BAB III METODE PENELITIAN
F. Teknik Analisis Data
1. Statistik Deskriptif
Pengujian ini untuk mengetahui ukuran gejala pusat yang merupakan suatu bilangan yang menunjukkan penyebaran atas sekumpulan bilangan (data) dari masing-masing variabel independen dan dependen.
2. Regresi Linear Berganda
Regresi linear berganda didasarkan pada pengaruh dua atau lebih variabel bebas terhadap variabel terikat. Berikut rumus untuk melihat analisis linear berganda:
= a + + +
Keterangan :
Y = Indeks Skor Pengungkapan
= Current Ratio (CR) = Return on Assets (ROA)
a = Konstanta
. 2 = Koefisien Regresi
= eror
a. Uji Asumsi Klasik
Sebelum model regresi digunakan dalam pengujian hipotesis, terlebih dahulu model tersebut akan diuji apakah model tersebut memenuhi asumsi klasik atau tidak, yang mana asumsi ini merupakan asumsi yang mendasari analisis regresi. Pengujian asumsi klasik ini dimaksudkan untuk memastikan bahwa model yang diperoleh benar-benar memenuhi asumsi dasar, dalam analisis regresi yang meliputi :
1. Uji Normalitas Data
Uji normalitas data bertujuan untuk menguji apakah dalam model regresi, variabel dependen dan independennya memiliki distribusi normal atau tidak (Juliandi,2013: hal 174). Proses uji normalitas data dilakukan dengan
menggunakan uji Kolmogorov Smirnov dan grafik plot . Distribusi data dapat dilihat dengan kriteria sebagai berikut :
1) Jika angka signifikan > taraf signifikansi (α) 0,05 maka distribusi data dikatakan normal.
2) Jika angka signifikan < taraf signifikansi (α) 0,05 maka distribusi data dikatakan tidak normal.
Uji normalitas data juga dapat dilihat dengan memperlihatkan penyebaran data (titik) pada normal P plot of regression standizzed residual variabel independen, dimana :
a) Jika data menyebar di sekitar garis diagonal dan mengikuti arah garis diagonal, maka model regresi memenuhi asumsi normalitas
b) Jika data menyebar jauh dari garis diagonal dan atau tidak mengikuti arah garis diagonal, maka model regresi tidak memenuhi asumsi normalitas
2. Uji Multikolinearitas
Uji multikolinearitas bertujuan untuk menguji apakah model regresi ditemukan adanya korelasi antar variabel independen. Model regresi yang baik seharusnya tidak ada korelasi antar variabel independen. Untuk mengetahui ada tidaknya multikolinearitas dapat dilihat dari :nilai Variance Inflation Factor (VIF), Apabila nilai tolerance > 10% dan nilai VIF < 10, maka dapat disimpulkan tidak ada multikolinieritas antar variabel bebas dalam model regresi dan sebaliknya, jika nilai tolerance < 0,10 dan VIF > 10 maka terjadi multikolinearitas.
3. Uji Heteroskedastisitas
Uji ini memiliki tujuan untuk mengetahui apakah dalam model regresi terjadi ketidaksamaan varians dari residual satu pengamatan kepengamatan yang lain. Menurut Juliandi (2013: hal 176), “jika varians dari residual suatu pengamatan ke pengamatan yang lainnya tetap, maka disebut homoskedastisitas, sebaliknya jika varians berbeda, maka disebut heteroskedastisitas”. Ada tidaknya heteroskedastisitas dapat diketahui dengan melihat grafik Scaterplot antar nilai prediksi variabel independen dengan nilai residualnya. Dasar analisis yang dapat digunakan untuk menentukan
heteroskedastisitas, antara lain:
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, seperti titik-titik menyebar di atas dan di bawah angka 0 pada sumbu Y, maka tidak terjadi heteroskedastisitas atau terjadi homoskedastisitas.
