51 3. Perusahaan manufaktur sektor consumer goods industry yang tidak
mengalami kerugian pada periode 2010-2014 4. Tidak memiliki nilai negatif pada book to market value.
C. Metode pengumpulan data.
Data yang digunakan dalam penelitian ini adalah data sekunder. Teknik pengumpulan data yang digunakan dalam penelitian ini dengan cara
mengumpulkan data sekunder yang diperoleh dari media internet dengan cara men-download laporan keuangan dan laporan tahunan perusahaan manufaktur
sektor consumer goods industry melalui situs resmi Bursa Efek Indonesia BEI dengan alamat website
www.idx.co.id . Selain itu peneliti juga menggunakan
data sekunder lain yang berkaitan dengan masalah yang sedang diteliti melalui buku, jurnal, internet dan perangkat lain yang berkaitan dengan judul penelitian.
D. Metode Analisis Data
Metode analisis data dalam penelitian ini adalah dengan mengguanakan perhitungan statistik, yaitu dengan penerapan SPSS. Setelah data-data yang
diperlukan dalam penelitian ini terkumpul, maka selanjutnya dilakukan analisis data yang terdiri dari metode statistik deskriptif, uji asumsi klasik, dan
uji hipotesis. Adapun penjelasan mengenai metode analisis data tersebut adalah sebagai berikut:
1. Statistik Deskriptif Statistik deskriptif memberikan gambaran atau deskripsi suatu data yang
dilihat dari nilai rata-rata mean, standar deviasi, varian, maksimum,
52 minimum, sum, range, kurtosis dan skewness kemelencengan distribusi
Ghozali, 2006. Jadi dalam penelitian ini analisis statistik deskriptif digunakan untuk mengetahui gambaran mengenai struktur kepemilikan manajerial,
leverage , growth opportunities, ukuran perusahaan dan konservatisme
akuntansi. 2. Uji Asumsi Klasik
Uji asumsi klasik bertujuan untuk mengetahui kelayakan penggunaan model regresi dalam penelitian ini. Uji asumsi klasik yang digunakan pada
penelitian ini terdiri atas uji normalitas, uji multikolinearitas, uji autokorelasi dan uji heteroskedastisitas.
a. Uji Normalitas Uji normalitas bertujuan untuk menguji apakah dalam model regresi,
variabel pengganggu atau residual memiliki distribusi normal. Seperti diketahui bahwa uji t dan F mengansumsikan bahwa nilai residual
mengikuti distribusi normal. Jika asumsi ini dilanggar maka uji statistik menjadi tidak valid untuk jumlah sampel kecil. Ada dua cara untuk
mendeteksi apakah residual berdistribusi normal atau tidak yaitu dengan cara analisis grafik dan uji statistik Ghozali, 2013:160.
Salah satu cara termudah untuk melihat normalitas residual adalah dengan melihat grafik histogram yang membandingkan antara data
observasi dengan distribusi yang mendekati distribusi normal. Namun demikian hanya dengan melihat histogram hal ini dapat menyesatkan
53 khususnya untuk jumlah sampel yang kecil. Metode yang lebih handal
adalah dengan melihat normal probability plot yang membandingkan distribusi kumulatif dari distribusi normal. Distribusi normal akan
membentuk satu garis lurus diagonal, dan ploting data residual akan dibandingkan dengan garis diagonal. Jika distribusi data residual normal,
maka garis yang menggambarkan data sesungguhnya akan mengikuti garis diagonalnya Ghozali, 2013:161.
Uji normalitas dengan grafik dapat menyesatkan kalau tidak hati-hati secara visual kelihatan normal, padahal secara statistik bisa sebaliknya
Ghozali, 2013:163. Oleh karena itu dalam penelitian ini digunakan uji statistik dengan uji statistik non-parametrik Kolmogorov-Smirnov K-S.
Jika nilai Kolmogorov-Smirnov memiliki tingkat signifikan di atas a 0,05 berarti regresi memenuhi asumsi normalitas Ghozali, 2013:165.
b. Uji Multikolonieritas Uji multikolinearitas bertujuan untuk menguji apakah model regresi
ditemukan adanya korelasi antar variabel bebas independen. Model regresi yang baik seharusnya tidak terjadi korelasi di antara variabel
independen. Jika variabel independen saling berkorelasi, maka variabel- variabel ini tidak ortogonal. Variabel ortogonal adalah variabel independen
yang nilai korelasi antar sesama variabel independen adalah sama dengan nol. Salah satu cara untuk mendeteksi multikolinearitas dilakukan dengan
menggunakan nilai VIF Variance Inflation Factor dan tolerance. Kedua
54 ukuran ini menunjukkan setiap variabel independen manakah yang
dijelaskan oleh variabel independen lainnya. Nilai cutoff yang umum dipakai untuk menunjukkan adanya multikolinearitas adalah nilai tolerance
= 0,10 atau sama dengan nilai VIF = 10 Ghozali, 2013:106. Jika nilai tolerance 0,10 dan VIF 10 maka tidak terjadi multikolinearitas.
