Kerangka Konseptual dan Pengembangan Hipotesis

BAB II TINJAUAN PUSTAKA

2.5 Kerangka Konseptual dan Pengembangan Hipotesis

Kerangka konseptual dalam penelitian ini dapat dilihat pada gambar di bawah ini:

Gambar 2.1 Kerangka Konseptual 2.5.2 Pengembangan hipotesis

Pengaruh Persistensi Laba terhadap ERC

Laba berperan penting untuk menilai kinerja manajemen, membantu mengestimasi kemampuan laba yang representatif dalam jangka panjang, meramalkan laba dan menaksir risiko dalam berinvestasi.

Investor membutuhkan laba yang berkualitas untuk menjamin informasi H3

laba tersebut bermanfaat. Persistensi laba mencerminkan kualitas laba perusahaan dan menunjukkan bahwa perusahaan dapat mempertahankan laba dari waktu ke waktu. Menurut Scott (2003), persistensi laba adalah revisi laba yang diharapkan di masa mendatang (expected future earnings) yang diimplikasikan oleh inovasi laba tahun berjalan yang dihubungkan dengan perubahan harga saham. Semakin tinggi persistensi laba maka semakin tinggi ERC.

Beberapa hasil dari penelitian terdahulu menunjukkan bahwa persistensi laba berpengaruh positif terhadap Earnings Response Coefficient (Kormendi dan Lipe, 1987; Teoh dan Wong, 1993; Mulyani dkk, 2007). Namun penelitian Susanto (2012) menunjukkan bahwa persistensi laba tidak berpengaruh terhadap ERC.

H1: Persistensi laba berpengaruh positif terhadap ERC.

Pengaruh Income Smoothing terhadap ERC

Perilaku investor yang menjadikan laba sebagai salah informasi utama dalam melakukan penilaian terhadap perusahaan cenderung mendorong manajemen untuk melakukan manajemen laba, salah satunya adalah income smoothing. Income smoothing dilakukan untuk mengurangi variabilitas laba yang dilaporkan agar dapat mengurangi risiko pasar atas saham perusahaan, yang pada akhirnya dapat meningkatkan harga saham perusahaan. Income smoothing merupakan salah satu cara yang dilakukan perusahaan untuk memenuhi keinginan pasar. Dengan melakukan income smoothing, pihak perusahaan berharap

agar laba yang diumumkan mempunyai respon yang baik juga. Collins dan Kothari (1989) menyatakan bahwa respon pasar terhadap laba masing-masing perusahaan dapat bervariasi antar perusahaan maupun antar waktu. Hal ini menunjukan bahwa ERC tidak selalu konstan.

Dalam penelitian yang dilakukan oleh Wang dan Williams (1994) menyatakan laba yang stabil (rata) lebih disukai oleh pemegang saham karena laba yang stabil mencerminkan rendahnya resiko. Penelitian Harahap (2004) menunjukkan bahwa perataan laba berhubungan positif terhadap koefisien respon laba. Namun penelitian yang dilakukan Yuarta (2005) mengungkapkan bahwa respon pasar terhadap perusahaan yang melakukan perataan laba tidak berbeda dengan perusahaan yang tidak melakukan perataan laba.

H2: Income smoothing berpengaruh positif terhadap ERC.

Pengaruh Persistensi Laba dan Income Smoothing terhadap ERC Semakin tinggi persistensi laba maka semakin tinggi ERC.

Perusahaan yang melakukan income smoothing tentu berharap agar laba yang diumumkannya sesuai dengan ekspektasi investor. Income smoothing merupakan salah satu cara yang dilakukan perusahaan untuk memenuhi keinginan pasar. Dengan melakukan income smoothing, pihak perusahaan berharap agar laba yang diumuunkan mempunyai respon yang baik juga.

H3: Persistensi laba dan income smoothing secara simultan berpengaruh terhadap ERC.

