Tabel 4.3 Descriptive Statistics Setelah Transformasi SQRT
Sumber: Data sekunder diolah Setelah dilakukan transformasi, terlihat bahwa standar deviasi
masing-masing variabel mempunyai nilai yang lebih kecil daripada mean-nya.
1. Variabel Manajemen Laba DA memiliki nilai mean
0.9232 dan standar deviasi 0.21230. 2.
Variabel Corporate Governance CG memiliki nilai mean sebesar 3.2144 dan standar deviasi 1.00558.
3. Variabel ukuran perusahaan ukuran memiliki nilai mean
9.4409 dan standar deviasi 0.77893. 4.
Variabel Dewan Komisaris Dewan memiliki nilai mean 0.3519 dan standar deviasi 0.10828.
4.2.2 Uji Asumsi Klasik
4.2.2.1 Uji Normalitas
Uji normalitas bertujuan untuk menguji apakah dalam sebuah regresi variabel dependen, variabel independen atau
N Minimum
Maximum Mean
Std. Deviation
S.DA 54
,35 1,94
,9232 ,21230
CG 54
1,07 4,64
3,2144 1,00558
Ukuran 54
7,05 10,94
9,4409 ,77893
Dewan 54
,00 ,67
,3519 ,10828
Valid N listwise
54
Descriptive Statistics
Universitas Sumatera Utara
keduanya mempunyai distribusi normal ataukah tidak mempunyai distribusi normal. Model regresi yang baik adalah
memiliki distribusi data normal atau mendekati normal. Salah satu metode untuk mengetahui normalitas adalah dengan
menggunakan metode analisis grafik dan analisis statistik. Analisis grafik dapat dilihat dengan melihat grafik histogram
ataupun dengan melihat grafik Normal Probability Plot. Uji normalitas yang pertama dengan melihat grafik histogram
sebagaimana terlihat dalam gambar 4.1 di bawah ini :
Gambar 4.1 Grafik Histogram Data Asli
Sumber: Data sekunder diolah
Universitas Sumatera Utara
Dari gambar 4.1 terlihat bahwa pola distribusi mendekati normal, akan tetapi jika kesimpulan normal atau tidaknya data
hanya dilihat dari grafik histogram, maka hal ini dapat membingungkan khususnya untuk jumlah sampel yang kecil.
Metode lain yang digunakan dalam analisis grafik adalah dengan melihat Normal Probability Plot yang membandingkan
distribusi kumulatif dari distribusi normal. Jika distribusi data residual normal, maka garis yang akan menggambarkan data
sesungguhnya akan mengikuti garis diagonalnya. Uji normalitas dengan melihat Normal Probability Plot dapat dillihat pada
gambar 4.2 berikut:
Gambar 4.2 Normal Probability Plot Data Asli
Sumber: Data sekunder diolah
Universitas Sumatera Utara
Grafik Normal Probability Plot pada gambar 4.2 di atas menunjukkan data terdistribusi secara tidak normal karena
distribusi data residualnya tidak mengikuti arah garis diagonal garis normal. Pengujian normalitas data secara analisis statistik
dapat pula dilakukan dengan menggunakan Uji Kolmogorov – Smirnov
. Data yang berdistribusi normal ditunjukkan dengan nilai signifikansi di atas 0.05 Ghozali, 2009:165. Hasil
pengujian normalitas pada pengujian terhadap 54 data terlihat dalam tabel 4.4 berikut:
Tabel 4.4 Hasil Uji Normalitas dengan Kolmogorov-Smirnov Data Asli
Sumber: Data sekunder diolah Berdasarkan tabel 4.4 diatas menunjukkan bahwa data
belum terdistribusi secara normal. Hal ini ditunjukkan oleh nilai Kolmogorov-Smirnov Z
sebesar 1.484 dengan nilai signifikansi 0.024. Hal ini menunjukkan bahwa data belum terdistribusi
Unstandardized Residual
54 Mean
,0000000 Std.
Deviation ,47967041
Absolute ,202
Positive ,202
Negative -,144
1,484 ,024
a. Test distributional is normal b. Calculated from data
One-Sample Kolmogorov-Smirnov Test
N Normal Parameters
a,,b
Most Extreme Differences
Kolmogorov-Smirnov Z Asymp. Sig. 2-tailed
Universitas Sumatera Utara
normal. Untuk memperoleh hasil terbaik maka dilakukan transformasi normal agar data menjadi lebih normal dengan
menggunakan square root SQRT. Hasil pengujian normalitas yang kedua dapat terlihat dalam tabel 4.5 sebagai berikut:
Tabel 4.5 Hasil Uji Normalitas dengan Kolmogorov-Smirnov
Setelah Transformasi SQRT
Sumber: Data sekunder diolah
Dari pengujian kedua terlihat bahwa data telah terdistribusi normal dengan nilai signifikansi diatas 0.05 yaitu
sebesar 0.088. Hasil terakhir di atas juga didukung hasil analisis grafiknya, yaitu dari grafik histogram maupun grafik Normal
Probability Plot -nya seperti gambar 4.3 dan 4.4 dibawah ini :
Unstandardized Residual
54 Mean
,0000000 Std.
Deviation ,20244771
Absolute ,170
Positive ,170
Negative -,126
1,249 ,088
a. Test distributional is normal b. Calculated from data
Asymp. Sig. 2-tailed
One-Sample Kolmogorov-Smirnov Test
N Normal Parameters
a,,b
Most Extreme Differences
Kolmogorov-Smirnov Z
Universitas Sumatera Utara
Gambar 4.3 Grafik Histogram Setelah Transformasi SQRT
Sumber: Data sekunder diolah
Gambar 4.4 Normal Probability Plot Setelah Transformasi SQRT
Sumber: Data sekunder diolah
Universitas Sumatera Utara
Dengan melihat tampilan grafik histogram dapat disimpulkan bahwa pola distribusi data mendekati normal.
