BAB IV HASIL PENELITIAN DAN PEMBAHASAN
4.2 Hasil Penelitian
4.2.1 Statistik Deskriptif
Statistik deskriptif digunakan untuk menunjukkan jumlah data yang digunakan dalam penelitian ini serta dapat menunjukkan nilai maksimum, nilai minimum, nilai rata-rata (mean) serta standar deviasi dari masing-masing variabel.
No
Kode
Perusahaan Nama Perusahaan website
1 AALI Astra Agro Lestari Tbk www.astra‐agro.co.id
2 ATPK ATPK Resources Tbk www.atpkresources.co.id
3 BIPI Benakat Petroleum Energy Tbk www.benakat.co.id
4 BUMI Bumi Resources Tbk www.bumiresources.com
5 BYAN Bayan Resources Tbk www.bayancom.sg
6 CPRO Central Proteinaprima Tbk www.cpp.co.id
7 ELSA Elnusa Tbk www.elnusa.co.id
8 ENRG Energi Mega Persada Tbk www.energi‐mp.com
9 ITMG Indo Tambangraya Megah Tbk www.itmg.co.id
10 JAWA Jaya Agra Wattie Tbk www.jawattie.com
11 LSIP PP London Sumatra Indonesia Tbk www.londonsumatra.com
12 MYOH Samindo Resources Tbk www.samindoresources.com
13 PKPK Perdana Karya Perkasa Tbk www.pkpk‐tbk.co.id
14 PSAB J RESOURCES ASIA PASIFIK Tbk www.jresources.com
15 PTRO Petrosea Tbk www.petrosea.com
16 RUIS Radiant Utama Interinsco Tbk www.radiant.co.id
17 SGRO Sampoerna Agro Tbk www.sampoernaagro.com
Variabel dalam penelitian ini meliputi Corporate Governance
(CG), ukuran perusahaan, dan dewan komisaris sebagai variabel independen serta Manajemen laba sebagai variabel dependen. Hasil olah data deskriptif dapat dilihat pada tabel 4.2 sebagai berikut:
Tabel 4.2
Descriptive Statistics (Data asli)
c
Sumber: Data sekunder diolah
1. Variabel Manajemen Laba (DA) memiliki nilai minimum - 0.88 dan maksimum 2.76 dengan rata-rata -0.1035 dan standar deviasi 0.50589.
2. Variabel Corporate Governance (CG) memiliki nilai minimum 1.07 dan maksimum 4.64, dengan rata-rata sebesar 3.2144 dan standar deviasi 1.00558.
3. Variabel ukuran perusahaan (ukuran) memiliki nilai minimum 7,05 dan maksimum 10.94, dengan rata-rata sebesar 9.44409 dan standar deviasi 0.77893.
N Minimum Maximum Mean
Std. Deviation DA 54 -,88 2,76 -,1035 ,50589 CG 54 1,07 4,64 3,2144 1,00558 Ukuran 54 7,05 10,94 9,4409 ,77893 Dewan 54 ,00 ,67 ,3519 ,10828 Valid N (listwise) 54 Descriptive Statistics
4. Variabel Dewan Komisaris (Dewan) memiliki nilai minimum 0.00 dan maksimum 0.67, dengan rata-rata sebesar 0.3519 dan standar deviasi 0.10828.
Standar deviasi (σ) menunjukkan seberapa jauh kemungkinan nilai menyimpang dari nilai yang diharapkan (dalam hal ini variabel DA, CG, Ukuran, dan Dewan). Semakin besar nilai standar deviasi maka semakin besar kemungkinan nilai riil menyimpang dari yang diharapkan (Gujarati, 1995). Dalam kasus ini, dimana nilai mean salah satu variabel lebih kecil dibanding standar deviasinya, biasanya didalam data terdapat outlier (data yang terlalu ekstrim). Outlier
adalah data yang memiliki karakteristik unik yang terlihat sangat berbeda jauh dari observasi-observasi lainnya dan muncul dalam bentuk nilai ekstrim (Ghozali, 2009). Data-data outlier tersebut biasanya akan mengakibatkan tidak normalnya distribusi data. Langkah perbaikan yang dilakukan agar distribusi data menjadi normal, salah satunya adalah dengan melakukan transformasi square root (SQRT).Adapun variabel yang di transformasi adalah (DA) . Adapun data setelah dilakukan transformasi square root (SQRT) sebagai berkut:
Tabel 4.3
Descriptive Statistics (Setelah Transformasi SQRT)
Sumber: Data sekunder diolah
Setelah dilakukan transformasi, terlihat bahwa standar deviasi masing-masing variabel mempunyai nilai yang lebih kecil daripada mean-nya.
