HASIL DAN PEMBAHASAN 4.1 Data Penelitian
4.2 Hasil Penelitian
4.2.2 Uji Asumsi Klasik .1 Uji Normalitas .1 Uji Normalitas
Uji normalitas dilakukan untuk menguji apakah dalam sebuah model
regresi, variabel independen dan variabel dependen atau keduanya mempunyai
distribusi normal atau tidak. Model yang paling baik adalah distribusi data
normal atau mendekati normal. Untuk melakukan pengujian normalitas dengan
analisis grafik dapat dengan melihat grafik histogram dan normal probability plot. Distribusi normal akan membentuk satu garis lurus diagonal. Jika distribusi data residual normal, maka garis yang menggambarkan data sesungguhnya akan
mengikuti garis diagonalnya, dan sebaliknya jika pola distribusi tidak normal dan
terlihat titik-titik menyebar di sekitar garis diagonal dan penyebarannya jauh dari
garis diagonal, hal tersebut menunjukkan bahwa model regresi menyalahi asumsi
Gambar 4.1
Histogram Dependen Manajemen laba (PLABA)
Sumber: hasil olahan spss 17.0, 2013
Gambar 4.1 menunjukkan kurva histogram yang memiliki kemiringan
seimbang kekiri dan kekanan, atau tidak condong ke kiri maupun ke kanan,
melainkan ke tengah dengan bentuk seperti lonceng. Hal ini memenuhi salah satu
Gambar 4.2
Normal P-Plot of Regresion Standarized Residual Sumber: Hasil olahan spss 17.0, 2013
Gambar 4.2 merupakan kurva P-Plot yang menunjukkan penyebaran
titik-titik data di sekitar garis diagonal dan mengikuti arah garis diagonal. Hal ini
berarti data pada variabel yang digunakan, yaitu variabel Manajemen laba
berdistribusi normal.
Pengujian normalitas data dalam penelitian ini juga menggunakan uji
�= 0,05 maka variabel tidak terdistrubusi secara normal. Sebaliknya, bila angka probabilitas >� = 0,05 maka variabel terdistribusi secara normal.
Tabel 4.2 Kolmogorov Smirnov One-Sample Kolmogorov-Smirnov Test
Unstandardized Residual
N 93
Normal Parametersa,,b Mean .0000000
Std. Deviation .23228419
Most Extreme Differences Absolute .137
Positive .125
Negative -.137
Kolmogorov-Smirnov Z 1.318
Asymp. Sig. (2-tailed) .062
a. Test distribution is Normal. b. Calculated from data.
Sumber: Hasil olahan spss 17.0, 2013
Dari hasil pengolahan data pada tabel 4.2 diperoleh besarnya nilai
Kolomogorov-Smirnov adalah 1,318 dan signifikan pada 0,062. Nilai signifikansi lebih besar dari 0,05, hal ini berarti data residual berdistribusi normal. Setelah
data berdistribusi normal dapat dilanjutkan dengan uji asumsi klasik lainnya.
4.2.2.2 Uji Multikolinearitas
Multikolinearitas adalah situasi adanya korelasi variabel-variabel
independen antara yang satu dengan yang lainnya ( Erlina, 2008:105). Pengujian
ini bermaksud untuk menguji apakah model regresi ditemukan adanya korelasi di
antara variabel independen, model regresi yang baik seharusnya tidak terjadi
terdapat problem multikolinearitas. Multikolinearitas dapat dideteksi dengan,
(Ghozali dalam Erlina, 2008:105) :
a. Nilai deskriminasi yang sangat tinggi dan diakui dengan nilai F test yang
sangat tinggi, serta tidak atau hanya sedikit nilai t test yang signifikan.
b. Meregresikan model analisis dan melakukan uji korelasi antar variable
dependent dengan menggunakan Variance Inflating Factor (VIF) dan
Tolerance Value. Batas VIF adalah 10 dan Tolerance Value adalah 0.1 jika
nilai VIF lebih besar dari 10 dan nilai Tolerance Value lebih kecil dari 0.10
maka terjadi multikolinearitas dan harus dikelompokkan dari model.
Tabel 4.3
Hasil Uji Mulkolinearitas
Sumber: Hasil olahan spss 17.0, 2013
Hasil perhitungan nilai tolerance menunjukkan variabel independen memiliki nilai tolerance lebih dari 0,10 yaitu 0,903; 0,990; 0,901; 0,988 yang berarti tidak terjadi korelasi antar variabel independen. Hasil
perhitungan VIF juga menunjukkan hal yang sama dimana variabel independen
Coefficientsa Model Unstandardized Coefficients Standardized Coefficients t Sig. Collinearity Statistics
B Std. Error Beta Tolerance VIF
1 (Constant) -.165 .306 -.539 .592
KM .277 .170 .179 1.631 .107 .903 1.108
BOC .014 .209 .007 .067 .947 .990 1.010
AC .322 .438 .081 .735 .464 .901 1.110
KAP -.045 .050 -.095 -.906 .368 .988 1.013
memiliki nilai VIF kurang dari 10 yaitu 1,108; 1,010; 1,110; 1,013. Dengan
demikian dapat disimpulkan bahwa dalam model regresi tidak terjadi
multikolinearitas antar variabel independen.
