Hasil dan Analisis Data

B. Hasil dan Analisis Data

1. Analisis deskriptif statistik atas data

Analisis statistik deskriptif dimaksudkan untuk melihat gambaran umum tentang variabel penelitian seperti nilai mean, maksimum, minimum, dan standar deviasi (Ghozali, 2005). Berikut ini disajikan hasil analisis deskriptif statistik atas data variabel penelitian dari semua perusahaan yang menjadi sampel dalam tabel IV.2.

Tabel IV.2

Hasil Analisis Deskriptif Statistik Atas Data Variabel Observasi

Mean Std. Deviation VAIC

.377827 .0850062 Valid N (listwise)

41 Sumber: Pengolahan Data

Berdasarkan Tabel IV.2 dapat diketahui bahwa VAIC TM memiliki mean sebesar 2.7155 dengan deviasi standar 1.7747801 serta nilai minimum

0.17 dan nilai maksimum 9.8645. Proporsi keberadaan wanita (PERGENDER) memiliki nilai mean sebesar 0.30072 dengan standar deviasi 0.0996037 serta nilai minimum dan maksimum adalah 0.17 dan 0.6667. Latar belakang pendidikan anggota dewan (BSTUDY) memiliki nilai mean sebesar 0.526595 dengan standar deviasi 0.2310933 serta nilai minimum dan maksimum adalah 0.25 dan 1. Board size (BSIZE) memiliki nilai mean sebesar 4.1333, standar deviasi 1.43970, dan nilai minimum dan maksimum masing-masing 2 dan 8. Proporsi keberadaan komisaris independen (COMNED) memiliki nilai mean sebesar 0.377827 dengan standar deviasi 0.0850062 serta nilai minimum dan maksimum adalah 0.25 dan 0.60.

2. Uji Asumsi Klasik

Sebelum dilakukan pengujian hipotesis dilakukan uji asumsi klasik sebagai syarat untuk dapat menggunakan model regresi. Uji asumsi klasik ini

multikolinearitas, autokorelasi, heteroskedastisitas (Ghozali,2005).

terdiri dari

normalitas,

a. Uji Normalitas Uji normalitas dilakukan untuk memastikan bahwa hasil analisis yang diperoleh valid dan bisa digunakan sebagai alat prediksi yang baik dan tidak bias. Uji normalitas dilakukan dengan uji statistik a. Uji Normalitas Uji normalitas dilakukan untuk memastikan bahwa hasil analisis yang diperoleh valid dan bisa digunakan sebagai alat prediksi yang baik dan tidak bias. Uji normalitas dilakukan dengan uji statistik

Tabel IV.3 Hasil Uji Normalitas

Sig.(p-

Keterangan value )

Kriteria

Pengujian

Model regresi 0.526

Sig. > 0.05

Berdistribusi normal

Sumber: Pengolahan Data

Tabel IV.3 menunjukkan bahwa model regresi dapat digunakan dalam persamaan regresi, dimana signifikansi unstandardized residual (sig p-value) menunjukkan nilai 0.526 atau berada di atas

0.05. Hal ini menggambarkan bahwa data berdistribusi normal. Dalam uji normalitas ini, data outlier juga telah dihilangkan.

b. Uji Multikolinearitas Multikolinearitas dapat dilihat dengan nilai Tolerance dan nilai Variance Inflation Factor (VIF) (Ghozali, 2005). Kedua ukuran ini menunjukkan setiap variabel independen manakah yang dijelaskan oleh variabel independen lainnya. Nilai cutoff yang umum digunakan untuk menunjukkan adanya multikolinaeritas adalah nilai tolerance <

0.10 atau sama dengan nilai VIF > 10. Tabel IV.4 menunjukkan bahwa tidak terjadi multikolinieritas pada semua variabel independen yang digunakan dalam model regresi.

Tabel IV.4 Hasil Uji Multikolinieritas

Keterangan Keberadaan

Tidak terjadi multikolinearitas wanita (PERGENDER)

0.780

1.283

Latar belakang 0.744

Tidak terjadi multikoliniearitas pendidikan (BSTUDY)

1.344

Board size 0.904 1.106 Tidak terjadi multikoliniearitas (BSIZE)

Komisaris 0.874 1.145 Tidak terjadi multikoliniearitas Independen (COMNED)

Sumber: Pengolahan Data

Berdasarkan hasil penghitungan nilai tolerance pada tabel IV.4 di atas dapat dilihat bahwa keempat variabel independen memiliki nilai tolerance di atas 0.10. demikian juga dengan nilai VIF, masing- masing variabel independen memiliki nilai VIF di bawah 10. Hal ini menunjukkan bahwa dalam model regresi tidak terjadi multikolinieritas.

c. Uji Heteroskedastisitas Uji heteroskedastisitas dapat dilakukan dengan melihat grafik plot antara nilai prediksi variabel dependen, yaitu ZPRED dengan residualnya SRESID. Deteksi heteroskedastisitas dapat dilakukan dengan melihat ada tidaknya pola tertentu pada grafik scatterplot antara SRESID dan ZPRED, di mana sumbu Y adalah Y yang telah diprediksi, dan sumbu X adalah residual (Y prediksi – Y sesungguhnya) yang telah di-studentized (Ghozali, 2005). Berikut grafik hasil pengujian.

