BAB IV HASIL DAN PEMBAHASAN
C. Analisis Regresi Data Panel
3. Uji Chow
Uji Statistik F digunakan untuk memilih antara metode common effect tanpa variabel dummy atau fixed effect. Setelah kita melakukan regresi dua model yaitu model dengan asumsi bahwa slope dan intersep sama dan model dengan asumsi bahwa slope sama tetapi beda intersep, pertanyaan yang muncul adalah model mana yang lebih baik? Apakah penambahan dummy menyebabkan residual sum of squares menjadi menurun atau tidak? Keputusan apakah kita sebaiknya menambah variabel dummy untuk mengetahui bahwa intersep berbeda antar perusahaan dengan metode fixed effect dapat diuji dengan uji F statistik. Uji F Statistik disini merupakan uji perbedaan dua regresi sebagaimana uji Chow (Endri 2010). Sekarang uji F kita gunakan untuk mengetahui apakah teknik regresi data panel dengan fixedeffect lebih baik dari model regresi data panel tanpa variabel dummy. Dalam hal ini kita melihat dan membandingkan antara nilai signifikansi dari Ftest dengan level of significant (0,05). Jika nilai signifikan ≤ dari level of significant (0,05) maka Ho ditolak, jika nilai signifikansi > dari level of significant (0,05)maka Ho diterima.
a) Jika Ho diterima, maka model Pool (common). (selesai sampai disini)
b) Jika Ho ditolak, maka model fixed effect. (teruskan langkah 4)
4) Estimasi dengan Random Effect.
Metode ini tidak menggunakan dummy seperti halnya pada metode fixed effect, akan tetapi menggunakan residual yang diduga memiliki hubungan antar waktu antar individu/perusahaan. Metode random effect mengasumsikan bahwa setiap variabel mempunyai perbedaan intersep, tetapi intersep itu bersifat random. Berikut ini adalah persamaan untuk random effect:
Y= α + β1X1it +β2X2it + v it Y = Manajemen laba α=Konstanta X1= Asimetri informasi X2= Ukuran Perusahaan i= perusahaan 1….78 t=tahun 1…3 v = eit + µit
Dalam metode random effect, residual vit terdiri atas dua komponen, yaitu (1) residual eit yang merupakan residual menyeluruh, serta kombinasi time series dan cross section,
(2) residual setiap individu atau perusahaan diwakili oleh µit (Yamin, dkk 2010).
5) Uji Hausman (Random Vs Fixed).
Uji ini digunakan untuk memilih antara fixed effect dengan random effect. Jika tingkat signifikansi ≤ dari level of significant (0,05) maka Ho ditolak. Jika tingkat signifikansi > dari level of significant ( 0,05) maka Ho diterima.
a) Jika Ho diterima, maka model random efek (selesai sampai disini)
b) Jika Ho ditolak, maka model fixed efek (lanjutkan langkah 6)
6) Uji LM test: adanya Heterosedastik antar kelompok individu (crossection).
Ho: Homoskedastik H1: Heteroskedastik
a) Jika Ho diterima, maka model Homoskedastik (selesai) b) Jika Ho ditolak, maka model Heteroskedastik. Solusi:
dengan Crossection Weight (dan lanjutkan langkah 7) 7) Uji LR test: adanya Heteroskedastik dan Otokorelasi antar
b. Uji signifikansi simultan (Uji stastistik F)
Uji statistik F digunakan untuk mengetahui apakah asimetri informasi dan ukuran perusahaan mempunyai pengaruh secara bersama-sama (simultan) terhadap manajemen laba (Gozali, 2005). Apabila nilai probabilitas nilai signifikansi ≤ level of significant (0.05), maka asimetri informasi dan ukuran perusahaan secara bersama-sama mempengaruhi manajemen laba atau sekurang-kurangnya satu variabel independen yaitu asimetri informasi atau ukuran perusahaan berpengaruh signifikan terhadap manajemen laba.
c. Uji signifikansi parameter individual (Uji stastistik t) Uji statistik t digunakan untuk mengetahui seberapa jauh pengaruh satu variabel asimetri informasi dan ukuran perusahaan secara individual dalam menjelaskan variasi variabel manajemen laba (Gozali, 2005).
H1 : β1 ≤ 0, yang berarti bahwa variabel asimetri informasi tidak memiliki pengaruh positif terhadap manajemen laba. HA1 : β1 > 0, yang berarti bahwa variabel asimetri informasi
memiliki pengaruh positif terhadap manajemen laba. H2 : β2 ≥ 0, yang berarti bahwa variabel ukuran perusahaan
tidak memiliki pengaruh negatif terhadap manajemen laba. HA2 : β2 < 0, yang berarti bahwa variabel ukuran perusahaan
Uji pengaruh asimetri informasi dan ukuran perusahaan terhadap manajemen laba secara parsial (Uji t):
1) Hasil pengujian untuk menjawab pengaruh asimetri informasi terhadap manajemen laba :
a) Jika nilai probabilitas signifikansi dari asimetri informasi ≤level of significant (0.05), maka H0 ditolak, yang berarti asimetri informasi memiliki pengaruh positif signifikan terhadap manajemen laba.
b) Jika nilai probabilitas signifikansi dari asimetri informasi > level of significant (0.05), maka H0 diterima, yang berarti asimetri informasi tidak memiliki pengaruh positif terhadap manajemen laba.