BAB III

METODE PENELITIAN

3.1 Jenis Penelitian

Penelitian ini merupakan penelitian kausal-asosiatif, yaitu penelitian yang meneliti pengaruh dari beberapa variabel terhadap variabel lain atau memiliki masalah berupa sebab akibat antara dua variabel atau lebih.

Penelitian ini merupakan penelitian kuantitatif karena pengujiannya menggunakan data berupa angka dan diolah dengan prosedur statistik.

Penelitian ini bertujuan untuk mengetahui apakah terdapat pengaruh yang signifikan antara persistensi laba dan income smoothing terhadap Earnings Response Coefficient pada perusahaan consumer goods yang terdaftar di BEI pada periode 2012-2014.

3.2 Definisi Operasional dan Pengukuran 3.2.1 Variabel dependen

Variabel dependen penelitian ini adalah Earnings Response Coefficient (ERC). ERC digunakan untuk menjelaskan perbedaan reaksi pasar terhadap informasi laba yang diumumkan oleh perusahaan (Scott, 2003). ERC merupakan koefisien yang diperoleh dari regresi antara proksi harga saham dan laba akuntansi. Proksi harga saham adalah cumulative abnormal return (CAR), sedangkan proksi laba adalah unexpected earnings (UE).

Perhitungan ERC dilakukan dalam beberapa tahap. Tahap pertama adalah dengan menghitung CAR. CAR merupakan penjumlahan abnormal return (AR) selama periode pengamatan. Dalam penelitian ini, peneliti menggunakan periode jendela selama 11 hari, yaitu 5 hari sebelum publikasi laporan keuangan, 1 hari pada saat publikasi laporan keuangan, dan 5 hari setelah publikasi laporan keuangan. CAR dihitung dengan rumus:

𝐶𝐴𝑅_{𝑖(−5,+5)} = ∑ 𝐴𝑅_𝑖𝑡

+5

𝑡=−5

Keterangan:

CAR_i(-5,+5) : abnormal return kumulatif perusahaan i selama periode pengamatan.

ARit : abnormal return perusahaan i pada hari t.

Abnormal return menunjukan respon pasar terhadap peristiwa, seperti pengumuman dividen, merger, stock split, penawaran perdana saham, dll. Abnormal return merupakan kelebihan dari return yang sesungguhnya terjadi terhadap normal return. Normal return merupakan return yang diharapkan oleh investor. Dalam penelitian ini abnormal return dihitung menggunakan market-adjusted model yang mengasumsikan bahwa pengukuran normal return atau return ekspektasi yang terbaik adalah return indeks pasar. Berikut adalah rumus untuk menghitung abnormal return diperoleh dari :

𝐴𝑅_𝑖𝑡 = 𝑅_𝑖𝑡− 𝑅_𝑚𝑡

Dimana:

𝑅_𝑖𝑡 =𝑃_𝑖𝑡 − 𝑃_𝑖𝑡−1 𝑃_𝑖𝑡−1

𝑅_𝑚𝑡 =𝐼𝐻𝑆𝐺_𝑡− 𝐼𝐻𝑆𝐺_𝑡−1 𝐼𝐻𝑆𝐺_𝑡−1 Keterangan:

AR_it : abnormal return perusahaan i pada waktu t.

Rit : return harian perusahaan i pada waktu t.

R_mt : return pasar harian pada waktu t.

Pit : harga saham perusahaan i pada waktu t.

Pit-1 : harga saham perusahaan i pada waktu t-1.

IHSG_i : Indeks Harga Saham Gabungan pada waktu t.

IHSGt-1 : Indeks Harga Saham Gabungan pada waktu t-1.

Tahap kedua adalah dengan menghitung unexpected earnings (UE) masing-masing perusahaan. UE adalah perubahan laba per saham tahun sekarang dikurangi dengan laba persaham tahun sebelumnya, dan diskalakan dengan harga perlembar saham pada akhir periode sebelumnya.

𝑈𝐸_𝑖𝑡 =𝐸𝑃𝑆_𝑖𝑡 − 𝐸𝑃𝑆_𝑖𝑡−1

|𝑃_𝑖𝑡−1| Keterangan:

UEit : unexpected earnings perusahaan i pada periode t.

