BAB IV METODE PENELITIAN
4.5. Teknik Analisis Data
4.5.2. Uji Asumsi Klasik
Analisis regresi berganda perlu dilakukan pengujian asumsi klasik sebagai persyaratan dalam analisis agar data dapat bermakna dan bermanfaat. Pengujian asumsi klasik yang digunakan dalam penelitian ini meliputi uji normalitas, uji multikolinearitas, uji autokorelasi, dan uji heteroskedastisitas.
1. Uji Normalitas
Uji normalitas bertujuan untuk menguji apakah dalam model regresi variabel terikat dan variabel bebas serta variabel moderating mempunyai distribusi normal atau tidak normal. Uji normalitas yang digunakan dalam penelitian ini dengan menggunakan metode Kolmogorov-Smirnov Test. Apabila nilainya lebih besar dari 5% maka data berdistribusi normal sedangkan apabila tingkat signifikannya lebih kecil dari 5% maka data tidak berdistribusi normal (Ghozali, 2013). Dalam penelitian ini, uji normalitas terhadap residual dengan menggunakan uji Jarque-Bera (J-B), dengan tingkat signifikansi yang digunakan adalah α=0,05. Dasar pengambilan keputusan adalah melihat angka probabilitas dari statistik J-B, dengan ketentuan sebagai berikut.
Jika nilai probabilitas p ≥ 0,05, maka asumsi normalitas terpenuhi.
Jika probabilitas < 0,05, maka asumsi normalitas tidak terpenuhi.
2. Uji Multikolinearitas
Uji Multikolinearitas bertujuan untuk menguji apakah dalam model regresi ditemukan adanya korelasi antar variabel bebas (independen). Model regresi yang baik seharusnya tidak terjadi korelasi antar variabel independen (Ghozali 2013).
Jika variabel independen saling berkorelasi, maka variabel tidak orthogonal. Uji multikolinearitas dilakukan dengan menggunakan tolerance dan varians inflating faktor (VIF). VIF merupakan suatu cara mendeteksi multikolinearitas untuk melihat sejauh mana sebuah variabel penjelas dalam persamaan regresi. Untuk mengetahui terjadi atau tidaknya multikolinearitas dapat diketahui dengan kriteria berikut ini :
a) Jika VIF 10, maka tidak terjadi multikolinearitas b) Jika VIF > 10,maka terjadi multikolinearitas c) Jika tolerance 0,01, maka terjadi multikolinearitas
d) Jika tolerance < 0,01, maka tidak terjadi multikolinearitas.
3. Uji Autokorelasi
Autokorelasi yaitu adanya hubungan kesalahan pengganggu yang muncul pada data runtut waktu (time series). Dalam penaksiran model regresi linear mengandung asumsi bahwa tidak terdapat autokorelasi antara kesalahan pengganggu. Pengujian autokorelasi dapat diuji dengan menggunakan uji Durbin-Watson, menurut Field (2009:220), secara khusus, Durbin-Watson menguji apakah residu yang berdekatan berkorelasi. Uji statistik dapat bervariasi antara 0 dan 4 dengan nilai 2 yang berarti bahwa residual tidak berkorelasi.
4. Uji Heterokedastisitas
Uji Heterokedasitas bertujuan untuk menguji apakah dalam model regresi terjadi ketidaksamaan varian dari residual satu pengamatan kepengamatan yang lain. Jika varian residual satu pengamatan ke pengamatan lain tetap, maka disebut homoskedastisitas atau tidak terjadi heteroskedastisitas. Model regresi yang baik adalah yang homoskedastisitas atau tidak terjadi heterokedastisitas (Ghozali, 2013). Uji heterokedasitas dapat dilakukan dengan grafik Scatterplot. Dikatakan model regresi tidak terjadi heterokedastisitas apabila titik yang dihasilkan menyebar tidak membentuk suatu pola. Uji statistik yang digunakan adalah uji white.