4. Uji Autokorelasi
Uji autokorelasi bertujuan untuk menguji apakah dalam suatu model regresi linier ada korelasi antara kesalahan pengganggu pada periode t dengan periode t-1 (sebelumnya). Deteksi adanya autokorelasi dalam suatu model regresi dilakukan dengan melihat nilai dari statistik Durbin Waston (D-W). Kreteria penentuan hasil Durbin Waston (DW) adalah sebagai berikut :
1) Kurang dari 1, 026 Ada autokorelasi 2) 1,45 – 1,68 Tanpa Kesimpulan
3) 1,68 – 2,32 Tidak ada autokorelasi 4) 2,32 – 2,55 Tanpa Kesimpulan 5) Lebih dari 2,55 Ada autokorelasi
3. Pengujian Hipotesis
Metode analisis yang digunakan dalam penelitian ini adalah analisis regresi berganda dengan terlebih dahulu menguji variabel-variabel dari karakteristik perusahaan. Hal ini dilakukan untuk mencari tingkat signifikan yang paling tinggi diantara variabel-variabel tersebut variabel Likuiditas, dan Profitabilitas dengan tingkat signifikan yang paling tinggi akan diregresi dengan indeks pengungkapan.
a. Uji t (Uji Parsial)
Uji statistik t pada dasarnya menunjukkan seberapa jauh pengaruh satu variabel independen secera individual dalam menerangkan variabel dependen. Pengujian dilakukan dengan menggunakan significan level 0,05 (a = 5%).
Kriteria pengambilan keputusan : Sig > 0,05 = tidak ada pengaruh Sig < 0,05 = ada pengaruh
b. Uji F (Uji Simultan)
Uji statistik F pada dasarnya menunjukkan apakah semua variabel bebas yang dimaksudkan dalam model mempunyai pengaruh secara simultan terhadap variabel dependen. Pengujian dilakukan dengan menggunakan significance level 0,05 (a = 5%).
Kriteria pengambilan keputusan : Sig > 0,05 = tidak ada pengaruh Sig < 0,05 = ada pengaruh
c. Koefisien Determinasi (R²)
Koefisien Determinasi (R2) pada intinya mengukur seberapa jauh kemampuan model dalam menerangkan variasi variabel dependen. Nilai Koefisien Determinasi berada diantara nol dan satu. Nilai R2 yang kecil berarti kemampuan variabel-variabel independen dalam menjelaskan variabel dependen amat terbatas. Nilai yang mendekati satu berarti variabel-variabel independen memberikan hampir semua informasi yang dibutuhkan untuk memprediksi variabel-variabel dependen, (Ahmad, 2012). Data dalam penelitian ini akan diolah dengan menggunakan program SPSS hipotesa dalam penelitian ini dipengaruhi oleh nilai signifikansi koefisien variabel yang bersangkutan setelah dilakukan pengujian. Kesimpulan hipotesis dilakukan berdasarkan t-test dan F-test untuk menguji signifikansi variabel-variabel independen terhadap variabel dependen.
BAB IV
HASIL PENELITIAN DAN PEMBAHASAN
A. Hasil Penelitian
1. Deskripsi Data
Perusahaan pertambangan adalah perusahaan yang sebagian atau seluruh tahapan kegiatan dalam rangka penelitian, pengelolaan dan pengusahaan mineral atau batubara yang meliputi penyelidikan umum, eksplorasi, study kelayakan, konstruksi, penambangan, pengelolaan dan pemurnian, pengangkutan dan penjualan, serta kegiatan pascatambang. Dalam perusahaan pertambangan karakteristik utama kegiatannya meliputi :
Eksplorasi (Exploration), Pengembangan dan Konstruksi. Yangrus menyajikan laporan keuangan secara lengkap sesuai dengan standar yang telah ditetapkan dalam Badan Pengawas (Bapepam) dan Lembaga Keuangan (LK). Sesuai dengan surat edaran Bapepam dan LK Nomor kep-347/BL/2012 peraturan nomor VIII.G.7 tentang penyajian dan pengungkapan laporan keuangan emiten atau perusahaan publik, terdapat 114 item. Di bawah ini disajikan tabel mengenai Current Ratio, Return On Asset, kondisi pengungkapan laporan keuangan perusahaan pertambangan.
Tabel IV-1
Data Current Ratio dan Return On Asset Serta Kondisi Pengungkapan Laporan Keuangan NO. NAMA EMITEN TAHUN CURRENT RATIO RETURN ON ASSET PENGUNGKAPAN 1. ADRO 2014 164,2 2,86 57,89 2015 240,39 2,53 54,39 2016 247,1 5,22 53,51 2. BSSR 2014 67,04 15,77 51,75 2015 83,52 15,16 43,86 2016 110,81 14,9 51,75 3. GEMS 2014 220,6 3,43 51,75 2015 279,43 0,56 54,39 2016 377,42 9,26 50,88 4. KKGI 2014 1,72 7,53 56,14 2015 22,194 5,75 57,02 2016 4,05 10,45 52,63 5. MYOH 2014 185,6 14,00 49,12 2015 232,96 15,15 55,26 2016 429,84 14,43 44,74 6. PTBA 2014 207,5 14,3 58,77 2015 154,35 11,1 61,40 2016 165,58 10,09 65,79 7. ARTI 2014 207,5 1,39 58,77 2015 482,43 0,79 49,12 2016 315,88 0,16 44,74 8. ELSA 2014 162,3 10,00 54,39 2015 143,54 8,51 51,75 2016 148,71 7,41 51,75 9. TINS 2014 184,9 6,83 55,26 2015 181,53 1,09 54,38 2016 171,1 2,63 52,63 10. CTTH 2014 108,7 0,27 51,75 2015 187,81 0,32 48,25 2016 189,4 3,39 51,75 11. RUIS 2014 96,86 4,16 60,53 2015 86,5 3,89 55,26 2016 89,64 2,66 47,36
2. Statistik Descriptive
Statistik deskriptif dalam penelitian ini hanya untuk mendeskripsikan data sampel dan tidak membuat kesimpulan yang berlaku untuk populasi dimana sampel diambil. Menurut Juliandi (2013:173), statistik deskriptif memberikan gambaran atau deskripsi suatu data yang dilihat dari rata-rata (mean), standar deviasi, varian, minimum, maksimum, sum, range, dan kemencengan distribusi
Tabel IV-2
Descriptive Statistics
Descriptive Statistics
N Minimum Maximum Mean Std. Deviation
CR 33 1,72 482,43 180,3365 109,36559
ROA 33 ,16 15,77 6,8482 5,27562
PENGUNGKAPAN 33 44,74 67,75 54,1133 5,59992
Valid N (listwise) 33
Sumber : Hasil Pengolahan SPSS (2018)
Berikut ini perincian data deskriptif yang telah diolah :
Dari table diatas dapat dilihat variabel CR memiliki nilai minimum 1,72 yang dimiliki oleh PT. Resuce Alam Indonesia Tbk (KKGI), nilai maximum 482,43 yang dimiliki oleh PT. Ratu Prabu Energi Tbk (ARTI), nilai rata-rata CR sebesar 180,3365 dengan standar deviasi sebesar 109,36559 dan jumlah observaasi sebanyak 33 sampel. Ini berarti variabel independen CR menunjukkan adanya kenaikan rasio. (Ahmad,2012) dan jika dilihat dari rata-rata CR untuk pertambangan sebesar 108% maka rata-rata-rata-rata CR dalam tabel diatas sebesar 180,3365 (dalam %) dinyatakan secara keseluruhan baik untuk rasio CR walaupun perusahaan mempunyai nilai CR 1,72.
Variabel ROA memiliki nilai minimum 0,16 yang dimiliki oleh PT. Ratu Prabu Energi Tbk. (ARTI), nilai maximum 15,77 yang dimiliki oleh PT. Baramulti Sukses Sarana Tbk (BSSR), nilai rata-rata ROA sebesar 6,8482 dengan standar deviasi sebesar 5,27562 dan jumlah observaasi sebanyak 33 sampel. Ini berarti variabel independen ROA menunjukkan adanya peningkatan rasio.(Ahmad,2012) dan jika dilihat dari rata-rata ROA untuk pertambangan sebesar 8,5% maka rata-rata ROA dalam tabel diatas sebesar 6,8482 (dalam %) dinyatakan secara keseluruhan baik untuk rasio ROA walaupun perusahaan mempunyai nilai ROA 0,16.