EPS_it : Earnings per Share perusahaan i pada periode t.

EPSit-1 : Earnings per Share perusahaan i pada periode t-1.

P : harga saham perusahaan i pada waktu t-1.

Kemudian earnings response coefficient akan diukur berdasarkan slope koefisien pada hubungan CAR dan UE, yaitu:

𝐶𝐴𝑅_𝑖𝑡 = 𝛼₀+ 𝛼₁𝑈𝐸_𝑖𝑡+ 𝛼_𝑖𝑡𝑅_𝑖𝑡+ 𝜀_𝑖𝑡 Keterangan:

CAR_it : CAR perusahaan i pada periode t.

UEit : unexpected earnings perusahaan i pada periode t.

R_it : return perusahaan i pada periode t.

α0 : konstanta

α1 : earnings response coefficient (ERC) ε : komponen error

3.2.2 Variabel independen

Variabel independen dalam penelitian ini adalah persistensi laba dan income smoothing. Persistensi laba adalah kemampuan perusahaan untuk mempertahankan jumlah laba yang diperoleh saat ini sampai masa mendatang yang diukur dari regresi antara laba akuntansi periode sekarang dengan laba periode sebelumnya. Persistensi laba akan diukur dari slope regresi atas perbedaan laba saat ini dengan laba sebelumnya (Kormendi & Lipe, 1987).

Persamaan regresi yang digunakan untuk mengukur variabel ini adalah:

𝑋_𝑖,𝑡 = 𝑎 + 𝑏𝑋_𝑖𝑡−1+ 𝐸_𝑡 Keterangan:

Xit : laba perusahaan i pada periode t.

Xit-1 : laba perusahaan i pada periode t-1.

b : persistensi laba.

Jika persistensi laba > 1, hal ini menunjukkan bahwa laba perusahaan high persisten. Apabila persistensi laba > 0, hal ini menunjukkan bahwa laba perusahaan persisten. Jika persistensi laba ≤ 0, hal ini menunjukkan bahwa laba perusahaan fluktuatif dan tidak persisten.

Income smoothing akan diukur dalam bentuk indeks yang akan digunakan untuk membedaan perusahaan yang melakukan tindakan income smoothing atau tidak, yaitu dengan menggunakan indeks Eckel (Eckel, 1981). Indeks Eckel dihitung menggunakan rumus:

𝐼𝑛𝑑𝑒𝑘𝑠 𝐸𝑐𝑘𝑒𝑙 = 𝐶𝑉 ∆𝐼 𝐶𝑉 ∆𝑆 Keterangan:

CV ΔI : koefisien variasi untuk perubahan laba.

CV ΔS : koefisien variasi untuk perubahan penjualan.

Sedangkan CV ΔI dan CV ΔS dihitung dengan menggunakan rumus:

𝐶𝑉∆𝐼 𝑑𝑎𝑛 𝐶𝑉∆𝑆 = √∑(∆𝑥 − ∆𝑥̅)² 𝑛 − 1 ÷ ∆𝑥̅

Keterangan:

Δx : perubahan laba (I) atau penjualan (S).

∆𝑥̅ : rata-rata perubahan laba (I) atau penjualan (S).

n : jumlah tahun yang diamati.

Apabila nilai Indeks Eckel ≥ 1, maka perusahaan dianggap tidak melakukan income smoothing. Apabila nilai Indeks Eckel < 1, perusahaan dianggap melakukan income smoothing.

Tabel 3.1

Definisi Operasional dan Pengukuran Variabel

Variabel Pengertian Rumus Skala

Earnings

Slope regresi antara CAR dan UE

Slope regresi antara laba periode sekarang dan laba sebelumnya

3.3 Populasi dan Sampel

Populasi dalam penelitian ini adalah perusahaan consumer goods yang termasuk ke dalam perusahaan consumer goods yang terdaftar di Bursa Efek Indonesia dalam periode 2012-2014, yaitu sebanyak 39 perusahaan. Teknik penentuan sampel dalam penelitian ini dilakukan dengan metode purposive sampling, yaitu dengan mengambil sampel dari populasi berdasarkan suatu kriteria tertentu. Kriteria yang digunakan dapat berdasarkan pertimbangan (judgement) tertentu atau jatah (quota) tertentu.

