Deskripsi Data Penelitian Analisis Hasil Penelitian .1 Statistik Deskriptif

36

BAB IV HASIL PENELITIAN DAN PEMBAHASAN

4.1 Deskripsi Data Penelitian

Populasi yang diteliti dalam penelitian ini adalah perusahaan manufaktur yang terdaftar di Bursa Efek Indonesia selama tahun 2008-2010. Perusahaan yang dijadikan sampel berjumlah 30 perusahaan. Daftar perusahaan yang telah ditentukan dapat dilihat pada lampiran. 4.2 Analisis Hasil Penelitian 4.2.1 Statistik Deskriptif Statistik deskriptif ini memberikan gambaran mengenai nilai minimum, nilai maksimun, mean, dan standar deviasi. Statistik deskriptif akan dijelaskan dalam tabel berikut ini. Sumber : Output SPSS, diolah Peneliti, 2013 Tabel 4.1. STATISTIK DESKRIPTIF Descriptive Statistics N Minimum Maximum Mean Std. Deviation Ukuran Perusahaan 90 27.65 32.36 29.2420 1.06468 Likuiditas 90 7.99 846.30 206.9397 147.89732 Leverage 90 10.86 74.23 42.0092 16.48650 Mandatory Disclosure 90 .56 .82 .6656 .07168 Valid N listwise 90 Universitas Sumatera Utara 37 Berdasarkan data dari tabel 4.1 dapat dijelaskan bahwa : 1. Rata-rata dari ukuran perusahaan Ln total aset adalah 29,2420 dengan standar deviasi 1,06468 dan jumlah data yang ada adalah 90. Nilai tertinggi Ln total aset adalah 32,36 sedangkan nilai terendah adalah 27,65. 2. Rata-rata dari likuiditas adalah 206,9397 dengan standar deviasi 147,89732 dan jumlah data yang ada adalah 90. Nilai likuiditas tertinggi adalah 846,30 sedangkan nilai terendah adalah 7,99. 3. Rata-rata dari leverage adalah 42,0092 dengan standar deviasi 16,48650 dan jumlah data yang ada adalah 90. Nilai tertinggi leverage adalah 74,23 sedangkan nilai terendah adalah 10,86. 4. Rata-rata dari Mandatory Disclosure adalah 0,6656 dengan standar deviasi 0,07168 dan jumlah data yang ada adalah 90. Nilai tertinggi Mandatory Disclosure adalah 0,82 sedangkan nilai terendah adalah 0,56. 4.2.2 Pengujian Asumsi Klasik Salah satu satu syarat yang menjadi dasar penggunaan model regresi berganda dengan metode estimasi Ordinary Least Square OLS adalah dipenuhinya semua asumsi klasik, agar hasil pengujian bersifat tidak bias dan efisien Best Linear Unbiased Estimator. Pengujian asumsi klasik dalam penelitian ini dilakukan dengan bantuan program statistik. Menurut Ghozali 2005, asumsi klasik yang harus dipenuhi adalah sebagai berikut ini: Universitas Sumatera Utara 38 • Berdistibusi normal. • Non-Multikolinearitas, artinya antara variabel independen dalam model regresi tidak memiliki korelasi atau hubungan secara sempurna ataupun mendekati sempurna. • Non-Autokorelasi, artinya kesalahan pengganggu dalam model regresi tidak saling berkorelasi. • Non-Heterokedastisitas, artinya variance variabel independen dari satu pengamatan ke pengamatan lain adalah konstan atau sama.

