BAB IV HASIL PENELITIAN
C. Analisis Hasil Penelitian
2. Uji Asumsi Klasik
a. Uji Normalitas
Tujuan uji normalitas adalah ingin mengetahui apakah dalam model regresi variabel pengganggu atau residual memiliki distribusi normal (Erlina dan Sri, 2007). Uji ini dilakukan dengan uji Kolmogorov Smirnov dengan kaidah sebagai berikut:
• Jika ρ value (Asymp. Sig) ≤ α (0,05) maka data berdistribusi tidak normal.
• Jika ρ value (Asymp. Sig) ≥ α (0,05) maka data berdistribusi normal.
b. Uji Multikolinieritas
Uji multikolinieritas bertujuan untuk menguji apakah model regresi ditemukan adanya korelasi antar variabel bebas. Untuk mengetahui ada tidaknya gejala multikolinieritas dapat dilihat dari besarnya nilai Tolerance dan VIF (Varience Inflation Factor). Tolerance mengukur variabilitas variabel terpilih yang tidak dijelaskan oleh variabel independen lainnya. Nilai umum yang biasa dipakai dalam uji ini adalah jika nilai Tolerance > 0,1 atau nilai VIF < 5, maka tidak terjadi multikolinieritas (Situmorang, 2007).
Uji autokolerasi bertujuan menguji apakah dalam model regresi linear ada kolerasi antara kesalahan pengganggu pada periode t dengan kesalahan pengganggu pada periode t-1(sebelumnya) (Erlina dan Sri, 2007). Jika terjadi korelasi maka dinamakan ada problem autokorelasi. Autokorelasi muncul karena muncul karena observasi yang berurutan sepanjang waktu berkaitan satu sama lainnya. Masalah ini timbul karena residual (kesalahan pengganggu) tidak bebas dari satu observasi ke observasi lainnya. Untuk mendeteksi gejala autokorelasi kita menggunakan uji Durbin-Watson (DW). Uji ini menghasilkan nilai DW hitung (d) dan nilai DW tabel (dl & du).
Berikut kriteria pengambilan keputusan DW test:
Tabel 3.3
Kriteria Pengambilan Keputusan DW Test
Hipotesis Nol Keputusan Jika
Tidak ada autokorelasi positif Tolak 0<d<dl Tidak ada autokorelasi positif No Decision dl≤d≤du Tidak ada autokorelasi negatif Tolak 4-dl<d<4 Tidak ada autokorelasi negatif No Decision 4-du≤d≤4-dl Tidak ada autokorelasi positif atau negatif Tidak ditolak du<d<4-du Sumber :Situmorang (2007)
d. Uji Heteroskedastisitas
Uji Heterokedastisitas bertujuan untuk menguji apakah dalam model regresi terjadi ketidaksamaan variabel dari residual satu pengamatan ke pengamatan yang lain (Erlina dan Sri, 2007). Model regresi yang baik adalah tidak terjadi heteroskedastisitas. Heteroskedastisitas diuji dengan
menggunakan scatterplot. Apabila pada scatterplot terlihat titik-titik menyebar secara acak, tidak membentuk sebuah pola tertentu yang jelas, serta tersebar baik di atas maupun di bawah angka 0 pada sumbu Y, maka berarti tidak terjadi heteroskedastisitas pada model regresi.
3. Pengujian Hipotesis
Pengujian hipotesis dalam penelitian ini menggunakan analisis regresi berganda. Metode regresi linier berganda dilakukan untuk mengetahui pengaruh variabel bebas yakni ukuran perusahaan, financial leverage, net profit margin, dan operating profit margin terhadap variabel terikat yaitu perataan laba (income smoothing) dengan menggunakan rumus:
Y = α + b1x1 + b2 x2 + b3 x3 + b4 x4 + e Dimana:
Y = Perataan laba (income smoothing) α = Koefisien konstanta
b1-4 = Koefisien regresi variabel independen
x1 = Ukuran Perusahaan x2 = Financial Leverage
x3 = Net Profit Margin x4 = Operating Profit Margin
Uji hipotesis berguna untuk memeriksa atau menguji apakah koefisien regresi yang didapat signifikan. Ada dua jenis koefisien regresi yang dapat dilakukan yaitu uji F dan uji t.