Variabel Pengungkapan (Y) memiliki nilai minimum 44,74 nilai maximum 67,75 nilai rata-rata Pengungkapan sebesar 54,1133 dengan standar deviasi sebesar 5,59992 dan jumlah observasi 33 sampel. Jika dilihat dari rata-rata jumlah item pengungkapan yang dikeluarkan oleh BAPEPAM dan LK pada surat edaran nomor: kep-347/BL/2012 peraturan nomor VIII.G.7 tentang penyajian dan pengungkapan laporan keuangan emiten atau perusahaan publik sebanyak 1,14% . Maka item pengungkapan diatas rata-rata walaupun terdapat perusahaan dibawah rata-rata.
3. Regresi Linear Berganda
Dalam pengolahan data dengan menggunakan regresi linear, dilakukan beberapa tahapan untuk mencari pengaruh antara variabel dependen dengan variabel independen.
Tabel IV-3 Hasil Analisis Regresi
Model Unstandardized Coefficients Standardized Coefficients t Sig. B Std. Error Beta 1 (Constant) 56,885 2,433 23,381 ,000 CR -,015 ,009 -,286 -1,615 ,117 ROA -,019 ,188 -,018 -,101 ,920
a. Dependent Variable: PENGUNGKAPAN
Sumber : Hasil Pengolahan SPSS (2018)
Variabel dependen pada regresi ini adalah Pengungkapan (Y), sedangkan variabel independen adalah CR dan ROA. Berdasarkan penjelasan dari pengujian asumsi klasik sebelumnya maka model regresi berdasarkan hasil analisis di atas adalah :
Y = 56,885 - 0,015 X1- 0,019 X2+ e
Pada persamaan tersebut menunjukkan angka yang signifikan pada variabel CR dan ROA. Adapun interpretasi dari persamaan di atas adalah : 1. Nilai konstanta sebesar = 56,885 menunjukkan bahwa apabila tidak ada
variabel CR dan ROA (X1=X2=0), maka Pengungkapan yang diberikan adalah 56,885.
2. β1= - 0,015. Koefisien regresi b1ini menunjukkan bahwa setiap variabel CR meningkat satu satuan, maka Pengungkapan akan menurun 0,015 atau 1,5 % dengan asumsi variabel lainnya dianggap tetap atau sama dengan nol.
3. Koefisien regresi untuk β2= -0,019. Koefisien regresi b2ini menunjukkan bahwa setiap variabel ROA meningkat satu satuan, maka Pengungkapan
akan naik 0,019 atau 1,9 % dengan asumsi variabel lainnya dianggap tetap.
a. Uji Asumsi Klasik
Salah satu syarat yang mendasari model regresi berganda dengan metode estimasi Ordinary Least Square (OLS) adalah terpenuhinya semua asumsi klasik, agar hasil pengujian bersifat tidak bias dan efisien. Pengujian asumsi klasik dalam penelitian ini dilakukan dengan bantuan program statistik normalitas data, autokorelasi, heteroskedastisitas, dan asumsi-asumsi klasik lainnya agar hasil pengujian tidak bersifat bias dan efisien. Menurut Juliandi (2013:173) asumsi klasik yang harus dipenuhi adalah berdistribusi normal, non-multikolinearitas, non-autokorelasi dan non-heteroskedastisitas.
1. Uji Normalitas
Uji normalitas bertujuan untuk mengetahui apakah dalam model regresi, variabel pengganggu atau residual memiliki distribusi normal serta untuk menghindari bias dalam model regresi. Pengujian normalitas dalam penelitian ini dapat dilihat dari Kolmogorov Smirnov. Hasil output dari pengujian normalitas dengan kolmogorov smirnov adalah sebagai berikut :
Tabel IV-4
Hasil Uji Normalitas Data Kolmogrov Smirov
One-Sample Kolmogorov-Smirnov Test
PENGUNGKAPAN N 33 Normal Parametersa,b Mean 54,1133 Std. Deviation 5,59992 Most Extreme Differences Absolute ,094 Positive ,089 Negative -,094 Test Statistic ,094
Asymp. Sig. (2-tailed) ,200
a. Test distribution is Normal. b. Calculated from data.
c. Lilliefors Significance Correction.
d. This is a lower bound of the true significance. Sumber : Hasil Pengolahan SPSS (2018)
Model regresi dikatakan normal jika memiliki nilai sig (2-tailed) > 5%. Dari tabel di atas diperoleh nilai sig = 0,200 (20%). Karena nilai sig 20% > 5% , maka data berdistribusi normal.
