BAB II TINJAUAN PUSTAKA
3.6 Skala Pengukuran Variabel
Ringkasan skala pengukuran variabel dari penelitian ini dapat dilihat pada tabel 3.2 berikut ini:
Tabel 3.2
Skala Pengukuran Variabel
No Variabel Dependen Pengukuran Skala
Modified Jones Model
Manajemen Laba Ratio
1
No Variabel Independen Pengukuran Skala
3 Ukuran Perusahaan Ln (Total Aset) Ratio
1 Corporate Governance Ratio
2 Dewan Komisaris Ratio
3.7 Teknik Analisis
Teknik analisis data yang digunakan adalah statistic deskriptif– komparatif, yaitu suatu teknik analisis data dengan cara mendeskripsikan atau menggambarkan data yang telah terkumpul sebagaimana adanya dari nilai variabel mandiri, baik satu variabel atau lebih kemudian membuat perbandingan atau menghubungkan antara variabel satu dan yang lainnya dilanjutkan dengan membuat kesimpulan yang berlaku untuk umum atau generalisasi (Sugiyono, 2008:206).
Data dianalisis dengan menggunakan bantuan SPSS 17.0 for windows.
Analisis statistik yang dilakukan antara lain dengan menggunakan alat analisis. Adapun alat analisis yang digunakan adalah analisis regresi berganda.
3.7.1 Analisis Regresi Berganda
Penelitian ini menggunakan model analisis regresi berganda dengan persamaan kuadrat terkecil atau Ordinary Least Square (OLS) untuk menganalisis pengaruh corporate governance, dewan komisaris dan ukuran perusahaan terhadap manajemen laba, dengan model dasar
sebagai berikut :
Keterangan :
Y = Manajemen Laba A = Konstanta
X1 = Corporate Governance X2 = Dewan Komisaris
X3 = Ukuran perusahaan (Size) b1...b3 = Koefisien Regresi e = error term
3.7.2 Uji Asumsi Klasik
Untuk menghasilkan suatu data yang akurat, suatu persamaan regresi sebaiknya terbebas dari uji asumsi – asumsi klasik. Adapun uji asumsi klasik yang harus dipenuhi antara lain :
a. Uji Normalitas
Uji Normalitas bertujuan untuk menguji apakah dalam model regresi variabel terikat dan variabel bebas, keduanya mempunyai distribusi normal atau tidak. Model regresi yang baik adalah distribusi data normal atau mendekati normal. Uji ini dilakukan dengan cara melihat penyebaran data (titik) pada sumbu diagonal atau grafik. Apabila data menyebar di sekitar garis diagonal dan mengikuti arah garis diagonal maka model regresi memenuhi asumsi normalitas. Apabila data menyebar jauh dari garis diagonal dan atau tidak mengikuti arah garis diagonal maka model regresi tidak memenuhi asumsi normalitas (Ghozali, 2005:163). Pengujian normalitas ini dapat dilakukan melalui analisis grafik dan analisis statistik.
Analisis Grafik
Salah satu cara termudah untuk melihat normalitas residual adalah dengan melihat grafik histogram yang membandingkan antara data observasi dengan distribusi yang mendekati normal. Namun demikian, hanya dengan melihat histogram, hal ini dapat membingungkan khususnya untuk jumlah sampel yang kecil. Metode lain yang dapat digunakan adalah dengan melihat
normal probability plot yang membandingkan distribusi kumulatif dari distribusi normal. Dasar pengambilan keputusan dari analisis normal probability plot adalah sebagai berikut :
a) Jika data menyebar di sekitar garis diagonal dan mengikuti arah garis diagonal menunjukkan pola distribusi normal, maka model regresi memenuhi asumsi normalitas.
b) Jika data menyebar jauh dari garis diagonal dan atau tidak mengikuti arah garis diagonal tidak menunjukkan pola distribusi normal, maka model regresi tidak memenuhi asumsi normalitas.
Analisis Statistik
Untuk mendeteksi normalitas data dapat pula dilakukan melalui analisis statistik yang salah satunya dapat dilihat melalui uji Kolmogorov-Smirnov (K-S test). Uji K-S dilakukan dengan membuat hipotesis sebagai berikut:
Ho : data terdistribusi secara normal (sig. > 0,05) Ha : data tidak terdistribusi normal (sig. < 0,05)
Dasar pengambilan keputusan dalam uji Kolmogorov-Smirnov (K-S test) adalah sebagai berikut :
a) Apabila probabilitas nilai Z uji K-S signifikan secara statistik, maka Ho ditolak, yang berarti data terdistribusi tidak normal.
b) Apabila probabilitas nilai Z uji K-S tidak signifikan secara statistik, maka Ho diterima, yang berarti data terdistribusi normal.
b. Uji Multikolinearitas
Menurut Ghozali (2005:105) 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 mendeteksi ada tidaknya multikoliniearitas dalam model regresi dapat dilihat dari tolerance value atau Variance Inflation Factor
(VIF). Sebagai dasar acuannya dapat disimpulkan:
a) Jika nilai tolerance > 0,10 dan nilai VIF < 10, maka dapat disimpulkan bahwa tidak ada multikolinearitas antar variabel independen dalam model regresi.