a. Uji Signifikansi Simultan (Uji-F)
Uji-F menunjukkan apakah semua variabel yang dimasukkan dalam model mempunyai pengaruh signifikan atau tidak secara bersama-sama terhadap variabel terikat. Kriteria pengambilan keputusan:
Ho : b1 = b2 = b3 = b4 = 0 , artinya secara simultan variabel ukuran
perusahaan, financial leverage, net profit margin, dan operating profit margin tidak memenuhi model penelitian.
Ha : tidak semua b1 = b2 = b3 = b4 ≠ 0, maka dianggap variabel telah memenuhi model penelitian.
Pengambilan keputusan:
Ho diterima jika fhitung < ftabelpada α = 5% Ha diterima jika fhitung > ftabel pada α = 5%
b. Uji Signifikansi Parsial (Uji -t)
Uji-t menentukan seberapa besar pengaruh variabel bebas secara parsial terhadap variabel terikat.
Ho : b1 = 0, artinya tidak terdapat pengaruh signifikan dari variabel ukuran
perusahaan terhadap variabel perataan laba secara parsial.
Ha : b1 ≠ 0, artinya terdapat pengaruh signifikan dari variabel ukuran perusahaan terhadap variabel perataan laba secara parsial.
Ho : b2 = 0, artinya tidak terdapat pengaruh signifikan dari variabel
financial leverage terhadap variabel perataan laba secara parsial.
Ha : b2 ≠ 0, artinya terdapat pengaruh signifikan dari variabel financial leverage terhadap variabel perataan laba secara parsial.
Ho : b3 = 0, artinya tidak terdapat pengaruh signifikan dari variabel net
profit margin terhadap variabel perataan laba secara parsial.
Ha : b3 ≠ 0, artinya terdapat pengaruh signifikan dari variable net profit margin terhadap variabel perataan laba secara parsial.
Ho : b4 = 0, artinya tidak terdapat pengaruh signifikan dari variabel operating profit margin terhadap variabel perataan laba secara parsial. Ha : b4 ≠ 0, artinya terdapat pengaruh signifikan dari variabel operating profit margin terhadap variabel perataan laba secara parsial.
BAB IV
HASIL PENELITIAN
A. Data Penelitian
Objek penelitian ini adalah perusahaan property, real estate and building construction yang terdaftar di Bursa Efek Indonesia. Setelah dilakukan pemilihan sampel dengan teknik purposive sampling, maka diperoleh sebanyak 11 perusahaan yang memenuhi kriteria sampel yang ditetapkan. Periode penelitian dimulai dari tahun 2005 sampai dengan tahun 2009.
Metode analisis data yang dipakai dalam penelitian ini adalah metode analisis statistik yang menggunakan persamaan regresi berganda. Analisis data dimulai dengan mengumpulkan serta mengolah data yang diperlukan dengan menggunakan Microsoft Excel. Selanjutnya dilakukan pengujian asumsi klasik dan pengujian regresi berganda dengan menggunakan software SPSS. Prosedur dimulai dengan memasukkan variabel-variabel penelitian ke program SPSS tersebut dan menghasilkan output sesuai metode analisis data yang telah ditentukan.
B. Perhitungan Index Smoothing
Setelah diperoleh sampel yang sesuai dengan kriteria sampel, maka dilakukan perhitungan index smoothing terhadap masing-masing perusahaan yang menjadi sampel. Perhitungan index smoothing dimaksudkan untuk menentukan kategori suatu perusahaan apakah perusahaan tersebut melakukan perataan laba atau tidak
dalam periode penelitian ini. Perusahaan dikategorikan tidak melakukan perataan laba apabila memperoleh nilai index smoothing lebih kecil dari satu, sedangkan perusahaan yang memperoleh index smoothing lebih dari satu dikategorikan sebagai perusahaan yang melakukan perataan laba.
Menurut Suwito (2005) Indeks Perataan Laba dihitung sebagai berikut: Indeks Perataan Laba =
Keterangan:
CViearnings : Coefficients of varians earnings CVisales : Coefficients of varians sales
Hasil perhitungan Coefficients of varians earnings yang dilakukan terhadap 11 perusahaan dapat dilihat dalam tabel 4.1 sebagai berikut:
Tabel 4.1
Hasil Perhitungan Coefficients of Varians Earnings
No Kode
Earnings
Standar
Deviasi Mean CV Earnings
2005 2006 2007 2008 2009 1 CTRA 79.231 572.100 167.961 202.219 136.328 195.670 231.568 0,844977878 2 CTRS 119.778 169.115 171.506 144.327 57.119 47.027 132.369 0,355270156 3 DART 197.510 121.878 100.103 100.851 30.186 59.898 110.106 0,544002735 4 DUTI 60.857 72.943 58.938 40.088 211.986 69.770 88.962 0,784265944 5 GMTD 6.605 7.377 7.857 8.023 13.485 2.748 8.669 0,316944732 6 JRPT 67.226 84.120 110.128 147.818 191.705 50.212 120.199 0,417743238 7 LAMI 1.690 967 2.955 9.295 12.602 5.157 5.502 0,937342954 8 LPCK 3.733 3.270 11.061 14.173 25.681 9.171 11.584 0,791762422 9 LPKR 358.943 324.836 353.027 370.872 388.053 23.387 359.146 0,065117824 10 SMRA 151.210 168.099 159.839 94.141 167.343 30.941 148.126 0,208880165 11 ADHI 77.919 95.581 111.601 81.482 165.530 35.611 106.423 0,334617334 Sumber: Lampiran i
Hasil perhitungan Coefficients of varians sales yang dilakukan terhadap 11 perusahaan dapat dilihat dalam tabel 4.2 sebagai berikut:
Tabel 4.2
Hasil Perhitungan Coefficients of Varians Sales
No Kode
Sales
Standar
Deviasi Mean CV Sales
2005 2006 2007 2008 2009 1 CTRA 1.049.896 1.185.718 1.347.518 1.303.221 1.332.372 125.604,083 1.243.745 0,100988614 2 CTRS 555.069 657.589 690.927 581.175 391.452 116.602,918 575.242 0,202702232 3 DART 356.920 442.062 481.705 371.713 314.355 67.481,4412 393.351 0,171555281 4 DUTI 891.190 1.101.410 1.274.546 1.062.379 1.002.555 140.837,985 1.066.416 0,132066647 5 GMTD 51.141 58.520 60.051 60.084 63.013 4.455,83916 58.562 0,076087811 6 JRPT 346.512 408.218 527.359 648.573 662.063 140.845,468 518.545 0,271616674 7 LAMI 57.756 43.566 93.204 112.947 134.899 37.871,1804 88.474 0,428046762 8 LPCK 140.810 120.763 158.771 276.558 323.159 90.042,4436 204.012 0,441358133 9 LPKR 2.004.950 1.905.330 2.091.354 2.553.307 2.565.101 313.018,140 2.224.008 0,140745035 10 SMRA 797.932 965.250 1.027.230 1.267.063 1.197.693 187.192,106 1.051.034 0,178102875 11 ADHI 3.027.081 4.328.860 4.973.867 6.639.942 7.714.614 1.859.747,54 5.336.873 0,348471402 Sumber: Lampiran i
Hasil perhitungan index smoothing yang dilakukan terhadap 11 perusahaan yang menjadi objek dalam penelitian ini dapat dilihat dalam tabel 4.3 berikut ini:
Tabel 4.3
Perusahaan yang Melakukan Perataan Laba
No Kode CV Earnings CV Sales Index
Smoothing Status 1 CTRA 0,844977878 0,100988614 8,36706089 Perata 2 CTRS 0,355270156 0,202702232 1,752670174 Perata 3 DART 0,544002735 0,171555281 3,171005476 Perata 4 DUTI 0,784265944 0,132066647 5,938410349 Perata 5 GMTD 0,316944732 0,076087811 4,16551255 Perata 6 JRPT 0,417743238 0,271616674 1,537988192 Perata 7 LAMI 0,937342954 0,428046762 2,189814376 Perata 8 LPCK 0,791762422 0,441358133 1,793922812 Perata 9 LPKR 0,065117824 0,140745035 0,462665156 Bukan Perata 10 SMRA 0,208880165 0,178102875 1,172806248 Perata 11 ADHI 0,334617334 0,348471402 0,960243314 Bukan Perata
Sumber: Lampiran i
Dari tabel 4.3 di atas dapat dilihat bahwa dari 11 perusahaan property, real estate and building construction yang menjadi sampel pada penelitian ini, ada 9 perusahaan yang terindikasi melakukan perataan laba dalam periode penelitian ini. Sehingga, langkah berikutnya yang akan dilakukan adalah menguji pengaruh
ukuran perusahaan, financial leverage, net profit margin, dan operating profit margin terhadap 9 perusahaan yang terindikasi melakukan perataan laba tersebut.
C. Analisis Hasil Penelitian
1. Analisis Statistik Deskriptif
Statistik deskriptif (descriptive statistic) adalah menu yang memberikan gambaran mengenai nilai mean, sum, standar deviasi, variance, range, minimum, dan maximum (Lubis, 2007). Statistik deskriptif berfungsi untuk memberi gambaran terhadap obyek yang diteliti melalui data sampel atau populasi sebagaimana adanya, tanpa melakukan analisis dan membuat kesimpulan yang berlaku untuk umum.
Variabel yang digunakan dalam penelitian ini terdiri dari ukuran perusahaan, financial leverage, net profit margin, dan operating profit margin sebagai variabel independen dan perataan laba (income smoothing) sebagai variabel dependen. Statistik deskriptif dari variabel tersebut yang diperoleh dari sampel perusahaan dalam periode pengamatan 2005-2009 disajikan dalam tabel 4.4.
Tabel 4.4
Statistik Deskriptif Variabel Penelitian
Descriptive Statistics
N Minimum Maximum Mean Std. Deviation
X1 45 12.4916 15.9619 14.367426 .9678809 X2 45 .1706 .8459 .539811 .1885867 X3 45 .0222 .5534 .155462 .1113198 X4 45 .0958 .4239 .242609 .0816315 Y 45 1.1728 8.3671 3.343243 2.3088241 Valid N (listwise) 45 Sumber : Lampiran ii
Pada variabel ukuran perusahaan, dapat diketahui bahwa nilai rata-rata yang dimiliki sebesar 14,367426. Pada variabel ukuran perusahaan diketahui bahwa sebaran data untuk ukuran perusahaan lebih condong menyebar di atas nilai mean, dan tidak ada didapati nilai ukuran perusahaan yang terlalu ekstrem. Standar deviasi sebesar 0,9678809 menunjukkan variasi penyebaran data pada variabel ukuran perusahaan.
Pada variabel financial leverage, diketahui bahwa nilai mean yang dimiliki sebesar 0,539811. Untuk sebaran data, diketahui bahwa pada variabel financial leverage tidak ada didapati data yang memiliki nilai ekstrem dan data menyebar secara seimbang di sekitar nilai mean, baik itu di atas nilai mean maupun di bawah nilai mean. Standar deviasi sebesar 0,1885867 menunjukkan variasi penyebaran data pada variabel financial leverage.
Pada variabel net profit margin, diketahui bahwa nilai mean yang dimiliki sebesar 0,155462. Pada variabel net profit margin diketahui bahwa data menyebar secara seimbang di sekitar nilai mean, baik itu di atas nilai mean maupun di bawah nilai mean, serta tidak didapati adanya data yang memiliki
nilai ekstrem. Standar deviasi sebesar 0,1113198 menunjukkan variasi penyebaran data pada variabel net profit margin.
Pada variabel operating profit margin diperoleh nilai mean sebesar 0,242609. Pada variabel operating profit margin tidak ada didapati nilai yang terlalu ekstrem, serta diketahui bahwa data menyebar secara seimbang di sekitar nilai mean, baik itu di atas nilai mean maupun di bawah nilai mean. Standar deviasi sebesar 0,0816315 menunjukkan variasi penyebaran data pada variabel operating profit margin.
Pada variabel perataan laba diketahui bahwa nilai rata-ratanya adalah sebesar 3,343243. Pada variabel perataan laba diketahui bahwa sebaran data untuk perataan laba lebih condong menyebar di bawah nilai mean, serta didapati bahwa ada beberapa data yang menyebar dengan rentang jarak yang tidak dekat dengan nilai rata-ratanya. Standar deviasi sebesar 2,3088241 menunjukkan variasi penyebaran data pada variabel perataan laba.
2. Uji Asumsi Klasik
a. Uji Normalitas
Tujuan uji normalitas adalah ingin mengetahui apakah dalam model regresi variabel pengganggu atau residual memiliki distribusi normal (Erlina dan Sri, 2007). Data yang baik adalah data yang mempunyai pola seperti distribusi normal (Situmorang, 2007).
Dasar pengambilan keputusannya, bila grafik histogram menunjukkan pola distribusi normal dan grafik normal plot menyebar teratur mengikuti
garis diagonal, maka data terdistribusi normal. Sedangkan pada Uji Kolmogorov-Smirnov, bila nilai signifikansi lebih besar dari derajat kepercayaan 0,05 maka data terdistribusi normal.
Gambar 4.1 Histogram Sumber: Lampiran iii
Gambar 4.2 Grafik Normal P-Plot Sumber : Lampiran iii
Gambar 4.1 dan 4.2 menyatakan bahwa data distribusi normal karena grafik histogram menunjukkan distribusi data mengikuti garis diagonal yang tidak menceng (skewness) ke kiri maupun ke kanan. Grafik normal plot memperlihatkan titik-titik menyebar di sekitar garis diagonal serta penyebarannya mendekati garis diagonal sehingga dapat disimpulkan bahwa data dalam model regresi terdistribusi secara normal.
Uji normalitas juga dapat dilakukan dengan Kolmogorov Smirnov untuk mengetahui apakah ukuran perusahaan, financial leverage, net profit margin, operating profit margin, dan indeks perataan laba berdistribusi normal atau tidak. Apabila nilai signifikansinya lebih besar dari 0,05 maka data berdistribusi normal, sedangkan jika nilai signifikansinya lebih kecil dari 0,05 maka data tidak berdistribusi normal. Tabel 4.5 berikut menyajikan tabel hasil uji Kolmogorov Smirnov.
Tabel 4.5
Hasil Uji Kolmogorov-Smirnov
One-Sample Kolmogorov-Smirnov Test
Unstandardized Residual
N 45
Normal Parametersa Mean .0000000
Std. Deviation 1.86218976
Most Extreme Differences Absolute .114
Positive .114
Negative -.098
Kolmogorov-Smirnov Z .763
Asymp. Sig. (2-tailed) .605
a. Test distribution is Normal.
Sumber : Lampiran iii
Hasil pengolahan data menunjukkan besar nilai Kolmogorov-Smirnov adalah 0,763 dan signifikansi pada 0.605 maka disimpulkan data terdistribusi secara normal karena nilai asymp. Sig. adalah 0.605 dan berada di atas nilai signifikan 0,05. Kesimpulan secara keseluruhan yang dapat diambil adalah bahwa nilai-nilai observasi data telah terdistribusi secara normal dan dapat dilanjutkan dengan uji asumsi klasik lainnya.
b. Uji Multikolinieritas
Uji multikolinieritas bertujuan untuk menguji apakah model regresi ditemukan adanya korelasi antar variabel bebas. Model regresi yang baik adalah regresi yang bebas dari multikolinieritas. Untuk mengetahui ada tidaknya gejala multikolinieritas dapat dilihat dari besarnya nilai Tolerance dan VIF (Varience Inflation Factor). Tolerance mengukur variabilitas variabel terpilih yang tidak dijelaskan oleh variabel
independen lainnya. Nilai umum yang biasa dipakai dalam uji ini adalah jika nilai Tolerance > 0,1 atau nilai VIF < 5, maka tidak terjadi multikolinieritas (Situmorang, 2007).
