DA = TACit /Tait-1 - NDA
HASIL DAN PEMBAHASAN 4.1 Data Penelitian
4.2 Hasil Penelitian
4.2.1 Statistik Deskriptif
Statistik deskriptif digunakan untuk menunjukkan jumlah data yang digunakan dalam penelitian ini serta dapat menunjukkan nilai maksimum, nilai minimum, nilai rata-rata (mean) serta standar deviasi dari masing-masing variabel.
Variabel dalam penelitian ini meliputi Corporate Governance (CG), ukuran perusahaan, dan dewan komisaris sebagai variabel independen serta Manajemen laba sebagai variabel dependen. Hasil olah data deskriptif dapat dilihat pada tabel 4.2 sebagai berikut:
Tabel 4.2 Descriptive Statistics
Descriptive Statistics
N Minimum Maximum Mean Std. Deviation
DA 45 -,43 ,92 ,0490 ,19566
CorporateGovernance 45 5,36 7,50 6,4048 ,66554 UkuranPerusahaan 45 25,25 30,45 28,2450 1,28413
DewanKomisaris 45 ,20 ,67 ,4136 ,11489
Valid N (listwise) 45 Sumber: Data sekunder diolah
1. Variabel Manajemen Laba (DA) memiliki nilai minimum -0.43 dan maksimum 0.92 dengan rata-rata 0.0490 dan standar deviasi 0.19566. 2. Variabel Corporate Governance (CorporateGovernance) memiliki
nilai minimum 5.36 dan maksimum 7.50, dengan rata-rata sebesar 6.4048 dan standar deviasi 0.66554.
3. Variabel ukuran perusahaan (UkuranPerusahaan) memiliki nilai minimum 25.25 dan maksimum 30.45, dengan rata-rata sebesar 28.2450 dan standar deviasi 1.28413
4. Variabel Dewan Komisaris (DewanKomisaris) memiliki nilai minimum 0.20 dan maksimum 0.67, dengan rata-rata sebesar 0.4136 dan standar deviasi 0.11489.
Standar deviasi (σ) menunjukkan seberapa jauh kemungkinan nilai
menyimpang dari nilai yang diharapkan (dalam hal ini variabel DA, CG, Ukuran, dan Dewan). Semakin besar nilai standar deviasi maka semakin besar kemungkinan nilai riil menyimpang dari yang diharapkan (Gujarati, 1995).
.4.2.2 Uji Asumsi Klasik 4.2.2.1 Uji Normalitas
Uji normalitas bertujuan untuk menguji apakah dalam sebuah regresi variabel dependen, variabel independen atau keduanya mempunyai distribusi normal ataukah tidak mempunyai distribusi normal. Model regresi yang baik adalah memiliki distribusi data normal atau mendekati normal. Salah satu metode untuk mengetahui normalitas adalah dengan menggunakan metode analisis grafik dan analisis statistik.
Analisis grafik dapat dilihat dengan melihat grafik histogram ataupun dengan melihat grafik Normal Probability Plot. Uji normalitas yang pertama dengan melihat grafik histogram sebagaimana terlihat dalam gambar 4.1 di bawah ini :
HISTOGRAM
Gambar 4.1 Grafik Histogram Sumber: Data sekunder diolah
Dari gambar 4.1 terlihat bahwa pola distribusi mendekati normal, akan tetapi jika kesimpulan normal atau tidaknya data hanya dilihat dari grafik histogram, maka hal ini dapat membingungkan khususnya untuk jumlah sampel yang kecil. Metode lain yang digunakan dalam analisis grafik adalah dengan melihat Normal Probability Plot yang membandingkan distribusi kumulatif dari distribusi normal. Jika distribusi data residual normal, maka garis
yang akan menggambarkan data sesungguhnya akan mengikuti garis diagonalnya. Uji normalitas dengan melihat Normal Probability Plot dapat dillihat pada gambar 4.2 berikut:
Gambar 4.2
Normal Probability Plot (Data Asli) Sumber: Data sekunder diolah
Gambar 4.2 merupakan kurva P-Plot yang menunjukkan penyebaran titik-titik data di sekitar garis diagonal dan mengikuti arah garis diagonal. Hal ini berarti data pada variabel yang digunakan terdistribusi secara normal.
Pengujian normalitas data dalam penelitian ini juga menggunakan uji statistik non-parametrik Kolmogorov-Smirnov (K-S). dengan pedoman sebagai berikut:
1. Jika nilai signifikansi (Asymp.Sig) > 0,05, maka data berdistribusi normal.
2. Jika nilai signifikansi (Asymp.Sig) < 0,05, maka data tidak berdistribusi normal.
Berikut adalah hasil pengujian menggunakan analisis Kolmogorov Smirnov.
