BAB IV HASIL PENELITIAN DAN PEMBAHASAN
4.2 Uji Asumsi Klasik
Uji normalitas bertujuan untuk menguji apakah dalam model regresi, variabel pengganggu atau residual memiliki distribusi normal.
Dalam penelitian ini, uji normalitas terhadap residual dengan menggunakan uji Kolmogorov-Smirnov. Tingkat signifikansi yang digunakan 𝛼 = 0,05. Dasar pengambilan keputusan adalah melihat angka probabilitas 𝑝, dengan ketentuan sebagai berikut.
o Jika nilai probabilitas ≥ 0,05, maka asumsi normalitas terpenuhi.
o Jika nilai probabilitas < 0,05, maka asumsi normalitas tidak terpenuhi.
Tabel 4.2 Uji Normalitas
One-Sample Kolmogorov-Smirnov Test
Unstandardized Residual
N 60
Normal Parametersa,,b Mean .0000000
Std. Deviation 2.11655645E2
Most Extreme Differences Absolute .257
Positive .191
Negative -.257
Kolmogorov-Smirnov Z 1.994
Asymp. Sig. (2-tailed) .001
a. Test distribution is Normal.
b. Calculated from data.
Sumber: hasil olahan software SPSS
Berdasarkan Tabel 4.2, diketahui nilai probabilitas p atau Asymp.
Sig. (2-tailed) sebesar 0,001. Karena nilai probabilitas p, yakni 0,001, lebih kecil dibandingkan tingkat signifikansi, yakni 0,05. Hal ini berarti asumsi normalitas tidak terpenuhi.
Untuk memperoleh hasil terbaik, maka data pencilan atau outlier yang ada dihilangkan. Outlier adalah data yang memiliki karakteristik unik yang terlihat sangat berbeda jauh dari observasi-obsevasi lainnya dan muncul dalam bentuk nilai ekstrim baik untuk sebuah variabel tunggal atau variabel kombinasi. Untuk mengurangi pengaruh ketidaknormalan, maka data outlier dieliminasi. Setelah data outlier dihilangkan, maka data yang semula 60 dieliminasi menjadi 50. Hasil pengujian normalitas yang kedua diperlihatkan dalam Tabel 4.3.
Tabel 4.3
Uji Normalitas setelah Data Menyimpang/Outlier Dihapus
One-Sample Kolmogorov-Smirnov Test
Unstandardized Residual
N 50
Normal Parametersa,,b Mean .0000000
Std. Deviation 74.86450013
Most Extreme Differences Absolute .172
Positive .172
Negative -.146
Kolmogorov-Smirnov Z 1.217
Asymp. Sig. (2-tailed) .103
a. Test distribution is Normal.
b. Calculated from data.
Sumber: hasil olahan software SPSS
Berdasarkan Tabel 4.3, nilai probabilitas atau Asymp. Sig (2-tailed) adalah 0,103. Oleh karena nilai probabilitas, yakni 0,103 lebih besar dibandingkan tingkat signifikansi, yakni 0,05, maka asumsi normalitas terpenuhi. Pengujian asumsi normalitas dapat juga digunakan pendekatan analisis grafik, histogram. Untuk pendekatan histogram, jika kurva berbentuk kurva normal, maka asumsi normalitas dipenuhi. Pada pendekatan normal probability plot, jika titik-titik (dots) menyebar jauh (menyebar berliku-liku pada garis diagonal seperti ular) dari garis diagonal, maka diindikasi asumsi normalitas error tidak dipenuhi. Jika titik-titik menyebar sangat dekat pada garis diagonal, maka asumsi normalitas dipenuhi.
Gambar 4.1
Histogram untuk Pengujian Asumsi Normalitas
Sumber: hasil olahan software SPSS
Gambar 4.2
Normalitas dengan Normal Probability Plot
Sumber: hasil olahan software SPSS
Berdasarkan Gambar 4.1 dapat dilihat bahwa kurva pada histogram berbentuk kurva normal, sehingga disimpulkan bahwa asumsi normalitas dipenuhi. Di samping itu pada normal probability plot (Gambar 4.2), titik-titik menyebar cukup dekat pada garis diagonal, maka disimpulkan bahwa asumsi normalitas dipenuhi.
4.2.2 Uji multikolinieritas
Uji multikolinearitas merupakan uji yang menentukan ada tidaknya hubungan linear antara variabel independen dengan variabel independen lainnya. Gejala multikolinieritas dapat dilihat dari besarnya nilai Tolerance dan VIF (Variance Inflation Factor), kedua ukuran ini menunjukkan setiap
variabel independen manakah yang dijelaskan oleh variabel independen lainnya, Tolerance adalah mengukur variabilitas variabel independen yang terpilih yang tidak dijelaskan variabel independen lainnya. Nilai yang dipakai untuk Tolerance> 0,1, dan VIF < 5, maka tidak terjadi multikolinieritas.
Hasil uji multikolinearitas dalam penelitian ini dapat dilihat dalam tabel di bawah ini.
Sumber: hasil olahan software SPSS
Berdasarkan Tabel 4.4, nilai VIF dari variabel persistensi laba adalah 1,906 dan nilai VIF dari variabel income smoothing adalah 1,906.
Nilai Tolerance dari persistensi laba adalah 0,525 dan income smoothing adalah 0,525. Karena nilai VIF < 5 dan nilai Tolerance > 0,1, maka tidak terdapat gejala multikolinearitas.
4.2.3 Uji heterokedastisitas
Deteksi ada tidaknya heteroskedastisitas dapat dilakukan dengan melihat ada tidaknya pola tertentu pada grafik scatter plot antara SRESID pada sumbu Y, dan ZPRED pada sumbu X. Jika ada pola tertentu, seperti
titik-titik yang ada membentuk pola tertentu yang teratur (bergelombang, melebar, kemudian menyempit), maka mengindikasikan telah terjadi heteroskedastisitas. Jika tidak ada pola yang jelas, serta titik-titik menyebar di atas dan di bawah angka 0 pada sumbu Y, maka tidak terjadi heteroskedastisitas.
Gambar 4.3
Pengujian Heteroskedastisitas Scatterplot
Sumber: hasil olahan software SPSS
Berdasarkan Gambar 4.3, tidak terdapat pola yang begitu jelas, serta titik-titik menyebar di atas dan di bawah angka 0 pada sumbu Y, maka tidak terjadi heteroskedastisitas.
Deteksi ada tidaknya heteroskedastisitas dapat dilakukan dengan Uji Glejser. Dasar pengambilan keputusan adalah melihat angka probabilitas dari statistik uji Glejser, dengan ketentuan sebagai berikut.
3) Jika koefisien signifikansi (nilai probabilitas) ≥ 0,05, maka tidak terjadi heteroskedastisitas.
4) Jika koefisien signifikansi (nilai probabilitas) < 0,05, maka terjadi heteroskedastisitas.
Tabel 4.5
Uji Heteroskedastisitas dengan Uji Glejser
Coefficientsa
Sumber: hasil olahan software SPSS
Berdasakan Tabel 4.5, nilai probabilitas dari koefisien regresi X1 dan X2 masing-masing adalah 0,560 dan 0,800. Hal ini tidak terjadi heteroskedastisitas.
4.2.4 Uji autokorelasi
Asumsi mengenai independensi terhadap residual (non-autokorelasi) dapat diuji dengan menggunakan uji Durbin-Watson. Nilai statistik dari uji Durbin-Watson berkisar di antara 0 dan 4. Nilai statistik
a. Predictors: (Constant), Income Smoothing, Persistensi Laba b. Dependent Variable: ERC
Sumber: hasil olahan software SPSS
Berdasarkan Tabel 4.6, nilai dari statistik Durbin-Watson adalah 1,966. Nilai statistik Durbin-Watson terletak di antara 1 dan 3, maka asumsi non-autokorelasi terpenuhi. Dengan kata lain, tidak terjadi gejala autokorelasi yang tinggi pada residual.
4.3 Uji Analisis Regresi Linier Berganda
Analisis linier berganda dilakukan dengan tujuan untuk mengetahui seberapa besar pengaruh variabel independen (persistensi laba dan income smoothing) terhadap variabel dependen, yaitu earnings response coefficient.
Tabel 4.7
Analisis Regresi Linier Berganda
Model
Unstandardized Coefficients
Standardized Coefficients
t Sig.
B Std. Error Beta
1 (Constant) 32.532 12.838 2.534 .015
Persistensi Laba .407 1.316 .062 .309 .759
Income Smooting -1.013 2.512 -.081 -.403 .688
Sumber: hasil olahan software SPSS
Berdasarkan Tabel 4.7, diperoleh persamaan regresi linier berganda sebagai berikut:
𝐸𝑅𝐶 = 32,532 + 0,407𝑃𝑒𝑟𝑠𝑖𝑠𝑡𝑒𝑛𝑠𝑖 𝐿𝑎𝑏𝑎 − 1,013𝐼𝑛𝑐𝑜𝑚𝑒 𝑆𝑚𝑜𝑜𝑡ℎ𝑖𝑛𝑔 + 𝑒 Berdasarkan persamaan tersebut digambarkan sebagai berikut:
a. Konstanta (a) sebesar 32,532 menunjukkan apabila tidak ada variabel independen (persistensi laba dan income smoothing), maka earnings response coefficient = 32,532.
b. Koefisien regresi persistensi laba sebesar 0,407 menunjukkan bahwa jika setiap persistensi laba meningkat sebesar 1%, maka ERC akan meningkat sebesar 0,407.
c. Koefisien regresi income smoothing sebesar -1,013 menunjukkan bahwa jika setiap income smoothing meningkat sebesar 1%, maka ERC akan menurun sebesar 1,013.
4.4 Uji Hipotesis
4.4.1 Analisis korelasi
Korelasi merupakan suatu nilai yang mengukur keeratan hubungan linear antar variabel. Dengan kata lain, mengukur linearitas dari sebaran data. Nilai dari korelasi berkisar antara -1 dan 1. Korelasi dengan nilai positif (𝑟 > 0) dapat diinterpretasikan sebagai jika nilai dari variabel independen meningkat, maka nilai dari variabel dependen cenderung meningkat. Koefisien korelasi dengan nilai negatif (𝑟 < 0) dapat diinterpretasikan sebagai jika nilai dari variabel independen meningkat, maka nilai dari variabel dependen cenderung mengalami penurunan. Nilai koefisien korelasi mendekati 0 (𝑟 ≅ 0) menyatakan hubungan keeratan (linear) yang sangat lemah antara variabel independen dan variabel dependen (data menyebar secara tidak teratur).
Gambar 4.4 Nilai Korelasi
𝑟 > 0
𝑟 < 0
𝑟 ≅ 0
Gambar 4.5
Grafik Sebaran Data Antara Persistensi Laba dengan ERC
Gambar 4.6
Grafik Sebaran Data Antara Income Smoothing dengan ERC
Tabel 4.8 Analisis Korelasi
Correlations
ERC Persistensi Laba Income Smoothing
ERC Pearson Correlation 1 .117 -.123
Sig. (2-tailed) .417 .394
N 50 50 50
Persistensi Laba Pearson Correlation .117 1 -.690**
Sig. (2-tailed) .417 .000
N 50 50 50
Income Smoothing Pearson Correlation -.123 -.690** 1
Sig. (2-tailed) .394 .000
N 50 50 50
**. Correlation is significant at the 0.01 level (2-tailed).
Berdasarkan Gambar 4.5, sebaran data antara persistensi laba dan ERC cenderung menyebar secara positif, yakni data menyebar dari kiri bawah, ke kanan atas. Hal ini juga dapat dilihat dari garis regresi yang bergerak dari kiri bawah ke kanan atas. Berdasarkan analisis korelasi Tabel 4.8, diketahui nilai korelasi antara persistensi laba dan ERC adalah 0,117. Nilai korelasi yang bernilai positif berarti hubungan antara persistensi laba dan ERC bersifat positif.
Berdasarkan Gambar 4.6, sebaran data antara income smoothing dan ERC cenderung menyebar secara negatif, yakni data menyebar dari kiri atas, ke kanan bawah. Hal ini juga dapat dilihat dari garis regresi yang bergerak dari kiri atas ke kanan bawah. Berdasarkan analisis korelasi Tabel 4.8, diketahui nilai korelasi antara income smoothing dan ERC
adalah -0,123. Nilai korelasi yang bernilai negatif berarti hubungan antara income smoothing dan ERC bersifat negatif.
4.4.2 Uji koefisien determinasi
Nilai koefisien determinasi (R2) mencerminkan seberapa besar variasi dari variabel dependen dapat diterangkan oleh variabel independen. Koefisien determinasi berkisar antara nol sampai satu (0≤
R² ≥1). Nilai koefisien determinasi 𝑅2 yang kecil (mendekati nol) berarti kemampuan variabel-variabel independen secara simultan dalam menerangkan variasi variabel dependen amat terbatas. Nilai koefisien determinasi 𝑅2 yang mendekati 1 berarti variabel-variabel independen memberikan hampir semua informasi yang dibutuhkan untuk memprediksi variasi variabel dependen.
Tabel 4.9 Koefisien Determinasi
Model R R Square Adjusted R Square
1 .131a .017 -.025
Sumber: hasil olahan software SPSS Berdasarkan tabel 4.9, dapat disimpulkan bahwa:
a. Nilai R sebesar 0,131 menunjukkan bahwa hubungan antara variabel persistensi laba (X1) dan income smoothing (X2) terhadap ERC (Y) sangat rendah, yaitu sebesar 13,1%.
b. Nilai R2 sebesar 0,017 berarti 1,7% variabel ERC (Y) dapat dijelaskan variabel persistensi laba (X1) dan income smoothing (X2).
Sedangkan sisanya sebesar 98,3% dapat dijelaskan oleh variabel-variabel lain yang tidak diteliti dalam penelitian ini.
4.4.3 Uji signifikansi simultan (Uji F)
Uji signifikansi simultan (Uji F) digunakan untuk mengetahui apakah variabel independen di dalam penelitian secara bersama-sama atau simultan mempengaruhi variabel dependen. Untuk melihat pengaruhnya dari nilai signifikansi F. Apabila nilai signifikansi F < 0,05 maka ada pengaruh variabel independen secara bersama-sama atau simultan terhadap variabel dependen, dan sebaliknya apabila nilai signifikansi F > 0,05 maka tidak ada pengaruh variabel independen secara bersama-sama atau simultan terhadap variabel dependen.
Pengambilan keputusan juga dapat dilakukan dengan membandingkan nilai F hitung dan F tabel . Jika nilai F hitung ≤ F tabel maka tidak ada pengaruh variabel independen secara simultan terhadap variabel dependen, dan sebaliknya jika nilai F hitung > F tabel maka ada pengaruh variabel independen secara simultan terhadap variabel dependen.
Tabel 4.10
Uji Signifikansi Simultan (Uji F)
ANOVAb
Model Sum of Squares Df Mean Square F Sig.
1 Regression 4791.782 2 2395.891 .410 .666a
Residual 274629.976 47 5843.191
Total 279421.758 49
a. Predictors: (Constant), Income Smoothing, Persistensi Laba b. Dependent Variable: ERC
Gambar 4.7
Nilai Ftabel Menggunakan Microsoft Excel
Berdasarkan Tabel 4.10 dan Gambar 4.7, diketahui bahwa nilai Fhitung < Ftabel, yaitu 0,410 < 3,195 dan nilai signifikansi F > nilai signifikansi (0,666 > 0,05). Maka disimpulkan bahwa pengaruh simultan variabel bebas (persistensi laba dan income smoothing) terhadap ERC tidak signifikan secara statistik.
4.4.4 Uji Signifikansi Parsial (Uji t)
Pengujian ini dilakukan untuk mengetahui seberapa jauh pengaruh suatu variabel bebas secara parsial (individual) terhadap variasi variabel terikat. Kriteria pengujiannya adalah:
a) Jika nilai signifikansi t > 0,05 maka secara parsial variabel independen tidak memiliki pengaruh yang signifikan terhadap variabel dependen.
b) Jika nilai signifikansi t < 0,05 maka secara parsial variabel independen memiliki pengaruh yang signifikan terhadap variabel dependen.
Kriteria yang lain dengan membandingkan nilai thitung dengan ttabel
adalah:
a. Jika nilai thitung ≤ ttabel maka tidak ada pengaruh yang signifikan dari variabel independen terhadap variabel dependen.
b. Jika nilai thitung > ttabel maka ada pengaruh yang signifikan dari variabel independen terhadap variabel dependen.
Hasil pengujian adalah :
Tingkat kesalahan (α) = 5% dan derajat kebebasan (df) = (n-k) n = jumlah sampel, n = 50
k = jumlah variabel yang digunakan, k = 3
Derajat kebebasan / degree of freedom (df) =(n-k) = 50 - 3 = 47.
Gambar 4.8
Menentukan Nilai ttabel Menggunakan Microsoft Excel
Tabel 4.11
Uji Signifikansi Parsial (Uji t)
Model
Unstandardized Coefficients
Standardized Coefficients
t Sig.
B Std. Error Beta
1 (Constant) 32.532 12.838 2.534 .015
Persistensi Laba .407 1.316 .062 .309 .759
Income Smooting -1.013 2.512 -.081 -.403 .688
Berdasarkan Gambar 4.8 dan Tabel 4.11 dapat dilihat bahwa:
a. Pengaruh Persistensi Laba (X1) terhadap ERC (Y)
Nilai signifikansi variabel persistensi laba sebesar 0,759 > 0,05. Nilai thitung < ttabel (0,309 < 2,0117). Dapat disimpulkan bahwa pengaruh parsial persistensi laba terhadap ERC tidak signifikan secara statistik.
b. Pengaruh Income Smoothing terhadap ERC (Y)
Nilai signifikansi variabel income smoothing sebesar 0,688 > 0,05.
Nilai thitung < ttabel (-0,403 < 2,0117). Dapat disimpulkan bahwa pengaruh parsial income smoothing terhadap ERC tidak signifikan secara statistik.
4.5 Pembahasan
Berdasarkan analisis korelasi, nilai korelasi antara persistensi laba dan ERC adalah 0,117. Nilai korelasi yang bernilai positif berarti hubungan antara persistensi laba dan ERC bersifat positif. Koefisien regresi persistensi laba sebesar 0,407, menunjukkan bahwa jika setiap persistensi laba meningkat sebesar 1%, maka ERC akan meningkat sebesar 0,407.
Berdasarkan uji t, nilai signifikansi variabel persistensi laba sebesar 0,759 >
0,05 dan nilai thitung < ttabel (0,309 < 2,0117). Hasil penelitian ini menunjukkan bahwa pengaruh parsial persistensi laba terhadap ERC tidak signifikan secara statistik.
Berdasarkan analisis korelasi, nilai korelasi antara income smoothing dan ERC adalah -0,123. Nilai korelasi yang bernilai negatif berarti hubungan antara income smoothing dan ERC bersifat negatif. Koefisien regresi income smoothing sebesar -1,013, menunjukkan bahwa jika setiap income smoothing meningkat sebesar 1%, maka ERC akan menurun sebesar 1,013. Berdasarkan
uji t, nilai signifikansi variabel income smoothing sebesar 0,688 > 0,05 dan nilai thitung < ttabel (-0,403 < 2,0117). Dapat disimpulkan bahwa pengaruh parsial income smoothing terhadap ERC tidak signifikan secara statistik.
Berdasarkan uji F, nilai Fhitung < Ftabel, yaitu 0,410 < 3,195 dan nilai Fhitung > nilai signifikansi (0,410 > 0,05). Maka disimpulkan bahwa pengaruh simultan variabel bebas (persistensi laba dan income smoothing) terhadap ERC tidak signifikan secara statistik. Nilai R2 sebesar 0,017 menunjukkan bahwa hubungan antara persistensi laba dan income smoothing dengan ERC dangat rendah, yaitu sebesar 1,7%. Sedangkan sisanya sebesar 98,3% dapat dijelaskan oleh variabel-variabel lain yang tidak diteliti dalam penelitian ini.
BAB V
KESIMPULAN DAN SARAN
5.1 Kesimpulan
Berdasarkan hasil analisis data yang telah dijelaskan pada bab sebelumnya, maka dapat diperoleh kesimpulan sebagai berikut:
1) Berdasarkan hasil analisis korelasi, nilai korelasi antara persistensi laba dan ERC adalah 0,117 yang berarti hubungan antara persistensi laba dan ERC bersifat positif. Sedangkan nilai korelasi antara income smoothing dan ERC adalah -0,123 yang berarti hubungan antara income smoothing dan ERC bersifat negatif.
2) Pada hasil analisis koefisien determinasi diperoleh nilai R2 sebesar 0,017 yang berarti 1,7% variabel ERC dapat dijelaskan oleh variabel persistensi laba dan income smoothing. Sedangangkan sisanya sebesar 98,3% dapat dijelaskan oleh variabel-variabel lain yang tidak diteliti dalam penelitian ini.
3) Berdasarkan hasil uji F, pengaruh simultan variabel persistensi laba dan income smoothing terhadap ERC tidak signifikan secara statistik.
4) Berdasarkan hasil uji t, variabel persistensi laba dan income smoothing tidak berpengaruh secara parsial terhadap ERC.
5.2 Keterbatasan Penelitian
Penelitian ini memiliki keterbatasan, antara lain sebagai berikut:
1) Sampel yang digunakan dalam penelitian ini hanya perusahan manufaktur sektor consumer goods.
2) Periode penelitian hanya dalam periode 2013-2014.
3) Penelitian ini hanya menggunakan dua variabel independen, yaitu persistensi laba dan income smoothing.
5.3 Saran
Berdasarkan kesimpulan yang telah dijelaskan sebelumnya, maka beberapa saran bagi penelitian selanjutnya, yaitu:
1) Penelitian selanjutnya diharapkan menggunakan variabel-variabel lainnya, seperti struktur modal, kualitas laba, ukuran perusahaan, pertumbuhan perusahaan, atau variabel lainnya.
2) Penelitian selanjutnya diharapkan menggunakan sektor lain atau berbagai sektor perusahaan yang terdaftar di Bursa Efek Indonesia.
DAFTAR PUSTAKA
Ahn, Hong-Bok dan Gee-Jung Kwon, 2010. “Earnings Persistence and Market Reaction: Evidence from Korea”, International Journal of Business and Management, Volume 5, No. 10
Andreas, Hans Hananto, 2012. “Spesialisasi Industri Auditor Sebagai Prediktor Earnings Response Coefficient Perusahaan Publik yang Terdaftar di Bursa Efek Indonesia”, Jurnal Akuntansi dan Keuangan, Vol. 14, No. 2, hal 68-80
Beaver, William. H, 1968. “The Information Content of Annual Earnings Announcements”, Journal of Accounting Research, Volume 6, Empirical Research in Accounting; Selected Studies 1968, pp 67-92
Ball, Ray and Philip Brown, 1968. “An Empirical Evaluation of Accounting Numbers”, Journal of Accounting Research, Vol. 6, Issue 2, pp. 159-78.
Cho, Jang Youn dan Kooyul Jung, 1991. “Earnings Response Coefficient: A Synthesis of Theory and Empirical Evidence”. Journal of Accounting Literature, Vol. 10, pp. 85-116
Collins, D. W. dan S.P. Kothari, 1989. “An Analysis of Intertemporal And Cross-Sectional Determinants of Earnings Response Coefficients”, Journal Of Accounting And Economics, Vol. 1,hal 143-182
Dhaliwal, Dan S. dan Stanley S. Reynolds, 1994. “The Effect of the Default of Debt on the Earnings Response Coefficient”, The Accounting Review, Vol.
69, No. 2, pp. 412-419
Diantimala, Yossi, 2008. “Pengaruh Akuntansi Konservatif, Ukuran Perusahaan, dan Default Risk terhadap Koefisien Respon Laba (ERC)”, Jurnal Telaah dan Riset Akuntansi, Vol. 1, No. 1, Hal. 102-122
Eckel, Norm. 1981. "The Income Smoothing Hypothesis Revisited". ABACUS, Vol. 17, No. 1.
Harahap, Khairunnisa, 2004. “Asosiasi Antara Praktek Perataan Laba dengan Koefisien Respon Laba”, Simposium Nasional Akuntansi VII, Hal.1164-1176.