Kemudian pada grafik normal probability plot terlihat titik-titik sebaran lebih mendekati dan mengikuti garis normal jika
dibandingkan dengan grafik normal probability plot saat sebelum dilakukan transformasi ke square root.
4.2.2.2 Uji Multikolinearitas
Uji ini bertujuan menguji apakah pada model regresi ditemukan adanya korelasi antar variabel independen. Pada
model regresi yang baik seharusnya antar variabel independen tidak terjadi kolerasi. Untuk mengetahui ada tidaknya
multikolinearitas dapat dilihat dari nilai Variance Imflation Factor
VIF dan nilai Tolerance, apabila nilai VIF 10 dan nilai Tolerance 0.1 maka terjadi multikolinearitas dan apabila
nilai VIF 10 dan nilai Tolerance 0.1 maka tidak terjadi multikolineraritas. Hasil uji mutikolinearitas dapat dilihat pada
tabel berikut :
Universitas Sumatera Utara
Tabel 4.6 Hasil Uji Multikolinearitas
Sumber: Data sekunder diolah Berdasarkan aturan VIF Variance Inflation Factor dan
Tolerance , maka apabila VIF melebihi angka 10 atau Tolerance
kurang dari 0.10 maka dinyatakan terjadi gejala multikolinieritas, sebaliknya apabila harga VIF kurang dari 10
atau tolerance lebih dari 0.10 maka dinyatakan tidak terjadi gejala multikolinieritas. Data yang digunakan untuk uji
multikolinearitas ini adalah data dari variabel independen setelah dilakukan transformasi SQRT. Dari tabel 4.6 diatas
diketahui masing-masing nilai VIF sebagai berikut : a. Nilai VIF untuk variabel CG adalah 1.210 10 dan
nilai tolerance variabel CG adalah 0.833 0.10 maka variabel CG dapat dinyatakan tidak terjadi gejala multikolinearitas.
b. Nilai VIF untuk variabel ukuran adalah 1.251 10 dan nilai tolerance variabel Ukuran adalah 0.799 0.10 maka
variabel Ukuran dapat dinyatakan tidak terjadi gejala multikolinearitas.
Tolerance VIF
Constant CG
,833 1,201
Ukuran ,799
1,251 Dewan
,952 1,050
Model 1
Collinearity Statistics
Coefficients
a
Universitas Sumatera Utara
c. Nilai VIF untuk variabel dewan adalah 1.050 10 dan nilai tolerance variabel dewan adalah 0.952 0.10 maka
variabel dewan dapat dinyatakan tidak terjadi gejala multikolinearitas
.
4.2.2.3 Uji Heteroskedastisitas
Uji ini bertujuan untuk menguji apakah dalam model regresi terjadi ketidaksamaan variance dari residual satu
pengamatan ke pengamatan yang lain. Jika variance dari residual satu pengamatan ke
pengamatan lain tetap, maka disebut homoskedastisitas, dan jika variance
dari residual satu pengamatan ke pengamatan lain berbeda disebut heteroskedastisitas. Untuk mendeteksi ada atau
tidaknya heteroskedastisitas dapat dilakukan dengan melihat grafik scatterplot, dengan dasar analisis Ghozali, 2005:139
a Jika ada pola tertentu, seperti titik-titik yang ada
membentuk pola tertentu yang teratur bergelombang, melebar kemudian menyempit, maka mengindikasikan
telah terjadi heteroskedastisitas. b
Jika tidak ada pola yang jelas, serta titik-titik menyebar di atas dan di bawah angka 0 pada sumbu Y, maka tidak
terjadi heteroskedastisitas.
Universitas Sumatera Utara
Hasil uji heteroskedastisitas dengan menggunakan grafik scatterplot
di tunjukkan pada gambar 4.5 dibawah ini:
Gambar 4.5 Grafik Scatterplot
Sumber: Data sekunder diolah Pada grafik scatterplot di atas, terlihat titik-titik
menyebar secara acak serta tersebar, baik di atas maupun di bawah angka 0 pada sumbu Y sehingga dapat diambil
kesimpulan bahwa tidak terdapat gejala heteroskedastisitas pada model transformasi regresi yang digunakan.
Universitas Sumatera Utara
4.2.2.4 Uji Autokorelasi
Uji ini bertujuan untuk menguji apakah dalam suatu model regresi linier terdapat korelasi antara kesalahan
pengganggu pada periode t dengan kesalahan periode t-1 sebelumnya. Jika terjadi korelasi maka dinamakan ada
problem autokorelasi. Model regresi yang baik adalah yang bebas autokorelasi. Untuk mengetahui adanya autokorelasi
dalam suatu model regresi dilakukan melalui pengujian terhadap nilai uji Durbin-Watson Uji DW. Hasil uji autokorelasi dengan
Durbin-Watson dapat dilihat pada tabel 4.7 dibawah ini :
Tabel 4.7 Hasil Uji Autokorelasi dengan
Durbin-Watson
Sumber: Data sekunder diolah Dari hasil uji autokorelasi Durbin–Watson dengan
menggunakan spss 17 maka diperoleh nilai DW sebesar 1.892. Dengan melihat kriteria nilai uji Durbin–Watson yaitu
1,6800DW2,32 maka dapat disimpulkan tidak terjadi autokorelasi.
1 .301
a
,091 ,036
,20843 1,892
a. Predictors: Constant, Dewan, CG, Ukuran b. Dependent Variable: S.DA
Model Summary
b
Model R
R Square Adjusted R Square
Std. Error of the Estimate Durbin-
Watson
Universitas Sumatera Utara
4.2.3 Analisis Regresi Berganda