4.2.2.1. Uji Normalitas

Uji data statistik dengan model Kolmogorov-Smirnov dilakukan untuk mengetahui apakah data sudah terdistribusi secara normal atau tidak. Ghozali 2005, memberikan pedoman pengambilan keputusan rentang data mendekati atau merupakan distribusi normal berdasarkan uji Kolmogorov Smirnov yang dapat dilihat dari: a nilai sig. atau signifikan atau probabilitas 0,05, maka distribusi data adalah tidak normal, b nilai sig. atau signifikan atau probabilitas 0,05, maka distribusi data adalah normal. Hipotesis yang digunakan adalah : H0 : Data residual berdistribusi normal, dan Ha : Data residual tidak berdistribusi normal. Hasil uji normalitas dengan menggunakan model Kolmogorov-Smirnov adalah seperti yang ditampilkan berikut ini : Universitas Sumatera Utara 39 Tabel 4.2 HASIL UJI NORMALITAS Sumber : Output SPSS, diolah Peneliti, 2013 Hasil uji Kolmogorov-Smirnov pada penelitian ini menujukkan probabilitas = 0.012. Dengan demikian, data pada penelitian ini tidak berdistribusi normal dan dapat digunakan untuk melakukan uji hipotesis karena 0.012 0,05. Pada pengujian normalitas dengan analisis statistik dapat ketahui bahwa data yang digunakan oleh peneliti tidak berdistribusi normal sehingga data ini tidak dapat digunakan untuk melakukan uji hipotesis. Pada penelitian ini peneliti menggunakan metode transformasi data untuk menormalkan data penelitian. Menurut Ghozali 2005:32, “data yang tidak terdistribusi secara normal dapat ditransformasi agar menjadi normal”. Salah satu trasformasi data yang dapat dilakukan adalah dengan mentransformasikan data ke LG10 atau logaritma 10 atau logaritma natural LN. Hasil transformasi data ke logaritma natural dapat dilihat pada One-Sample Kolmogorov-Smirnov Test Unstandardized Residual N 90 Normal Parameters a,,b Mean .0000000 Std. Deviation .07091148 Most Extreme Differences Absolute .169 Positive .169 Negative -.123 Kolmogorov-Smirnov Z 1.600 Asymp. Sig. 2-tailed .012 a. Test distribution is Normal. b. Calculated from data. Universitas Sumatera Utara 40 lampiran. Setelah dilakukan transformasi, peneliti melakukan pengujian ulang terhadap uji normalitas untuk melihat kembali apakah data penelitian ini telah berdistribusi normal atau tidak. Hasil pengujian normalitas setelah transformasi dapat dilihat sebagai berikut. Tabel 4.3 HASIL UJI NORMALITAS Sumber : Output SPSS, diolah Peneliti, 2013 Berdasarkan hasil uji statistik dengan model Kolmogorov-Smirnov seperti yang terdapat dalam tabel 4.2 dapat disimpulkan bahwa besarnya nilai Kolmogrov–Smirnov sebesar 0,860 dan signifikan lebih dari 0,05 karena Asymp. Sig. 2-tailed 0,451 dari 0,05. Nilai signifikansi lebih besar dari 0,05 maka H0 diterima atau Ha ditolak yang berarti data residual telah berdistribusi normal. Dengan demikian, dapat disimpulkan bahwa nilai-nilai observasi data telah terdistribusi secara normal dan dapat One-Sample Kolmogorov-Smirnov Test Unstandardized Predict Value N 90 Normal Parameters a,,b Mean -.4128330 Std. Deviation .01621538 Most Extreme Differences Absolute .091 Positive .049 Negative -.091 Kolmogorov-Smirnov Z .860 Asymp. Sig. 2-tailed .451 a. Test distribution is Normal. b. Calculated from data. Universitas Sumatera Utara 41 dilanjutkan dengan uji asumsi klasik lainnya. Untuk lebih jelas, berikut ini turut dilampirkan grafik histrogram dan plot data yang terdistribusi normal. Gambar 4.1 HISTOGRAM Sumber : Output SPSS, diolah Peneliti, 2013 Grafik histogram di atas menunjukkan bahwa data telah terdistribusi secara normal. Hal ini dapat dilihat dari grafik histogram yang menunjukkan distribusi data mengikuti garis diagonal yang tidak menceng skewness kiri maupun menceng ke kanan. Hal ini juga didukung dengan hasil uji normalitas dengan menggunakan grafik plot yang ditampilkan pada Gambar 4.2 Universitas Sumatera Utara 42 Gambar 4.2 UJI NORMALITAS DATA Sumber : Output SPSS, diolah Peneliti, 2013 Menurut Ghozali 2005, pendeteksian normalitas dapat dilakukan dengan melihat penyebaran data titik pada sumbu diagonal dari grafik, yaitu jika data titik menyebar di sekitar garis diagonal dan mengikuti arah garis diagonal, hal ini menunjukkan data yang telah terdistribusi normal. Gambar 4.2 menunjukkan bahwa data titik menyebar di sekitar dan mendekati garis diagonal. Hal ini sejalan dengan hasil pengujian dengan menggunakan histogram bahwa data telah terdistribusi normal. Karena secara keseluruhan data telah terdistribusi secara normal, maka dapat dilakukan pengujian asumsi klasik lainnya. Universitas Sumatera Utara 43