b) Jika nilai tolerance < 0,10 dan nilai VIF > 10, maka dapat disimpulkan bahwa ada multikolinearitas antar variabel independen dalam model regresi.
c. 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.
d. 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 mendeteksi autokorelasi dapat dilakukan uji statistik melalui uji
Durbin-Watson (DW test) (Ghozali, 2005:110). Dalam pengambilan keputusan ada tidaknya autokorelasi adalah sebagai berikut :
a) Bila nilai DW terletak diantara batas atau upper bound
(du) dan (4-du) maka koefisien autokorelasi = 0, berarti tidak ada autokorelasi.
b) Bila nilai DW lebih rendah daripada batas bawah atau
lower bound (dl) maka koefisien autokorelasi > 0, berarti tidak ada autokorelasi positif.
c) Bila nilai DW lebih besar dari (4-dl) maka koefisien autokorelasi < 0, berarti ada autokorelasi negatif.
d) Bila nilai DW terletak antara du dan dl atau DW terletak antara (4-du) dan (4-dl), maka hasilnya tidak dapat disimpulkan.
Tabel 3.3
Kriteria Nilai Uji Watson
Sumber : Wahid Sulaiman (2004)
3.7.3 Uji Hipotesis
Uji hipotesis yang dilakukan antara lain : a. Uji t (Uji Parsial)
Uji t dilakukan untuk mengetahui apakah semua variabel bebas (independen) secara parsial (individual) mempunyai pengaruh yang signifikan terhadap variabel terikat (dependen).
Langkah – langkah pengujian yang dilakukan adalah dengan pengujian dua arah, sebagai berikut :
a) Merumuskan hipotesis
Ho : β = 0, artinya variabel independen tidak berpengaruh signifikan terhadap variabel dependen secara parsial.
Ha : β ≠ 0, artinya variabel independen berpengaruh signifikan terhadap variabel dependen secara parsial. b) Menentukan tingkat signifikansi sebesar 0,05 (α=0,05) c) Membandingkan thitung dengan t tabel.
No NILAI DW KESIMPULAN
1 1,65 < DW< 2,35 Tidak ada autokorelasi 2 1,21 < DW < 1,65
3 2,35 < DW < 2,79 4 DW < 1,21 5 DW > 2,79
Tidak dapat disimpulkan Terjadi Autokorelasi
Nilai thitung dapat dicari dengan rumus (Gujarati, 1995)
d) Berdasarkan probabilitas.
1. Jika probabilitas (sig t) > α (0,05) artinya variabel independen secara individu tidak berpengaruh signifikan terhadap variabel dependen.
2. Jika probabilitas (sig t) < α (0,05) artinya variabel independen secara individu berpengaruh signifikan terhadap variabel dependen.
e) Menentukan variabel independen mana yang mempunyai pengaruh paling dominan terhadap variabel dependen. Hubungan ini dapat dilihat dari koefisien regresinya.
b. Uji signifikansi Simultan (uji –F)
Uji F ini dilakukan untuk melihat pengaruh variabel bebas secara simultan (bersama-sama) terhadap variabel tidak bebas. Tahapan uji F sebagai berikut:
a) Merumuskan hipotesis
Ho : β = 0, artinya variabel independen secara bersama-sama tidak berpengaruh signifikan terhadap variabel dependen.
Ha : β ≠ 0, artinya variabel independen secara bersama-sama berpengaruh signifikan terhadap variabel dependen.
b) Menentukan tingkat signifikansi sebesar 0,05 (α=0,05) c) Membandingkan Fhitung dengan Ftabel
Nilai Fhitung dapat dicari dengan rumus (Gujarati, 1995)
/ 1
1 /
dimana:
R2 = Koefisien Determinasi k = Banyaknya koefisien regresi N = Banyaknya Observasi d) Berdasarkan probabilitas.
1. Jika probabilitas (sig F) > α (0,05) artinya variabel independen secara simultan tidak berpengaruh signifikan terhadap variabel dependen.
2. Jika probabilitas (sig F) < α (0,05) artinya variabel independen secara simultan berpengaruh signifikan terhadap variabel dependen.
e) Menentukan nilai koefisien determinasi, dimana koefisien menunjukkan seberapa besar variabel independen pada model yang digunakan mampu menjelaskan variabel dependennya.
c. Uji R2 (Koefisien Determinasi)
Koefisien determinasi (R2) digunakan untuk mengukur seberapa jauh kemampuan model dalam menerangkan variasi variabel dependen. Tujuan menghitung koefisien determinasi
adalah untuk mengetahui pengaruh variabel bebas terhadap variabel terikat. Nilai koefisien determinansi adalah antara 0 dan 1. Nilai R2 yang kecil berarti kemampuan variabel-variabel independen dalam menjelaskan variasi variabel dependen amat terbatas (Ghozali, 2005). Nilai yang mendekati 1 (satu) berarti variabel–variabel independen memberikan hampir semua informasi yang dibutuhkan untuk memprediksi variasi variabel dependen.