Koch, Bruce S., 1981. “Income Smoothing: An Experiment”, The Accounting Review, Vol LVI No. 3
Kormendi, Roger. dan Robert Lipe, 1987. “Earnings Innovation, Earnings Persistence And Stock Return”, Journal of Bussiness, hal 323-345
Lumbantobing, R. dan Rizka I. A., 2012.” Efek Perubahan Rasio Hutang pada Faktor-Faktor yang Memengaruhi Earnings Response Coefficient
Perusahaan-Perusahaan Bukan Tergolong Industri Sektor Jasa Keuangan yang Terdaftar di Bursa Efek Indonesia Periode Tahun 2000-2009”, Akuntansi Keuangan, Vol. 1
Moses, 0. Douglas. 1987. “1ncome Smoothing and Incentives : Empirical Test Using Accounting Change”. The Accounting Review. Vol. LXII, pp358-377.
Mulyani, Sri, Nur F. Asyik, dan Andayani, 2007. “Faktor-Faktor yang Mempengaruhi Earnings Response Coefficient pada Perusahaan yang Terdaftar di Bursa Efek Jakarta”, Jurnal Akuntansi dan Auditoring Indonesia,Vol. 11, No. 1, hal.35-45.
Naimah, Zahroh dan Siddharta Utama, 2006. “Pengaruh Ukuran Perusahaan, Pertumbuhan, dan Profitabilitas Perusahaan terhadap Koefisien Respon Laba dan Koefisien Nilai Buku Ekuitas”, Simposium Nasional Akuntansi IX.
Ngadiman dan Yurike Hartini, 2011. “Pengaruh Ukuran Perusahaan, Persistensi Laba Akuntansi, Struktur Modal dan Variabel Indikator Terhadap Koefisien Respon Laba Akuntansi Perusahaan Yang Terdaftar di BEI Untuk Tahun 2009”, Jurnal Akuntansi, Volume 11, Nomor 2, hal 491-512 Penman, S.H. dan X. J. Zhang, 2002. “Accounting Conservatism, The Quality of
Earnings, and Stock Return”, The Accounting Review, Vol. 77, No. 2 Sandi, Umam Khoerul, 2013. “Faktor-Faktor yang Mempengaruhi Earnings
Response Coefficient”, Accounting Analysis Journal 2, hal 337-344
Scott, William R., 2003. Financial Accounting Theory, 3rd Edition, Pearson Education Canada Inc., Toronto, Ontario.
Subekti, Imam, 2005. “Asosiasi Antara Praktik Perataan Laba dan Reaksi Pasar Modal di Indonesia”. Simposium Nasional Akuntansi VIII, 15-16 September. Solo.
Susanto, Yulius Kurnia. 2012. “Determinan Koefisien Respon Laba”. Jurnal Akuntansi dan Manajemen Vol. 23, Nomor 3, Yogyakarta
Syafrudin, 2004. “Pengaruh Ketidaktepatan Waktu Penyampaian Laporan Keuangan pada Earnings Response Coefficient: Studi Pada Bursa Efek Jakarta”, Simposium Nasional Akuntansi VII, Hal 754-776
Teoh, Siew Hong and T. J. Wong, 1994. “Perceived Auditor Quality and The Earnings Response Coefficient”, The Accounting Review, pp. 346-366 Yuarta, Firent, 2005. “Pengaruh Praktik Perataan Laba Terhadap Earnings
Response Coefficient : Studi Kasus Perusahaan Manufaktur Yang Listed
Di Bursa Efek Jakarta (BEJ)”. Skripsi. Fakultas Ekonomi Universitas Katolik Soegijapranata Semarang.