Hasil Uji Heteroskedastisitas Gambar IV.1

Sumber: Pengolahan Data

Gambar IV.1 menunjukkan bahwa titik-titik menyebar secara acak serta tersebar baik di atas amupun di bawah angka 0 pada sumbu Y. Hal ini dapat disimpulkan bahwa tidak terjadi heteroskedastisitas pada model regresi.

d. Uji Autokorelasi Untuk menguji ada tidaknya autokorelasi antar residual (kesalahan pengganggu) pada periode t dengan periode t-1 (sebelumnya) dalam model regresi, dilakukan uji autokorelasi. Autokorelasi muncul karena observasi yang berurutan waktu berkaitan satu sama lainnya. Untuk menguji ada tidaknya autokorelasi digunakan uji Durbin Watson. Nilai Durbin-Watson hitung (d) yang diperoleh dari hasil pengujian akan dibandingkan dengan nilai Durbin-Watson tabel, yaitu batas lebih tinggi (d u ) dan batas lebih rendah. Berikut disajikan tabel hasil pengujian:

Tabel IV.5 Hasil Uji Autokorelasi

Nilai d Kriteria Keterangan

Pengujian

Persamaan

Tidak terjadi autokorelasi regresi

1.832 d u < d < 4-d u

Sumber: Pengolahan Data

Tabel IV.5 menunjukkan bahwa nilai Durbin-Watson (d) sebesar 1.832 sedangkan untuk nilai d u 1.721. Berdasarkan kriteria pengujian yang dikemukakan oleh Ghozali (2005), dapat Tabel IV.5 menunjukkan bahwa nilai Durbin-Watson (d) sebesar 1.832 sedangkan untuk nilai d u 1.721. Berdasarkan kriteria pengujian yang dikemukakan oleh Ghozali (2005), dapat

3. Pengujian Hipotesis

Penelitian ini menguji pengaruh board diversity (persebaran anggota dewan) terhadap intellectual capital performance. Penelitian ini menguji hipotesis dengan metode analisis regresi dengan bantuan SPSS 13.0. Pengaruh variabel independen terhadap variabel dependen intellectual

capital performance TM yang diproksikan dengan VAIC dapat dilihat dari model regresi di atas. Hasil uji model regresi disajikan dalam Tabel IV.6.

Tabel IV.6 Hasil Uji Model Regresi

Independent_Var

Standardized

t Sig.

Coefficients

0.660 0.513 Latar belakang pendidikan

Keberadaan wanita

-1.493 0.144 Board size

0.701 0.488 Komisaris independen

-0.127 0.900 Dependent_Var

Intellectual Capital Performance R 2 0.114

Adjusted R 2

F 1.160 (Sig. 0.344)

Sumber: Pengolahan Data Sumber: Pengolahan Data

b. Uji Regresi Parsial (Uji Statistik t) Keberadaan wanita. Dari hasil output SPSS pada tabel IV.6 di atas, dapat diketahui koefisien keberadaan wanita sebesar 0.117. Uji t menunjukkan nilai t hitung sebesar 0.660 dengan tingkat signifikansi 0.513 (signifikan pada level 5%). Angka ini menunjukkan bahwa secara individu keberadaan wanita tidak berpengaruh terhadap intellectual capital performance. Latar belakang pendidikan. Koefisien latar belakang pendidikan dapat dilihat pada tabel IV.6 sebesar -0.272. Sedangkan hasil uji t menunjukkan nilai t hitung sebesar -1.493 dengan tingkat signifikansi 0.144. Hasil penghitungan ini memperlihatkan bahwa variabel latar belakang pendidikan tidak berpengaruh terhadap intellectual capital performance . Board size. Hasil output SPPS pada tabel IV.6 memperlihatkan koefisien board size sebesar 0.116. Untuk uji t diperoleh nilai t

hitung sebesar 0.701dengan tingkat signifikansinya 0.488 (signifikan pada level 5%). Dengan demikian dapat disimpulkan bahwa board size tidak berpengaruh terhadap intellectual capital performance . Komisaris independen. Tabel IV.6 menunjukkan nilai koefisien komisaris independen sebesar -0.021. Hasil uji t menunjukkan nilai t hitung -0.127 dengan probabilitas 0.900 (tingkat signifikansi 0.05), karena tingkat probabilitas lebih besar dari 0.05 maka dapat disimpulkan bahwa keberadaan komisaris independen tidak berpengaruh terhadap intellectual capital performance.

c. Uji Koefisien Determinasi Nilai adjusted R 2 dalam penelitian ini sebesar 0.016, hal ini berarti

1.6% variasi intellectual capital performance dapat dijelaskan oleh variasi board diversity. Sedangkan sisanya (100% - 1.6% = 98.4%) dijelaskan oleh sebab-sebab lain di luar model.