4.2.2.2. Uji Multikolinieritas

Untuk melihat ada atau tidaknya multikolinieritas dalam model regresi dapat dilihat dari: 1 nilai tolerence dan lawannya, 2 Variance Inflatin Factor VIF. Kedua ukuran ini menunjukkan setiap variabel independen manakah yang dijelaskan oleh variabel independen lainnya. Tolerance mengukur variabilitas variabel independen yang terpilih yang tidak dijelaskan oleh variabel independen lainnya. Jadi, nilai Tolerance yang rendah sama dengan nilai VIF yang tinggi karena VIF = 1tolerence. Nilai cutoff yang umum dipakai untuk menunjukkan adanya mutikolineritas adalah nilai Tolerence 0,10 atau sama dengan VIF 10 Ghozali, 2005. Tabel 4.4 HASIL UJI MULTIKOLINIERITAS Coefficients a Model Unstandardized Coefficients Standardized Coefficients t Sig. Collinearity Statistics B Std. Error Beta Tolerance VIF 1 Constant 1.043 1.106 .943 .348 LN_SIZE -.381 .322 -.128 -1.185 .239 .978 1.022 LN_LIKUIDI TAS -.013 .024 -.077 -.518 .606 .508 1.967 LN_LEVER AGE -.029 .035 -.122 -.817 .416 .511 1.958 a. Dependent Variable: LN_MANDATORY Sumber : Output SPSS, diolah Peneliti, 2013 Berdasarkan tabel 4.3 dapat disimpulkan bahwa penelitian ini bebas dari adanya multikolinieritas. Hal tersebut dapat dilihat dengan Universitas Sumatera Utara 44 membandingkannya dengan nilai Tolerance atau VIF. Masing-masing variabel independen yang digunakan dalam penelitian ini memiliki nilai Tolerence yang lebih besar dari 0,10. Jika dilihat dari VIFnya, bahwa masing-masing variabel bebas lebih kecil dari 10. Dengan demikian dapat disimpulkan bahwa tidak terjadi gejala multikolinieritas dalam variabel bebasnya.

4.2.2.3. Uji Heteroskedastisitas

Ghozali 2005 menyatakan “uji heteroskedastisitas bertujuan untuk menguji apakah dalam model regresi terjadi ketidaksamaan variance dari residual satu pengamatan ke pengamatan yang lain. Jika variance dari satu pengamatan ke pengamatan lain tetap, maka disebut homoskedastisitas dan jika berbeda disebut heteroskedastisitas”. Model regresi yang baik adalah tidak terjadi heteroskedastisitas. Cara mendeteksi ada tidaknya gejala heteroskedastisitas adalah dengan melihat grafik scatterplot yang dihasilkan dari pengolahan data menggunakan program SPSS. Dasar pengambilan keputusannya menurut Ghozali 2005 adalah sebagai berikut: 1. jika ada pola tertentu, seperti titik-titik yang ada membentuk pola tertentu yang teratur bergelombang, melebar kemudian menyempit, maka mengindikasikan telah terjadi heteroskedastisitas. 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. Berikut ini dilampirkan grafik scatterplot untuk menganalisis apakah terjadi gejala heteroskedastisitas atau tidak dengan cara mengamati penyebaran titik-titik pada grafik. Universitas Sumatera Utara 45 Gambar 4.3 HASIL UJI HETEROSKEDASTISITAS Sumber : Output SPSS, diolah Peneliti, 2013 Dari grafik scatterplot terlihat bahwa titik-titik menyebar secara acak dengan tidak adanya pola yang jelas serta tersebar baik di atas maupun di bawah angka 0 pada sumbu Y. Hal tersebut menunjukkan bahwa tidak terjadi heteroskedastisitas, sehingga model ini layak dipakai untuk memprediksi tingkat pengungkapan wajib mandatory disclosure perusahaan manufaktur yang terdaftar di Bursa Efek Indonesia berdasarkan masukan variabel independen yaitu ukuran perusahaan, likuiditas, dan leverage.

4.2.2.4. Uji Autokorelasi

Uji ini bertujuan untuk melihat apakah dalam suatu model linear ada korelasi antar kesalahan pengganggu pada periode t dengan kesalahan pada periode t-1 sebelumnya. Model regresi yang baik adalah yang bebas dari autokorelasi. Masalah autokorelasi umumnya terjadi pada regresi yang datanya time series. Ada beberapa cara yang dapat digunakan untuk Universitas Sumatera Utara 46 mendeteksi masalah dalam autokorelasi diantaranya adalah dengan Uji Durbin Watson. Menurut Sunyoto 2009, untuk melihat ada tidaknya autokorelasi dilihat dari: 1 angka D-W dibawah –2 berarti ada autokorelasi positif, 2 angka D-W di antara -2 sampai +2 berarti tidak ada autokorelasi, 3 angka D-W di atas +2 berarti ada autokorelasi negatif. Tabel 4.5 HASIL UJI AUTOKORELASI Model Summary b Model R R Square Adjusted R Square Std. Error of the Estimate Durbin-Watson 1 .151 a .023 -.011 .10783 1.885 a. Predictors: Constant, LN_LEVERAGE, LN_SIZE, LN_LIKUIDITAS b. Dependent Variable: LN_MANDATORY Sumber : Output SPSS, diolah oleh peneliti, 2013 Tabel 4.5 menunjukkan hasil uji autokorelasi variabel penelitian. Berdasarkan hasil pengujiannya dapat dilihat bahwa terjadi autokorelasi antar kesalahan pengganggu antar periode. Hal tersebut dilihat dari nilai Durbin-Watson D-W sebesar 1,885. Angka D-W di antara -2 sampai +2 yang mengartikan bahwa angka DW lebih besar dari -2 dan lebih kecil dari 2. Dengan demikian, dapat dikemukakan bahwa tidak ada autokorelasi positif maupun negatif.

4.3 Analisis Regresi