BAB III METODE PENELITIAN
3.5 Defenisi Operasional dan Pengukuran Variabel Penelitian
3.6.1 Pengujian Asumsi Klasik
Model regresi yang baik adalah model yang memiliki distribusi data normal atau mendekati normal. Tujuan uji normalitas adalah untuk mengatahui apakah distribusi data mengikuti atau mendekati distribusi normal. Cara mendeteksinya yaitu dengan melihat grafik histogram yang membandingkan dengan data observasi dengan distribusi yang mendekati membandingkan dengan data observasi dengan distribusi yang mendekati distribusi normal. Menurut Ghozali (2005), ada dua cara untuk mendeteksi apakah residual berdistribusi normal atau tidak yaitu dengan analisi grafik dan analisis statistik.
a. Analisis Grafik
Untuk malihat normalitas data dapat dilakukan dengan melihat histrogram atau pola distribusi data. Normalitas dapat dideteksi dengan melihat penyebaran data (titik) pada sumbuh diagonal dari grafik atau dengan melihat histrogram dari nilai residualnya. Jika data menyabar di sekitar garis diagonal dan mengikuti arah garis diagonal atau gafik histogramnya menunjukkan pola distribusi normal, maka model regresi memenuhi asumsi normalitas.
b. Analisis Statistik
Uji statistik yang digunakan untuk menguji normalitas residual adalah uji statistik Kolmogorov Smirnov (K-S). Pedoman pengambialn keputusan rentang data tersebut mendekati atau merupakan distribusi normal berdasarkan uji Kolmogorov yaitu:
1. smirnov dapat dilihat dari nilai Sig. atau signifikan atau probabilitas <0,05, maka distribusi data adalah tidak normal,
2. nilai Sig. atau signifikan atau probabilitas >0,05, maka distribusi data adalah normal (Ghozali, 2005).
3.6.1.2 Uji Autokorelasi
Uji autokorelasi bertujuan untuk menganalisis apakah dalam model regresi linear ada korelasi antar kesalahan pengganggu pada periode t dengan kesalahan pada periode t-1 (sebelumnya). Model regresi yang baik adalah regresi yang bebas dari autokorelasi. Menurut Sugiyono (2001:76) mengemukakan bahwa terjadinya Autokorelasi jika nilai Durbin-Watson
(DW) memiliki nilai lebih dari 5, atau Durbin-Watson (DW) > 5. Selain itu, panduan untuk mendeteksi ada atau tidaknya autokorelasi adalah sebagai berikut:
a. Du < DW < 4-du. Nilai DW terletak diantara du dan 4-de maka autokorelasi sama dengan nol dandiartikan tidak ada auto korelasi.
b. DW < dl . Nilai DW lebih rendah dari nilai Lower Bound (dl) maka memiliki koefisien korelasi lebih besar dari nol dan memiliki autokorelasi positif.
c. DW>4-dl .Nilai DW lebih besar nilai 4-dl maka memiliki koefisien korelasi lebih kecil dari nol berarti ada autokorelasi negatif.
d. 4-du< DW< 4-dl, hasilnya tidak dapat disimpulkan.
Jika nilai Durbin-Watson tidak dapat memberikan kesimpulan apakah data yang digunakan terbebas dari autokorelasi atau tidak, maka perlu dilakukan Run-Test. Pengambilan keputusan didasarkan pada acak atau tidaknya data, apabila bersifat acak maka dapat diambil kesimpulan bahwa data tidak terkena autokorelasi. Menurut Ghozali (2005:120) acak atau tidaknya data didasarkan pada batasan sebagai berikut :
a) apabila nilai probabilitas ≥ α = 0,05 maka observasi terjadi secar acak. b) apabila nilai probabilitas ≤ α = 0,05 maka observasi terjadi secara
tidak acak.
3.6.1.3 Uji Heteroskedastisitas
Uji ini memiliki tujuan untuk menguji apakah dalam model regresi terjadi ketidaksamaan varians dari residual satu pengamatan ke pengamatan
yang lain. Untuk melihat ada atau tidaknya heteroskedastisitas dilakukan dengan mengamati grafik scatterplot antar nilai prediksi variabel terikat dengan residualnya. Deteksi ada atau tidaknya heteroskedstisitas dilakukan dengan melihat ada tidaknya pola tertentu pada grafik scarrteplot dengan dasar analisis:
1) jika ada pola tertentu, seperti titik-titik yang ada membentuk pola tertentu yang teratur (bergelombang, melebar kemudian menyempit), maka mengindikasikan telah terjadi heteroskedastisitas,
2) jika tidak ada pola yang jelas, sperti titik menyebar di atas dan di bawah angka 0 pada sumbuh Y, maka tidak terjadi heteroskedastisitas. (Ghozali,2005).