2) Hasil pengujian untuk menjawab pengaruh ukuran perusahaan terhadap manajemen laba :
a) Jika nilai probabilitas signifikansi dari ukuran perusahaan ≤level of significant (0.05), maka H0 ditolak, yang berarti ukuran perusahaan memiliki pengaruh negatif terhadap manajemen laba.
b) Jika nilai probabilitas signifikansi dari ukuran perusahaan > level of significant (0.05), maka H0 diterima, yang berarti ukuran perusahaan tidak memiliki pengaruh negatif terhadap manajemen laba.
36
BAB IV
HASIL DAN PEMBAHASAN A. Deskripsi Sampel Penelitian
Penelitian ini menggunakan sampel perusahaan manufaktur yang terdaftar di Bursa Efek Indonesia (BEI) mulai tahun 2008 sampai 2010 yang dipilih menggunakan metode purposive sampling. Berdasarkan kriteria yang telah ditetapkan pada BAB III diperoleh jumlah sampel sebanyak 78 perusahaan yang terdaftar di Bursa Efek Indonesia (BEI) pada periode 2008-2010 dengan data observasi sebanyak 234. Ringkasan prosedur pemilihan dapat dilihat pada tabel jumlah perusahaan obsevasi berikut
Tabel 4.1 Jumlah perusahaan observasi
KETERANGAN JUMLAH PERUSAHAAN
Populasi perusahaan manufaktur Perusahaan yang tidak menerbitkan laporan keuangan secara berturut-turut pada tahun 2008 sampai 2010 Perusahaan yang tidak menyediakan laporan keuangan auditan.
Perusahaan yang tidak menyediakan laporan harga saham pada tahun 2008 sampai 2010 secara berturut-turut
134 (26)
(9)
(21)
Perusahaan yang terpilih menjadi sampel
78
Jumlah Observasi Periode 2008-2010
Rincian perusahaan manufaktur yang menjadi sampel berdasarkan sektor usahanya sebagai berikut
Tabel 4.2 Daftar Perusahaan Sampel
JENIS PERUSAHAAN MANUFAKTUR JUMLAH
Food and Beverage 11
Tobacco 2
Textile 1
Apparel & other 2
Lumber and wood 1
Paper and allied 2
Chemical and allied 6
Adhesive 2
Plastic and glass 6
Cement 3
Metal and allied 7
Fabricated 1 Stone 1 Cables 3 Electronic 2 Automotive 15 Photograpic 1 Pharmaceuticals 9 Consumers 3 JUMLAH 78 B. Analisis Data
1. Uji asumsi klasik
1. Uji multikolinearitas
Uji multikolinearitas ini diperlukan untuk menguji model regresi ditemukan adanya korelasi antar variabel bebas. Salah satu cara untuk mendeteksi ada tidaknya masalah multikolinearitas adalah dengan melihat VIF bila nilai VIF kurang dari 10 dan nilai tolerance diatas 0.10, maka tidak terdapat gejala multikolinearitas dan begitu pula sebaliknya.
Berikut ini adalah hasil perhitungan nilai tolerance dan VIF pada tabel hasil uji multikolinearitas.
Tabel 4.3 Multikoliniearitas Model Collinearity Statistics Tolerance VIF 1 (Constant) asimetri informasi .991 1.010 ukuran perusahaan .991 1.010
a. Dependent Variable: Manajemen laba
Dari hasil output pada tabel 4.3 uji multikolinearitas dapat diketahui bahwa nilai tolerance dari variabel asimetri informasi lebih dari 0,10 yaitu 0.991 dan untuk variable ukuran perusahaan adalah 0.991. Nilai VIF dari setiap variabel asimetri informasi tidak lebih dari 10 yaitu 1.010 dan untuk variabel ukuran perusahaan adalah 1.010. Oleh karena itu dapat disimpulkan bahwa tidak ada multikoloniaritas antar variabel independen dalam model regresi.
