ANALISIS DAN PEMBAHASAN
B. Hasil Analisis dan Pembahasan 1.Statistik Deskriptif
1) Analisis Statistik
Pengujian normalitas dengan menggunakan grafik dapat
101 normal tetapi secara statistik sebaliknya. Pengujian normalitas
dengan menggunakan analisis statistik dapat menggunakan dua
metode, yaitu:
a) Uji Skewness dan Kurtosis
Uji statistik sederhana dapat dilakukan dengan melihat
nilai kurtosis dan skewness dari masing-masing variabel penelitian baik variabel independen maupun variabel
dependen. Skewness berhubungan dengan simetri distribusi. Sedangkan kurtosis berhubungan dengan puncak dari suatu distribusi. Hasil uji skewness dan kurtosis dapat dilihat dibawah ini:
Tabel 4.5
Hasil Uji Skewness dan Kurtosis
Skewness Kurtosis
Statistic Zskewness Statistic Zkurtosis
IND_COM 1.224 5.54164 0.776 1.75691 OWN_CON 0.939 4.25363 0.196 0.44475 AUD_REP -0.42 -1.90304 -1.854 -4.19660 FIRM_RMC 1.372 6.21234 -0.12 -0.27078 ERM 0.261 1.18037 -0.615 -1.39215 Valid N (listwise)
Sumber: Data sekunder diolah
Hasil perhitungan Zskewness dan Zkurtosis dari
beberapa variabel penelitian mendekati nilai tabel yaitu
sebesar ± 1,96 dengan tingkat signifikansi 0,05. Variabel
102 dependen pengungkapan ERM (ERM), sedangkan variabel
independen menunjukkan nilai Zskewness dan Zkurtosis
bervariasi lebih dari nilai tabel. Hal ini disebabkan nilai
skewness dari data beberapa variabel penelitian yang tidak terdistribusi normal bernilai positif dan bentuk histogram
dari data tersebut berbentuk substansial positive skewness. Secara keseluruhan nilai Zkurtosis dari variabel independen
dan dependen mendekati nilai tabel, maka dapat
disimpulkan bahwa data telah berdistribusi normal.
b) Uji Kolmogrov Smirnov
Hasil uji normalitas dengan menggunakan uji statistik
non parametric kolmogrov-smirnov (K-S) menunjukkan nilai kolmogrov smirnov (K-S) sebesar 1,130 dengan nilai signifikansi 0,155. Hal ini menunjukkan bahwa nilai
signifikansi di atas 0,05 (α> 0,05) maka tidak terdapat perbedaan yang signifikan antara data yang akan diuji
dengan data normal baku, artinya data yang kita uji normal
karena tidak berbeda dengan normal baku dan Ho diterima.
Hal ini menunjukkan bahwa model regresi memenuhi
asumsi normalitas karena tingkat signifikansinya melebihi
103 Tabel 4.6
Uji Normalitas : Nilai Kolmogrov-Smirnov One-Sample Kolmogorov-Smirnov Test
Unstandardized Residual
N 123
Normal Parametersa,b Mean .0000000 Std. Deviation .03842592 Most Extreme Differences Absolute .102 Positive .102 Negative -.067 Kolmogorov-Smirnov Z 1.130
Asymp. Sig. (2-tailed) .155
a. Test distribution is Normal. b. Calculated from data.
Sumber : Output SPSS 20
2) Analisis grafik
Dalam penelitian ini, pengujian analisis grafik dilakukan
dengan menggunakan metode Probability Plot (P-Plot) atau model Uji Normalitas residual dan Grafik Histogram. Hasil Pengujian ini dapat dilihat pada gambar 4.1 dan 4.2 halaman berikutnya:
104 Gambar 4.1
Uji Normalitas : Grafik Normal Plot
Sumber: Output SPSS 20
Gambar 4.2
Uji Normalitas : Grafik Histogram
105 Pada gambar 4.1, grafik normal plot menunjukkan titik-titik
menyebar disekitar garis diagonal dan penyebarannya mengikuti arah
garis diagonal. Sedangkan pada gambar 4.2, grafik histogram
memberikan pola distribusi yang mendekati normal. Maka dapat
disimpulkan bahwa model regresi dalam penelitian ini telah
terdistribusi secara normal. Terkait dengan data hasil uji normalitas,
maka data tersebut akan digunakan dalam pengujian asumsi klasik
yang lainnya dan uji hipotesis selanjutnya.
b. Uji Multikolinearitas
Uji multikolinearitas ini pada dasarnya bertujuan untuk menguji
apakah di dalam model regresi ditemukan adanya korelasi antar
variabel bebas. Multikolinearitas dapat dilihat dari perhitungan nilai
tolerance serta Varian Inflation Factor (VIF). Suatu model regresi dikatakan tidak memiliki kecenderungan adanya gejala
multikolinearitasadalah apabila memiliki nilai VIF yang lebih kecil
dari 10 dan Tolerance lebih besar dari 0,10 (Ghozali, 2011). Hasil pengujian model regresi diperoleh nilai-nilai VIF untuk
masing-masing variabel ini dapat dilihat dari tabel 4.7 pada halaman
106 Tabel 4.7
Uji Multikolinearitas Coefficientsa
Model Collinearity Statistics Keputusan Tolerance VIF
1
(Constant)
AUD_REP .883 1.133 Tidak ada
multikolinearitas
FIRM_RMC .848 1.180 Tidak ada
multikolinearitas
IND_COM .951 1.051 Tidak ada
multikolinearitas
OWN_CON .956 1.046 Tidak ada
multikolinearitas
Sumber: Data sekunder diolah
Dari tabel 4.7 diatas menunjukkan bahwa semua variabel
independen memiliki nilai Tolerance> 0,10 dan VIF < 10. Hasil perhitungan nilai Tolerance juga menunjukkan tidak ada variabel independen yang memiliki nilai Tolerance kurang dari 0,10 yang berarti tidak ada korelasi antar variabel independen. Maka dapat
disimpulkan bahwa model regresi dalam penelitian ini telah terbebas
dari masalah multikolinearitas. Hal ini menunjukkan bahwa semua
variabel bebas tersebut layak digunakan sebagai prediktor.
