BAB IV ANALISIS HASIL PENELITIAN
B. Statistik Deskriptif
Statistik deskriptif memberikan penjelasan mengenai nilai minimum, nilai maksimum, nilai rata-rata (mean), dan standar deviasi dari variabel-variabel independen maupun dependen. Berikut ini ditampilkan gambaran data penelitian.
Tabel 4.1 Statistik Deskriptif
N Minimum Maximum Mean
Std. Deviation CSR 63 .10 .89 .3968 .17130 SIZE 63 21.21 34.05 28.616 4 2.57954 KOMITE 63 2.00 7.00 3.4762 .94795 PROFIT 63 -.05 .28 .0386 .04657 LEV 63 .00 13.65 2.9986 4.38123 Valid N (listwise) 63
Sumber : Hasil Pengolahan Data SPSS (2011)
Berdasarkan tabel 4.1 diperoleh lima penjelasan dari hasil uji dari statistik deskriptif yang dilakukan.
1. Variabel ukuran perusahaan mempunyai nilai minimum 21,21 ; nilai maksimum 34,05 ; nilai rata-rata 28,6164 dan standar deviasi 2,57954 dengan jumlah observasi sebanyak 63 sampel.
2. Variabel ukuran komite audit mempunyai nilai minimum 2,00 ; nilai maksimum 7,00 ; nilai rata-rata 3,4762 dan standar deviasi 0,94795 dengan jumlah observasi sebanyak 63 sampel.
3. Variabel profitabilitas mempunyai nilai minimum -0,05 ; nilai maksimum 0,28 ; nilai rata-rata 0,386 dan standar deviasi 0,04657 dengan jumlah observasi sebanyak 63 sampel.
4. Variabel financial leverage mempunyai nilai minimum 0,00 ; nilai maksimum 13,65 ; nilai rata-rata 2,9986 dan standar deviasi 4,38123 dengan jumlah observasi sebanyak 63 sampel.
5. Variabel pengungkapan tanggung jawab sosial mempunyai nilai minimum 0,10 ; nilai maksimum 0,89 ; nilai rata-rata 0,3968 dan standar deviasi 0,17130 dengan jumlah observasi sebanyak 63 sampel.
C. Uji Asumsi Klasik
Pengujian asumsi klasik diperlukan untuk mengetahui apakah hasil estimasi regresi yang dilakukan benar-benar bebas dari adanya gejala heteroskedastisitas, gejala multikolinearitas, dangejala autokorelasi. Model regresi akan dapat dijadikan alat estimasi yang tidak bias jika telah memenuhi persyraratan Best Linear Unbiased Estimator (BLUE) yakni tidak terdapat heteroskedastisitas, tidak terdapat multikolinearitas, dan tidak terdapat autokorelasi. Apabila terdapat heterokedastisitas, maka varian tidak konstan sehingga dapat menyebabkan biasnya standar error. Apabila terdapat multikolinearitas, maka akan sulit untuk mengisolasi pengaruh-pengaruh individual dari variabel, sehingga tingkat signifikansi koefesien regresi menjadi rendah. Adanya autokorelasi mengakibatkan penaksir masih tetap bias dan masih tetap konsisten hanya saja menjadi tidak efisien, oleh karena itu, uji asumsi klasik perlu dilakukan. Pengujian-pengujian yang dilakukan adalah sebagai berikut.
1. Uji Normalitas
Pengujian normalitas dalam penelitian ini menggunakan uji statistik non-parametrik Kolmogorov-Smirnov (K-S), dengan hipotesis :
Ho = Data residual berdistribusi normal Ha = Data tidak berdistribusi normal
Apabila nilai signifikansi > 0,05 dengan α = 5%, berarti distribusi data normal dan Ho diterima, sebaliknya bila nilai signifikansi < 0,05 berarti distribusi data tidak normal dan Ha diterima.
Tabel 4.2 Hasil Uji Normalitas
One-Sample Kolmogorov-Smirnov Test
Unstandardized Residual
N 63
Normal Parametersa,b Mean .0000000
Std. Deviation .11556475
Most Extreme Differences Absolute .077
Positive .077
Negative -.050
Kolmogorov-Smirnov Z .613
Asymp. Sig. (2-tailed) .847
a. Test distribution is Normal. b. Calculated from data.
Sumber : Hasil Pengolahan Data SPSS (2011)
Berdasarkan hasil pengolahan data pada tabel 4.2 diperoleh besarnya nilai Kolmogorov-Smirnov adalah 0,613 dan signifikan pada 0,847. Nilai signifikansi ini lebih besar dari 0,05 yang menunjukkan bahwa setiap variabel berdistribusi normal. Setelah data berdistribusi normal dapat dilanjutkan dengan uji asumsi lainnya. Berikut turut dilampirkan grafik histogram dan plot data yang terdistribusi normal.
Gambar 4.1 Histogram
Sumber : Hasil Pengolahan Data SPSS (2011)
Berdasarkan gambar 4.1 histogram di atas, dapat disimpulkan bahwa distribusi data mendekati normal, karena grafik histogram menujukkan garis diagonal yang tidak menceng baik ke kiri maupun ke kanan. Berikut hasil uji normalitas dengan menggunakan grafik plot:
Gambar 4.2 Normal P-Plot Sumber : Hasil Pengolahan Data SPSS (2011)
Berdasarkan gambar 4.2 dapat dilihat bahwa penyebaran data mendekati normal atau memenuhi asumsi normalitas, dimana titik-titik menyebar di sekitar garis diagonal dan penyebarannya mengikuti arah garis diagonal.
2. Uji Multikoleniaritas
Pengujian multikoleniaritas dilakukan untuk melihat apakah pada model regresi ditemukan adanya korelasi antar variabel independen. Model regresi yang baik seharusnya tidak terjadi multikolonieritas. Cara mendeteksi ada atau tidaknya multikoleniaritas adalah dengan melihat nilai Variance Inflation Factor (VIF) dan nilai tolerence. Menurut Ghozali (2005:92), ”suatu model regresi dinyatakan terjadi multikolinearitas apabila nilai tolerance < 0,10 dan VIF > 10”. Berikut adalah hasil pengujian multikoleniaritas.
Tabel 4.3
Hasil Uji Multikoleniaritas Coefficientsa Model Unstandardized Coefficients Standardized Coefficients t Sig. Collinearity Statistics
B Std. Error Beta Tolerance VIF
(Constant) -.749 .200 -3.748 .000 SIZE .034 .007 .506 4.515 .000 .624 1.602 KOMITE .038 .018 .209 2.135 .037 .815 1.227 PROFIT .970 .330 .264 2.944 .005 .978 1.022 LEV .005 .004 .124 1.123 .266 .648 1.543 a. Dependent Variable: CSR
Sumber : Hasil Pengolahan Data SPSS (2011)
Berdasarkan tabel 4.3, dapat disimpulkan bahwa tidak terjadi korelasi di antara variabel independen, dengan kata lain variabel-variabel independen
dalam penelitian ini bebas dari gejala multikolinearitas. Jika dilihat pada tabel semua variabel independen memiliki VIF sekitar 1, atau VIF < 10. Selain itu, nilai toleransi untuk setiap variabel independen lebih besar dari 0,1 (tolerance > 0,1) sehingga dapat disimpulkan tidak ada multikolinearitas dalam model regresi ini.
3. Uji Heterokedastisitas
Pengujian heterokedastisitas bertujuan untuk menguji apakah terjadi ketidaksamaan variance dari residual satu pengamatan ke pengamatan lain dalam model regresi. Model regresi yang baik adalah tidak terjadi heterokedastisitas atau homokedastisitas. Uji heterokedastisitas dapat dilihat dengan grafik scatterplot. Model regresi telah menyatakan terjadi heterokedastisitas apabila titik-titik yang ada membentuk pola tertentu yang teratur (bergelombang, melebar kemudian menyempit). Hasil pengujian dengan grafik dapat dilihat pada gambar di bawah ini.
Gambar 4.3
Hasil Uji Heterokedastisitas (Scatterplot) Sumber: Hasil Pengolahan Data SPSS (2011)
Berdasarkan grafik scatterplot terlihat bahwa titik-titik menyebar secara acak serta tersebar baik di atas maupun di bawah angka 0 pada sumbu Y. Hal ini dapat disimpulkan bahwa tidak terjadi heterokedastisitas pada model regresi, sehingga model ini layak dipakai untuk memprediksi pengungkapan tanggung jawab sosial pada perusahaan Perbankan dan Lembaga Keuangan yang terdaftar di BEI berdasarkan masukan variabel independen ukuran perusahaan, ukuran komite audit, profitabilitas, dan financial leverage.
4. Uji Autokorelasi
Menurut Situmorang (2010:113), “uji autokorelasi bertujuan menguji apakah dalam model regresi linear ada korelasi antara kesalahan pengganggu pada periode t dengan kesalahan pengganggu pada periode sebelumnya”. Autokorelasi sering ditemukan pada data time series karena “gangguan” pada data cenderung mempengaruhi “gangguan” data yang sama pada periode berikutnya. Model regresi yang baik adalah regresi yang terbebas dari autokorelasi.
Cara yang dapat digunakan untuk mendeteksi ada atau tidaknya autokorelasi dalam suatu model regresi adalah dengan melakukan uji Durbin-Watson. Model regresi tidak akan mengalami autokorelasi apabila nilai du < dw < 4 – du. Berikut ini disajikan hasil uji Durbin-Watson.
Tabel 4.4
Hasil Uji Autokorelasi
Sumber: Hasil Pengolahan Data SPSS (2011)
Berdasarkan tabel 4.4 di atas ditunjukkan bahwa nilai uji Durbin-Watson yaitu sebesar 2,142. Nilai ini akan dibandingkan dengan nilai tabel dengan menggunakan signifikansi 5%, jumlah pengamatan (N) 63, dan jumlah variabel independen (k) 4, maka didapatkan nilai batas atas (du) sebesar 1, 727 dan nilai batas bawah (dl) sebesar 1,444 sehingga nilai (dw) lebih besar dari 1,727 dan lebih kecil dari 4 – 1,727 atau dapat dinyatakan bahwa 1,727 < 2,142 < 4 – 1,727 (du < dw < 4 – du). Hasil penelitian tersebut menjelaskan bahwa tidak terdapat autokorelasi baik positif maupun negatif.
D. Analisis Regresi dan Uji Hipotesis