Hasil uji multikolinieritas disajikan dalam tabel 4.6.
Tabel 4.6
Coefficients untuk Index = f(ukuran, financial leverage, net profit margin, operating profit margin)
Coefficientsa Model Unstandardized Coefficients Standardized Coefficients t Sig. Collinearity Statistics
B Std. Error Beta Tolerance VIF
1(Constant) -11.790 5.612 -2.101 .042 X1 1.227 .360 .515 3.405 .002 .712 1.404 X2 .608 1.845 .050 .329 .744 .716 1.396 X3 5.260 3.312 .254 1.588 .120 .638 1.568 X4 -15.032 4.554 -.531 -3.301 .002 .627 1.594 a. Dependent Variable: Y Sumber : Lampiran iv
Masing-masing variabel bebas yang digunakan dalam penelitian ini memiliki nilai tolerance yang lebih besar dari 0,1 yaitu untuk variabel ukuran memiliki nilai tolerance 0,712; variabel financial leverage memiliki nilai tolerance 0,716; variabel net profit margin memiliki nilai tolerance 0,638; variabel operating profit margin memiliki nilai tolerance 0,627. Jika dilihat dari VIF-nya, bahwa masing-masing variabel bebas lebih kecil dari 5 yaitu untuk VIF ukuran 1,404; VIF financial leverage
1,396; VIF net profit margin 1,568; VIF operating profit margin 1,594. Dengan demikian dapat disimpulkan bahwa tidak terjadi gejala multikolineritas dalam variabel bebasnya.
c. Uji Autokorelasi
Uji autokolerasi bertujuan menguji apakah dalam model regresi linear ada kolerasi antara kesalahan pengganggu pada periode t dengan kesalahan pengganggu pada periode t-1(sebelumnya) (Erlina dan Sri, 2007). Model regresi yang baik adalah regresi yang bebas dari autokorelasi. Untuk mendeteksi gejala autokorelasi kita menggunakan uji Durbin-Watson (DW). Uji ini menghasilkan nilai DW hitung (d) dan nilai DW tabel (dl & du). Pengujian autokorelasi dapat dilihat melalui angka Durbin-Watson pada Tabel 4.7 berikut ini.
Tabel 4.7
Hasil Uji Autokorelasi
Sumber : Lampiran v
Hasil uji autokorelasi di atas menunjukkan nilai statistik Durbin-Watson (DW) sebesar 1.894. Nilai ini akan dibandingkan dengan nilai
Model Summaryb Model R R Square Adjusted R Square Std. Error of the Estimate Durbin-Watson 1 .591a .349 .284 1.9530811 1.894 a. Predictors: (Constant), X4, X2, X1, X3 b. Dependent Variable: Y
tabel dengan menggunakan nilai signifikansi 5%, jumlah data pengamatan 45, dan jumlah variabel independen pada penelitian sebanyak 4 (k=4), maka di tabel Durbin Watson didapat nilai dU sebesar 1,720 dan nilai dL sebesar 1,3357. Nilai DW 1,894 terletak antara dU dan 4 – dU (1,720 < 1,894 < 2.280), maka keputusan tidak ada korelasi positif atau negatif. Jadi, dapat disimpulkan bahwa pada model regresi tidak terjadi autokorelasi.
d. Uji Heteroskedastisitas
Uji heteroskedastisitas bertujuan untuk menguji apakah dalam model regresi terjadi ketidaksamaan variabel dari residual satu pengamatan ke pengamatan yang lain (Erlina dan Sri, 2007). Model regresi yang baik adalah regresi yang bebas dari heteroskedastisitas. Hasil pengujian heteroskedastisitas dapat dilihat pada scatterplot pada gambar 4.3 berikut.
Gambar 4.3 Scatterplot Sumber: Lampiran vi
Dari scatterplot, terlihat titik-titik menyebar secara acak, tidak membentuk sebuah pola tertentu yang jelas, serta tersebar baik di atas maupun di bawah angka 0 pada sumbu Y. Hal ini berarti tidak terjadi heteroskedastisitas pada model regresi.
