BAB IV HASIL PENELITIAN DAN PEMBAHASAN
4.2 Analisis Hasil Penelitian
Variabel-variabel yang ada dalam penelitian ini dimasukkan ke progam SPSS versi 24 dan menghasilkan output-output sesuai dengan metode analisis data yang telah ditentukan. Berikut ini ditampilkan data statistik secara umum dari seluruh data yang digunakan sebagaimana terlihat pada tabel berikut:
Tabel 4.1 Statistik Deskriptif
Sumber : Output SPSS, diolah Peneliti 2016 Berdasarkan data dari tabel 4.1 dapat dijelaskan bahwa :
1. Rata-rata dari mandatory disclousure dalah 0,90036 dengan standar deviasi 0,037845 dan jumlah data yang ada adalah 75.
2. Rata-rata dari profitability adalah 1,93853 dengan standar deviasi 1,037845 dan jumlah data yang ada adalah 75.
3. Rata-rata dari leverage adalah 757,88960 dengan standar deviasi 214,795927 dan jumlah data yang ada adalah 75.
4. Rata-rata dari ukuran perusahaan adalah 17,98850 dengan standar deviasi 1,519830 dan jumlah data yang ada adalah 75.
5. Rata-rata dari proporsi dewan komisaris independen dalah 0,57838 dengan standar deviasi 0,087109 dan jumlah data yang ada adalah 75.
4.2.2 Uji 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: \
• 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.
a. 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 :
Tabel 4.2 Hasil Uji Normalitas
Sumber : Output SPSS, diolah peneliti, 2016
Berdasarkan tabel 4.2 diatas dapat dilihat bahwa data berdistribusi normal atau tidak, dan hasil test distribution ternyata menunjukkan
normal, hal ini bisa dilihat dari nilai Asymp. Sig. (2-tailed) sebesar 0,200 > 0,05 dan nilai test statistic sebesar 0,077 untuk selanjutnya bisa dilihat pada diagram P-Plot dibawah ini:
Gambar 4.1 Normal P-Plot
Sumber : Output SPPS, diolah Peneliti, 2016
Pada gambar 4.1 Normal P-Plot ,menunjukkan bahwa distribusi data cenderung mendekati garis distribusi normal, berarti data tersebut mempunyai
distribusi normal, artinya data tersebut layak untuk dijadikan bahan penelitian.
Gambar 4.2 Histogram
Sumber : Output SPPS, diolah Peneliti, 2016
Berdasarkan grafik histogram diatas dapat dilihat bahwa variabel voluntary disclosure berdistribusi secara normal, hal ini ditunjukkan oleh distribusi data tersebut tidak menceng ke kiri atau ke kanan.
b. Uji Multikolinearitas
Untuk melihat ada atau tidaknya multikolinieritas dalam model regresi dapat dilihat dari:
1) nilai tolerence dan lawannya,
Kedua ukuran ini menunjukkan setiap variabel independen manakah yang dijelaskanoleh 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 = 1/tolerence). Nilai cutoff yang umum dipakai untuk menunjukkan adanya mutikolineritas adalah nilai Tolerence < 0,10 atau sama dengan VIF > 10 (Ghozali, 2005).
Tabel 4.3
Hasil Uji Multikolinearitas
Sumber : Output SPSS, diolah peneliti, 2016
Berdasarkan tabel 4.3 dapat disimpulkan bahwa penelitian ini bebas dari adanya multikolinieritas. Hal tersebut dapat dilihat dengan 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 bahwatidak terjadi gejala multikolinieritas dalam variabel bebasnya.
c. 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.
Gambar 4.3 Scatterplot
Sumber : Output SPPS, diolah Peneliti, 2016
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 perbankan yang terdaftar di Bursa Efek Indonesia berdasarkan masukan variabel independen yaitu profitability, leverage, ukuran perusahaan dan proporsi dewan komisaris independen.
d. 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 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 4.4
Hasil Uji Autokorelasi
Sumber : Output SPSS, diolah peneliti, 2016
Tabel 4.4 menunjukkan hasil uji autokorelasi variabel penelitian. Berdasarkan hasil pengujiannya dapat dilihat bahwa tidak terjadi autokorelasi antar kesalahan pengganggu antar periode. Hal tersebut dilihat dari nilai Durbin-Watson (D-W) sebesar 1,400. 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.