ANALISIS DAN PEMBAHASAN
B. Hasil Analisis Data dan Pembahasan 1.Uji Statistik Deskriptif 1.Uji Statistik Deskriptif
2. Uji Asumsi Klasik
Uji asumsi klasik dilakukan dengan menggunakan analisis regresi terhadap variabel independen dan variabel dependen. Uji asumsi klasik bertujuan untuk mengetahui kelayakan penggunaan model regresi dalam penelitian ini. Uji asumsi klasik pada penelitian ini terdiri atas uji multikolinieritas, uji autokorelasi, uji heteroskedastisitas, dan uji normalitas data.
Sebelum dilakukan uji regresi agar menghasilkan nilai yang sesuai, maka terlebih dahulu data harus memenuhi empat uji asumsi klasik. Hasil dari uji asumsi klasik yang telah dilakukan adalah sebagai berikut:
a. Uji Normalitas
Uji normalitas bertujuan untuk menguji apakah dalam model regresi, variabel pengganggu atau residual memiliki distribusi normal. Terdapat dua cara untuk mendeteksi apakah residual berdistribusi normal atau tidak, yaitu dengan analisis grafik dan uji statistik (Ghozali, 2013:160).
Uji normalitas dengan analisis grafik yang dilakukan dalam penelitian ini adalah menggunakan grafik histogram dan grafik normal probability plot (P-Plot). Melihat penyebaran data atau (titik) pada sumbu diagonal dari grafik. Jika data sampel menyebar mengikuti arah garis diagonal, maka model regresi memenuhi asumsi normalitas. Sebaliknya, jika data menyebar jauh dari garis diagonal atau tidak mengikuti arah garis diagonal, maka model regresi tidak memenuhi asumsi normalitas. Berikut ini adalah hasil uji normalitas menggunakan analisis grafik yang disajikan pada gambar 4.1 dan gambar 4.2 sebagai berikut:
Gambar 4.1
Hasil Uji Normalitas: Grafik Histogram
Sumber: Data sekunder yang diolah, 2015
Gambar 4.2
Hasil Uji Normalitas: Grafik Normal Probability Plot (P-Plot)
Sumber: Data sekunder yang diolah, 2015
Berdasarkan hasil uji normalitas yang telah disajikan pada gambar 4.1 diatas menunjukkan bahwa pada grafik histogram menggambarkan pola distribusi data yang normal dan pada gambar 4.2 menunjukkan bahwa grafik normal probability plot (P-Plot) menunjukkan titik-titik yang penyebarannya mengikuti arah garis diagonal. Sehingga dapat disimpulkan bahwa data sampel dalam penelitian ini telah terdistribusi normal atau telah memenuhi asumsi normalitas.
Selain menggunakan analisis grafik, uji normalitas juga dilakukan dengan menggunakan analisis statistik, yaitu uji Kolmogorov-Smirnov
(K-S). Berikut ini adalah hasil uji normalitas dengan menggunakan uji
Kolmogorov-Smirnov (K-S) yang disajikan pada tabel 4.4 sebagai berikut:
Tabel 4.4
Hasil Uji Normalitas Kolmogorov-Smirnov
Sumber: Data sekunder yang diolah
Berdasarkan tabel 4.4 yang telah disajikan diatas menunjukkan bahwa nilai signifikansi dari variabel dependen pengungkapan
intellectual capital adalah sebesar 0,200 yang menunjukkan bahwa model regresi memenuhi asumsi normalitas, karena memiliki tingkat signifikansi lebih dari 0,05. Sehingga dengan melihat hasil uji
Kolmogorov-Smirnov (K-S) yang konsisten dengan hasil uji grafik
normal probability plot (P-Plot), maka dapat disimpulkan bahwa data terdistribusi secara normal.
