63
4.3 Uji Asumsi Klasik
4.3.1 Uji Normalitas
Pengujian normalitas data dapat dilakukan secara kasat mata yaitu dapat dilihat pada grafis histogram dan grafik PP Plots. Suatu data akan berdistribusi
normal jika grafik histogram menyerupai bel yang menghadap ke atas. Hal ini bisa dilihat dalam tampilan grafik berikut ini:
Gambar 4.1 Uji Normalitas 1 : Histogram
Sumber: Diolah dengan SPSS, 2014.
Sementara dilihat dari grafik PP Plot, data dikatakan terdistribusi normal jika penyebaran data menggambarkan titik-titik yang menyebar di
sekitar garis diagonal dan mengikuti arah garis diagonal pada normal
64
probability plot. Kedua grafik ini menunjukkan bahwa normalitas data terpenuhi. Hal ini bisa dilihat dalam tampilan grafik normal probability plot
sebagai berikut:
Gambar 4.2 Uji Normalitas 2 : Grafik
PP Plots
Sumber: Diolah dengan SPSS, 2014. Pengujian normalitias dapat juga diuji secara statistik dengan
menggunakan uji Kolmogorov-Smirnov. Menurut Ghozali 2008 dalam Sunjoyo dkk, 2013 uji K-S dibuat dengan membuat hipotesis sebagai berikut:
Ho : Data residual berdistribusi normal. Ha : Data residual tidak berdistribusi normal.
Bila sig 0 , 0 5 dengan α = 5 , berarti d istribusi data normal Ho
diterima , sebaliknya bila sig 0,05 dengan α = 5, berarti distribusi data
65
tidak normal Ha diterima . Hasil dari uji normalitas dengan menggunakan tes Kolmogorov-Smirnov ditunjukkan oleh tabel 4.2 berikut :
Tabel 4.2 Uji
Kolmogorov-Smirnov
One-Sample Kolmogorov-Smirnov Test
Unstandardized Residual N
39 Normal Parameters
a,b
Mean ,0000000
Std. Deviation ,12554636
Most Extreme Differences Absolute
,214 Positive
,214 Negative
-,140 Kolmogorov-Smirnov Z
1,335 Asymp. Sig. 2-tailed
,567 a. Test distribution is Normal. b. Calculated from data.
Sumber : Diolah dengan SPSS, 2014.
4.3.2 Uji Multikolienaritas
Korelasi yang tinggi diantara variabel-variabel bebas menunjukkan hubungan antara variabel bebas terhadap variabel terikatnya menjadi terganggu
Sunjoyo dkk., 2013. Untuk melihat ada tidaknya gejala multikolinearitas, peneliti melihat besaran korelasi antar variabel independen dan besarnya tingkat
kolinearitas yang masih dapat ditolerir yaitu : tolerance 0,10 dan VIF Variance Inflation Factor 10. Uji multikolinearitas dengan melihat nilai tolerance dan
VIF menunjukkan hasil seperti pada tabel 4.3 berikut:
66
Tabel 4.3 Hasil Uji Multikolienaritas
Coefficients
a
Model Unstandardized
Coefficients Standardized
Coefficients Collinearity
Statistics B
Std. Error Beta
Tolerance VIF
1 Constant -,219
,214 KEPEMILIKAN INSTITUSIONAL
-,081 ,468
-,032 ,755
1,325 KOMITE AUDIT
,010 ,016
,109 ,874
1,144 KOMISARIS INDEPENDEN
,697 ,299
,483 ,598
1,673 UKURAN DEWAN KOMISARIS
,039 ,032
,268 ,529
1,892 UKURAN DEWAN DIREKSI
-,020 ,015
-,335 ,406
2,465 KONVERGENSI IFRS
-,069 ,065
-,202 ,709
1,411 a. Dependent Variable: MANAJEMEN LABA
Sumber : Diolah dengan SPSS, 2014
Tabel 4.3 menunjukkan bahwa penelitian ini bebas dari adanya gejala multikolinearitas. Hal ini dapat dilihat dengan membandingkan nilai tolerance dan
VIF. Masing-masing variabel independen yang digunakan dalam penelitian ini memiliki nilai tolerance yang lebih besar dari 0,10. Untuk kepemilikan
institusional memiliki nilai tolerance 0,755; komite audit memiliki nilai tolerance 0,874; komisaris independen memiliki nilai tolerance 0,598; ukuran dewan
komisaris memiliki nilai tolerance 0,529; ukuran dewan direksi memiliki nilai tolerance 0,406; dan konvergensi IFRS memiliki nilai tolerance 0,709. Jika
dilihat dari VIF, masing-masing variabel independen lebih kecil dari 10 yaitu kepemilikan institusional memiliki VIF 1,325; komite audit memiliki VIF 1,144;
komisaris independen memiliki VIF 1,673; ukuran dewan komisaris memiliki VIF 1,892; ukuran dewan direksi memiliki VIF 2,465; dan konvergensi IFRS memiliki
67
VIF 1,411. Kesimpulan yang diperoleh adalah tidak terjadi gejala
multikolinearitas dalam variabel independennya. 4.3.3
Uji Heteroskedastisitas
Uji Heteroskedastisitas bertujuan untuk melihat apakah didalam model regresi terjadi ketidaksamaan variabel dari residual satu pengamatan ke
pengamatan lain. Uji ini dilakukan dengan melihat grafik Scaterplot. Dasar yang digunakan untuk menentukan heteroskedastisitas antara lain:
c. Ada pola tertentu seperti titik – titik yang ada membentuk pola tertentu yang teratur maka mengindikasikan telah terjadi heteroskedastisitas,
d. Tidak ada pola yang jelas serta titik – titik yang menyebar di atas dan di bawah angka 0 pada sumbu Y, maka tidak terjadi heteroskedastisitas.
Hasil dari uji heteroskedastisitas dapat ditunjukan pada gambar 4.3 berikut ini :
Gambar 4.3 Grafik
Scatterplot
Sumber: Diolah dengan SPSS, 2014.
68
Dari grafik scatterplot diatas terlihat bahwa titik-titik menyebar secara acak baik di atas angka 0 pada sumbu Y tidak membentuk pola tertentu atau
tidak teratur. Titik-titik yang menyebar menjauh dari titik-titik yang lain mengindikasikan bahwa adanya data observasi yang sangat berbeda dengan data
penelitian lainnya. Maka dapat di simpulkan bahwa tidak terjadi heteroskedastisitas pada model regresi ini sehingga model ini layak untuk
digunakan untuk melihat pengaruh kepemilikan institusional, komite audit, komisaris independen, ukuran dewan komisaris, ukuran dewan direksi, dan
konvergensi IFRS terhadap tingkat manajemen laba perusahaan BUMN yang terdaftar di BEI.
4.3.4 Uji Autokorelasi
Kategori