c. Uji Heteroskedastisitas
Model regresi yang baik adalah model yang homoskodestisitas
atau tidak terjadi heteroskedastisitas. Dalam penelitian ini, uji
heteroskedastisitas dilakukan dengan menggunakan analisis grafik
107 residualnya SRESID. Dari grafik scatter plot terlihat bahwa titik-titik menyebar secara acak diatas maupun dibawah angka 0 pada sumbu Y.
Hal ini dapat disimpulkan bahwa tidak terjadi heteroskedastisitas pada
model regresi (Ghozali, 2011).
Uji heteroskedastisitas bertujuan untuk mengetahui apakah dalam
model regresi terjadi ketidaksamaan varian dari residual satu
pengamatan ke pengamatan lain. Model regresi yang baik adalah
model regresi yang terbebas dari masalah heteroskedastisitas. Untuk
menentukan heteroskedastisitas dapat menggunakan grafik
scatterplot. Hasil uji heteroskedastisitas dengan menggunakan grafik scatterplot ditunjukkan pada gambar 4.3 berikut:
Gambar 4.3
Uji Heteroskedastisitas – Grafik Scatterplot
Sumber: Output SPSS 20
Gambar uji scatterplot diatas menunjukkan bahwa data sampel tersebar secara acak dan tidak membentuk suatu pola tertentu. Data
108 tersebar baik berada di atas maupun di bawah angka 0 pada sumbu Y.
Hal ini menunjukkan tidak terdapat heteroskedastisitas dalam model
regresi yang digunakan sehingga layak dipakai untuk kemudian
dilanjutkan ke pengujian hipotesis.
d. Uji Autokorelasi
Uji Autokorelasi bertujuan untuk menguji apakah dalam suatu
model regresi linear ada korelasi antara kesalahan pengganggu pada
periode t dengan kesalahan pengganggu pada periode t-1
(sebelumnya) jika terjadi korelasi, maka dinyatakan terdapat masalah
autokorelasi (Ghozali, 2011).
Uji autokorelasi dilakukan dengan menggunakan uji Durbin Watson (D-W). Pengujian ini bertujuan untuk mengetahui apakah dalam model regresi ditemukan adanya korelasi antara kesalahan
pengganggu pada periode tertentu dengan periode sebelumnya. Model
regresi yang baik adalah model regresi yang bebas dari masalah
autokorelasi. Selengkapnya mengenai hasil uji autokorelasi penelitian
dapat dilihat pada tabel 4.8 berikut ini:
Tabel 4.8 Uji Autokorelasi Model Summaryb Model Change Statistics Durbin-Watson R Square Change F Change df1 df2 Sig. F Change 1 .320 13.891 4 118 .000 1.922
a. Predictors: (Constant), OWN_CON, IND_COM, AUD_REP, FIRM_RMC
b. Dependent Variable: ERM
109 Dari tabel 4.8 di atas menunjukkan bahwa nilai D-W sebesar
1,922. Dengan jumlah predictors sebanyak 4 buah (k=4) dan sampel sebanyak 123 sampel (n=123), berdasarkan tabel D-W dengan tingkat
signifikansi 5% dapat ditentukan nilai batas atas (du) adalah sebesar
1,76. Dengan demikian, berdasarkan nilai du < d < 4-du menunjukkan
bahwa nilai DW 1,922 lebih besar dari batas atas (du) 1,76 dan
kurang dari 2,24 (4-1,76), maka dapat disimpulkan bahwa tidak
terdapat autokorelasi positif atau negatif. Untuk memperkuat hasil
penelitian ini maka digunakan uji run test, di mana gangguan autokorelasi terjadi jika signifikansi di bawah 0,05. Berikut adalah
pengujian autokorelasi dengan menggunakan run test pada tabel 4.9 berikut ini:
Tabel 4.9
Uji Autokorelasi-Run Test Runs Test
Unstandardized Residual
Test Valuea -.00435
Cases < Test Value 61
Cases >= Test Value 62
Total Cases 123
Number of Runs 69
Z 1.178
Asymp. Sig. (2-tailed) .239
a. Median
Sumber : Output SPSS 20
Dari hasil pengujian yang diperoleh dalam tabel 4.9
menunjukkan nilai test adalah -0,00435 dengan probabilitas 0,239
110 menunjukkan bahwa nilai residual acak atau random, sehingga dapat
disimpulkan bahwa penelitian ini tidak terjadi autokorelasi antar nilai
residual.