Kerangka Pemikiran Penelitian
Dalam penelitian yang akan dilaksanakan, penulis akan melakukan penelitian terhadap perusahaan emiten sektor kelapa sawit yang terdaftar di BEI. Penelitian diawali dengan ide pemikiran bahwa pelaksanaan pemenuhan kewajiban perpajakan sebuah perusahaan tentunya akan sangat berpengaruh terhadap penilaian kinerja perusahaan. Hal ini paling tidak disebabkan oleh adanya penggunaan sebagian kas perusahaan dalam pemenuhan kewajiban perpajakannya. Peneliti tertarik untuk melihat dampaknya secara langsung terhadap kinerja keuangan perusahaan dan dampaknya, baik secara langsung atau tidak langsung , terhadap harga saham perusahaan saat ini dan masa yang akan datang.
Emiten Sektor Kelapa Sawit
Kegiatan Usaha Perusahaan
Pemenuhan Kewajiban Perpajakan
Kegiatan Penjualan dan Pengeluaran Biaya
Pembayaran Pajak dan Pelaporan Pajak
Beban pajak Laporan Keuangan Kinerja Perusahaan Kepercayaan Masyarakat Implikasi Manajerial
Patuh Tidak Patuh
Buruk Baik
Ketidakpercayaan Masyarakat
Kecenderungannya membuat permintaan turun, sehingga
harga saham turun Kecenderungannya membuat
permintaan naik, sehingga harga saham naik
Analisis LK
Beban Pajak Naik, Laba Turun; Beban Pajak Turun,
Laba Naik
Pendekatan Penelitian
Pendekatan yang digunakan adalah pendekatan kuantitatif. Penulis melakukan penelitian kuantitatif dengan menggunakan data sekunder. Data sekunder diperoleh melalui penelusuran laporan keuangan dari emiten perusahaan industri sawit, mengingat Induk Perusahaan tercatat sebagai salah satu emiten yang terdaftar di Bursa Efek Indonesia. Penelitian dimulai dengan pengumpulan data sekunder berupa laporan keuangan triwulanan dari emiten sektor pertanian yang telah terdaftar di BEI sebelum 2009, sehingga dapat terlihat tren dari pergerakan kinerja keuangan dari laporan keuangan tiap perusahaan.
Jenis Data dan Sumber Data
Data yang digunakan berupa data sekunder, seperti literatur-literatur dan laporan keuangan triwulanan (laporan laba rugi dan neraca) periode 2009-2013 yang dapat diperoleh dari BEI untuk perusahaan yang sudah go public, data sekunder dari Direktorat Jenderal Pajak mengenai kepatuhan pajak emiten di sektor industri kelapa sawit, profil perusahaan, studi kepustakaan dengan mempelajari buku-buku yang terkait dengan penelitian, internet, jurnal dan artikel-atikel lain yang berhubungan dengan penelitian ini.
Variabel Penelitian
Variabel dalam penelitian ini adalah perubahan (Δ) Kepatuhan Bayar/Byr (X1), Δ Kepatuhan Lapor/Lpr (X2), Δ Kepatuhan Audit/Aud (X3), Δ EPS (X4), Δ NPM (X5), Δ ROE (X6), Δ PER (X7), Δ QR (X8), Δ
EVA (X9), Δ MVA (X10). Sedangkan Δ harga yang mencerminkan kepercayaan stakeholder (Y) sebagai variabel terikat yang dipengaruhi oleh variabel bebas. Dimensi yang diambil adalah persentase perubahan variabel, sebab masing-masing variabel memeiliki perbedaan dalam dimensi pengukurannya.
Populasi dan Sampel
Populasi dari penelitian ini adalah 417 laporan keuangan triwulan dari semua emiten industri kelapa sawit, dari tahun terdaftarnya di bursa hingga tahun 2014. Sedangkan sampel yang diambil dalam penelitian ini adalah laporan keuangan triwulan dari emiten yang terdaftar sebelum tahun 2009, dengan jumlah sampel sebesar 133 laporan keuangan triwulanan. Penarikan sampel ini dilakukan untuk mempermudah proses kalkulasi data, sebab bila terdapat emiten yang tidak memiliki rentang waktu dari 2009-2013, akan menimbulkan kerancuan dalam proses pengambilan kesimpulan.
Tujuh perusahaan emiten sektor kelapa sawit yang terdaftar di BEI, antara lain PT Astra Agro Lestari Tbk (AALI), PT Gozco Plantation Tbk (GZCO), PT PP London Sumatera Indonesia Tbk (LSIP), PT Sampoerna Agro Tbk (SGRO), PT Sinar Mas Agro Resources and Technology Tbk (SMAR), PT Tunas Baru Lampung Tbk (TBLA), dan PT Bakrie Sumatera Plantation Tbk (UNSP) dipilih karena telah listing di BEI setelah tahun 2008. Hal ini dilakukan dengan beberapa pertimbangan, seperti pelaksanaan tarif tunggal pajak perusahaan yang berlaku di Indonesia sejak tahun 2009
yang akan dapat menyeragamkan jumlah pajak penghasilan emiten kepala sawit, sehingga berdasarkan tanggal IPO emiten sektor industri kelapa sawit, maka ketujuh perusahaan dipilih untuk diolah laporan keuangan dari triwulan II tahun 2009 sampai dengan triwulan IV tahun 2013.
Berdasarkan kriteria tersebut, maka diperoleh 7 perusahaan yang memenuhi kriteria untuk dijadikan contoh dalam penelitian ini. dalam Tabel 2 di bawah ini.
Tabel 2. Perusahaan yang dijadikan contoh penelitian
No Kode Saham Nama Emiten
1. AALI PT Astra Agro Lestari Tbk
2. GZCO PT Gozco Plantation Tbk
3. LSIP PT PP London Sumatera Indonesia Tbk
4. SGRO PT Sampoerna Agro Tbk
5. SMAR PT Sinar Mas Agro Resources and Technology Tbk
6. TBLA PT Tunas Baru Lampung Tbk
7 UNSP PT Bakrie Sumatera Plantation Tbk
Sumber : www.sahamok.com (2014)
Pengolahan dan Analisis Data : Analisis Regresi Data Panel Pengolahan data dilakukan dengan menggunakan metode analisis regresi linier berganda dengan menggunakan data panel. Ariefianto (2012) menjelaskan bahwa data dengan karakteristik panel adalah data yang terstruktur time series (urut waktu) sekaligus cross section (antar individu).
Green (2012) menjelaskan bahwa analisis data panel merupakan subyek dari salah satu bagian literatur yang paling aktif dan inovatif dalam ekonometri, antara lain karena data panel menyediakan sebuah lingkungan yang kaya untuk pengembangan teknik estimasi dan hasil teoritis. Dalam istilah yang lebih teknis, peneliti telah mampu untuk menggunakan data runtun waktu silang (time-series cross-sectional data) untuk meneliti masalah yang tidak dapat dipelajari secara sendiri-sendiri melalui teknis cross-sectional atau time-series saja.
Data panel dapat menjelaskan dua macam informasi yaitu: informasi cross-section pada perbedaan antar subjek, dan informasi time series yang merefleksikan perubahan pada subjek waktu. Ketika kedua informasi tersebut tersedia, maka analisis data panel dapat digunakan.
Dengan pengamatan berulang terhadap data cross section yang cukup, analisis data panel memungkinkan seseorang dalam mempelajari dinamika perubahan dengan data time series. Kombinasi data time series dan cross section dapat meningkatkan kualitas dan kuantitas data dengan pendekatan yang tidak mungkin dilakukan dengan menggunakan hanya salah satu dari data tersebut (Gujarati, 2006). Analisis data panel dapat mempelajari sekelompok subjek jika kita ingin mempertimbangkan baik dimensi data maupun dimensi waktu.
Green (2012) menjelaskan bahwa manfaat fundamental dari suatu data panel yang terdiri dari data antar individu (cross section) adalah bahwa data panel memberikan peneliti fleksibilitas yang besar dalam pemodelan
perbedaan perilaku antar individu. Kerangka dasar untuk model regresi adalah seperti di bawah ini.
yit = + + = + + ---(16)
berdasar persamaan diatas, merupakan pengaruh individu dimana berisi prasyarat konstan dan satu set individu atau kelompok tertentu variabel yang dapat diamati, seperti ras, jenis kelamin, lokasi dan sebagainya, atau tidak teramati, seperti karakteristik keluarga, heterogenitas dalam keterampilan atau preferensi dan sebagainya, semuanya yang diambil konstan dari waktu ke waktu t.
Saat dapat diamati untuk semua individu, maka model regresi data panel dapat diperlakukan dengan model linear umum. Permasalahan timbul saat tidak dapat diamati.
Ariefianto (2012) menjelaskan bahwa saat diyakini bahwa tidak terdapat komponen cross section dan urut waktu yang spesifik, maka persamaan umum regresi data panel dilakukan dengan metode Ordinary Least Squares (OLS). Namun apabila terdapat heterogenitas baik dalam cross section dan/atau urut waktu, maka pemodelan residual harus dilakukan secara eksplisit, benar dalam spesifikasi emipiris. Pemodelan yang tidak tepat akan memuat terjadinya bias, yang memungkinkan variabel bebas memiliki korelasi dengan residual.
Terdapat tiga pendekatan dalam perhitungan model regresi data panel, antara lain: (1) Metode Common Constant (The Pooled OLS Method) (2) Model Efek Tetap / Fixed Effect Model (FEM) dan (3) Model Efek Random / Random Effect Model (REM). Metode OLS merupakan metode paling sederhana, dimana estimasinya diasumsikan bahwa semua unit undividu memiliki intersep dan slope yang sama. Model efek tetap menurut Green (2012) dibentuk dari asumsi bahwa efek diabaikan dalam model umum, berkorelasi dengan variabel disertakan, sehingga dapat dimasukkan dalam iterasi sebagai berikut:
yit = + + ---(17)
Formulasi efek tetap menyiratkan bahwa perbedaan antar kelompok dapat direkam dalam perbedaan dalam jangka waktu yang konstan. Setiap diperlakukan sebagai parameter yang tidak diketahui, untuk dapat diperkirakan.
Ariefianto (2012) menjelaskan bahwa terdapat sedikit kekurangan dalam pemodelan efek tetap ini, antara lain; (1) masalah kekurangan derajat kebebasan akibat jumlah sampel yang terbatas, (2) multikolinearitas akibat banyaknya variabel dummy yang diestimasi, (3) keterbatasan kemampuan estimasi, terutama bila terdapat varaibelyang tidak berubah berdasarkan waktu dan (4) kemungkinan terjadinya korelasi antara komponen reidual spesifik.
Green (2012) menjelaskan, apabila efek individu secara ketat tidak saling berhubungan dengan regressor, maka akan lebih tepat untuk memodelkan konstanta dari individu yang spesifik untuk didistribusikan secara acak di seluruh unit cross-sectional. Hal ini dikenal dengan Model efek random yang direformulasi sebagai berikut.
dimana komponen ui merupakan heterogenitas acak yang spesifik untuk
pengamatan ke-I dan konstan melalui waktu.
Pemilihan FEM dan REM didasarkan pada apakah heterogenitas bersifat konstan (dan berkorelasi dengan variabel bebas) atau random. Untuk menentukan superioritas suatu model dibandingkan model lainnya dilakukan pengujian sepert Uji Chow dan Uji Hausman. Uji Chow digunakan untuk melihat penggunaan model yang dipilih, apakah OLS atau FEM, sedangkan Uji Hausman digunakan sebagai dasar pertimbangan dalam memilih metode FEM atau REM.
Berdasarkan hipotesis yang ada, maka model persamaan yang dilakukan untuk penelitian ini adalah
Y = β0+ βlXl + β2X2 + β3X3 + β4X4 + β5X5 + β6X6+ β7X7 + β8X8 + β9X9 +
β10X10 + e---(19) Dimana:
Y : Harga Saham (variabel dependen) X1 : ΔKepatuhan Bayar (Byr) β0 : Konstanta X2 : ΔKepatuhan Lapor (Lpr)
β1 : Koefesien regresi dari variabel X1 X3 : ΔKepatuhan Audit (Aud) β2 : Koefesien regresi dari variabel X2 X4 : ΔEPS
β3 : Koefesien regresi dari variabel X3 X5 : ΔNPM
β4 : Koefesien regresi dari variabel X4 X6 : ΔROE β5 : Koefesien regresi dari variabel X5 X7 : ΔPER
β6 : Koefesien regresi dari variabel X6 X8 : ΔQR
β7 : Koefesien regresi dari variabel X7 X9 : ΔEVA
β8 : Koefesien regresi dari variabel X8 X10 : ΔMVA β9 : Koefesien regresi dari variabel X9
β10 : Koefesien regresi dari variabel X10 e : tingkat kesalahan (error)
Uji Asumsi Klasik
Selain dua pengujian diatas, pemodelan penelitian juga harus memenuhi Uji asumsi klasik untuk mengetahui bebas tidaknya pemodelan dari heteroskedastisitas, multikolinearitas dan autikorelasi. Multikolinearitas adalah kondisi terdapatnya hubungan linier atau korelasi yang tinggi antara masing-masing variabel independen dalam model regresi. Multikolinearitas biasanya terjadi ketika sebagian besar variabel yang digunakan saling terkait dalam suatu model regresi. Oleh karena itu masalah multikolinearitas tidak terjadi pada regresi linier sederhana yang hanya melibatkan satu variabel independen. Hubungan korelasi yang tinggi belum tentu berpengaruh pada masalah multikolinearitas, namun kita dapat melihat indikasi multikolinearitas dengan tolerance value (TOL), eigenvalue, dan yang paling umum digunakan adalah varians inflation factor (VIF). Tidak ada kriteria formal untuk menentukan batas terendah dari nilai toleransi atau VIF, beberapa ahli berpendapat bahwa nilai toleransi kurang dari 1 atau VIF lebih besar dari 10 menunjukkan multikolinearitas yang signifikan, sementara itu para ahli lainnya menegaskan bahwa besarnya R2 model dianggap mengindikasikan adanya multikolinearitas.
Uji autokorelasi digunakan untuk melihat apakah ada hubungan linier antara error serangkaian observasi yang diurutkan menurut waktu (data time series). Uji autokorelasi perlu dilakukan apabila data yang dianalisis
merupakan data time series. Alat analisis yang digunakan adalah uji Durbin- Watson Statistik. Untuk mengetahui terjadi atau tidak autokorelasi dilakukan dengan membandingkan nilai statistik hitung Durbin-Watson pada perhitungan regresi dengan statistik tabel Durbin-Watson pada gambar di bawah ini.
Gambar 2 Uji statistik Durbin-Watson
Uji skedastisitas dilakukan dengan menggunakan program EViews melalui park test (uji Park) yang dilakukan dengan meregresikan meregresikan nilai residual yang dihasilkan dari persamaan awal, dengan variabel yang ada.
Uji Statistik Model
Uji F dikenal dengan uji serentak, yaitu uji untuk melihat bagaimanakah pengaruh semua variabel bebasnya secara bersama-sama terhadap variabel terikatnya. Selain itu juga dilakukan untuk menguji apakah model regresi yang kita buat baik/signifikan atau tidak baik/non signifikan. Jika model signifikan maka model bisa digunakan untuk peramalan, sebaliknya jika tidak signifikan maka model regresi tidak bisa digunakan untuk peramalan.
Uji t dikenal dengan uji parsial, dilakukan untuk menguji bagaimana pengaruh masing-masing variabel bebasnya secara sendiri-sendiri terhadap variabel terikatnya. Uji ini dapat dilakukan dengan mambandingkan t hitung dengan t tabel atau dengan melihat kolom signifikansi pada masing-masing t hitung, proses uji t identik dengan Uji F.
Uji Koefisien Determinasi (R Squared /R2 dan Adjusted R Squared), bertujuan untuk menentukan proporsi atau persentase total variasi dalam variabel terikat yang diterangkan oleh variabel bebas. Apabila analisis yang digunakan adalah regresi sederhana, maka yang digunakan adalah nilai R Square. Namun, apabila analisis yang digunakan adalah regresi berganda, maka yang digunakan adalah Adjusted R Square.
Vector Autoregression (VAR) dengan Data Panel
Hill et al. (1997) memberikan definisi Vector Autoregression (VAR) sebagai model data urut waktu yang dipergunakan untuk meramalkan nilai dari dua atau lebih variabel ekonomi. Model ini berkaitan dengan model persamaan simultan model dimana variabel dianggap endogen dan ditentukan secara bersama, namun hanya menggunakan data dan pola dalam data historis sebagai dasar untuk peramalan.
Misalkan xt dan yt merupakan variabele konomi yang akan diramalkan
nilainya. Maka sebuah model VAR dapat ditunjukkan dalam persamaan berikut.
yt= θ0+ θ1 yt-1+ … +θp yt-p + Φ1xt-1 + … + Φpxt-p + et ---(20)
xt= δ0+ δ 1 yt-1+ … +δp yt-p+ α1xt-1 + … + α pxt-p + ut ---(21)
dalam model ini, nilai dari variabel yt dijelaskan oleh nilai y dari periode-
periode sebelumnya dan nilai variabel x dari periode-periode sebelumnya, ditambah dengan random error (et). perlu dipahami bahwa nilai yt tidak
secara langsung dan sepenuhnya dipengaruhi oleh nilai dari xt, dan dua
persamaan diatas bukanlah merupakan model persamaan yang simultan. Nilai et sendiri diasumsikan memiliki rata-rata nol dan varians yang
konstan serta secara serial tidak saling berhubungan. Demikian pula halnya dengan variabel xt pada persamaan 19 yang dijelaskan oleh nilai x dari
periode-periode sebelumnya dan nilai variabel y dari periode-periode sebelumnya, ditambah dengan random disturbance (ut).
Setiap variabel xt dan yt dijelaskan oleh masing masing nilai dari
peride sebelumnya, namun diasumsikan tidak terdapat variabel ekonomi lain yang terlibat, sehingga dapat disimpulkan bahwa model VAR menggunakan pola historis dari masing-masing variabel dan hubungannya dengan variabel lainnya. Satu hal yang menarik adalah, model ini melibatkan hubungan antara random errors et dan ut. Termasuk kedalam komponen kedua error
ini adalah kejutan kondisi ekonomi (economic shocks) terhadap x dan y, yang berasal dari luar sistem persamaan seperti perubahan kebijakan pemerintah, peristiwa nasional dan internasional dan faktor lain yang tidak berada dalam model persamaan. Masalah yang mungkin timbul dalam penggunaan model VAR adalah penentuan panjang lag, untuk menentukan jumlah periode sebelumnya yang akan dipergunakan dalam estimasi model VAR.
Juanda dan Junaidi (2012) mengungkapkan bahwa model VAR dibangun dengan pendekatan meminimalkan teori agar mampu menangkap fenomena ekonomi dengan baik, sehingga disebut model non- struktural/tidak teoritis. Data yang dipergunakan dalam model VAR haruslah data yang stasioner, agar dapat dihasilkan model yang baik.
Bentuk-bentuk model VAR secara umum dapat dibagi menjadi tiga, yaitu:
1. Unrestricted VAR. Terdapat dua bentuk dari model ini, antara lain: - VAR in level. Jika data tidak stasioner pada level, harus
distasionerkan dulu sebelum menggunakan model VAR.
- VAR in difference. jika data tidak stasioner dalam level dan tidak memiliki hubungan kointegrasi, estimasi VAR dilakukan pada data diferens.
2. Restricted VAR atau disebut Vector Error Correction Model (VECM), yaitu bentuk VAR yang terestriksi. Restriksi diberikan karena data tidak stasioner namun terkointegrasi.
3. Structural VAR. Bentuk VAR direstriksi berdasarkan hubungan teoritis yang kuat dan skema ordering hubungan terhadap variabel-
variabel yang digunakan. S-VAR dikenal sebagai VAR yg teoritis (theoritical VAR) .
Juanda dan Junaidi (2012) menjelaskan bahwa terdapat beberapa analisis penting dalam model VAR. Empat diantaranya adalah:
(1) Peramalan;
Sebelum digunakan untuk peramalan, biasanya dilakukan simulasi untuk mencocokkan dataaktual dengan nilai fitted value. Simulasi yang relevan dengan model VAR adalah simulasi dinamis yang menggunakan semua persamaan yang ada dalam VAR secara simultan.
(2) Impulse response;
Model VAR dapat digunakan untuk melihat dampak perubahan dari satu variabel terhadap variabel lainnya dalam sistem secara dinamis. Caranya dgn memberikan guncangan (shocks) pada salah satu variabel endogen. Shock yang diberikan biasanya sebesar satu standar deviasi dari variabel (disebut innovations). Penelusuran pengaruh guncangan terhadap nilai semua variabel saat ini dan beberapa periode mendatang disebut sebagai teknik Impulse Response Function (IRF).
(3) Forecast error decomposition variance (FEDV)
Bertujuan memprediksi kontribusi persentase varian setiap variabel karena adanya perubahan variabel tertentu dalam sistem VAR. Analisis FEDV digunakan untuk menggambarkan relatif pentingnya setiap variabel dalam sistem VAR karena adanya shock.
(4) Uji kausalitas.
Pengujian untuk menentukan hubungan sebab akibat antara variabel dalam sistem VAR. Hubungan sebab akibat diuji dengan uji kausalitas Granger (Granger Causality Test).
Hipotesis Penelitian
Dalam penelitian ini, hipotesis dikembangkan adalah: Hipotesis Pertama
H10: kepatuhan pajak (tax compliance) tidak memiliki pengaruh terhadap
kinerja keuangan perusahaan emiten sektor industri kelapa sawit. H11: kepatuhan pajak (tax compliance) memiliki pengaruh terhadap kinerja
keuangan perusahaan emiten sektor industri kelapa sawit. Hipotesis Kedua
H20: Image “wajib pajak patuh” yang melekat pada perusahaan emiten
sektor industri kelapa sawit akan mempengaruhi harga saham.
H21: Image “wajib pajak patuh” yang melekat pada perusahaan emiten
sektor industri kelapa sawit akan mempengaruhi harga saham. Hipotesis Ketiga
H30: Kinerja perusahaan emiten sektor industri kelapa sawit setelah adanya
H31: Kinerja perusahaan emiten sektor industri kelapa sawit setelah adanya
tax compliance akan mempengaruhi harga saham. Lokasi dan Waktu Penelitian
Penelitian ini dilaksanakan di Direktorat Teknologi dan Informasi, Direktorat Jenderal Pajak, Jakarta dan Bogor pada rentang waktu Mei-Juni 2014.
Limitasi
Penelitian ini memiliki keterbatasan yang disebabkan adanya keterbatasan data yang dapat diberikan oleh DJP. Hal ini disebabkan oleh adanya kerahasiaan jabatan sebagaimana diatur Pasal 34 UU Ketentuan Umum dan Tata Cara Perpajakan, sehingga data yang diberikan hanya berupa statistik penerimaan pajak dari setiap KPP tempat para emiten sektor kelapa sawit terdaftar sebagai wajib pajak, sehingga tidak dapat diketahui secara spesifik nilai pemenuhan kewajiban perpajakan yang dilaporkan oleh masing-masing emiten keepada DJP. Data penerimaan pajak dan pelaporan pajak lebih didasarkan pada rata-rata penerimaan dan pelaporan pajak dibandingkan dengan jumlah beban pajak di masing-masing laporan keuangan dan jumlah masa pelaporan pajak yang seharusnya dilaporkan setiap emiten.