Wang, Zhemin dan Thomas H. Williams, 1994. "Accounting Income Smoothing and Stockholder Wealth". Journal of Applied business Research, Vol. 10
LAMPIRAN
Lampiran 1 Data Persistensi Laba
No. Kode Perusahaan
Persistensi Laba 2012 2013 2014
1 ADES -9.93 -0.48 0.89
2 CEKA -0.57 -0.18 -3.58
3 DLTA -0.29 -74.78 0.15
4 ICBP 0.91 -0.22 -6.27
5 INDF -0.12 12.14 -1.27
6 MYOR -16.14 1.03 -2.24
7 ROTI 2.06 0.27 3.45
8 SKLT 1.74 1.75 1.45
9 ULTJ -0.73 0.04 1.48
10 GGRM -1.20 -0.35 3.21
11 HMSP 1.14 0.46 -0.73
12 DVLA 2.79 -0.83 1.94
13 KAEF 1.01 0.31 1.99
14 KLBF 1.41 0.77 0.77
15 MERK -1.10 -0.55 0.09
16 PYFA 0.14 6.53 -3.99
17 TSPC 0.53 0.07 -16.15
18 MBTO 0.49 -10.25 0.45
19 TCID 1.20 0.95 1.45
20 KICI -0.66 2.72 -0.53
Lampiran 2 Data Income Smoothing
No Kode 2012 2013 2014 Indeks Eckel
CV ∆I CV ∆S CV ∆I CV ∆S CV ∆I CV ∆S 2012 2013 2014 1 ADES 0.8170 0.3745 0.3495 0.7451 0.0589 0.4932 2.18 0.47 0.12 2 CEKA 0.2749 0.6387 0.6990 0.8494 0.5632 0.0925 0.43 0.82 6.09 3 DLTA 0.5564 0.8114 0.9736 0.0290 0.7452 0.8470 0.69 33.58 0.88 4 ICBP 0.0494 0.2509 0.6405 0.1795 0.7248 0.1866 0.20 3.57 3.88 5 INDF 0.7899 0.2485 0.8477 0.1003 0.1187 0.1903 3.18 8.45 0.62 6 MYOR 0.8833 0.3569 0.0154 0.1757 0.3833 0.1760 2.47 0.09 2.18 7 ROTI 0.3455 0.3047 0.5786 0.0907 0.5503 0.0871 1.13 6.38 6.32 8 SKLT 0.2694 0.3083 0.2730 0.4853 0.1835 0.1822 0.87 0.56 1.01 9 ULTJ 0.1572 0.5224 0.9177 0.0420 0.1921 0.1751 0.30 21.83 1.10 10 GGRM 0.0895 0.2604 0.4766 0.0543 0.5248 0.2068 0.34 8.78 2.54 11 HMSP 0.0670 0.1847 0.3655 0.2422 0.1563 0.1944 0.36 1.51 0.80 12 DVLA 0.4722 0.7227 0.0955 0.8584 0.3200 0.7400 0.65 0.11 0.43 13 KAEF 0.0048 0.0804 0.5210 0.4161 0.3306 0.5604 0.06 1.25 0.59 14 KLBF 0.1692 0.5982 0.1269 0.0705 0.1292 0.2678 0.28 1.80 0.48 15 MERK 0.0466 0.8309 0.2917 0.8325 0.8364 0.3671 0.06 0.35 2.28 16 PYFA 0.7547 0.4293 0.7343 0.2366 0.5988 0.3055 1.76 3.10 1.96 17 TSPC 0.3047 0.1361 0.8712 0.5828 0.8834 0.4915 2.24 1.49 1.80 18 MBTO 0.3460 0.0843 0.8222 0.0486 0.3785 0.4351 4.11 16.92 0.87 19 TCID 0.0920 0.0228 0.0279 0.0529 0.1834 0.2266 4.04 0.53 0.81 20 KICI 0.2083 0.0386 0.4617 0.2633 0.3103 0.0364 5.40 1.75 8.52
Lampiran 3 Data ERC
NO Kode ERC
2012 2013 2014
1 ADES -9.9344 -3.9506 -10.4191
2 CEKA -7.7293 9.5116 -3.3467
3 DLTA -869.3087 -2.3973 41.8330 4 ICBP 313.0038 -12.6665 4.8096 5 INDF 98.9665 197.1359 30.1525 6 MYOR 167.2440 43.2703 -19.0678 7 ROTI 481.6078 405.4818 115.1442
8 SKLT -0.1818 0.0114 -0.0511
9 ULTJ 44.7209 -132.6637 -222.6712 10 GGRM -15.9844 71.4875 29.9035 11 HMSP 3.1153 -375.9307 -116.5288 12 DVLA 1.0777 -54.2679 -14.4146 13 KAEF 123.1072 61.3595 213.2423 14 KLBF -5.4554 73.5180 265.4749 15 MERK -24.1776 17.3241 219.4136 16 PYFA 228.9463 10.4110 -10.4876 17 TSPC 28.4444 885.6972 -42.8005 18 MBTO 20.5203 3.7938 -22.1912 19 TCID 281.2903 69.5479 318.2023 20 KICI 28.5047 -12.6828 -22.5023