1. Variabel Manajemen Laba (DA) memiliki nilai mean 0.9232 dan standar deviasi 0.21230.
2. Variabel Corporate Governance (CG) memiliki nilai mean sebesar 3.2144 dan standar deviasi 1.00558.
3. Variabel ukuran perusahaan (ukuran) memiliki nilai mean 9.4409 dan standar deviasi 0.77893.
4. Variabel Dewan Komisaris (Dewan) memiliki nilai mean 0.3519 dan standar deviasi 0.10828.
4.2.2 Uji Asumsi Klasik
4.2.2.1Uji Normalitas
Uji normalitas bertujuan untuk menguji apakah dalam sebuah regresi variabel dependen, variabel independen atau
N Minimum Maximum Mean
Std. Deviation S.DA 54 ,35 1,94 ,9232 ,21230 CG 54 1,07 4,64 3,2144 1,00558 Ukuran 54 7,05 10,94 9,4409 ,77893 Dewan 54 ,00 ,67 ,3519 ,10828 Valid N (listwise) 54 Descriptive Statistics
keduanya mempunyai distribusi normal ataukah tidak mempunyai distribusi normal. Model regresi yang baik adalah memiliki distribusi data normal atau mendekati normal. Salah satu metode untuk mengetahui normalitas adalah dengan menggunakan metode analisis grafik dan analisis statistik. Analisis grafik dapat dilihat dengan melihat grafik histogram ataupun dengan melihat grafik Normal Probability Plot. Uji normalitas yang pertama dengan melihat grafik histogram sebagaimana terlihat dalam gambar 4.1 di bawah ini :
Gambar 4.1
Grafik Histogram (Data Asli)
Dari gambar 4.1 terlihat bahwa pola distribusi mendekati normal, akan tetapi jika kesimpulan normal atau tidaknya data hanya dilihat dari grafik histogram, maka hal ini dapat membingungkan khususnya untuk jumlah sampel yang kecil. Metode lain yang digunakan dalam analisis grafik adalah dengan melihat Normal Probability Plot yang membandingkan distribusi kumulatif dari distribusi normal. Jika distribusi data residual normal, maka garis yang akan menggambarkan data sesungguhnya akan mengikuti garis diagonalnya. Uji normalitas dengan melihat Normal Probability Plot dapat dillihat pada gambar 4.2 berikut:
Gambar 4.2
Grafik Normal Probability Plot pada gambar 4.2 di atas menunjukkan data terdistribusi secara tidak normal karena distribusi data residualnya tidak mengikuti arah garis diagonal (garis normal). Pengujian normalitas data secara analisis statistik dapat pula dilakukan dengan menggunakan Uji Kolmogorov – Smirnov. Data yang berdistribusi normal ditunjukkan dengan nilai signifikansi di atas 0.05 (Ghozali, 2009:165). Hasil pengujian normalitas pada pengujian terhadap 54 data terlihat dalam tabel 4.4 berikut:
Tabel 4.4
Hasil Uji Normalitas dengan Kolmogorov-Smirnov (Data Asli)
Sumber: Data sekunder diolah
Berdasarkan tabel 4.4 diatas menunjukkan bahwa data belum terdistribusi secara normal. Hal ini ditunjukkan oleh nilai
Kolmogorov-Smirnov Z sebesar 1.484 dengan nilai signifikansi
Unstandardized Residual 54 Mean ,0000000 Std. Deviation ,47967041 Absolute ,202 Positive ,202 Negative -,144 1,484 ,024
a. Test distributional is normal b. Calculated from data
One-Sample Kolmogorov-Smirnov Test
N
Normal Parametersa,,b
Most Extreme Differences
Kolmogorov-Smirnov Z Asymp. Sig. (2-tailed)
normal. Untuk memperoleh hasil terbaik maka dilakukan transformasi normal agar data menjadi lebih normal dengan menggunakan square root (SQRT). Hasil pengujian normalitas yang kedua dapat terlihat dalam tabel 4.5 sebagai berikut:
Tabel 4.5
Hasil Uji Normalitas dengan Kolmogorov-Smirnov (Setelah Transformasi SQRT)
Sumber: Data sekunder diolah
Dari pengujian kedua terlihat bahwa data telah terdistribusi normal dengan nilai signifikansi diatas 0.05 yaitu sebesar 0.088. Hasil terakhir di atas juga didukung hasil analisis grafiknya, yaitu dari grafik histogram maupun grafik Normal Probability Plot-nya seperti gambar 4.3 dan 4.4 dibawah ini :
Unstandardized Residual 54 Mean ,0000000 Std. Deviation ,20244771 Absolute ,170 Positive ,170 Negative -,126 1,249 ,088
a. Test distributional is normal b. Calculated from data
Asymp. Sig. (2-tailed)
One-Sample Kolmogorov-Smirnov Test
N
Normal Parametersa,,b
Most Extreme Differences
Gambar 4.3
Grafik Histogram (Setelah Transformasi SQRT)
Sumber: Data sekunder diolah
Gambar 4.4
Normal Probability Plot (Setelah Transformasi SQRT)
Dengan melihat tampilan grafik histogram dapat disimpulkan bahwa pola distribusi data mendekati normal. Kemudian pada grafik normal probability plot terlihat titik-titik sebaran lebih mendekati dan mengikuti garis normal jika dibandingkan dengan grafik normal probability plot saat sebelum dilakukan transformasi ke square root.
4.2.2.2Uji Multikolinearitas
Uji ini bertujuan menguji apakah pada model regresi ditemukan adanya korelasi antar variabel independen. Pada model regresi yang baik seharusnya antar variabel independen tidak terjadi kolerasi. Untuk mengetahui ada tidaknya multikolinearitas dapat dilihat dari nilai Variance Imflation Factor ( VIF ) dan nilai Tolerance, apabila nilai VIF > 10 dan nilai Tolerance < 0.1 maka terjadi multikolinearitas dan apabila nilai VIF < 10 dan nilai Tolerance > 0.1 maka tidak terjadi multikolineraritas. Hasil uji mutikolinearitas dapat dilihat pada tabel berikut :
Tabel 4.6
Hasil Uji Multikolinearitas
Sumber: Data sekunder diolah
Berdasarkan aturan VIF (Variance Inflation Factor) dan
Tolerance, maka apabila VIF melebihi angka 10 atau Tolerance
kurang dari 0.10 maka dinyatakan terjadi gejala multikolinieritas, sebaliknya apabila harga VIF kurang dari 10 atau tolerance lebih dari 0.10 maka dinyatakan tidak terjadi gejala multikolinieritas. Data yang digunakan untuk uji multikolinearitas ini adalah data dari variabel independen setelah dilakukan transformasi SQRT. Dari tabel 4.6 diatas diketahui masing-masing nilai VIF sebagai berikut :
a. Nilai VIF untuk variabel CG adalah 1.210 < 10 dan nilai tolerance variabel CG adalah 0.833 > 0.10 maka variabel CG dapat dinyatakan tidak terjadi gejala multikolinearitas.
b. Nilai VIF untuk variabel ukuran adalah 1.251 < 10 dan nilai tolerance variabel Ukuran adalah 0.799 > 0.10 maka variabel Ukuran dapat dinyatakan tidak terjadi gejala multikolinearitas. Tolerance VIF (Constant) CG ,833 1,201 Ukuran ,799 1,251 Dewan ,952 1,050 Model 1 Collinearity Statistics Coefficientsa
c. Nilai VIF untuk variabel dewan adalah 1.050 < 10 dan nilai tolerance variabel dewan adalah 0.952 > 0.10 maka variabel dewan dapat dinyatakan tidak terjadi gejala multikolinearitas.
