ANALISIS DAN PEMBAHASAN
4.1 Gambaran Umum
4.2.1 Statistik Desriptif
Menurut Ghozali (2013), statistik deskriptif memberikan gambaran atau deskripsi suatu data yang dapat dilihat dari rata-rata (mean), standar deviasi, varian, maksimum, minimum, sum, range, kurtosis dan skeweness (kemenengan distribusi). Dalam penelitian ini penulis hanya mendeskripsikan sampel sebagai berikut:
Table 4.2 Statistik Deskriptif
Descriptive Statistics
N Minimum Maximum Mean Std. Deviation
Y 69 .14 .63 .3560 .12389 X1 69 -.75 .44 .0566 .16800 X2 69 .00 1.00 .4783 .50319 X3 69 -130.83 744.83 28.2844 103.34880 X4 69 .05 3.77 .9190 .83462 X5 69 .00 1.00 .9130 .28384 Valid N (listwise) 69 Sumber: Diolah Peneliti (2015)
Berikut ini rincian data deskriptif yang diolah:
1. Variabel pengungkapan tanggung jawab sosial (CSR) memiliki jumlah sampel (N) sebanyak 69, dengan nilai minimum 0,14, nilai maksimum 0,63, mean 0,3560 dan standard deviation (simpangan baku) 0,12389. 2. Variabel Manajemen Laba memiliki jumlah sampel (N) sebanyak 69,
dengan nilai minimum -0,75, nilai maksimum 0,44, mean 0,0566, dan
3. Variabel Kepemilikan Manajerial memiliki jumlah sampel (N) sebanyak 69, dengan nilai minimum 0,00, nilai maksimum 1,00, mean 0,4783, dan standard deviation (simpangan baku) 0,50319.
4. Variabel Profitabilitas memiliki jumlah sampel (N) sebanyak 69, dengan nilai minimum -0,130,83, nilai maksimum 744,83, mean 28,2844, dan standard deviation (simpangan baku) 103,34880.
5. Variabel Leverage memiliki jumlah sampel (N) sebanyak 69, dengan nilai minimum 0.05, nilai maksimum 3,77, mean 0,9190, dan standard
deviation (simpangan baku) 0,83462.
6. Variabel Media Exposure memiliki jumlah sampel (N) sebanyak 69, dengan nilai minimum 0,00, nilai maksimum 1,00, mean 0,9130, dan
standard deviation (simpangan baku) 0,28384.
4.2.2 Uji Asumsi Klasik
Uji asumsi klasik harus dilakukan peneliti sebelum melakukan uji hipotesis. Pengujian asumsi klasik ini perlu dilakukan untuk mengetahui apakah distribusi data yang digunakan dalam penelitian sudah normal, serta bebas dari gejala multikolinearitas, heteroskedastisitas dan autokorelasi. Hal ini merupakan salah satu syarat yang mendasari model regresi berganda. Uji yang dilakukan dalam penelitian ini menggunakan bantuan aplikasi SPSS versi 18.
4.2.2.1 Uji Normalitas
Screening terhadap normalitas data merupakan langkah
awal yang harus dilakukan untuk setiap multivariate, khususnya jika tujuannya inferensi. Jika terdapat normalitas, maka residual akan terdistribusi secara normal dan independen (Ghozali, 2013). Dalam penelitian ini normalitas diuji dengan melihat grafik dan uji statistic non-parametrik Kolmogorov-Smirnov (K-S). Analisa grafik dilakukan dengan melihat grafik histogram dan grafik normal
probability plot. Hasil pengujian analisis grafik dapat dilihat pada
gambar di bawah ini.
Gambar 4.1 Histogram
Gambar di atas menunjukkan uji normalitas dengan menggunakan pendekatan histogram. Pada grafik histogram tersebut terlihat bahwa data berdistribusi normal, hal ini ditunjukkan dari bentuk grafik yang berbentuk lonceng dan terlihat
tidak menceng ke kiri ataupun ke kanan. Dengan adanya uji normalitas maka hasil penelitian dapat digeneralisasikan pada populasi.
Gambar 4.2 Grafik Normal P-Plot
Gambar di atas merupakan hasil uji nornalitas dengan menggunakan pendekatan grafik. Pada gambar di atas terlihat titik mengikuti garis diagonal yang memanjang. Hal ini berarti data berdistribusi normal.
Uji normalitas dengan analisis statistik dilakukan melalui uji Kolmogorov-Smirnov. Jika nilai signifikansi lebih besar dari 0,05 maka data berdistribusi normal. Hasil pengujian
Table 4.3 Hasil Uji Normalitas
Dari hasil pengolahan data pada table 4.3 di atas dapat dilihat nilai signifikansinya 0,880 (lebih besar dari 0,05) yang artinya seluruh variabel telah terdistribusi secara normal.