Demikian pula dengan hasil uji normalitas dengan menggunakan grafik plot berikut ini :
Gambar IV-1 Grafik Normal Plot
Pada grafik normal plot terlihat titik-titik menyebar disekitar garis diagonal serta penyebarannya agak mendekati dengan garis diagonal sehingga dapat disimpulkan bahwa data dalam model regresi terdistribusi secara normal.
2. Uji Multikolinearitas
Menurut Juliandi (2013:173) “ uji ini bertujuan untuk menguji apakah model regresi ditemukan adanya korelasi yang kuat antar variabel bebas (independen).” Multikolinearitas menunjukkan ada tidaknya variabel independen yang memiliki hubungan yang kuat dengan variabel independen lain dalam model regresi, agar pengambilan keputusan pengaruh pada uji parsial masing-masing variabel independen tidak bias. Untuk mengetahui ada tidaknya multikolinearitas dapat dilihat dari nilai Variance Inflation Factor (VIF), Apabila nilai tolerance > 10% dan nilai VIF < 10, maka dapat disimpulkan tidak ada multikolinieritas antar variabel bebas dalam model regresi dan sebaliknya, jika nilai tolerance < 0,10 dan VIF > 10 maka terjadi multikolinearitas.
(Juliandi, 2013:174).
Tabel IV-5
Hasil Uji Multikolinearitas
Coefficientsa Model Unstandardized Coefficients Standardized Coefficients t Sig. Collinearity Statistics B Std.
Error Beta Tolerance VIF
1 (Constant) 56,885 2,433 23,381 ,000
CR -,015 ,009 -,286 -1,615 ,117 ,976 1,024
ROA -,019 ,188 -,018 -,101 ,920 ,976 1,024
a. Dependent Variable: PENGUNGKAPAN
Dari data pada tabel diatas dapat disimpulkan bahwa tidak terjadi multikolinearitas dengan dasar nilai VIF untuk setiap varibel independen tidak ada yang melebihi 10 dan nilai tolerance tidak ada yang kurang dari 0,1, maka dapat dilakukan analisis lebih lanjut dengan menggunakan model regresi berganda.
3. Uji Heteroskedastisitas
Dalam penelitian ini, untuk mendeteksi ada tidaknya gejala heteroskedastisitas adalah dengan melihat plot grafik yang dihasilkan dari pengolahan data menggunakan program SPSS. Dasar pengambilan keputusannya adalah :
1. Jika pola tertentu, seperti titik-titik yang teratur maka telah terjadi heteroskedastisitas.
2. 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 heteroskedastisitas atau terjadi homokedastisitas.
Berikut ini dilampirkan grafik scatterplot untuk menganalisis apakah terjadi heteroskedastisitas atau terjadi homokedastisitas dengan mengamati penyebaran titik-titik pada gambar.
Gambar IV-2
Hasil Uji Heteroskedastisitas
Sumber : Hasil Pengolahan SPSS (2018)
Dari 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 heteroskedastisitas pada model regresi. Dengan demikian, model ini layak dipakai untuk memprediksi tingkat pengungkapan pada perusahaan pertambangan yang terdaftar di Bursa Efek Indonesia berdasarkan masukan variabel independen CR dan ROA.
4. Uji Autokorelasi
Untuk mendeteksi ada atau tidaknya autokorelasi, dapat digunakan uji Durbin Watson (DW).
