasi jika nilai DW berada di antara -2 dan +2 atau -
2 ≤ DW ≤ +2, terjadi autokorelasi positif jika nilai DW diatas +2 DW +2 Sunyoto,
85
2011:91. Adapun hasil pengujian autokorelasi dengan menggunakan uji Durbin
– Watson DW test yaitu sebagai berikut:
Tabel 4.8 Hasil Uji Autokorelasi Menggunakan Uji
Durbin – Watson
Model Summary
b
Model R
R Square Adjusted R
Square Std. Error of
the Estimate Durbin-
Watson
1 ,405
a
,164 ,118
,02817 1,705
a. Predictors: Constant, Ln_IND, Ln_SIZE, Ln_ROA, Ln_II, Ln_CI, Ln_LEV
b. Dependent Variable: ETR
Sumber: Data sekunder yang diolah Berdasarkan tabel 4.8 mengenai hasil uji autokorelasi menggunakan uji
Durbin-Watson, ditemukan nilai Durbin Watson test sebesar 1,705. Nilai DW tersebut berada di antara -2 dan +2 atau DW -
2 ≤ DW ≤ +2. Maka tidak terjadi autokorelasi dalam penelitian ini.
Tabel 4.9 Hasil Uji Autokorelasi Menggunakan
Runs Test Runs Test
Unstandardized Residual
Test Value
a
-,00145 Cases Test Value
57 Cases = Test Value
58 Total Cases
115 Number of Runs
50 Z
-1,592 Asymp. Sig. 2-tailed
,111 a. Median
Sumber: Data sekunder yang diolah Berdasarkan tabel 4.9 mengenai hasil uji autokorelasi menggunakan run
test, bahwa Nilai test adalah -0,00145 dan signifikan pada 0,111 yang nilainya lebih dari 0,05. Sehingga dapat disimpulkan bahwa residual random
acak.
86
3. Uji Koefisien Determinasi R