4.2.2.3 Uji Heteroskedastisitas
Uji ini 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
variance dari residual satu pengamatan ke pengamatan lain berbeda disebut heteroskedastisitas. Untuk mendeteksi ada atau tidaknya heteroskedastisitas dapat dilakukan dengan melihat grafik scatterplot, dengan dasar analisis (Ghozali, 2005:139)
a) Jika ada pola tertentu, seperti titik-titik yang ada membentuk pola tertentu yang teratur (bergelombang, melebar kemudian menyempit), maka mengindikasikan telah terjadi heteroskedastisitas.
b) Jika tidak ada pola yang jelas, serta titik-titik menyebar di atas dan di bawah angka 0 pada sumbu Y, maka tidak terjadi heteroskedastisitas.
Hasil uji heteroskedastisitas dengan menggunakan grafik
scatterplot di tunjukkan pada gambar 4.5 dibawah ini:
Gambar 4.5 Grafik Scatterplot
Sumber: Data sekunder diolah
Pada grafik scatterplot di atas, terlihat titik-titik menyebar secara acak serta tersebar, baik di atas maupun di bawah angka 0 pada sumbu Y sehingga dapat diambil kesimpulan bahwa tidak terdapat gejala heteroskedastisitas pada model transformasi regresi yang digunakan.
4.2.2.4 Uji Autokorelasi
Uji ini bertujuan untuk menguji apakah dalam suatu model regresi linier terdapat korelasi antara kesalahan pengganggu pada periode t dengan kesalahan periode t-1 (sebelumnya). Jika terjadi korelasi maka dinamakan ada problem autokorelasi. Model regresi yang baik adalah yang bebas autokorelasi. Untuk mengetahui adanya autokorelasi dalam suatu model regresi dilakukan melalui pengujian terhadap nilai uji Durbin-Watson (Uji DW). Hasil uji autokorelasi dengan
Durbin-Watson dapat dilihat pada tabel 4.7 dibawah ini :
Tabel 4.7
Hasil Uji Autokorelasi dengan Durbin-Watson
Sumber: Data sekunder diolah
Dari hasil uji autokorelasi Durbin–Watson dengan menggunakan spss 17 maka diperoleh nilai DW sebesar 1.892. Dengan melihat kriteria nilai uji Durbin–Watson yaitu 1,6800<DW<2,32 maka dapat disimpulkan tidak terjadi autokorelasi.
1 .301a ,091 ,036 ,20843 1,892
a. Predictors: (Constant), Dewan, CG, Ukuran b. Dependent Variable: S.DA
Model Summaryb
Model R R Square Adjusted R Square Std. Error of the Estimate
Durbin- Watson
4.2.3 Analisis Regresi Berganda
Hasil analisis regresi berganda pengaruh Corporate Governance
(CG), ukuran perusahaan, dan dewan komisaris terhadap manajemen laba pada perusahaan pertambangan dan perkebunan yang terdaftar di Bursa Efek Indonesia ditunjukkan pada tabel 4.8 berikut :
Tabel 4.8 Hasil Analisis Regresi
Sumber: Data sekunder diolah
Analisis regresi berganda digunakan untuk menguji pengaruh dua atau lebih variabel independen terhadap satu variabel dependen. Persamaan regresi dapat dilihat dari tabel hasil uji coefficients.