Adapun kriteria yang ditetapkan oleh penulis adalah sebagai berikut:

1. Perusahaan consumer goods yang masih terdaftar di Bursa Efek Indonesia (BEI) tahun 2012-2014.

2. Menerbitkan laporan keuangan audited selama periode pengamatan.

3. Perusahaan memperoleh laba bersih positif selama periode pengamatan.

Tabel 3.2

Ultrajaya Milk Industry and Trading Company

Tbk ULTJ √ √ √

27 PT Ilmu Jamu Farmasi Sido Muncol Tbk SIDO - X - Jumlah perusahaan yang memenuhi kriteria 20

Jumlah Sampel (3 tahun pengamatan) 60 Tabel 3.3

Daftar Perusahaan yang Menjadi Sampel

No. Nama Perusahaan Kode

1. Akasha Wira International Tbk ADES

2. Cahaya Kalbar Tbk CEKA

3. Delta Djakarta Tbk DLTA

4. Indofood CBP Sukses Makmur Tbk ICBP

5. Indofod Sukses Makmur Tbk INDF

6. Mayora Indah Tbk MYOR

7. Nippon Indosari Corporindo Tbk ROTI

8. Sekar Laut Tbk SKLT

9. Ultrajaya Milk Industry and Trading Company Tbk ULTJ

10. Gudang Garam Tbk GGRM

11. HM Sampoerna Tbk HMSP

12. Darya Baria Laboratoria Tbk DVLA

13. Kimia Farma Tbk KAEF

19. Mandom Indonesia Tbk TCID

20. Kedaung Indag Can Tbk KICI

3.4 Jenis dan Sumber Data

Data yang digunakan dalam penelitian ini merupakan data sekunder.

Data sekunder umumnya berupa bukti, catatan, atau laporan historis yang dipublikasikan atau tidak dipublikasikan. Data yang diperoleh adalah data kuantitatif, yaitu:

a) Laba bersih tahun 2010-2014 b) Penjualan tahun 2010-2014 c) EPS tahun 2011-2014

d) Harga saham harian perusahaan

e) Indeks Harga Saham Gabungan (IHSG)

Data yang dibutuhkan oleh peneliti diperoleh melalui situs resmi Bursa Efek Indonesia yakni www.idx.co.id, dan yahoo finance.

3.5 Metode Pengumpulan Data

Metode pengumpulan data yang dilakukan di dalam penelitian ini adalah metode dokumentasi, yaitu dengan mengumpulkan data yang sudah didokumentasikan. Dalam hal ini data yang digunakan adalah berupa laporan keuangan keuangan consumer goods yang berasal laporan keuangan perusahaan consumer goods yang berasal dari hasil publikasi Bursa Efek Indonesia dan Indonesian Capital Market Directory (ICMD) serta mengambil data harga saham harian dan IHSG dari yahoo finance.

3.6 Metode Analisis

Metode analisis yang digunakan dalam penelitian ini adalah metode analisis kuantitatif dengan menggunakan software SPSS (Statistical Package for Social Science). Sebelum melalukan hipotesis pertama sekali peneliti melakukan pengujian asumsi klasik untuk mendapatkan model persamaan yang BLUE (Best Linear Unbiased Estimator). Uji yang dilakukan selanjutnya adalah uji analisis regresi linear berganda.

3.6.1 Statistik Deskriptif

Statistik deskriptif adalah statistik yang digunakan untuk menganalisis data dengan cara mendeskripsikan atau menggambarkan data yang telah terkumpul. Statistik deskriptif memberikan gambaran mengenai nilai minimum, nilai maksimum, nilai rata-rata (mean), serta standar deviasi data penelitian. Dalam penelitian akan diperoleh informasi mengenai hubungan antar-variabel setelah semua data terkumpul dan diolah serta disajikan dalam bentuk tabel data. Hasil yang diperoleh dari statistik deskriptif tidak dapat digunakan untuk mencari kesimpulan secara luas.