4.2.2.3 Uji Heteroskedastisitas
Uji ini bertujuan untuk melihat apakah dalam model regresi terjadi
ketidaksamaan variabel dari residual satu pengamatan yang lain. Jika varian dari
residual satu pengamatan ke pengamatan lain tetap, maka disebut
homoskedastisitas dan jika berbeda disebut heteroskedastisitas. Model regresi
yang baik adalah tidak terjadi heteroskedastisitas ( Erlina, 2008 : 106).
Cara memprediksi ada tidaknya heteroskedastisitas pada suatu model
dapat dilihat dari gambar scatterplot model tersebut (Nugroho, 2005:62). Analisis
pada gambar scatterplot yang menyatakan model regresi linier berganda tidak
terdapat heteroskedastisitas jika:
a. Titik-titik data menyebar di atas, di bawah atau di sekitar angka nol.
b. Titik-titik data tidak mengumpul hanya di atas atau di bawah saja.
c. Penyebaran titik-titik data tidak boleh membentuk pola bergelombang melebar
kemudian menyempit dan melebar kembali.
Gambar 4.3
Hasil Uji Heterokedastisitas Grafik Scatter Plot
Sumber: Hasil olahan spss 17.0, 2013
Dari grafik scatterplot terlihat bahwa titik-titik menyebar secara acak serta tersebar baik di atas maupun di bawah angka 0 pada sumbu Y, sehingga dapat disimpulkan bahwa tidak terjadi heterokedastisitas pada model regresi.
4.2.2.3 Uji Autokorelasi
Uji autokorelasi bertujuan menguji apakah dalam suatu model regresi
linear ada korelasi antara kesalahan pengganggu pada periode t dengan kesalahan
pada periode t-1 atau sebelumnya ( Erlina, 2008:106). Jika terjadi korelasi, maka
Ada beberapa cara yang dapat digunakan untuk mendeteksi masalah
dalam autokorelasi di antaranya adalah dengan Uji Durbin Watson pada buku
stastistik relevan. Menurut Sunyoto (2009:91), Pengambilan keputusan ada
tidaknya autokorelasi adalah sebagai berikut:
1) angka D-W di bawah –2 berarti ada autokorelasi positif,
2) angka D-W di antara -2 sampai +2, berarti tidak ada autokorelasi,
3) angka D-W di atas +2 berarti ada autokorelasi negatif
Tabel 4.4 Hasil Uji Autokorelasi
Model Summaryb Model R R Square Adjusted R Square Std. Error of the Estimate Durbin-Watson 1 .199a .040 -.004 .23750 1.563
a. Predictors: (Constant), KAP, KM, BOC, AC b. Dependent Variable: MLABA
Sumber: Hasil olahan spss 17.0, 2013
Berdasarkan tabel 4.4 di atas terlihat bahwa nilai D-W sebesar 1,563.
Angka ini terletak diantara -2 dan +2, dari pengamatan ini dapat disimpulkan
bahwa tidak terjadi autokorelasi positif maupun autokorelasi negatif dalam
penelitian ini.
4.2.3 Analisis Regresi Linier Berganda
Analisis regresi linier berganda digunakan untuk menguji hipotesis
tentang pengaruh variabel independen secara simultan maupun parsial. Hasil
Tabel 4.5
Analisis Regresi Linier Berganda Coefficientsa Model Unstandardized Coefficients Standardized Coefficients t Sig. B Std. Error Beta 1 (Constant) -.165 .306 -.539 .592 KM .277 .170 .179 1.631 .107 BOC .014 .209 .007 .067 .947 AC .322 .438 .081 .735 .464 KAP -.045 .050 -.095 -.906 .368
a. Dependent Variable: MLABA
Sumber: Hasil olahan SPSS 17.00, 2013
Pengolahan data tersebut menghasilkan suatu persamaan regresi linier
berganda sebagai berikut:
MLABA = -0,165 + 0,277KM + 0,014BOC + 0,322AC -0,045KAP + e
Interpretasi:
a. Konstanta sebesar –0,165 menunjukkan bahwa apabila tidak ada variabel bebas (kepemilikan manajerial, komposisi anggota dewan komisaris,
komite audit dan ukuran kantor akuntan publik ) maka tingkat manajemen
labaperusahaan manufaktur di Bursa Efek Indonesia adalah sebesar -0,165.
b. Koefisien regresi KM sebesar 0,277 menunjukkan bahwa apabila setiap
kenaikan kepemilikan manajerial sebesar 1%, dengan asumsi variabel
bebas lainnya dianggap konstan, maka akan menaikkan manajemen laba
perusahaan manufaktur di Bursa Efek Indonesia sebesar 0,277.
c. Koefisien regresi BOC sebesar 0,014 menunjukkan bahwa apabila setiap
variabel bebas lainnya dianggap konstan, maka akan menaikkan
manajemen laba perusahaan manufaktur di Bursa Efek Indonesia sebesar
0,014.
d. Koefisien regresi AC sebesar 0,322 menunjukkan bahwa apabila setiap
kenaikan komite audit sebesar 1%, dengan asumsi variabel bebas lainnya
dianggap konstan, maka akan menaikkan manajemen laba perusahaan
manufaktur di Bursa Efek Indonesia sebesar 0,322.
e. Koefisien regresi KAP sebesar -0,045 menunjukkan bahwa apabila setiap
kenaikan ukuran kantor akuntan publik sebesar 1%, dengan asumsi variabel
bebas lainnya dianggap konstan, maka akan menaikkan manajemen laba
perusahaan manufaktur di Bursa Efek Indonesia sebesar -0,045.