Pada tabel coefficients yang dibaca adalah nilai dalam kolom B, baris pertama menunjukkan konstanta (a) dan baris selanjutnya menunjukkan konstanta variabel independen. Berdasarkan tabel 4.8 di atas maka model regresi yang digunakan adalah sebagai berikut;
S.DA = 0.570 – 0.034 CG + 0.066 Ukuran – 0.462 Dewan
Dari persamaan regresi tersebut diatas maka dapat dianalisis
sebagai berikut: Standardized Coefficients B Std. Error Beta (Constant) ,570 ,353 1,616 ,112 CG -,034 ,031 -,163 -1,106 ,274 Ukuran ,066 ,041 ,243 1,614 ,113 Dewan -,462 ,271 -,236 -1,706 ,094 1
a. Dependent Variable: S.DA
Coefficientsa
Model
Unstandardized Coefficients
a) Konstanta sebesar 0.570 menyatakan bahwa jika nilai CG, Ukuran, dan Dewan adalah nol maka DA yang terjadi adalah sebesar 0.570.
b) Koefisien regresi CG sebesar -0.034 menyatakan bahwa setiap penambahan CG sebesar 1% maka akan menurunkan DA sebesar 3.4%.
c) Koefisien regresi Ukuran sebesar 0.066 menyatakan bahwa setiap penambahan Ukuran sebesar 1% maka akan meningkatkan DA sebesar 6.6%.
d) Koefisien regresi Dewan sebesar -0.462 menyatakan bahwa setiap penambahan Dewan sebesar 1% maka akan menurunkan DA sebesar 46.2%.
4.2.4 Uji Hipotesis
4.2.4.1 Koefisien Determinasi (R2)
Koefisien determinasi (R2) digunakan untuk melihat sejauhmana keseluruhan variabel independen dapat menjelaskan variabel dependen. Apabila angka koefisien determinasi semakin mendekati 1, maka pengaruh variabel independen terhadap variabel dependen adalah semakin kuat, yang berarti variabel-variabel independen memberikan hampir semua informasi yang dibutuhkan untuk memprediksi variasi variabel dependen. Sedangkan nilai koefisien determinasi yang kecil
berarti kemampuan variabel-variabel independen dalam menjelaskan variasi variabel dependen adalah terbatas (Ghozali, 2005). Besarnya nilai koefisien determinasi dapat dijelaskan pada tabel 4.9 sebagai berikut :
Tabel 4.9
Hasil Koefisien Determinasi
Sumber: data sekunder yang diolah
Tabel 4.9 diatas menunjukkan nilai koefisien korelasi (R) dan koefisien determinasi (R square). Nilai R menunjukkan tingkat hubungan antar variabel-variabel independen dengan variabel dependen. Dari hasil olahan data diperoleh nilai koefisien korelasi sebesar 0.301 atau sama dengan 30.1% artinya hubungan antara variabel CG,Ukuran dan Dewan terhadap variabel DA tidak kuat. Definisi korelasi ini tidak kuat didasarkan pada nilai R yang berada di bawah 0.5 atau 50%.
Koefisien determinasi R square (R2) menunjukkan seberapa besar variabel independen menjelaskan variabel dependennya. Dari hasil perhitungan diperoleh nilai R2 sebesar 0.091 atau 9.1% yang berarti kemampuan variabel independen
1 .301a ,091 ,036 ,20843
a. Predictors: (Constant), Dewan, CG, Ukuran b. Dependent Variable: S.DA
Model Summaryb Model R R Square Adjusted R Square Std. Error of the Estimate
Pada tabel diatas juga ditunjukkan nilai Adjusted R Square. Dari hasil perhitungan, nilai adjusted R square sebesar 0.036 atau 3.6%. Artinya 3.6% variabel DA dipengaruhi oleh ketiga variabel bebas yaitu CG, Ukuran dan Dewan. Sedangkan sisanya 96.4% dipengaruhi oleh faktor-faktor lain diluar model.
4.2.4.2 Uji signifikansi Simultan (uji –F)
Uji F dilakukan untuk melihat pengaruh variabel independen (CG, Ukuran, dan Dewan) secara simultan (bersama – sama) terhadap variabel dependen (DA). Hasil uji F ditunjukkan pada tabel 4.10 sebagai berikut :
Tabel 4.10 Hasil Uji F
Sumber: data sekunder yang diolah
Kriteria pengambilan keputusan:
Ho diterima jika F hitung < F tabel untuk a =5% atau probalilitas >0.05.
H5 diterima jika F hitung > F tabel untuk a= 5% atau probabalitas <0.05.
Sum of
Squares df Mean Square F Sig.
Regression ,216 3 ,072 1,661 .187a
Residual 2,172 50 ,043
Total 2,389 53
a. Predictors: (Constant), Dewan, CG, Ukuran b. Dependent Variable: S.DA
Model 1
Dari Hasil uji F pada tabel 4.10 di atas maka diperoleh analisis sebagai berikut:
a) Nilai F tabel diperoleh dengan menggunakan Micrososoft excel dengan rumus FINV (0.05,3,50) yaitu 2.790008.
b) F hitung yang diperoleh sebesar 1.661. Nilai F hitung > F tabel (1.661 < 2.790008) artinya H4 ditolak yakni Corporate Governace (X1), Ukuran Perusahaan (X2), dan Dewan komisaris (X3) secara simultan tidak memiliki pengaruh signifikan terhadap manajemen laba (Y).
c) Kesimpulan ini diperkuat dengan melihat nilai signifikansi 0.187 > 0.05 yang menunjukkan bahwa pengungkapan Corporate Governace (X1), Ukuran Perusahaan (X2), dan Dewan komisaris (X3) secara simultan tidak memiliki pengaruh signifikan terhadap manajemen laba (Y).
4.2.4.3 Uji t (Uji Parsial)
Uji t bertujuan untuk menguji pengaruh masing-masing variabel independen (CG, Ukuran perusahaan, dan dewan komisaris) terhadap variabel dependen (manajemen laba). Untuk menguji pengaruh parsial tersebut dapat dilakukan dengan cara
berdasarkan nilai signifikansi (probabilitas). Jika nilai signifikansi lebih kecil dari 0.05 atau 5% maka hipotesis yang diajukan diterima atau dikatakan signifikan. Jika nilai signifikansi lebih besar dari 0.05 atau 5% maka hipotesis yang diajukan ditolak atau dikatakan tidak signifikan. Hasil uji t dapat dilihat pada tabel 4.11 sebagai berikut :
Tabel 4.11 Hasil Uji t
Sumber : Data sekunder yang diolah.
a) Nilai T tabel diperoleh dengan menggunakan Micrososoft excel dengan rumus TINV (0,05,50) yaitu 2.008559.
b) T hitung variabel CG yang diperoleh sebesar -1.1606. Nilai T hitung < T tabel (-1.106 < 2.008558) artinya H1 ditolak.kesimpulan ini diperkuat dengan nilai signifikansi 0.274 > 0.05 yang berarti pengungkapan CG tidak memiliki pengaruh signifikan terhadap manjemen laba (DA).
c) T hitung variabel ukuran yang diperoleh sebesar
Standardized Coefficients B Std. Error Beta (Constant) ,570 ,353 1,616 ,112 CG -,034 ,031 -,163 -1,106 ,274 Ukuran ,066 ,041 ,243 1,614 ,113 Dewan -,462 ,271 -,236 -1,706 ,094
a. Dependent Variable: S.DA
Coefficientsa 1 Sig. Model Unstandardized Coefficients t
artinya H2 ditolak.kesimpulan ini diperkuat dengan nilai signifikansi 0.113 > 0.05 yang berarti ukuran tidak memiliki pengaruh signifikan terhadap manjemen laba (DA).
d) T hitung variabel dewan yang diperoleh sebesar - 1.1706. Nilai T hitung < T tabel (-1.706 < 2.008558) artinya H3 ditolak.kesimpulan ini diperkuat dengan nilai signifikansi 0.094 > 0.05 yang berarti dewan tidak memiliki pengaruh signifikan terhadap manjemen laba (DA).