3.6.2 Uji asumsi klasik 3.6.2.1 Uji normalitas

Uji normalitas data adalah uji yang dilakukan untuk mengukur apakah data yang digunakan dalam penelitian memiliki distribusi normal atau tidak. Data yang memiliki distribusi normal adalah data yang baik dan layak untuk digunakan dalam

membuktikan model-model penelitian. Pengujian normalitas data penelitian ini dilakukan menggunakan model Kolmogorov Smirnov dengan ketentuan sebagai berikut:

1) Apabila nilai signifikansi atau nilai probabilitas lebih kecil dari alpha atau tingkat kesalahan yang ditetapkan (< 0,05), maka data yang dianalisis tersebut terdistribusi secara tidak normal.

2) Apabila nilai signifikansi atau nilai probabilitas lebih besar dari alpha atau tingkat kesalahan yang ditetapkan (> 0,05), maka data yang dianalisis tersebut terdistribusi secara normal.

3.6.2.2 Uji multikoliniearitas

Uji multikolinearitas merupakan uji yang menentukan ada tidaknya hubungan linear antara variabel independen dengan variabel independen lainnya. Gejala multikolinieritas dapat dilihat dari besarnya nilai Tolerance dan VIF (Variance Inflation Factor), kedua ukuran ini menunjukkan setiap variabel independen manakah yang dijelaskan oleh variabel independen lainnya, Tolerance adalah mengukur variabilitas variabel independen yang terpilih yang tidak dijelaskan variabel independen lainnya. Nilai yang dipakai untuk Tolerance > 0,1, dan VIF < 5, maka tidak terjadi multikolinieritas.

3.6.2.3 Uji Heterokedastisitas

Uji Heteroskedastisitas bertujuan menguji apakah dalam model regresi terjadi ketidaksamaan variance atau 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. Dasar analisis untuk mengetahui heterokedastisitas adalah sebagai berikut:

a. Jika di dalam grafik terdapat titik-titik yang membentuk pola tertentu yang teratur, bergelombang, menyebar, atau menyempit maka dapat disimpulkan bahwa telah terjadi heterokedastisitas.

b. Jika titik-titik di dalam grafik tidak ada pola yang jelas, serta titik-titik tersebut menyebar maka dapat disimpulkan bahwa tidak terjadi heterokedastisitas.

Deteksi ada tidaknya heteroskedastisitas dapat dilakukan dengan Uji Glejser, dengan ketentuan sebagai berikut:

1) Jika koefisien signifikansi (nilai probabilitas) ≥ 0,05, maka tidak terjadi heteroskedastisitas.

2) Jika koefisien signifikansi (nilai probabilitas) < 0,05, maka terjadi heteroskedastisitas.

3.6.2.4 Uji autolorelasi

Uji autokorelasi bertujuan untuk menguji apakah didalam suatu model regresi linier terdapat korelasi antara kesalahan pengganggu pada periode t dengan kesalahan pengganggu pada

periode t-1. Model regresi yang baik adalah yang bebas dari autokorelasi. Pendeteksian ada atau tidaknya autokorelasi menggunakan uji Durbin-Watson (DW test). Nilai statistik dari uji Durbin-Watson yang lebih kecil dari 1 atau lebih besar dari 3 diindikasi terjadi autokorelasi.