3.6.1.4 Uji Multikolonearitas
Uji ini bertujuan untuk melihat apakah dalam suatu model regresi linear ada korelasi antar kesalahan pengganggu pada periode t dengan kesalahan pada periode t-1. Autokorelasi muncul karena observasi yang berurutan sepanjang tahun yang berkaitan satu dengan yang lainnya. Hal ini sering ditemukan pada time series. Cara yang dapat digunakan untuk mendeteksi masalah autokorelasi adalah dengan menggunakan nilai uji
Durbin Watson dengan ketentuan sebagai berikut:
1. angka D-W dibawah -2 berarti ada autokorelasi positif,
2. angka D-W di antara -2 sampai +2, berarti tidak ada autokorelasi, 3. angka D-W di atas +2 berarti ada autokorelasi negatif.
3.6.2 Model Regresi Linear Berganda
Model regresi linear barganda adalah model regresi yang memiliki lebih dari satu variabel independen. Persamaan regresi linear berganda digunakan yaitu:
Y= α + β1X1 + β2X2 + β3X3 + β4X4 + e
Keterangan:
Y = Manajemen Laba (variabel Dependen)
α = Konstanta
β1 β2 β3 β4 = Koefisisen regresi variable
X1= leverage
X2 = Kepemilikan institusional
X3 = Proporsi dewan komisaris independen
X4 = Komite
e = disturbance error
3.6.3Pengujian Hipotesis
Pengujian hipotesis dalam penelitian ini menggunakan pengujian secara simultan (uji F) dan parsial (uji t).
3.6.3.1 Uji Signifikansi Simultan (Uji-F)
Menurut Ghozali (2005 : 84) uji statistik F pada dasarnya menunjukkkan apakah semua variabel independen yang dimaksud dalam model mempunyai pengaruh secara bersama-sama (simultan) terhadap variabel dependen. Pengujian ini dilakukan dengan menggunakan uji dua arah dengan hipotesis sebagai berikut:
1. Ho : b1 = b2 = b3 = b4 = 0, artinya tidak ada pengaruh secara signifikan dari variabel bebas secara bersama-sama.
2. Ho : b1 ≠ b2 ≠ b3 ≠ b4 ≠ 0, artinya ada pengaruh secara signifikan dari variabel bebas secara bersama-sama.
Penentuan besarnya F hitung menggunakan rumus :
�ℎ�����= �2 / ( � −1 ) ( 1− �2)( � − � ) Keterangan : R = koefisien determinan n = jumlah observasi k = jumlah variable
Kriteria pengujian yang digunakan sebagai berikut :
1. Ho diterima dan Ha ditolak apabila F hitung < F tabel artinya variabel bebas
secara bersama-sama tidak berpengaruh secara signifikan terhadap variabel terikat,
2. Ho diterima dan Ha ditolak apabila F hitung > F tabel artinya variabel bebas
secara bersama-sama berpengaruh secara signifikan terhadap variable terikat.
3.6.3.2 Uji Signifikansi Parsial (Uji-t)
Pengujian t digunakan untuk menunjukkan seberapa jauh pengaruh variabel independen terhadap variabel dependen. Pengujian ini dilakukan untuk mengetahui secara parsial variabel bebas berpengaruh secara signifikan atau tidak terhadap variabel terikat. Pengujian ini dilakukan dengan menggunakan uji dua arah dengan hipotesis sebagai berikut:
1. Ho = b1 = 0, artinya tidak ada pengaruh secara signifikan dari variabel bebas terhadap variabel terikat,
2. Ho = b1 ≠ 0, artinya ada pengaruh secara signifikan dari variabel bebas terhadap variabel terikat.
Untuk menilai t hitung digunakan rumus :
t
hitung=
�����������������1���������������1
Kriteria pengujian yang digunakan sebagai berikut :
1. Ho diterima dan Ha ditolak apabila t hitung < t tabel. Artinya variabel bebas
tidak berpengaruh secara signifikan terhadap variabel terikat,
2. Ho diterima dan Ha ditolak apabila t hitung > t tabel. Artinya variabel bebas