BAB IV HASIL DAN PEMBAHASAN
4.2 Hasil Analisis
4.2.1 Uji Asumsi Klasik
Metode Analisis yang digunakan oleh peneliti adalah metode analisis regresi berganda. Analisis regresi berganda berguna untuk menguji pengaruh dari variabel Independen terhadap Variabel Dependen dalam suatu penelitian. Sebelum melakukan uji hipotesis penelitian ini, terlebih dahulu peneliti akan melakukan uji asumsi klasik, hal tersebut berguna untuk melihat apakah data telah terdistribusi dengan normal dengan uji normalitas, dan untuk melihat apakah penelitian tersebut terjadi multikolinearitas, heterokedastisitas dan autokorelasi atau tidak. Menurut Ghozali (2005:123) asumsi klasik harus memenuhi:
• berdistribusi normal,
• non-multikolinearitas, artinya antara variabel independen dalam model regresi tidak memiliki korelasi atau hubungan secara sempurna ataupun mendekati sempurna,
• non-Autokorelasi, artinya kesalahan pengganggu dalam model regresi tidak saling korelasi,
• heteroskedasitas, artinya variance variabel independen dari satu pengamatan kepengamatan yang lain adalah konstan atau sama.
4.2.1.1 Uji Normalitas
Uji normalitas berguna untuk melihat apakah data telah terdistribusi normal atau tidak. Uji normalitas dilakukan dengan model
kolgomorov-smirnov. Menurut Ghozali (2005:115) memberikan pedoman pengambilan keputusan rentang data mendekati atau merupakan distribusi normal berdasarkan uji Kolmogorov Smirnov yang dapat dilihat dari:
a) nilai sig. atau signifikan atau probabilitas <0,05 ,maka distribusi data adalah tidak normal,
b) nilai sig. atau signifikan atau probabilitas > 0,05 ,maka distribusi data adalah normal.
Hasil uji normalitas dengan menggunakan model Kolmogorov-Smirnov dapat dilihat pada Tabel 4.1 berikut ini:
Tabel 4.2 Uji Normalitas
One-Sample Kolmogorov-Smirnov Test
Unstandardized Residual
N 69
Normal Parametersa,,b Mean .0000000
Std. Deviation .21512663
Most Extreme Differences Absolute .087
Positive .046
Negative -.087
Kolmogorov-Smirnov Z .690
Asymp. Sig. (2-tailed) .727
a. Test distribution is Normal.
b. Calculated from data.
Bedasarkan hasil Uji Normalitas tabel 4.2 maka hasil yang di dapatkan adalah data terdistribusi secara normal karena dari hasil pengolahan data tersebut, besarnya nilai Kolmogorov-Smirnov adalah 0,690 dan signifikansinya
pada 0,727. Maka dapat disimpulkan bahwa data terdistribusi normal, karena 0,727 ˃ 0,05 dan dapat dilanjutkan dengan uji asumsi klasik lainnya.
Untuk lebih jelas, berikut ini turut dilampirkan grafik histogram, dan
normal probability plot yang terdistribusi normal.
Gambar 4.1 Uji Normalitas
Gambar 4.2 Uji Normalitas
Data yang telah terdistribusi normal dapat kita ketahui dengan melihat Histogram pada gambar 4.1, grafik histogram pada uji normalitas di atas dapat terlihat bahwa data terdistribusi mengikuti garis diagonal yang tidak menlenceng (Skewness) ke kiri maupun ke kanan. Data yang telah terdistribusi normal juga bisa diketahui dengan melihat grafik plot yang ditunjukkan pada gambar 4.2. Menurut Ghozali (2005:112) pendeteksian normalitas dapat dilakukan dengan melihat penyebaran data (titik) pada sumbu diagonal dari
grafik, yaitu jika data (titik) menyebar di sekitar garis diagonal dan mengikuti arah garis diagonal, hal ini menunjukkan data yang telah terdistribusi normal. Pada gambar 4.2 dapat terlihat bahwa penyebaran data (titik) menyebar di sekitar garis diagonal dan mengikuti arah garis diagonal, oleh sebab itu dapat diketahui bahwa data telah terdistribusi dengan normal.
4.2.1.2 Uji Multikolinearitas
Uji multikolineraitas dilakukan untuk melihat apakah antara variabel-variabel terdapat multikolinearitas atau tidak. Menurut ghozali (2005:91) Uji multikolinearitas dilakukan untuk menguji apakah pada model regresi ditemukan adanya korelasi antar variabel bebas. Untuk mendeteksi ada tidaknya gejala multikolinearitas adalah dengan melihat nilai tolerance dan
Variance Inflation Factor (VIF). Tolerence mengukur variabilitas variabel independen yang terpilih yang tidak dijelaskan oleh variabel independen lainnya. Jadi, nilai Tolerance yang rendah sama dengan nilai VIF yang tinggi (karena VIF = 1/tolerence). Nilai cutoff yang umum dipakai untuk menunjukkan adanya mutikolineritas adalah nilai Tolerence < 0,10 atau sama dengan VIF < 10 (Ghozali, 2005:91). Hasil pengujian terhadap multikolinearitas pada penelitian ini dapat dilihat pada tabel 4.3
Tabel 4.3 Uji Multikolinearitas Coefficientsa Model Unstandardized Coefficients Standardized Coefficients t Sig. Collinearity Statistics
B Std. Error Beta Tolerance VIF
1 (Constant) -.033 .222 -.148 .883 leverage -.029 .011 -.300 -2.502 .015 .917 1.090 Kepemilikan instutisional .555 .171 .390 3.244 .002 .912 1.096 Proporsi Dewan Komisaris Independen .229 .261 .101 .877 .384 .991 1.009 Komite audit -.013 .144 -.011 -.092 .927 .860 1.163
a. Dependent Variable: Manajemen laba
Berdasarkan data olahan SPSS diatas, dapat diketahui bahwa data penelitian ini tidak terjadi multikolinearitas. Hal tersebut dapat diketahui bahwa tidak ada satupun variabel Independen yang memiliki VIF di atas 10 ataupun
Tolerance dibawah 0,1. Dari hasil uji multikolineraitas ini di dapatkan bahwa nilai VIF untuk Leverage adalah 1,090< 10 dan nilai Tolerance sebesar 0,917 > 0,1. Nilai VIF untuk kepemilikan instutisional adalah 1,096 < 10 dan nilai
Tolerance sebesar 0,912 > 0,1. Nilai VIF untuk proporsi dewan komisaris independen adalah 1,009 < 10 dan nilai Tolerance sebesar 0,991 > 0,1. Nilai VIF untuk komite audit adalah 1,163 < 10 dan nilai Tolerance sebesar 0,860 > 0,1. Kesimpulan dari Uji Multikolinearitas ini adalah bahwa semua variabel independen telah lolos dari Uji multikolinearitas.
4.2.1.3 Uji Heterokedastisitas
Menurut Ghozali (2005:105) Uji Heteroskedastisitas bertujuan untuk menguji apakah dalam model regresi terjadi ketidaksamaan varians dari residual satu pengamatan ke pengamatan yang lain. Model regresi yang baik adalah model regresi yang tidak terjadi heterokedastisitas. Cara untuk menentukan ada atau tidaknya heterokedastisitas adalah dengan melihat grafik scatterplot pada gambar 4.3. Dasar pengambilan keputusannya menurut Ghozali (2005:105) adalah sebagai berikut:
1. jika ada pola tertentu, seperti titik-titik yang ada membentuk pola tertentu yang teratur maka mengindikasikan telah terjadi heterokedasitas,
2. jika tidak ada pola yang jelas, serta titik menyebar dibawah angka o dan sumbu y, maka tidak terjadi heterokedasitas.
Berikut ini peneliti menampilkan grafik scatterplot untuk melihat hasil uji
Gambar 4.3 Uji Heteroskedisitas
Pada gambar 4.3 pada grafik Scatterplot diatas dapat terlihat bahwa titik (data) menyebar secara acak dan tidak terlihat suatu pola tertentu, dan pada grafik scatterplot diatas juga dapat terlihat bahwa tidak tersebar diatas maupun dibawah sumbu y dan angka 0. Oleh karena itu dapat disimpulkan bahwa tidak terjadi heterokedastisitas di dalam penelitian ini, dan model regresi ini layak dipakai dalam penelitian.
1.2.1.4 Uji Autokorelasi
Untuk mengetahui terjadi atau tidak terjadinya suatu autokorelasi dapat diketahui dengan melihat nilai Durbin-Watson (DW). Menurut Sugiyono (2001:76) mengemukakan bahwa terjadinya Autokorelasi jika nilai Durbin-Watson (DW) memiliki nilai lebih dari 5, atau Durbin-Watson (DW) > 5.
Berikut ini peneliti menampilkan hasil Uji Autokorelasi pada Tabel 4.4 :
Tabel 4.4 UjiAutokorelasi Model Summaryb Model R R Square Adjusted R Square Std. Error of
the Estimate Durbin-Watson
1 .486a .236 .183 .22242 1.205
a. Predictors: (Constant), Komite audit, Proporsi Dewan Komisaris Independen, leverage, Kepemilikan instutisional
b. Dependent Variable: Manajemen laba
Bedasarkan Tabel 4.4 tentang Uji Autokorelasi memperlihatkan bahwa nilai Durbin-Watson (DW) adalah 1.205 < 5. Oleh karena itu, dapat dikemukakan bahwa tidak terjadi Autokorelasi dalam penelitian ini.