3.6.3 Uji analisis regresi linier berganda

Uji analisis regresi linier berganda digunakan untuk melihat hubungan antara dua atau lebih variabel independen terhadap satu variabel dependen. Model regresi berganda yang digunakan dalam penelitian ini adalah:

𝑌 = 𝛽₀+ 𝛽₁𝑋₁+ 𝛽₂𝑋₂+ 𝑒 Keterangan:

Y : earnings response coefficient (ERC) β0 : konstanta

β1 : koefisien regresi β2 : koefisien regresi X₁ : persistensi laba X2 : income smoothing e : Error term

3.6.4 Uji hipotesis

3.6.4.1 Analisis korelasi

Korelasi merupakan suatu nilai yang mengukur keeratan hubungan linear antar variabel. Nilai dari korelasi berkisar antara

-1 dan -1. Korelasi dengan nilai positif (𝑟 > 0) dapat berarti jika nilai variabel independen meningkat, maka nilai variabel dependen cenderung meningkat. Koefisien korelasi dengan nilai negatif (𝑟 < 0) berarti jika nilai variabel independen meningkat, maka nilai variabel dependen cenderung mengalami penurunan. Nilai koefisien korelasi mendekati 0 (𝑟 ≅ 0) menyatakan hubungan keeratan (linear) yang sangat lemah antara variabel independen dengan variabel dependen.

3.6.4.2 Uji koefisien determinasi

Koefisien determinasi (R²) bertujuan untuk mengukur seberapa jauh kemampuan model dalam menerangkan variasi variabel dependen. Nilai koefisien determinasi adalah antara 0 dan 1. Nilai yang mendekati 1 berarti variabel-variabel independen memberikan hampir semua informasi yang dibutuhkan untuk memprediksi variabel dependen dan sebaliknya jika mendekati 0.

Kelemahan mendasar penggunaan koefisien determinasi adalah bias terhadap jumlah variabel independen yang dimasukkan ke dalam model. Setiap tambahan satu variabel independen, maka nilai R² pasti meningkat tidak peduli apakah variabel tersebut berpengaruh secara signifikan terhadap variabel dependen.

3.6.4.3 Uji signifikansi simultan (uji F)

Uji F pada dasarnya menunjukkan apakah semua variabel independen yang dimasukkan dalam model mempunyai pengaruh

secara bersama-sama terhadap variabel dependen. Ketentuan-ketentuan dalam uji F adalah sebagai berikut:

a. Jika nilai signifikansi F > tingkat signifikansi 0,05 maka tidak ada pengaruh signifikan dari variabel independen secara bersama-sama terhadap variabel dependen.

b. Jika nilai signifikansi F < tingkat signifikansi 0,05 maka ada pengaruh signifikan dari variabel independen secara bersama-sama terhadap variabel dependen.

Ketentuan lain dengan membandingkan F_hitung dengan F_tabel adalah sebagai berikut:

a. Jika Fhitung ≤ Ftabel, maka dapat disimpulkanbahwa secara bersama-sama variabel independen tidak berpengaruh signifikanterhadap variabel dependen.

b. Jika nilai F_hitung > F_tabel, maka dapat dinyatakan bahwa secara simultan variabel independen berpengaruh signifikan terhadap variabel dependen.

3.6.4.4 Uji signifikansi parsial (Uji t)

Uji t dilakukan untuk mengetahui apakah variabel-variabel independen secara parsial mempunyai pengaruh atau tidak terhadap dependen. Derajat signifikansi yang digunakan adalah 0,05.

Berikut ini merupakan ketentuan dari uji t:

a. Jika nilai signifikansi t > 0,05 maka secara parsial variabel independen tidak memiliki pengaruh yang signifikan terhadap variabel dependen.

b. Jika nilai signifikansi t < 0,05 maka secara parsial variabel independen memiliki pengaruh yang signifikan terhadap variabel dependen.

Ketentuan lain dengan membandingkan t_hitung dengan t_tabel adalah sebagai berikut:

a. Jika nilai t_hitung ≤ t_tabel maka tidak ada pengaruh yang signifikan dari variabel independen terhadap variabel dependen.

b. Jika nilai thitung > ttabel maka ada pengaruh yang signifikan dari variabel independen terhadap variabel dependen.