b. Uji Multikolinieritas
Uji multikolinieritas bertujuan untuk menguji apakah model regresi ditemukan adanya korelasi antar variabel bebas (independen). Model regresi yang baik seharusnya tidak terjadi korelasi di antara variabel independen. Untuk mendeteksi ada atau tidaknya multikolinieritas di
dalam model regresi adalah dengan melihat nilai Tolerance dan
Variance Inflation Factor (VIF) serta besaran korelasi antar variabel independen. Regresi yang bebas dari problem multiko memiliki nilai
VIF ≤ 10 dan mempunyai nilai Tolerance ≥ 0,10 (Ghozali, 2013:105). Berikut ini disajikan hasil uji multikolinieritas pada tabel 4.5 sebagai berikut:
Tabel 4.5
Hasil Uji Multikolinieritas
Sumber: Data sekunder yang diolah
Berdasarkan tabel 4.5 yang telah disajikan diatas dapat diketahui bahwa hasil uji multikolinieritas menunjukkan nilai tolerance ≥ 0,10
dan nilai VIF ≤ 10 untuk setiap variabel. Nilai tolerance yang dihasilkan untuk variabel umur perusahaan, ukuran perusahaan,
leverage, profitabilitas dan konsentrasi kepemilikan adalah sebesar 0,888; 0,844; 0,857; 0,913; dan 0,893. Sedangkan, nilai VIF yang dihasilkan untuk variabel umur perusahaan, ukuran perusahaan,
leverage, profitabilitas dan konsentrasi kepemilikan adalah sebesar 1,127; 1,185; 1,167; 1,095; dan 1,119. Berdasarkan hasil uji multikolinieritas tersebut, sehingga dapat disimpulkan bahwa semua
variabel independen dalam model persamaan regresi tidak terdapat
problem multikolinieritas.
c. Uji Autokorelasi
Uji autokorelasi bertujuan untuk menguji apakah dalam model regresi linear ada korelasi antara kesalahan pengganggu pada periode t dengan kesalahan pengganggu pada periode t-1 (sebelumnya). Jika terjadi korelasi, maka terdapat problem autokorelasi. Model regresi yang baik adalah regresi yang bebas dari autokorelasi (Ghozali, 2013:110). Untuk mendeteksi ada atau tidaknya autokorelasi dalam penelitian ini, maka peneliti menggunakan uji Runs Test. Berikut ini adalah hasil uji autokorelasi menggunakan uji Runs Test yang disajikan pada tabel 4.6 sebagai berikut:
Tabel 4.6
Hasil Uji Autokorelasi – Runs test
Sumber: Data sekunder yang diolah, 2015
Berdasarkan tabel 4.6 yang telah disajikan diatas menunjukkan bahwa hasil dari test value adalah -0,97732 dengan nilai probabilitas yang ditunjukkan adalah sebesar 0,177 yang dimana hasil tersebut
lebih besar dari tingkat signifikansi 0,05. Sehingga hal tersebut menunjukkan bahwa nilai residual adalah acak atau random, maka dapat disimpulkan bahwa data dalam penelitian ini tidak memiliki masalah autokorelasi.
d. Uji Heteroskedastisitas
Uji heteroskedastisitas 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 berbeda disebut Heteroskedastisitas. Model regresi yang baik adalah yang Homoskedastisitas atau tidak terjadi Heteroskedastisitas (Ghozali, 2013:139).
Untuk mendeteksi ada atau tidaknya heteroskedastisitas dilakukan dengan melihat ada atau tidaknya pola tertentu pada grafik scatterplot
antara SRESID dan ZPRED. Jika terdapat pola tertentu seperti titik-titik yang ada membentuk suatu pola tertentu yang teratur (bergelombang, melebar kemudian menyempit), maka terjadi heteroskedastisitas. Sebaliknya, jika tidak terdapat pola yang jelas dan titik-titik menyebar di atas dan di bawah angka 0 (nol) pada sumbu Y, maka tidak terjadi heteroskedastisitas. Berikut ini adalah hasil uji heteroskedastisitas yang disajikan dengan grafik scatterplot pada gambar 4.3 sebagai berikut:
Gambar 4.3
Hasil Uji Heteroskedastisitas: Grafik Scatterplot
Sumber: Data sekunder yang diolah, 2015
Berdasarkan hasil uji heteroskedastisitas yang disajikan pada
gambar 4.3 diatas menunjukkan bahwa grafik scatterplot
menggambarkan data menyebar secara acak dan tidak membentuk suatu pola tertentu yang jelas. Data tersebut menyebar secara baik diatas dan di bawah angka (0) pada sumbu Y. Sehingga tidak terjadi heteroskedastisitas pada model persamaan regresi penelitian ini. Untuk memperkuat bukti pengujian dalam penelitian ini, maka dilakukan pengujian heteroskedastisitas dengan menggunakan uji glejser yang hasilnya disajikan pada tabel 4.7 sebagai berikut:
Tabel 4.7
Hasil Uji Heteroskedastisitas: Uji Glejser
Sumber: Data sekunder yang diolah, 2015
Berdasarkan pada tabel 4.7 yang telah disajikan diatas menunjukkan bahwa masing-masing variabel independen memiliki probabilitas tingkat signifikansi lebih dari 0,05. Sehingga dapat disimpulkan bahwa tidak terjadi heteroskedastisitas pada model persamaan regresi dan dapat digunakan untuk pengujian hipotesis selanjutnya.
