BAB IV Analisis dan Pembahasan
D. Pengolahan dan Pengujian Earning Management
Model regresi ini dilakukan untuk menentukan nilai koefisien estimasi dari
Non Discretionary Accrual. Variabel yang akan dimasukkan ke dalam model regresi tersebut adalah Curent accrual (CA), Perubahan pendapatan (∆PEN ), Perubahan HPP (∆HPP ). Persamaan model regresi tersebut dinyatakan sebagai berikut :
CA = a + b1 (∆PEN )+ b2 (∆HPP)+εi
Sebelum meregresikan, akan dilakukan terlebih dahulu uji normalitas dengan menggunakan One sample Kolmogorov –Smirnov, selain itu juga akan dilakukan uji asumsi klasik yang terdiri dari uji heteroskedastisitas, uji multikolinearitas, dan uji autokorelasi.
Hasil dari uji normalitas dan asumsi klasik adalah sebagai berikut :
1. Uji normalitas
Pengujian normalitas model regresi dilakukan dengan One Sample Kolmogorov-Smirnov Test. Distribusi data dikatakan normal apabila nilai signifikansi Kolmogorov Smirnov > α= 0,05, sedangkan bila nilai signifikansinya < α= 0,05 distribusi data dikatakan tidak normal.
Tabel 4. 3
Hasil One Sample Kolmogorov-Smirnov Test
Asymp. Sig(2-tailed)
CA .476
∆PEN .914
∆HPP .838
Hasil pengujian One Sample Kolmogorov- Smirnov Test menunjukkan masing-masing distribusi data yang akan digunakan dalam model regresi adalah berdistribusi normal karena tingkant signifikansinya > α= 0,05.
2. Uji Asumsi Klasik
a. Uji Multikolinearitas
Uji multikolinearitas dilakukan dengan melihat nilai Variance inflation Factor (VIF) tiap variabel independen. Apabila nilai VIF > 10, maka dapat disimpulkan telah terjadi multikolinearitas, sedangkan bila nilai VIF < 10, berarti tidak terjadi multikolinearitas dalam model tersebut.
Pengujian multikolinearitas pada model regresi tersebut terlihat pada tabel 4. 4 dengan hasil sebagai berikut :
Tabel 4. 4 Hasil Multikolinearitas Unstandardized Coefficient Colinearity Statistic
Tolerance VIF Kesimpulan
∆
PEN .299 .429 2.333 Tidak ada mulikolinearitas ∆HPP .300 .429 2.333 Tidak ada mulikolinearitasTabel 4. 4 di atas menunjukkan bahwa nilai VIF untuk variabel
∆
PEN adalah 2,333 yang lebih kecil dari 10, sehingga dapat disimpulkan tidak terjadi multikolinearitas pada variabel ini. Nilai VIF untuk variabel∆
HPP adalah 2,333 yang juga lebih kecil dari 10, sehingga dapat disimpulkan pada variabel∆
HPP pun tidak terjadi multikolinearitas.b. Uji Autokorelasi
untuk mendeteksi autokorelasi dalam penelitian ini digunakan uji Durbin Watson (DW). Jika nilai DW mendekati atau berada di sekitar angka 2 maka model regresi tersebut bebas dari autokorelasi.
Pengujian autokorelasi pada model regresi tersebut terlihat pada tabel 4. 5 Dengan hasil sebagai berikut :
Tabel 4.5
Hasil Durbin Watson
Durbin - Watson Kesimpulan 2.030 Tidak ada autokorelasi
Pada output tersebut diperoleh nilai Durbin watson 2,030. Langkah selanjutnya adalah melakukan uji menggunakan tabel batas bawah (dI) dan batas atas (du) untuk mengetahui daerah autokorelasi dari nilai Durbin Watson.
Hasil uji autokorelasi dengan Durbin Watson menunjukkan angka 2,030, dan batas bawah (dI) dan batas atas (du) dari tabel terlihat. Dengan jumlah variabel bebas (k) = 2, dengan jumlah sampel (n) = 150, maka dI = 1,71, dan du = 1,76. Berdasarkan uji di atas tampak bahwa nilai Durbin Watson hitung 2,030
terletak di daerah No autocorrelation sehingga dapat disimpulkan bahwa model regresi linier berganda terbebas dari asumsi klasik statistik autokorelasi.
c. Uji Heteroskedastisitas
Untuk mendeteksi gejala heteroskedastisitas pada model regresi dilihat pola gambar Scatterplot. Model regresi dikatakan bebas dari heteroskedastisitas jika pola Scatterplot yang berupa titik-titik menyebar di atas dan di bawah atau di sekitar angka nol.
Tabel 4. 6
Hasil Scatterplot
-4 -3 -2 -1 0 1 2 3
Regression Standardized Predicted Value
-4 -3 -2 -1 0 1 2 3 Re gr es si on S tu de nt ize d Re si du al Dependent Variable: CA Scatterplot
Pola titik-titik pada Scatterplot di atas menunjukkan pola yang menyebar di atas dan di bawah angka 0. Sehingga dapat disimpulkan bahwa model regresi bebas dari gejala heteroskedastisitas.
3. Uji signifikansi
a. Goodness of Fit
Goodness of Fit digunakan untuk mengukur ketepatan fungsi regresi sampel dalam menaksir nilai aktual. Secara statistik Goodness of Fit dapat diukur dari nilai koefisien determinasi (R2). Nilai R2 pada intinya mengukur seberapa jauh kemempuan model dalam menerangkan variasi variabel dependen (Ghozali, 2001).