BAB IV

HASIL PENELITIAN DAN PEMBAHASAN

4.1 Analisis Statistik Deskriptif

Analisis statistik deskriptif digunakan untuk mengetahui deskripsi suatu data yang dilihat dari nilai maksimum, nilai minimum, nilai rata-rata (mean), dan nilai standar deviasi, dari variabel ERC (Y), persistensi laba (X1), dan income smoothing (X2). Berdasarkan analisis statistik deskriptif diperoleh gambaran sampel sebagai berikut.

Tabel 4.1 Statistik Deskriptif

Descriptive Statistics

N Minimum Maximum Mean Std. Deviation

ERC 60 -869.309 885.697 48.25772 212.166119

Persistensi Laba 60 -74.78 12.14 -1.5893 10.50422

Income Smoothing 60 .06 33.58 3.1228 5.55448

Valid N (listwise) 60

Sumber: hasil olahan software SPSS

Berdasarkan Tabel 4.1, diketahui nilai ERC minimum adalah -869,309 sedangkan nilai ERC maksimum adalah 885,697. Rata-rata (mean) ERC adalah 48,25772, dan standar deviasinya sebesar 212,1661. Diketahui nilai persistensi laba minimum adalah -74,78 sedangkan nilai maksimun persistensi laba adalah 12,14. Rata-rata persistensi laba adalah -1,5893 dan standar deviasinya sebesar 10,50422. Nilai minimum income smoothing adalah 0,06 sedangkan nilai maksimum income smoothing adalah 33,58.

Rata-rata income smoothing adalah 3,1228, dan standar deviasinya sebesar 5,55448.

4.2 Uji Asumsi Klasik 4.2.1 Uji normalitas

Uji normalitas bertujuan untuk menguji apakah dalam model regresi, variabel pengganggu atau residual memiliki distribusi normal.

Dalam penelitian ini, uji normalitas terhadap residual dengan menggunakan uji Kolmogorov-Smirnov. Tingkat signifikansi yang digunakan 𝛼 = 0,05. Dasar pengambilan keputusan adalah melihat angka probabilitas 𝑝, dengan ketentuan sebagai berikut.

o Jika nilai probabilitas ≥ 0,05, maka asumsi normalitas terpenuhi.

o Jika nilai probabilitas < 0,05, maka asumsi normalitas tidak terpenuhi.

Tabel 4.2 Uji Normalitas

One-Sample Kolmogorov-Smirnov Test

Unstandardized Residual

N 60

Normal Parameters^a,,b Mean .0000000

Std. Deviation 2.11655645E2

Most Extreme Differences Absolute .257

Positive .191

Negative -.257

Kolmogorov-Smirnov Z 1.994

Asymp. Sig. (2-tailed) .001

a. Test distribution is Normal.

b. Calculated from data.

Sumber: hasil olahan software SPSS

Berdasarkan Tabel 4.2, diketahui nilai probabilitas p atau Asymp.

Sig. (2-tailed) sebesar 0,001. Karena nilai probabilitas p, yakni 0,001, lebih kecil dibandingkan tingkat signifikansi, yakni 0,05. Hal ini berarti asumsi normalitas tidak terpenuhi.

Untuk memperoleh hasil terbaik, maka data pencilan atau outlier yang ada dihilangkan. Outlier adalah data yang memiliki karakteristik unik yang terlihat sangat berbeda jauh dari observasi-obsevasi lainnya dan muncul dalam bentuk nilai ekstrim baik untuk sebuah variabel tunggal atau variabel kombinasi. Untuk mengurangi pengaruh ketidaknormalan, maka data outlier dieliminasi. Setelah data outlier dihilangkan, maka data yang semula 60 dieliminasi menjadi 50. Hasil pengujian normalitas yang kedua diperlihatkan dalam Tabel 4.3.

Tabel 4.3

Uji Normalitas setelah Data Menyimpang/Outlier Dihapus

One-Sample Kolmogorov-Smirnov Test

Unstandardized Residual

N 50

Normal Parameters^a,,b Mean .0000000

Std. Deviation 74.86450013

Most Extreme Differences Absolute .172

Positive .172

Negative -.146

Kolmogorov-Smirnov Z 1.217

Asymp. Sig. (2-tailed) .103

a. Test distribution is Normal.

b. Calculated from data.