Kriteria Uji White adalah Jika :
a) Obs* R square > c2 tabel, maka ada heterokedasitas.
b) Obs* R square < c2 tabel, maka tidak ada heterokedasitas. Atau c) Prob Obs* R square < 0.05, maka ada heterokedasitas
d) Prob Obs* R square > 0.05, maka tidak ada heterokedasitas
4.5.3. Metode Pemilihan Model
Metode pemilihan model dalam penelitian ini menggunakan data panel.
Menurut Basuki dan Prawoto (2017) data panel merupakan gabungan antara data runtut waktu (time series) dan data silang (cross section). Data time series merupakan data yang terdiri atas satu atau lebih variabel yang akan diamati pada satu unit observasi dalam kurun waktu tertentu. Sedangkan data cross section adalah data observasidari beberapa unit observasi dalam satu titik waktu.
Pemilihan data panel dikarenakan di dalam penelitian ini menggunakan rentang
waktu beberapa tahun dan juga banyak perusahaan. Data time series digunakan karena penelitian ini menggunakan rentang waktu sebelas tahun yaitu dari tahun 2010-2020. Sedangkan data cross section dilihat dari adanya beberapa perusahaan (pooled) yang dijadikan sampel penelitian, dalam penelitian ini ada 81 sampel perusahaan. Dalam regresi data panel, terdapat tiga model estimasi yang dapat digunakan (Basuki dan Prawoto, 2017), antara lain sebagai berikut:
1. Model Efek Umum (Common Effect Model (CEM) atau Pooled Least Square (PLS)
Merupakan pendekatan model data panel yang paling sederhana karena hanya mengkombinasikan data time series dan cross section. Metode ini bisa menggunakan pendekatan Ordinary Least Square (OLS) atau teknik kuadrat terkecil untuk mengestimasi model data panel. Karena tidak memperhatikan dimensi waktu maupun individu, maka formula Common Effect Model ditampilkan sebagai berikut :
𝑌it = 𝛼 + β X it + 𝜀it
2. Model Efek Tetap (Fixed Effect Model)
Model ini mengasumsikan bahwa perbedaan antar individu dapat diakomodasi dari perbedaan intersepnya, dimana setiap individu merupakan parameter yang tidak diketahui. Oleh karena itu, untuk mengestimasi data panel model fixed effect, digunakan teknik variabel dummy untuk menangkap perbedaan intersep antar perusahaan, yang dapat terjadi karena adanya perbedaan budaya kerja, manajerial, dan insentif.
Namun demikian, slopnya sama antar perusahaan. Model estimasi ini
disebut juga dengan teknik Least Square Dummy Variable (LSDV). LSDV dapat diterapkan untuk efek tiap individu dan waktu yang bersifat sistemik, melalui penambahan variabel dummy waktu didalam model.
Rumus Fixed Effect Model ialah sebagai berikut:
Yit = α + β X it + αit +ε it
Dimana , αit merupakan efek tetap diwaktu t untuk unit cross section i.
3. Model Efek Random (Random Effect Model)
Model ini akan mengestimasi data panel di mana variabel gangguan mungkin saling berhubungan antar waktu dan antar individu. Berbeda dengan fixed effect model, efek spesifik dari masing-masing individu diperlakukan sebagai bagian dari komponen error yang bersifat acak (random) dan tidak berkorelasi dengan variabel penjelas yang teramati.
Keuntungan menggunakan random effect model ini yakni dapat menghilangkan heteroskedastisitas. Model ini disebut juga dengan Error Component Model (ECM). Metode yang tepat untuk mengakomodasi model random effect ini adalah Generalized Least Square (GLS), dengan asumsi komponen error bersifat homokedastik dan tidak ada gejala cross-sectionalcorrelation. Random Effect Model secara umum dapat diformulasikan sebagai berikut:
Yit= α + βXit+wit, adapun wit= ε it+ u i Dimana:
𝜀i~ N(0, σv2) = merupakan komponen timeseries error ui~N(0,σu2) = merupakan komponen cross section error
wi~N(0,σw2) = merupakan timeseries dan cross section error
4.5.4. Pemilihan Model Regresi Data Panel
Untuk memilih model yang terbaik diantara ketiga model tersebut, maka dilakukan beberapa metode pengujian, yaitu melalui uji Chow, uji Hausman, dan uji Lagrange Multiplier. Penjelasan lebih lanjut mengenai ketiga metode pengujian tersebut adalah sebagai berikut (Basuki dan Prawoto, 2017):
1. Uji Chow
Uji ini dilakukan untuk menentukan model common effect atau fixed effect yang paling tepat digunakan dalam mengestimasi data panel. Untuk melakukan uji chow, data diregresikan terlebih dahulu dengan menggunakan model common effect dan fixed effect, kemudian dilakukan fixed/random effect testing dengan menggunakan redundant fixed effect – likelihood ratio. Selanjutnya, dibuat hipotesis untuk diuji, yaitu sebagai berikut:
H0 : maka digunakan model common effect H1 : maka digunakan model fixed effect
Pedoman yang akan digunakan dalam pengambilan kesimpulan uji chow adalah sebagai berikut:
1) Jika nilai Probability Cross-section Chi-square < α (5%), maka H0 ditolak, yangberartimodel fixedeffectyangdipilih.
2) Jika nilai Probability Cross-section Chi-square > α (5%), maka H0 diterima, yang berarti model common effect yang dipilih.
2. Uji Hausman
Uji ini dilakukan untuk menentukan model fixed effect atau random effect yang paling tepat digunakan dalam mengestimasi data panel. Untuk melakukan uji hausman, data juga diregresikan dengan model fixed effect dan random effect, kemudian dilakukan fixed/ random effect testing dengan menggunakan correlated random effect – hausman test.
Hipotesisnya ialah:
H0 : Probabilitas > 0,05maka digunakan model random effect H1 : Probabilitas < 0,05maka digunakan model fixed effect
Pedoman yang akan digunakan dalam pengambilan kesimpulan uji hausman adalah sebagai berikut:
1) Jika nilai Probability Cross-section Random < α (5%), maka H0 ditolak, yang berarti model fixed effect yang dipilih.
2) Jika nilai Probability Cross-section Random > α (5%), maka H0 diterima, yang berarti model random effect yang dipilih.
3. Uji Lagrange Multiplier
Uji ini dilakukan untuk menentukan model random effect atau common effect yang paling tepat digunakan dalam mengestimasi data panel. Untuk melakukan uji LM, data juga diregresikan dengan model random effect dan common effect, kemudian dilakukan fixed/random effect testing dengan menggunakan omitted random effect–lagrange multiplier.
Selanjutnya, dibuat hipotesis untuk diuji, yaitu sebagai berikut:
H0 : Probabilitas > 0,05maka digunakan model common effect H1 : Probabilitas < 0,05maka digunakan model random effect
Metode perhitungan uji LM yang digunakan dalam penelitian ini ialah metode Breusch-Pagan, yaitu metode yang paling banyak digunakan oleh para peneliti untuk perhitungan uji LM. Adapun pedoman pengambilan kesimpulan uji LM berdasarkan metode Breusch-Pagan ialah sebagai berikut:
1) Jika nilai Cross-section Breusch-Pagan < α (5%), maka H0 ditolak, yang berarti model random effect yang dipilih.
2) Jika nilai Cross-section Breusch-Pagan > α (5%), maka H0 diterima, yang berarti model common effect yang dipilih.
4.5.5. Pengujian Hipotesis
Setelah dilakukan pengukuran variabel dalam penelitian ini, maka dilakukan pengujian hipotesis. Untuk menguji hipotesis yang diajukan, maka perlu dilakukan pengujian secara statistik. Pengujian hipotesis dalam penelitian ini menggunakan koefisien Determinasi (R2), uji F, uji t, uji Moderated Regression Analysis (uji interaksi).
1. Koefisien Determinasi (R2)
Koefisien determinasi (R2) mengukur seberapa jauh kemampuan model dalam menerangkan variasi variabel dependen. (Ghozali, 2013) menyatakan kelemahan mendasar penggunaan koefisien determinasi (R2) adalah bias terhadap jumlah variabel independen yang dimasukkan ke dalam model sehingga banyak peneliti menganjurkan untuk menggunakan nilai Adjusted R2 . Tidak seperti R2 ,
nilai adjusted R2 dapat naik atau turun apabila satu variabel independen ditambah ke dalam model. Nilai Adjusted R2 yang mendekati satu berarti variabel-variabel independen memberikan hampir semua informasi yang dibutuhkan untuk memprediksi variasi variabel dependen (Ghozali, 2013).
2. Uji Simultan (Uji F)
Pengujian ini dilakukan untuk melihat apakah semua variabel independen yang dimasukkan dalam model mempunyai pengaruh secara simultan terhadap variabel independen. Hipotesis untuk uji statistik F adalah sebagai berikut:
H0 : b1 = b2 = b3 = 0, artinya XBRL, pengungkapan sukarela, volatility , kualitas audit, firm size, stock turnover dan corporate governance, secara simultan tidak berpengaruh signifikan terhadap asimetri informasi pada perusahaan manufaktur yang terdaftar di Bursa Efek Indonesia H1 : b1 ≠ b2 ≠ b3 ≠ 0, artinya XBRL, pengungkapan sukarela, volatility , kualitas
audit, firm size, stock turnover dan corporate governance, secara simultan berpengaruh signifikan terhadap asimetri informasi pada perusahaan manufaktur yang terdaftar di Bursa Efek Indonesia.
Dengan kriteria pengambilan keputusan:
1. Jika nilai signifikansi (sig) < 5% maka H0 ditolak, dengan kata lain H1 diterima.
2. Jika nilai signifikansi (sig) > 5% maka H0 diterima, dengan kata lain H1 ditolak.
3. Uji Parsial (Uji T)
Hipotesis untuk uji statistik t digunakan untuk menguji seberapa jauh pengaruh variabel independen secara parsial terhadap variabel dependen atau untuk melihat variabel apa yang memberikan pengaruh paling dominan diantara variabel yang ada. Adapaun pengambilan keputusan pada uji t yaitu:
1) Jika t hitung > t tabel dan nilai signifikansi (sig) < 0,05 , dapat disimpulkan bahwa secara parsial variabel independen berpengaruh signifikan terhadapvariabel dependen.
2) Jika t hitung < t tabel dan Sig > 0,05, maka dapat disimpulkan bahwa secara parsial variabel independen tidak berpengarus signifikan terhadap variabel dependen.
4. Uji Moderated Regression Analysis
Uji Moderated Regression Analysis (MRA) atau sering disebut uji interaksi merupakan pengujian khusus regresi linier berganda yang memiliki unsur interaksi dengan variabel lain sebagai moderasi. Uji interaksi ini dilakukan untuk melihat apakah corporate governance dapat memoderasi pengaruh XBRL, pengungkapan sukarela, volatility, dan kualitas audit terhadap asimetri informasi dengan perumusan sebagai berikut:
Y = α + β1X1 + β2X2 + β3X3 + β4X4 + β5X5 + β6X6 + β7X1*Z + β8X2*Z + β9X3*Z + β10X4*Z + β11X5*Z + β12X6*Z + e
Keterangan:
Y : asimetri informasi α : Konstanta
β : Koefisien Regresi
X1 : XBRL
X2 : Pengungkapan Sukarela X3 : Votality
X4 : Kualitas Audit X5 : Firm Size X6 : Stock Turnover Z : Good Governance e : error
Kriteria untuk uji Moderated Regression Analysis atau yang lebih dikenal dengan uji interaksi adalah jika Sig < 0,05 maka corporate governance signifikan dalam memoderasi pengaruh antara variabel independen terhadap dependen. Tetapi jika Sig > 0,05 maka corporate governance tidak signifikan dalam memoderasi pengaruh antara variabel independen terhadap variabel dependen.
73 5.1. Deskripsi Data
Desain penelitian ini adalah penelitian eksplanatori yaitu desain penelitian untuk menganalisis hubungan antara variabel untuk menguji suatu teori atau hipotesis dari penelitian yang sudah ada. Menurut Sugiyono (2017) penelitian eksplanatori disebut juga penelitian kausal, dimana hubungan kausal adalah hubungan yang bersifat sebab akibat yang terdiri dari variabel independen, dan variabel dependen. Penelitian ini berfokus pada pengaruh extensible business reporting language (XBRL), pengungkapan sukarela, volatility, kualitas audit, firm size, dan stock turnover terhadap aimetri informasi dengan corporate governance sebagai variable moderating.
Populasi dalam penelitian ini adalah perusahaan manufaktur yang terdaftar di Bursa Efek Indonesia secara berturut-turut pada periode 2010-2020. Jumlah populasi perusahaan manufaktur yang terdaftar di Bursa Efek Indonesia secara berturut-turut pada periode 2010-2020 adalah 81 perusahaan. Teknik pengambilan sampel dalam penelitian ini menggunakan teknik purposive sampling. Jumlah sampel dalam penelitian ini adalah sebanyak 81 perusahaan manufaktur. Angka tahun pengamatan yang digunakan dalam penelitian ini adalah 11 tahun berturut-turut sehingga jumlah observasi dalam penelitian ini adalah 11 x 81 sampel maka diperoleh sebanyak 891 sampel observasi.
Dalam penelitian ini, metode yang digunakan adalah dokumentasi, yaitu dengan mengumpulkan data sekunder perusahaan sampel berupa laporan
keuangan, catatan-catatan maupun informasi lainnya yang berkaitan dengan penelitian melalui pustaka, media internet dan media masa lainnya. Data yang digunakan merupakan data sekunder yang berasal dari laporan keuangan perusahaan manufaktur yang terdaftar di Bursa Efek Indonesia pada periode 2010-2020 dengan cara mengunduh laporan keuangan yang ada di situs BEI www.idx.co.id . Adapun metode analisis data yang digunakan adalah regresi data panel, uji asumsi klasik, uji hipotesis, dan uji MRA.
5.2. Pengujian Persyaratan Analisis Data
Pengujian persyaratan analisis data yang dilakukan dalam penelitian ini terdiri dari Analisis Statistik Deskriptif, Uji Asumsi Klasik, Estimasi Model Regresi Data Panel, Uji Hipotesis, dan Moderated Regression Analysis (MRA).
5.2.1. Analisis Statistik Deskriptif
Analisis statistik deskriptif digunakan untuk mengetahui deskripsi suatu data yang dilihat dari nilai maksimum, nilai minimum, nilai rata-rata (mean), dan nilai standar deviasi. Dalam penelitian ini, variabel yang digunakan dalam perhitungan statistik deskriptif adalah XBRL, pengungkapan sukarela, volatility, kualitas audit, firm size, stock turnover, corporate governance dan asimetri informasi. Berdasarkan analisis statistik deskriptif diperoleh gambaran sampel sebagai berikut.
Tabel 5.1 Analisis Statistik Deskriptif
Sumber: Data Diolah Dengan EviewS (2021)
Berdasarkan Tabel 5.1 di atas, dapat dilihat bahwa jumlah observasi dari masing-masing vatiabel penelitian adalah 891 data observasi, dimana 81 perusahaan x 11 tahun pengamatan dengan penjelasan sebagai berikut:
1. Diketahui nilai minimum dari X2 (pengungkapan sukarela) pada sampel di perusahaan manufaktur yang terdaftar di BEI selama tahun 2010-2020 adalah 0.212121, yaitu pada perusahaan Sepatu Bata Tbk tahun 2019-2020, nilai maksimum dari X2 (pengungkapan sukarela) adalah 0.606061 pada perusahaan Indocement Tunggal Prakarsa Tbk tahun 2010-2020, Kimia Farma (Persero) Tbk tahun 2010-2020, dan Kabelindo Murni Tbk tahun 2010-2020. Rata-rata X2 (pengungkapan sukarela) adalah 0.432439, dengan standar deviasi 0.078849.
2. Diketahui nilai minimum dari X3 (volatility) pada sampel di perusahaan manufaktur yang terdaftar di BEI selama tahun 2010-2020 adalah 0, yaitu pada perusahaan Alakasa Industrindo Tbk tahun 2010, Primarindo Asia Infrastructure Tbk tahun 2010, 2012, 2014 dan 2020, Betonjaya Manunggal Tbk tahun 2014-2015, Indospring Tbk tahun 2014-2015, Keramika Indonesia Assosiasi Tbk tahun 2018, Pyridam Farma Tbk tahun 2014-2015, dan Sekar Laut Tbk tahun 2011 dan 2013. Sementara nilai maksimum dari X3
X2 X3 X5 X6 Z Y
Mean 0.432439 0.476683 1.14E+13 0.001848 0.598204 0.069819 Median 0.393939 0.436495 8.36E+11 0.000342 0.500000 0.006250 Maximum 0.606061 6.555607 5.50E+14 0.126064 1.000000 0.500000 Minimum 0.212121 0.000000 2.34E+09 0.000000 0.500000 -0.500000 Std. Dev. 0.078849 0.304196 3.73E+13 0.007270 0.126122 0.161339
Observations 891 891 891 891 891 891
(volatility) adalah 6.555607 yaitu pada perusahaan Multistrada Arah Sarana Tbk tahun 2020. Rata-rata X3 (volatility) adalah 0.476683, dengan standar deviasi 0.304196.
3. Diketahui nilai minimum dari X5 (firm size) pada sampel di perusahaan manufaktur yang terdaftar di BEI tahun 2010-2020 adalah 2.34E+09 atau Rp2.337.500.000 pada perusahaan Multi Prima Sejahtera Tbk tahun 2011, sementara nilai maksimum dari X5 (firm size) adalah 5.50E+14 atau 550.184.503.737.000 pada perusahaan HM Sampoerna Tbk tahun 2017. Rata-rata X5 (firm size) adalah 8.36E+11, dengan standar deviasi 3.73E+13.
4. Diketahui nilai minimum dari X6 (stock turnover) pada sampel di perusahaan manufaktur yang terdaftar di BEI tahun 2010-2020 adalah 0 pada perusahaan Primarindo Asia Infrastructure Tbk tahun 2010-2011, Betonjaya Manunggal Tbk tahun 2014-2015, Ever Shine Textile Industry Tbk tahun 2015, Indospring Tbk tahun 2014-2015, Keramika Indonesia Assosiasi Tbk tahun 2018, Pyridam Farma Tbk tahun 2014-2015, Sekar Laut Tbk tahun 2019, dan Tifico Fiber Indonesia Tbk tahun 2015. Sementara nilai maksimum dari X6 (stock turnover) adalah 0.126064 pada perusahaan Multi Prima Sejahtera Tbk tahun 2012. Rata-rata X6 (stock turnover) adalah 0.001848, dengan standar deviasi 0.007270.
5. Diketahui nilai minimum dari Z (corporate governance) adalah 0.5, sementara nilai maksimum dari Z (corporate governance) adalah 1. Rata-rata Z (corporate governance) adalah 0.598204, dengan standar deviasi 0.126122.
6. Diketahui nilai minimum dari Y (asimetri informasi) pada sampel di perusahaan manufaktur yang terdaftar di BEI adalah -0.5 pada perusahaan Goodyear Indonesia Tbk tahun 2017. Sementara nilai maksimum dari Y (asimetri informasi) adalah 0.5 pada perusahaan Akasha Wira Internasional Tbk tahun 2011, Polychem Indonesia tahun 2012-2013 dan 2020, Alakasa Industrindo Tbk tahun 2010-2016, Alumindo Light Metal Industry Tbk tahun 2010, 2013, dan 2015, Asahimas Flat Glass Tbk tahun 2013 dan 2015, Sepatu Bata Tbk tahun 2012, Primarindo Asia Infrastructure Tbk tahun 2010-1016 dan 2020, Indo Kordsa Tbk tahun 2012 dan 2015-2016, Berlina Tbk tahun 2020, Betonjaya Manunggal Tbk tahun 2013-2015, Delta Djakarta Tbk tahun 2012, Darya-Varia Laboratoria Tbk tahun 2012 dan 2014, Ever Shine Textile Industry Tbk tahun 2015, PT Lotte Chemical Titan Tbk tahun 2012-2013 dan 2015, Goodyear Indonesia Tbk tahun 2012, 2015, Indomobil Sukses Internasional Tbk tahun 2014, Intanwijaya Internasional Tbk tahun 2014, Indospring Tbk tahun 2012-2015, Toba Pulp Lestari Tbk tahun 2012, 2014, dan 2020, Kabelindo Murni Tbk tahun 2015-2016, Krakatau Steel (Persero) Tbk tahun 2012, Lion Metal Works Tbk tahun 2014-2016, Lionmesh Prima Tbk tahun 2014-2015, Multi Prima Sejahtera Tbk tahun 2014 dan 2016, Merck Tbk tahun 2012 dan 2014, Mustika Ratu Tbk tahun 2015, Pyridam Farma Tbk tahun 2013-2015, Sierad Produce Tbk tahun 2014 dan 2020, Sekar Laut Tbk tahun 2012 dan 2015, Indo Acidatama Tbk tahun 2015-2017, Sunson Textile Manufacturer Tbk tahun 2012, PT SLJ Global Tbk tahun 2020, Tembaga Mulia Semanan Tbk tahun 2014-2015, Mandom
Indonesia Tbk tahun 2012, Tifico Fiber Idonesia Tbk tahun 2012, 2014-2016, dan 2020, Tirta Mahakam Resources Tbk tahun 2020, Surya Toto Indonesia Tbk tahun 2014, Chandra Asri Petrochemical Tbk tahun 2015, Unggul Indah Cahaya Tbk tahun 2012, 2014-2016, dan Voksel Electric Tbk tahun 2012, 2015-2016, 2020. Rata-rata Y (asimetri informasi) adalah 0.069819, dengan standar deviasi 0.161339.
Tabel 5.2 Analisis Statistik Frekuentif
XBRL (X1)
Frequency Percent Valid Percent
Cumulative Percent
Valid Tidak Menggunakan XBRL 518 58.1 58.1 58.1
Menggunakan XBRL 373 41.9 41.9 100.0
Total 891 100.0 100.0
Sumber: Data Diolah Dengan Eviews (2021) Kualitas_Audit (X4)
Frequency Percent Valid Percent
Cumulative Percent
Valid Non Big4 469 52.6 52.6 52.6
Big4 422 47.4 47.4 100.0
Total 891 100.0 100.0
Sumber: Data Diolah Dengan Eviews (2021)
Berdasarkan tabel 5.2 diketahui persentase yang tidak menggunakan XBRL sebesar 58.1%, sementara yang menggunakan XBRL sebesar 41.9%.
Diketahui persentase kualitas audit yang tidak berafiliasi bigfour sebesar 52.6%, sementara yang berafiliasi bigfour sebesar 47.4%.
5.2.2. Uji Asumsi Klasik 5.2.2.1. Uji Normalitas
Dalam penelitian ini, uji normalitas terhadap residual dengan menggunakan uji Jarque-Bera (J-B). Dalam penelitian ini, tingkat signifikansi yang digunakan 𝛼 . Dasar pengambilan keputusan adalah melihat angka probabilitas dari statistik J-B, dengan ketentuan sebagai berikut :
1) Jika nilai probabilitas 0,05, maka asumsi normalitas terpenuhi.
2) Jika probabilitas < 0,05, maka asumsi normalitas tidak terpenuhi.
0 Gambar 5.1 Uji Normalitas dengan Uji Jarque-Bera
Perhatikan bahwa berdasarkan Gambar 5.1, diketahui nilai probabilitas dari statistik J-B adalah 0,561005. Karena nilai probabilitas , yakni 0,561005 lebih besar dibandingkan tingkat signifikansi, yakni 0,05. Hal ini berarti asumsi normalitas dipenuhi.
5.2.2.2. Uji Multikolinearitas
Dalam penelitian ini, gejala multikolinearitas dapat dilihat dari nilai VIF.
Ghozali (2013) menyatakan jika nilai VIF > 10 maka hal ini merupakan indikasi adanya multikolinearitas. Hasil uji multikolinearitas disajikan pada Tabel 5.3.
Tabel 5.3 Uji Multikolinearitas dengan VIF sebagai berikut:
Variabel VIF
X1 1.058089
X2 1.052929
X3 1.335456
X4 1.279283
X5 1.339763
X6 1.355004
Sumber: Hasil Diolah Dengan EViews (2021)
Berdasarkan Tabel 5.3 hasil pengujian multikolinearitas, dapat disimpulkan bahwa tidak terdapat gejala multikolinearitas antar variabel independen. Hal ini karena nilai VIF < 10 (Ghozali, 2013).
5.2.2.3. Uji Autokorelasi
Asumsi mengenai independensi terhadap residual (non-autokorelasi) dapat diuji dengan menggunakan uji Watson. Nilai statistik dari uji Durbin-Watson berkisar di antara 0 dan 4. Nilai statistik dari uji Durbin-Durbin-Watson yang lebih kecil dari 1 atau lebih besar dari 3 diindikasi terjadi autokorelasi.
Tabel 5.4 Uji Autokorelasi dengan Uji Durbin-Watson
Log likelihood -1074.019 Hannan-Quinn criter. 2.440920 Durbin-Watson stat 2.034260
Sumber: Hasil Diolah Dengan EViews (2021)
Berdasarkan Tabel 5.4, nilai dari statistik Durbin-Watson adalah 2,034260.
Perhatikan bahwa karena nilai statistik Durbin-Watson terletak di antara 1 dan 3, yakni 1 < 2,034260 < 3, maka asumsi non-autokorelasi terpenuhi. Dengan kata lain, tidak terjadi gejala autokorelasi yang tinggi pada residual.
5.2.2.4. Uji Heteroskedastisitas
Untuk menguji apakah terjadi heteroskedastisitas atau tidak dapat digunakan uji Breusch-Pagan. Tabel 5.5 disajikan hasil pengujian heteroskedastisitas dengan menggunakan uji Breusch-Pagan.
Tabel 5.5 Uji Heteroskedastisitas dengan Uji Breusch-Pagan Heteroskedasticity Test: Breusch-Pagan-Godfrey
F-statistic 1.488173 Prob. F(6,884) 0.1790 Obs*R-squared 8.909748 Prob. Chi-Square(6) 0.1787 Sumber: Hasil Diolah Dengan EViews (2021)
Berdasarkan hasil uji Breusch-Pagan pada Tabel 5.5 diketahui nilai Prob.
pada baris Obs*R-squared 0,1787 > 0,05 yang berarti tidak terjadi heteroskedastisitas.
5.2.3. Penentuan Model Estimasi antara Common Effect Model (CEM) dan Fixed Effect Model (FEM) dengan Uji Chow
Untuk menentukan apakah model estimasi CEM atau FEM dalam membentuk model regresi, maka digunakan uji Chow. Hipotesis yang diuji sebagai berikut :
Model CEM lebih baik dibandingkan model FEM.
Model FEM lebih baik dibandingkan model CEM
Berikut hasil berdasarkan uji Chow dengan menggunakan EViews 10.
Tabel 5.6 Hasil dari Uji Chow
Effects Test Statistic d.f. Prob.
Cross-section F 0.814832 (80,804) 0.8759 Cross-section Chi-square 69.461025 80 0.7938
Sumber: Hasil Diolah Dengan EViews (2021)
Aturan pengambilan keputusan terhadap hipotesis sebagai berikut :
1) Jika nilai probabilitas cross-section Chi-square < 0,05, maka ditolak
1) Jika nilai probabilitas cross-section Chi-square < 0,05, maka ditolak