c. Uji Autokorelasi Uji autokorelasi bertujuan menguji apakah dalam model regresi linear
ada korelasi antara kesalahan pengganggu pada periode t dengan kesalahan pengganggu pada periode t-1 sebelumnya. Jika terjadi korelasi, maka
dinamakan ada masalah autokorelasi. Model regresi yang baik adalah regresi yang bebas dari autokorelasi Ghozali, 2013:110. Pada penelitian
ini, uji autokorelasi menggunakan uji Runs test dengan ketentuan probabilitas lebih besar dari signifikansi 0,05.
d. Uji Heteroskedastisitas Uji heterokedastisitas bertujuan menguji apakah dalam model regresi
terjadi ketidaksamaan varians dari residual satu pengamatan ke pengamatan yang lain. Jika varians dari residual satu pengamatan ke pengamatan lain
tetap, maka disebut homoskedastisitas dan jika berbeda disebut heterokedastisitas. Model regresi yang baik adalah homoskedastisitas atau
tidak terjadi heteroskedastisitas Ghozali, 2013:139. Dalam penelitian ini, asumsi heteroskedastisitas akan diuji menggunakan analisis grafik
55 scatterplot
antara nilai prediksi variabel terikat yaitu ZPRED dengan residualnya SRESID.
Deteksi ada tidaknya heteroskedastisitas dapat dilakukan dengan melihat ada tidaknya pola tertentu pada grafik scatterplot antara SRESID
dan ZPRED. Jika tidak ada pola yang jelas, serta titik-titik menyebar di atas dan di bawah angka 0 pada sumbu Y, maka tidak terjadi heteroskedastisitas
Ghozali, 2013:139. Selain menggunakan analisis grafik scatterplot untuk membuktikan lebih lanjut apakah terdapat heteroskedastisitas pada model
regresi maka dapat di uji juga dengan menggunakan glejser Ghozali, 2013:142. Nilai signifikan masing-masing variabel pada uji glejser harus
memiliki tingkat signifikansi lebih dari 5. 3. Uji Koefisien Determinasi R
2
Koefisien determinasi R
2
pada intinya adalah mengukur seberapa jauh kemampuan model dalam menjelaskan variasi variabel dependen. Nilai
Koefisien determinasi R
2
adalah antara 0 nol dan 1 satu. Nilai R
2
yang kecil berarti kemampuan variabel-variabel independen dalam menjelaskan
variasi variabel dependen amat terbatas. Nilai yang mendekati satu berarti variabel-variabel independen memberikan semua informasi yang dibutuhkan
untuk memprediksi variasi variabel dependen, secara umum koefisien determinasi untuk data silang crosssection relatif rendah karena adanya
variasi yang besar antara masing-masing pengamatan, sedangkan untuk data
56 runtun time series biasanya mempunyai nilai koefisien determinasi yang
tinggi Ghozali, 2013:97. Kelemahan mendasar penggunaan koefisien determinasi adalah bias
terhadap jumlah variabel independen yang dimasukkan ke dalam model. Setiap tambahan satu variabel independen, maka R
2
pasti meningkat tidak peduli apakah variabel tersebut berpengaruh secara signifikan terhadap variabel
dependen. Oleh karena itu banyak peneliti menganjurkan untuk menggunakan nilai adjusted R
2
pada saat mengevaluasi model regresi terbaik. Tidak seperti R
2
, nilai adjusted R
2
dapat naik atau turun apabila satu variabel independen ditambahkan ke dalam model Ghozali, 2013:97.
4. Uji Hipotesis
a Uji Signifikasi Simultan Uji Statistik F
Uji statistik F pada dasarnya menunjukkan apakah semua variabel independen atau bebas yang dimasukkan dalam model mempunyai
pengaruh secara bersama-sama terhadap variabel dependenterikat. Ghozali, 2013:98. Jika probability F lebih kecil dari 0,05 maka Ha
diterima dan menolak H
0,
sedangkan jika lebih besar dari 0,05 maka Ho diterima dan menolak Ha.
b Uji Signifikasi Parameter Individual Uji Statistik t
Uji statistik t pada dasarnya menunjukkan seberapa jauh pengaruh satu variabel penjelasindependen secara individual dalam menerangkan variasi
variabel dependen Ghozali, 2013:101. Jika probabilitas t lebih kecil dari
57 0,05 maka Ha diterima dan menolak Ho, sedangkan jika nilai probabilitas
t lebih besar dari 0,05 maka Ho diterima dan menolak Ha.
E. Operasionalisasi variabel