Sumber: hasil olahan software SPSS

Berdasarkan Tabel 4.3, nilai probabilitas atau Asymp. Sig (2-tailed) adalah 0,103. Oleh karena nilai probabilitas, yakni 0,103 lebih besar dibandingkan tingkat signifikansi, yakni 0,05, maka asumsi normalitas terpenuhi. Pengujian asumsi normalitas dapat juga digunakan pendekatan analisis grafik, histogram. Untuk pendekatan histogram, jika kurva berbentuk kurva normal, maka asumsi normalitas dipenuhi. Pada pendekatan normal probability plot, jika titik-titik (dots) menyebar jauh (menyebar berliku-liku pada garis diagonal seperti ular) dari garis diagonal, maka diindikasi asumsi normalitas error tidak dipenuhi. Jika titik-titik menyebar sangat dekat pada garis diagonal, maka asumsi normalitas dipenuhi.

Gambar 4.1

Histogram untuk Pengujian Asumsi Normalitas

Sumber: hasil olahan software SPSS

Gambar 4.2

Normalitas dengan Normal Probability Plot

Sumber: hasil olahan software SPSS

Berdasarkan Gambar 4.1 dapat dilihat bahwa kurva pada histogram berbentuk kurva normal, sehingga disimpulkan bahwa asumsi normalitas dipenuhi. Di samping itu pada normal probability plot (Gambar 4.2), titik-titik menyebar cukup dekat pada garis diagonal, maka disimpulkan bahwa asumsi normalitas dipenuhi.

4.2.2 Uji multikolinieritas

Uji multikolinearitas merupakan uji yang menentukan ada tidaknya hubungan linear antara variabel independen dengan variabel independen lainnya. Gejala multikolinieritas dapat dilihat dari besarnya nilai Tolerance dan VIF (Variance Inflation Factor), kedua ukuran ini menunjukkan setiap

variabel independen manakah yang dijelaskan oleh variabel independen lainnya, Tolerance adalah mengukur variabilitas variabel independen yang terpilih yang tidak dijelaskan variabel independen lainnya. Nilai yang dipakai untuk Tolerance> 0,1, dan VIF < 5, maka tidak terjadi multikolinieritas.

Hasil uji multikolinearitas dalam penelitian ini dapat dilihat dalam tabel di bawah ini.

Sumber: hasil olahan software SPSS

Berdasarkan Tabel 4.4, nilai VIF dari variabel persistensi laba adalah 1,906 dan nilai VIF dari variabel income smoothing adalah 1,906.

Nilai Tolerance dari persistensi laba adalah 0,525 dan income smoothing adalah 0,525. Karena nilai VIF < 5 dan nilai Tolerance > 0,1, maka tidak terdapat gejala multikolinearitas.

4.2.3 Uji heterokedastisitas

Deteksi ada tidaknya heteroskedastisitas dapat dilakukan dengan melihat ada tidaknya pola tertentu pada grafik scatter plot antara SRESID pada sumbu Y, dan ZPRED pada sumbu X. Jika ada pola tertentu, seperti

titik-titik yang ada membentuk pola tertentu yang teratur (bergelombang, melebar, kemudian menyempit), maka mengindikasikan telah terjadi heteroskedastisitas. Jika tidak ada pola yang jelas, serta titik-titik menyebar di atas dan di bawah angka 0 pada sumbu Y, maka tidak terjadi heteroskedastisitas.

Gambar 4.3

Pengujian Heteroskedastisitas Scatterplot

Sumber: hasil olahan software SPSS

Berdasarkan Gambar 4.3, tidak terdapat pola yang begitu jelas, serta titik-titik menyebar di atas dan di bawah angka 0 pada sumbu Y,

Berdasarkan Gambar 4.3, tidak terdapat pola yang begitu jelas, serta titik-titik menyebar di atas dan di bawah angka 0 pada sumbu Y,