3. Uji Koefisien Determinasi (R2)
Uji koefisien determinasi (R2) dilakukan untuk mengukur kemampuan variabel-variabel independen, yaitu umur perusahaan, ukuran perusahaan,
leverage, profitabilitas dan konsentrasi kepemilikan dalam menjelaskan variabel dependen, yaitu pengungkapan intellectual capital. Berikut ini adalah hasil uji koefisien determinasi yang disajikan pada tabel 4.8 sebagai berikut:
Tabel 4.8
Hasil Uji Koefisien Determinasi
Sumber: Data sekunder yang diolah, 2015
Berdasarkan hasil uji koefisien determinasi yang telah disajikan pada tabel 4.8 diatas menunjukkan bahwa nilai Adjusted R2 adalah sebesar 0,298. Hal ini menunjukkan bahwa variabe-variabel independen, yaitu umur perusahaan, ukuran perusahaan, leverage, profitabilitas dan konsentrasi kepemilikan dapat menjelaskan variasi variabel dependen, yaitu pengungkapan intellectual capital sebesar 0,298 atau 29,8% sedangkan sisanya adalah sebesar 70,2% (100%-29,8%) yang dijelaskan oleh variabel-variabel lain yang tidak diikutsertakan dalam penelitian ini. Variabel-variabel tersebut adalah budaya perusahaan (Artinah, 2013), komisaris independen (Artinah, 2013), kebijakan pemerintah (Artinah, 2013), selera konsumen (Artinah, 2013), cost of equity capital (Marsono, 2013), basis perusahaan (Sutanto, 2012), tipe industri (Sutanto, 2012), rasio likuiditas (Sutanto, 2012), kinerja intellectual capital (Purnomosidhi, 2006), corporate governance (Suhardjanto dan Wardhani, 2009) dan tipe teknologi (Oktavianti, 2014).
4. Uji Hipotesis
Pengujian hipotesis dalam penelitian ini dilakukan dengan menggunakan model analisis regresi berganda (multiple regression
analysis), yaitu dilakukan melalui uji signifikansi parameter individual (uji statistik t) dan uji signifikansi simultan (uji statistik F).
a. Uji Signifikansi Parameter Individual (Uji Statistik t)
Uji signifikansi parameter individual (uji statistik t) digunakan untuk mengetahui ada atau tidaknya pengaruh variabel-variabel independen yaitu umur perusahaan, ukuran perusahaan, leverage,
profitabilitas dan konsentrasi kepemilikan secara individual terhadap variabel dependen yaitu pengungkapan intellectual capital yang diuji pada tingkat signifikansi sebesar 0,05. Jika nilai probabilitas t lebih kecil dari 0,05 maka Ha diterima dan Ho ditolak. Sedangkan jika nilai probabilitas t lebih besar dari 0,05 maka Ho diterima dan Ha ditolak. Berikut ini adalah hasil uji signifikansi parameter individual (uji statistik t) yang disajikan pada tabel 4.9 sebagai berikut:
Tabel 4.9
Hasil Uji Signifikansi Parameter Individual (Uji Statistik t)
Sumber: Data sekunder yang diolah, 2015
Berdasarkan pada uji signifkansi parameter individual pada tabel 4.9 maka diperoleh persamaan regresi sebagai berikut:
ICD = -20,031 – 0,051 AGE + 6,949 SIZE – 0,007 LEV – 0,569 ROA + 0,023 KK + ε
Berdasarkan hasil uji signifikansi parameter individual (uji statistik t) yang disajikan pada tabel 4.9 diatas menunjukkan hasil antara variabel-variabel independen dengan variabel dependen sebagai berikut: