METODE PENELITIAN
D. Metode Pengumpulan Data
1. Uji Kualitas Data
Sebelum menguji hipotesis yang diajukan, dilakukan uji kualitas data terhadap data yang telah dikumpulkan dengan melakukan screening data untuk mendeteksi adanya data outlier dan melakukan uji asumsi klasik. a. Data Outlier
Outlier adalah kasus atau data yang memiliki karakteristik unik yang
terlihat sangat berbeda jauh dari observasi-observasi lainnya dan muncul dalam bentuk nilai ekstrim baik untuk sebuah variabel tunggal atau variabel kombinasi. Deteksi terhadap univariate outlier dapat dilakukan dengan menentukan nilai batas yang akan dikategorikan sebagai data outlier yaitu dengan cara mengkonversi nilai data ke dalam skor standardized atau yang biasa disebut z-score, yang memiliki nilai means (rata-rata) sama dengan nol dan standar deviasi sama dengan satu (Ghozali, 2011 : 41).
Setelah outlier teridentifikasi langkah berikutnya adalah tetap memper-tahankan data outlier atau membuang data outlier. Secara filosofi seharusnya outlier tetap dipertahankan jika data outlier itu memang representasi dari populasi yang kita teliti. Namun demikian outlier
harus kita buang jika data outlier tersebut memang tidak menggambarkan observasi dalam populasi (Ghozali, 2011 : 43).
commit to user b. Uji Asumsi Klasik
Tujuan pengujian asumsi klasik ini adalah untuk menguji dan mengetahui kelayakan atas model regresi yang digunakan dalam penelitian ini. Pengujian ini juga digunakan untuk memastikan bahwa model regresi yang digunakan di dalam model ini benar-benar bebas dari adanya gejala heteroskedastisitas, gejala multikolinearitas, dan gejala autokorelasi. Serta untuk memastikan bahwa data yang dihasilkan berdistribusi normal (Ghozali, 2011 : 104).
Proses pengujian asumsi klasik dilakukan bersama dengan proses uji regresi sehingga langkah-langkah yang dilakukan dalam pengujian asumsi klasik menggunakan langkah kerja yang sama dengan uji regresi.
1). Uji Normalitas
Uji normalitas bertujuan untuk menguji apakah dalam model regresi, variabel pengganggu atau residual memiliki distribusi normal. Seperti diketahui bahwa uji t dan F mengasumsikan bahwa nilai residual mengikuti distribusi normal. Kalau asumsi ini dilanggar maka uji statistik menjadi tidak valid untuk jumlah sampel yang kecil (Ghozali, 2011 : 160).
Pada prinsipnya normalitas dapat dideteksi dengan melihat penyebaran data (titik) pada sumbu diagonal dari grafik atau dengan melihat histogram dari residualnya. Dasar pengambilan keputusan (Ghozali, 2011 : 163) adalah sebagai berikut:
commit to user
a). Jika data menyebar disekitar garis diagonal dan mengikuti arah garis diagonal atau grafik histogramnya menunjukkan pola distribusi normal, maka model regresi memenuhi asumsi normalitas.
b). Jika data menyebar jauh dari diagonal dan/atau tidak mengikuti arah garis diagonal atau grafik histogram tidak menunjukkan pola distribusi normal, maka model regresi tidak memenuhi asumsi normalitas.
Uji normalitas dengan grafik dapat menyesatkan kalau tidak hati-hati, secara visual kelihatan normal, pada hal secara statistik bisa sebaliknya. Oleh sebab itu dianjurkan disamping uji grafik dilengkapi dengan uji statistik. Uji statistik sederhana dapat dilakukan dengan menilai nilai kurtosis dan skewness dari residual (Ghozali, 2011 : 163). Uji statistik lain yang dapat digunakan untuk menguji normalitas residual adalah uji statistik non-parametrik Kolmogorov-Smirnov (K-S). Uji K-S dilakukan dengan membuat hipotesis (Ghozali, 2011 : 164) sebagai berikut:
H₀ : Data residual berdistribusi normal Ha : Data residual tidak berdistribusi normal 2). Uji Heteroskedastisitas
Uji Heteroskedastisitas bertujuan menguji apakah dalam model regresi terjadi ketidaksamaan varian dari residual satu pengamatan ke pengamatan yang lain. Jika variance dari residual satu pengamatan ke pangamatan yang tetap, maka disebut Homoskedasitisitas dan jika
commit to user
berbeda disebut Heteroskedastisitas. Model regresi yang baik adalah yang Homoskedatisitas atau tidak terjadi Heteroskesdatisitas (Ghozali, 2011 : 139).
Uji Heteroskedastisitas dalam penelitian ini dilakukan dengan menggunakan uji glejser yaitu dengan meregres nilai absolute residual terhadap variabel independen (Ghozali, 2011 : 139). Variabel independen dikatakan tidak terkena heterokedastisitas, jika tidak signifikan secara statistik yaitu p lebih besar dari 0,05 (Ghozali, 2009). 3). Uji Autokorelasi
Uji Autokorelasi bertujuan menguji apakah dalam model regresi linear ada korelasi antara kesalahan pengganggu pada periode t dengan kesalahan pengganggu pada periode t-1 (sebelumnya) (Ghozali, 2011 : 110). Uji Autokorelasi hanya dilakukan pada data time series (runtut waktu) dan tidak perlu dilakukan pada data cross section seperti pada kuesioner yang pengukuran semua variabelnya dilakukan secara serempak pada saat yang bersamaan.
c. Analisis Deskriptif
Untuk analisis deskriptif menggunakan statistik deskriptif yang digunakan untuk mengetahui tingkat manajemen laba dan nilai perusahaan pada perusahaan manufaktur di BEI. Pengukuran yang digunakan dalam penelitian ini adalah nilai minimum, nilai maksimum, mean, dan standard deviation.
commit to user d. Pengujian Hipotesis
1) Analisis Regresi
Dalam penelitian ini model regresi yang akan dianalisis yaitu model pengaruh antara manajemen laba terhadap nilai perusahaan dengan menggunakan analisis regresi linear sederhana (simple regression
analysis) dengan persamaan sebagai berikut:
Y = a + b1X1 + e Keterangan:
a = Konstanta
b1 = Koefisien regresi
Y = Kinerja Perusahaan (Tobin’s Q) X1 = Earnings Manajemen
e = Error term, yaitu tingkat kesalahan penduga dalam penelitian Secara umum, analisis regresi pada dasarnya adalah studi mengenai ketergantungan variabel dependen (terikat) dengan satu atau lebih variabel independen (variabel penjelas/bebas), dengan tujuan untuk mengestimasi dan/atau memprediksi rata-rata populasi atau nila rata-rata variabel dependen berdasarkan nilai variabel independen yang diketahui (Ghozali, 2011 : 95). Hal ini dapat diukur dari nilai koefisien determinasi, nilai statistik F, dan nilai statistik t.
Koefisien determinasi (R²) pada intinya mengukur seberapa jauh kemampuan model dalam menerangkan variasi variabel dependen. Nilai koefisien determinasi adalah antara nol dan satu. Nilai R² yang kecil
commit to user
berarti kemampuan variabel-variabel independen dalam menjelaskan variasi variabel dependen amat terbatas. Nilai yang mendekati satu berarti variabel-variabel independen memberikan hampir semua informasi yang dibutuhkan untuk memprediksi variasi variabel dependen (Ghozali, 2011 : 97). Kelemahan mendasar penggunaan koefisien determinasi adalah bisa terhadap jumlah variabel independen yang dimasukkan ke dalam model. Setiap tambahan satu variabel independen, maka R² pasti meningkat tidak peduli apakah variabel tersebut berpengaruh secara signifikan terhadap variabel dependen. Oleh karena itu banyak peneliti menganjurkan untuk menggunakan nilai Adjusted R² pada saat mengevaluasi mana model regresi terbaik. Dalam penelitian ini karena menggunakan variabel independen hanya satu variabel, maka menggunakan R square. (Ghozali, 2011 : 97).