2. Uji autokorelasi
Uji autokorelasi bertujuan untuk menguji apakah dalam suatu model regresi linier ada korelasi antar anggota sampel. Hasil uji autokorelasi dapat dilihat pada tabel autokorelasi berikut:
Tabel 4.4 Autokorelasi
Model Summaryb
Model R R Square Durbin-Watson
1 .354a .126 2.026
a. Predictors: (Constant), ukuran perusahaan, asimetri informasi b. Dependent Variable: Manajemen laba
Untuk mengetahui ada tidaknya autokorelasi pada data, maka digunakan uji Durbin Watson dengan ketentuan sebagai berikut:
Tabel 4.5 Tabel Durbin Watson Keterangan
Nilai Durbin-Watson Keterangan < 1,10 ada autokorelasi 1,10 – 1,54 tidak ada kesimpulan 1,55 – 2,46 tidak ada autokorelasi 2,46 – 2,90 tidak ada kesimpulan
> 2,91 ada autokorelasi
Berdasarkan uji autokorelasi dengan Durbin Watson menunjukkan angka 2.026 dan menurut ketentuan di atas tampak bahwa nilai Durbin Watson hitung 2.026 terletak di daerah tidak ada autokorelasi sehingga dapat dikatakan bahwa model tersebut terbebas dari autokorelasi.
3. Uji Heteroskedastisitas
Uji heteroskedastisitas bertujuan untuk menguji apakah terjadi ketidaksamaan variance dari residual suatu pengamatan ke pengamatan yang lain dalam model regresi (Ghozali, 2006). Berikut data heteroskedastisitas pada tabel uji heteroskedastisitas
Tabel 4.6 Heteroskedastisitas Model Unstandardized Coefficients t Sig. B Std. Error 1(Constant) .939 .882 1.064 .288 asimetri informasi .005 .013 .391 .696 ukuran perusahaan -.024 .071 -.339 .735
1. Dependent Variable: abs_residu
Dari hasil pada tabel 4.6 uji heteroskedastisitas dengan menggunakan uji Glejser terdapat nilai probabilitas signifikansi pada koefisien variabel asimetri informasi sebesar 0,696 > 0,05 yang artinya tidak terdapat heteroskedastisitas, dan untuk koefisien variabel ukuran perusahaan nilai probabilitas signifikasinya sebesar 0,735 > 0,05 yang berarti tidak terdapat heteroskedastisitas. Dengan hasil tersebut dapat disimpulkan tidak ada heteroskedastisitas pada peelitian ini. C. Analisis Regresi Data Panel
1. Metode common effect
Menguji atau melakukan regresi dengan metode common effect. Berikut hasil pengujian dengan pendekatan common effect.
Tabel 4.7 Common Effect
Variable Coefficient Std. Error t-Statistic Prob.
C 0.641443 0.179483 3.573844 0.0004
ASIMETRI_INFORMASI? 0.011917 0.002492 4.781873 0.0000
R-squared 0.194351 Mean dependent var -0.002949
Adjusted R-squared 0.187376 S.D. dependent var 0.156951
S.E. of regression 0.141485 Akaike info criterion -1.060510
Sum squared resid 4.624154 Schwarz criterion -1.016211
Log likelihood 127.0796 F-statistic 27.86274
Durbin-Watson stat 1.910449 Prob(F-statistic) 0.000000
Dari hasil tersebut dapat dibuat persamaan untuk metode common effect sebagai berikut
ML= 0,641443+0,011917 AI-0,060142 UP 2. Metode fixed effect
Langkah berikutnya adalah menguji atau meregresi dengan metode fixed effect. Berikut ini adalah hasil pengujian dengan metode fixed effect:
Tabel 4.8 Fixed Effect
Variable Coefficient Std. Error t-Statistic Prob.
C 2.031591 0.294467 6.899212 0.0000
ASIMETRI_INFORMASI? 0.012491 0.002949 4.235403 0.0000
UKURAN_PERUSAHAAN? -0.174935 0.023485 -7.448852 0.0000
Fixed Effects (Cross)
_CEKA—C 0.023082 _CEKA—C 0.023082 _CEKA—C 0.023082 _DLTA—C 0.003103 _DLTA—C 0.003103 _DLTA—C 0.003103
ML_CEKA = 0,0230816273+2,031591139+0,01249103254 AI -0,1749351437 UP ML_DLTA = 0,003102780832+2,031591139+0,01249103254 AI-0,1749351437 UP ML_FAST = -0,0664635564+2,031591139+0,01249013254 AI-0,1749351437 UP 3. Uji Chow
Setelah melakukan regresi dengan kedua pendekatan (common effect dan fixed effect) kita harus melakukan uji Chow untuk mengetahui metode mana yang paling tepat. Berikut ini adalah hasil uji Chow:
Tabel 4.9 Uji Chow
Effects Test Statistic d.f. Prob.
Cross-section F 1.486742 (77,154) 0.0194
Cross-section Chi-square 130.061997 77 0.0002
Dari hasil uji Chow dapat dilihat pada kolom cross-section F test terdapat angka probabilitas signifikansi sebesar 0.0194 yang artinya lebih kecil dari level of significant sebesar 0.05, atau dengan kata lain Ho ditolak atau menggunakan pendekatan fixed effect sehingga analisis dilanjutkan ke tahap selanjutnya.