Goodness of Fit pada model regresi tersebut terlihat pada tabel 4. 7 dengan hasil sebagai berikut :
Tabel 4. 7
Hasil Model Summary
Model Summary(b) Model R R Square Adjusted R Square Std. Error of the Estimate 1 .568(a) .323 .314 1.51859 a Predictors: (Constant), HPP, PEN
b Dependent Variable: CA
Tabel 4. 7 di atas menunjukkan nilai koefisien determinasi (R square) sebesar 0,323. artinya 32,3%Variabel dependen Current Accrual (CA) dijelaskan oleh variabel independen, ∆PEN dan ∆HPP, dan sisanya 67,7% (100%-32,3%) dijelaskan oleh variabel lain di luar variabel yang digunakan.
b. Uji F-test
Uji simultan dengan F test ini bertujuan untuk mengetahui pengaruh bersama-sama variabel independen terhadap variabel dependen.
Hipotesis operasional :
H0 : Data variabel ∆PEN dan ∆HPP secara bersama-sama tidak berpengaruh terhadap Current Accrual (CA)
Ha : Data variabel ∆PEN dan ∆HPP secara bersama-sama berpengaruh terhadap Current Accrual (CA)
Kriteria pengujian :
Jika probabilitas (sig-t) < 0.05, maka H0 ditolak Jika probabilitas (sig-t) > 0.05, maka H0 diterima atau
Jika F hitung > F tabel, maka H0 ditolak Jika F hitung < F tabel, maka H0 diterima
Tabel 4. 8
Hasil Anova
Mod el
Sum of
Squares df Mean Square F Sig. Regression 161.857 2 80.929 35.093 .000(a) Residual 338.998 147 2.306 1 Total 500.856 149 a Predictors: (Constant), HPP, PEN
b Dependent Variable: CA
Tabel 4. 8 di atas menunjukkan bahwa nilai signifikansi uji F adalah 0,000 nilai ini lebih kecil dari α= 0,056, sedangkan nilai F hitung 35,093 lebih besar dari F tabel 2,667. Hal ini berarti maka H0 ditolak dan maka Ha diterima. Sehingga
dapat disimpulkan secara simultan variabel independen yeng terdiri dari ∆PEN dan ∆HPP berpengaruh terhadap variabel dependen yaitu Current Accrual (CA)
c. Uji T-test
Uji T-Test ini bertujuan untuk mengetahui apakah variabel independen berpengaruh secara parsial atau sendiri-sendiri terhadap variabel dependen. Hipotesis operasional:
H0 : Data variabel ∆PEN dan ∆HPP secara sendiri-sendiritidak berpengaruh terhadap Current Accrual (CA)
Ha : Data variabel ∆PEN dan ∆HPPsecara sendiri-sendiriberpengaruh terhadap Current Accrual (CA)
Kriteria pengujian :
Jika probabilitas (sig-t) < 0.05, maka H0 ditolak Jika probabilitas (sig-t) > 0.05, maka H0 diterima atau
Jika t hitung > t tabel, maka H0 ditolak Jika t hitung < t tabel, maka H0 diterima
Tabel 4. 9
Uji Signifikansi Individual
Coefficients(a) Unstandardized Coefficients Standardized Coefficients Model
B Std. Error Beta t Sig. (Constant) 7.822 1.487 5.261 .000 PEN .299 .103 .300 2.897 .004 1 HPP .300 .101 .306 2.957 .004 a Dependent Variable: CA
Tabel 4. 9 di atas menunjukkan bahwa nilai signifikansi untuk variabel ∆PEN adalah 0,004 nilai ini lebih kecil dari α = 0,05, sedangkan untuk nilai t hitung 2,897 nilai ini lebih besar dari tabel 1,976. Hal ini berarti H0 ditolak dan Ha diterima sehingga dapat disimpulkan bahwa secara sendiri-sendiri variabel∆PEN berpengaruh terhadap variabel dependen yaitu Current Accrual (CA). Variabel ∆HPP memiliki nilai signifikansi 0,004 nilai ini lebih kecil dari α = 0,05, sedangkan untuk nilai t hitung 2,957 nilai ini lebih besar dari tabel 1,976. Artinya H0 kembali ditolak dan Ha diterima sehingga dapat disimpulkan bahwa secara sendiri-sendiri variabel∆HPP pun berpengaruh terhadap variabel dependen yaitu
Current Accrual (CA).
Persamaan pada model regresi adalah sebagai berikut : Y= 7,822 + 0,299 X1 + 0,300 X 2 + e
Berdasarkan hasil regresi pada formulasi Nondiscretionary akan diperoleh koefisien regresi (nilai a, b1, b2). Koefisien tersebut akan digunakan dalam
persamaan berikut untuk menghitung discretionary accrual. Rumus untuk menentukan discretionary accrual :
DA = CA-[a+b1( PEN - PIU)+b2 HPP]
DA = CA-[7,822+0,299 ( PEN - PIU)+3,00 HPP]
Di mana :
DA : Disrcretionary accrual perusahaan i pada periode t CA : Current accrual perusahaan i pada periode t
PEN : Pendapatan perusahaan i pada periode t dikurang pendapatan perusahaan i pada periode t-1
PIU : Piutang perusahaan i pada periode t dikurang pendapatan perusahaan i pada periode t-1
HPP : Harga pokok penjualan perusahaan i pada periode t dikurang harga pokok penjualan perusahaan i pada periode t-1
a, b1, b2 : Koefisien regresi yang diperoleh dari persamaan sebelumnya.