4.2.2.2 Uji Multikolinearitas
Uji multikolinearitas bertujuan untuk menguji apakah model regresi ditemukan adanya korelasi antara variabel bebas. Ketentuan suatu model regresi tidak terdapat gejala multikolinearitas adalah jika nilai Variance Inflation Factor (VIF) < 10 dan Tolerance> 0.1. Hasil uji multikolinearitas dapat dilihat pada tabel di bawah ini.
One-Sample Kolmogorov-Smirnov Test
Unstandardized Residual
N 69
Normal Parametersa,b Mean ,0000000
Std. Deviation ,09296675 Most Extreme Differences Absolute ,071
Positive ,066
Negative -,071
Kolmogorov-Smirnov Z ,588
Asymp. Sig. (2-tailed) ,880
a. Test distribution is Normal. b. Calculated from data.
Tabel 4.4
Hasil Uji Multikolinearitas
Jika dilihat pada tabel di atas semua variabel independen memiliki VIF < 10 dan nilai tolerance > 0,1 dengan demikian dapat disimpulkan tidak terjadi multikolinearitas dalam model regresi ini atau tidak terjadi korelasi di antara variabel independen.
4.2.2.3Uji Heteroskedastisitas
Uji Heteroskedastisitas bertujuan menguji apakah dalam model regresi terjadi ketidaksamaan variance dari residual satu pengamatan ke pengamatan yang lain. Jika varian dan residual dari satu pengamatan ke pangamatan yang lain tetap, maka disebut Homoskedasitisitas dan jika berbeda disebut Heteroskedastisitas. Model regresi yang baik adalah yang homoskedasitisitas atau tidak terjadi heteroskedastisitas.
Dalam penelitian ini untuk melihat ada tidaknya gejala heterokedastisitas adalah dengan melihat grafik scatterplot. Dasar pengambilan keputusannya adalah:
Coefficientsa Model Unstandardized Coefficients Standardized Coefficients T Sig. Collinearity Statistics
B Std. Error Beta Tolerance VIF
(Constant) -1,185 ,099 -11,986 ,000 LN_X1 -,003 ,006 -,008 -,414 ,680 ,971 1,030 X2 -,024 ,024 -,019 -1,006 ,318 ,969 1,032 LN_X3 -,131 ,016 -,386 -8,173 ,000 ,161 6,222 LN_X4 ,547 ,019 1,338 28,291 ,000 ,161 6,220 X5 ,084 ,043 ,039 1,962 ,054 ,933 1,071
• Jika ada pola tertentu, seperti titik-titik yang teratur, maka telah terjadi heterokedastisitas
• Jika tidak ada pola tertentu, serta titik-titik yang menyebar tidak tertentu di atas dan di bawah angka 0 pada sumbu Y, maka tidak terjadi heterokedastisitas.
Berikut ini adalah grafik scatterplot untuk menganalisis apakah terjadi heterokedastisitas dengan mengamati penyebaran titik-titik pada gambar.
Gambar 4.2
Hasil Uji Heteroskedastisitas
Berdasarkan gambar 4.2 di atas dapat dilihat bahwa titik-titik tidak membentuk pola yang jelas, dimana titik-titik-titik-titik menyebar
di atas dan di bawah angka 0 pada sumbu Y, maka dapat disimpulkan tidak terjadi heteroskedasititas pada model regresi ini.
4.2.2.4Uji Autokorelasi
Uji autokorelasi bertujuan menguji apakah dalam model regresi linear ada korelasi antara kesalahan pengganggu pada periode t dengan kesalahan pada periode t-1 atau sebelumnya (Ghozali, 2013).
Cara melakukakn uji ini adalah dengan menggunakan uji Durbin-Watson dengan pedoman sebagai berikut:
a. Angka D-W di bawah -2 berarti ada autokorelasi positif.
b. Angka D-W di antara -2 sampai +2 berarti tidak ada autokorelasi.
c. Angka D-W di atas +2 berarti ada autokorelasi negatif. Table 4.5
Uji Autokorelasi Durbin-Watson
Dari tabel di atas diketahui bahwa nilai D-W yang didapat sebesar 0,604 yang berarti termasuk pada kriteria kedua, sehingga dapat disimpulkan bahwa pada model regresi ini tidak terjadi autokorelasi. Model Summaryb Model R R Square Adjusted R Square Std. Error of the Estimate Durbin-Watson 1 ,989a ,977 ,976 ,09659 ,604 a. Predictors: (Constant), X5, X2, LN_X1, LN_X4, LN_X3 b. Dependent Variable: LN_Y