Hasil dari penngujian autokorelasi adalah sebagai berikut :
Tabel IV-6 Hasil Uji Autokorelasi
Model Summaryb Model R R Square Adjusted R Square Std. Error of the Estimate Change Statistics Durbin-Watson R Square Change F Chang e df1 df2 Sig. F Chang e 1 ,284a ,081 ,019 5,54565 ,081 1,315 2 30 ,284 2,147
a. Predictors: (Constant), ROA, CR b. Dependent Variable: PENGUNGKAPAN
Sumber : Hasil Pengolahan SPSS (2018)
Hasil uji autokorelasi di atas menunjukkan nilai statistik Durbin Watson (DW) sebesar 2,147, sehingga berada di daerah tidak ada autokorelasi. Kesimpulan yang didapat bahwa persamaan regresi dalam penelitian ini tidak terjadi autokorelasi.
3. Uji Hipotesis
a. Uji t (Uji Parsial)
Uji t dilakukan untuk mengetahui apakah secara individual (parsial) variabel independen mempengaruhi variabel dependen secara signifikan atau tidak. Hasil output dari SPSS adalah sebagai berikut :
Tabel IV-7 Hasil Uji t Coefficientsa Model Unstandardized Coefficients Standardized Coefficients t Sig. Collinearity Statistics
B Std. Error Beta Tolerance VIF
1 (Constant) 56,885 2,433 23,381 ,000
CR -,015 ,009 -,286 -1,615 ,117 ,976 1,024
ROA -,019 ,188 -,018 -,101 ,920 ,976 1,024
a. Dependent Variable: PENGUNGKAPAN
Kriteria pengambilan keputusan : Sig > 0,05 = tidak ada pengaruh Sig < 0,05 = ada pengaruh
Hasil pengujian statistik dengan SPSS pada variabel CR diperoleh nilai sig 0,117 > 0,05, ini berarti variabel CR secara parsial tidak berpengaruh signifikan terhadap variabel dependen (Pengungkapan). Hasil pengujian statistik dengan SPSS pada variabel ROA diperoleh nilai sig 0,920 > 0,05, hal ini berarti variabel ROA secara parsial tidak berpengaruh signifikan terhadap variabel dependen (Pengungkapan).
b. Uji F ( Uji Simultan)
Uji F dilakukan untuk melihat keberartian pengaruh variabel independen secara simultan terhadap variabel dependen.
Kriteria pengambilan keputusan : Sig > 0,05 = tidak ada pengaruh Sig < 0,05 = ada pengaruh
Untuk melakukan uji F dapat dilihat pada tabel anova dibawah ini.
Tabel IV-8 Hasil Uji F
ANOVAa
Model Sum of Squares df Mean Square F Sig.
1 Regression 80,865 2 40,432 1,315 ,284b
Residual 922,627 30 30,754
Total 1003,492 32
a. Dependent Variable: PENGUNGKAPAN b. Predictors: (Constant), ROA, CR
Pada tabel anova diperoleh nilai sig 0,284 > 0,05. Hal ini berarti bahwa variabel independen (Current Ratio, Return On Asset) secara simultan tidak berpengaruh signifikan terhadap variabel dependen (Pengungkapan) dalam arti linier variabel-variabel independen tersebut tidak mampu menjelaskan besarnya indeks pengungkapan wajib laporan keuangan perusahaan pertambangan.
c. Uji Koefisien Determinasi (R2)
Uji R2 dilakukan untuk mengetahui seberapa besar variabel independen mempengaruhi variabel dependen secara simultan.
Untuk melakukan Uji R2 dapat dilihat pada table berikut :
Tabel IV-9
Hasil Koefisien Determinasi
Model Summaryb Model R R Square Adjusted R Square Std. Error of the Estimate Durbin-Watson 1 ,284a ,081 ,019 5,54565 2,147
a. Predictors: (Constant), ROA, CR b. Dependent Variable: PENGUNGKAPAN
Sumber : Hasil Pengolahan SPSS (2018)
Pada tabel diatas diperoleh nilai adjusted R2 = 0,019 atau 1,9% ini berarti variabel bebas (Current Ratio, Return On Asset) secara bersama-sama mempengaruhi variabel dependen (Pengungkapan) sebesar 1,9% dan sisanya 98,1% (100% - 1,9%) dipengaruhi oleh variabel lain yang tidak ditelitih dalam penelitian ini. variabel CR diperoleh nilai sig 0,498 > 0,05, ini berarti variabel CR secara parsial tidak berpengaruh signifikan terhadap variabel dependen (Pengungkapan).