Tabel 4.3
Hasil Uji Normalitas dengan Kolmogorov-Smirnov One-Sample Kolmogorov-Smirnov Test
Unstandardized Residual
N 45
Normal Parametersa,b Mean 0E-7
Std. Deviation ,18135350
Most Extreme Differences
Absolute ,181
Positive ,181
Negative -,167
Kolmogorov-Smirnov Z 1,216
Asymp. Sig. (2-tailed) ,104
a. Test distribution is Normal.
b. Calculated from data. Sumber: Data sekunder diolah
Dari hasil pengolahan data yang ditunjukkan pada tabel 4.3, besarnya nilai Kolmogorov Smirnov adalah 1,216 dan signifikansinya pada 0,104 yaitu lebih besar dari 0,05. Dengan demikian, dapat dikemukakan bahwa data berdistribusi normal.
4.2.2.2 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 mengetahui adanya autokorelasi dalam suatu model regresi dilakukan melalui pengujian terhadap nilai uji Durbin-Watson (Uji DW). Hasil uji autokorelasi dengan Durbin-Watson dapat dilihat pada tabel 4.4 dibawah ini :
Tabel 4.4
Hasil Uji Autokorelasi dengan Durbin-Watson Model Summaryb
Model R R Square Adjusted R Square Std. Error of the Estimate
Durbin-Watson
1 ,375a ,141 ,078 ,18787 2,269
a. Predictors: (Constant), DewanKomisaris, CG, UkuranPerusahaan
b. Dependent Variable: DA
Berdasarkan tabel 4.4 diatas dapat dilihat bahwa nilai DW adalah 2,269. Nilai dL dan dU dilihat dari tabel Durbin-Watson pada signifikansi 0,05, jumlah sampel (N) 45 dengan jumlah variabel bebas (K) 3. Diperoleh dL= 1,201 dan dU= 1,474. Dapat dihitung nilai 4-dU= 2,526 dan 4-dL= 2,526. Nilai DW sebesar 2,269 lebih besar dari batas atas (du) 1,474 dan kurang dari 4 – 1,474 (4 – du) sehingga dapat diketahui bahwa nilai Durbin-Watson terletak pada daerah dU < DW < 4-dU (1,474 < 2,269 < 2,526), maka tidak terjadi autokorelasi.
4.2.2.3 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.
Hasil uji heteroskedastisitas dengan menggunakan grafik scatterplot di tunjukkan pada gambar 4.3 dibawah ini:
Gambar 4.3 Grafik Scatterplot Sumber: Data sekunder diolah
Dari grafik scatterplot terlihat bahwa titik-titik menyebar secara acak serta tersebar baik di atas maupun di bawah angka 0 pada sumbu Y, sehingga dapat disimpulkan bahwa tidak terjadi heterokedastisitas pada model regresi.
4.2.2.4 Uji Multikolinearitas
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 mengetahui ada tidaknya multikolinearitas dapat dilihat dari nilai Variance Inflation Factor ( VIF ) dan nilai Tolerance, apabila nilai VIF > 10 dan nilai Tolerance < 0.1 maka terjadi multikolinearitas dan apabila nilai VIF < 10 dan nilai Tolerance > 0.1 maka tidak terjadi multikolineraritas. Hasil uji mutikolinearitas dapat dilihat pada tabel berikut :
Tabel 4.5
Hasil Uji Multikolinearitas Coefficientsa Model Unstandardized Coefficients Standardiz ed Coefficients t Sig. Collinearity Statistics
B Std. Error Beta Toleran
ce VIF 1 (Constant) -,219 ,627 -,349 ,729 CG ,084 ,046 ,286 1,835 ,074 ,861 1,162 UkuranPerusahaan -,002 ,024 -,016 -,099 ,922 ,834 1,199 DewanKomisaris -,491 ,254 -,289 -1,939 ,059 ,945 1,058 a. Dependent Variable: DA
Hasil perhitungan nilai tolerance menunjukkan variabel
independen memiliki nilai tolerance lebih dari 0,10 yaitu 0,861, 0,834, 0,945 yang berarti tidak terjadi korelasi antar variabel independen. Hasil perhitungan VIF juga menunjukkan hal yang sama dimana variabel independen memiliki nilai VIF kurang dari 10 yaitu 1,162, 1,199, 1,058. Dengan demikian dapat disimpulkan bahwa dalam model regresi tidak terjadi multikolinearitas antar variabel independen.