BAB III METODE PENELITIAN
3.6 Metode Analisis Data
Data penelitian dianalisis dan diuji dengan uji statistik yang terdiri dari statistik deskriptif, uji asumsi klasik, dan analisis regresi untuk pengujian hipotesis.
3.6.1 Statistik Deskriptif
Statistik deskriptif merupakan proses transformasi data penelitian dalam bentuk tabulasi sehingga mudah dipahami dan diinterpretasikan (Erlina, 2011: 93). Statistik deskriptif dimaksudkan untuk menggambarkan dan menyajikan secara ringkas informasi dari sejumlah besar data (Sularso, 2003: 77). Ukuran statistik deskriptif yang digunakan dalam penelitian ini adalah nilai minimum dan maksimum, mean, dan standar deviasi. Nilai minimum dan maksimum digunakan untuk mengetahui range (rentang) data. Semakin besar nilai range maka semakin besar pula penyimpangan dari nilai rata- ratanya. Nilai rata-rata (mean) adalah perbandingan penjumlahan sekelompok data dengan jumlah data. Standar deviasi adalah rata-rata
No. Variabel Definisi Indikator Skala
5 Leverage Rasio keuangan untuk mengukur seberapa besar aset perusahaan dibiayai oleh liabilitas
Total hutang dibagi total aset
Rasio 6 Ukuran perusahaan Besar – kecilnya perusahaan Logaritma natural total aset
penyimpangan masing-masing data terhadap nilai yang diharapkan (Erlina, 2011: 96).
3.6.2 Uji Asumsi Klasik
Pengujian asumsi atas analisis multivariat disebut pengujian asumsi klasik. Tujuan pengujian ini adalah untuk menguji kelayakan model regresi yang digunakan dalam peneltitian. Uji asumsi klasik terdiri atas uji normalitas, uji multikolinearitas, uji heteroskedastisitas, dan uji autokorelasi.
3.6.2.1 Uji Normalitas
Uji normalitas bertujuan untuk mengetahui apakah dalam model regresi variabel pengganggu atau residual memiliki distribusi normal. Data yang baik adalah data yang mempunyai pola seperti distribusi normal, yakni distribusi data tersebut tidak menceng ke kiri atau menceng ke kanan (Situmorang, et al., 2007: 55). Uji normalitas dapat dilakukan melalui analisa grafik dan analisa statistik. Analisa grafik dilakukan dengan melihat grafik histogram dan grafik normal probability plot. Distribusi data dikatakan normal jika garis tren pada histogram berbentuk lonceng dan garis tren pada grafik normal probability plot tidak melenceng jauh dari garis tren. Analisis statistik dilakukan dengan uji Kolmogorov Smirnov. Jika nilai signifikansi > 0,05 maka data berdistribusi normal.
3.6.2.2 Uji Multikolinearitas
Uji multikolinearitas bertujuan untuk mengetahui apakah antar variabel independen dalam model regresi memiliki korelasi. Dampak dari multikolinearitas adalah kurang akuratnya model regresi karena penaksiran koefisien regresi menjadi sangat sensitif terhadap perubahan data (Suharjo, 2008: 98). Model regresi yang baik seharusnya tidak memiliki korelasi antar variabel independennya. Uji multikolinearitas dapat dilakukan dengan melihat nilai VIF (variance inflation factor) dan nilai tolerance. VIF adalah estimasi berapa besar multikolinearitas meningkatkan varian pada suatu koefisien estimasi sebuah variabel independen (Erlina, 2011: 103). Jika nilai VIF < 10 dan nilai tolerance > 0,10 maka tidak terdapat multikolinearitas. Uji multikolinearitas juga dapat dilakukan dengan melihat koefisien korelasi antar variabel independen. Korelasi antar variabel independen dikatakan berkorelasi tinggi jika nilai korelasinya > 0,80.
3.6.2.3 Uji Heteroskedastisitas
Uji heteroskedastisitas bertujuan untuk mengetahui apakah terdapat gejala heteroskedastisitas dalam model regresi. Heteroskedastisitas terjadi ketika varian residual bersifat tidak konstan. Jika varian dari residual satu pengamatan ke pengamatan lain tetap, maka disebut homoskedastisitas. Uji
heteroskedastisitas dilakukan dengan melihat grafik nilai residu dan uji Glejser. Grafik nilai residu menunjukkan tidak adanya gejala heteroskedastisitas jika gambar scatter diagram antara SRESID dan ZPRED nilai residu tidak membentuk pola tertentu dan titik – titik menyebar di atas dan di bawah angka 0 pada sumbu Y. Analisis statistik dilakukan dengan uji Glejser. Jika nilai signifikansi > 0,05 maka data tidak mengalami gejala heteroskedastisitas.
3.6.2.4 Uji Autokorelasi
Autokorelasi dapat didefinisikan sebagai korelasi antara anggota serangkaian observasi yang diurutkan waktu atau ruang (Situmorang, et al., 2007: 78). Uji autokorelasi bertujuan untuk mengetahui apakah dalam suatu model regresi terdapat korelasi antara kesalahan pengganggu pada periode t dengan kesalahan pada periode t-1 atau sebelumnya. Masalah autokorelasi muncul ketika data yang digunakan adalah data time series. Autokorelasi akan muncul bila data sesudahnya merupakan fungsi dari data sebelumnya, atau data sesudahnya memiliki korelasi yang tinggi dengan data sebelumnya pada data runtut waktu dan besaran data sangat tergantung pada tempat data tersebut terjadi (Hadi, 2006: 175). Uji autokorelasi dilakukan dengan melihat nilai d pada uji Durbin-Watson.
Tabel 3.3 Nilai Durbin-Watson
Hipotesis nol Keputusan Jika
Tidak ada autokorelasi positif Tolak 0 < d < dl Tidak ada autokorelasi positif No decision dl ≤ d ≤ du Tidak ada korelasi negatif Tolak 4 – dl < d < 4 Tidak ada korelasi negatif No decision 4 –du ≤ d ≤ 4 – dl Tidak ada autokorelasi, positif atau
negatif
Tidak ditolak
du < d < 4 – du
Sumber: Ghozali (2013: 111)
3.6.3 Analisis Regresi Berganda
Analisis regresi bertujuan untuk mengetahui dampak variabel bebas terhadap variabel terikat (Hadi, 2006: 147). Analisis regresi linear berganda digunakan dalam penelitian ini karena model yang diuji memiliki lebih dari satu variabel independen yang hanya mempengaruhi satu variabel dependen. Regresi linear berganda ditujukan untuk menentukan hubungan linear antar beberapa variabel bebas dengan variabel terikat (Situmorang, et al., 2007: 118). Data dalam penelitian ini dianalisis dengan analisis regresi linear berganda dengan persamaan sebagai berikut:
+
Keterangan:
ERM = Pengungkapan manajemen risiko/ERM α = Konstanta
IND_COM = Komisaris independen AUD_COM = Komite audit
OWN_CON = Konsentrasi kepemilikan FIN_LEV = Leverage
FRM_SZE = Ukuran perusahaan = Error
3.6.3.1 Koefisien Determinasi
Ketepatan fungsi regresi dalam menaksir nilai aktual dapat diukur berdasarkan Goodness of Fit atau koefisien determinasinya (Situmorang, et al., 2007: 112). Koefisien determinasi ini menggambarkan kemampuan model dalam menjelaskan variasi variabel independen. Nilainya antara 0 sampai dengan 1, jika semakin mendekati 1 maka model semakin baik.
3.6.3.2 Uji Signifikansi Simultan (Uji F)
Uji Signifikansi Simultan atau Uji F ini dilakukan untuk mengetahui seberapa signifikan hubungan variabel – variabel independen secara simultan terhadap variabel dependen. Jika F hitung < F tabel maka Ho diterima dan Ha ditolak, sedangkan jika F hitung > F tabel maka Ho ditolak dan Ha diterima (Situmorang, et al., 2007: 114). Jika tingkat signifikansi di bawah 0,05 maka Ho ditolak dan Ha diterima.
3.6.3.3 Uji Signifikansi Parsial (Uji T)
Uji Signifikansi Parsial atau Uji t ini dilakukan untuk mengetahui seberapa signifikan hubungan variabel independen secara parsial terhadap variabel dependen. Jika t hitung < t tabel maka Ho diterima dan Ha ditolak, sedangkan jika t hitung > t tabel maka Ho ditolak dan Ha diterima (Situmorang, et al., 2007: 115). Jika tingkat signifikansi di bawah 0,05 maka Ho ditolak dan Ha diterima.