4.3 Interpretasi Hasil
1. Pengaruh secara simultan
F hitung yang diperoleh sebesar 1.661. Nilai F hitung > F tabel (1.661 < 2.790008) dan nilai signifikansi sebesar 0,187 lebih besar dari 0,05. Oleh karena itu dapat diambil kesimpulan yakni Corporate Governace, Ukuran Perusahaan, dan Dewan komisaris secara simultan tidak memiliki pengaruh signifikan terhadap manajemen laba.
2. Pengaruh secara parsial
a) Pengaruh pengungkapan CG terhadap manajemen laba Hasil pengujian pengaruh pengungkapan CG terhadap manajemen laba dalam penelitian ini menyimpulkan bahwa pengungkapan CG tidak berpengaruh terhadap manajemen laba
dengan nilai signifikansi yang diperoleh yaitu 0,274 dan lebih besar dari 0,05. Hal ini membuktikan bahwa pengungkapan CG melalui website perusahaan belum dapat mengurangi kemungkinan terjadinya manajemenn laba. Sebab website perusahaan belum digunakan secara maksimal dalam mengungkapkan informasi terkait CG.
Berdasarkan hasil penelitian diatas, penelitian ini konsisten dengan penelitian yang dilakukan oleh Rudi Isnanta (2007). Selain
itu penelitian ini juga konsisten denagn penelitian yang dilakukan
Nurleni Simamora (2011). Penelitian ini tidak konsisten dengan
penlitian yang dilakukan oleh Deni Darmawati (2003).
b) Pengaruh ukuran perusahaan terhadap manajemen laba Hasil pengujian pengaruh terhadap manajemen laba dalam penelitian ini menyimpulkan bahwa ukuran perusahaan tidak berpengaruh terhadap manajemen laba dengan nilai signifikansi 0,113 dan lebih besar dari 0,05. Hal ini menunjukkan bahwa ukuran perusahaan belum tentu dapat memperkecil kemungkinan terjadinya manajemen laba, karena perusahaan besar lebih banyak memiliki aset dan memungkinkan banyak aset yang tidak dikelola dengan baik sehingga kemungkinan kesalahan dalam mengungkapan total aset dalam perusahaan tersebut.
Penelitian ini tidak konsisten dengan penelitian Restie Ningsaptiti (2010) yang menyimpulkan bahwa ukuran perusahaan berpengaruh signifikan terhadap manajemen laba. penelitian ini konsisten dengan penelitian Marihot Nasution dan Setiawan (2007) bahwa ukuran perusahaan tidak berpengaruh signifikan terhadap manajemen laba.
c) Pengaruh dewan komisaris terhadap manajemen laba
Hasil pengujian pengaruh proporsi komisaris independen terhadap manajemen laba dalam penelitian ini menyimpulkan bahwa proporsi komisaris independen tidak berpengaruh terhadap manajemen laba dengan nilai signifikansi 0,094 dan lebih besar dari 0,05. Hal ini membuktikan bahwa dengan atau tanpa adanya komisaris independen dalam suatu perusahaan dan dengan semakin banyaknya jumlah komisaris independen dalam suatu perusahaan, tidak mampu mengurangi tindakan manajemen laba. Hal ini dapat dijelaskan bahwa perusahaan sampel penelitian melakukan penempatan atau penambahan anggota dewan komisaris independen, diduga hanya untuk memenuhi ketentuan formal. Kuatnya kendali pendiri perusahaan dan kepemilikan saham mayoritas
menjadikan dewan komisaris tidak independen dan fungsi
pengawasan yang seharusnya menjadi tanggung jawab dewan
Hasil ini tidak konsisten dengan penelitian yang dilakukan oleh Muh. Arief Ujiyantho dan Bambang Agus Pramuka (2007) yang menyatakan komisaris independen berpengaruh positif terhadap manajemen laba. Penelitian ini konsisten dengan hasil penelitian yang dilakukan oleh Nuryaman (2008) serta Muhammad Maruf (2006) bahwa komisaris independen tidak berpengaruh signifikan terhadap manajemen laba.
