commit to user
34 BAB IV
HASIL ANALISIS DAN PEMBAHASAN
3.1 Hasil Pemilihan Sampel dan Penggunaan Data
Sampel yang dipilih sesuai dengan kriteria yang telah ditentukan oleh penulis, yaitu perusahaan manufaktur yang go-public di Indonesia (terdaftar di Bursa Efek Indonesia), data laporan keuangan tersedia pada tahun 2011, laporan keuangan telah diaudit, data harga saham tersedia selama periode pengamatan, dan data yang tersedia lengkap. Secara ringkas dapat dilihat pada tabel 4.1 berikut ini:
Tabel 4.1 Sampel Penelitian
Total Perusahaan 442
Perusahaan Non-Manufakur 311
Perusahaan Manufaktur 131
Tidak Mengungkapkan OCI 82
Total Sampel 49
Outliers 2
Total Observasi 47
Sumber: data sekunder diolah
Dari populasi perusahaan yang terdaftar di Bursa Efek Indonesia pada tahun 2011 sebanyak 442 yang memenuhi kriteria menjadi sampel penelitian berjumlah 131 perusahaan yang tergolong dalam sektor manufaktur. Dari 131 perusahaan sampel tersebut yang tidak mengungkapkan other comprehensive income (OCI) sebanyak 82 perusahaan. Sehingga jumlah sampel yang dapat diproses dalam pengolahan data hanya berjumlah 49 perusahaan. Dalam proses
commit to user
35 pengolahan data, terdapat 2 data outliers yang menganggu normalitas data. Agar tidak menganggu asumsi ordinary least squares (OLS), maka 2 data outliers tersebut dihapus dari sampel penelitian.
3.2 Analisis Data
3.2.1 Variabel Manajemen Laba
Manajemen laba dalam penelitian ini dihitung dengan menggunakan Modified Jones Model sesuai dengan yang digunakan Dechow et al., (1995).
Langkah-langkah perhitungannya sebagai berikut ini.
1. Mencari nilai koefisien
Perhitungan dilakukan dengan meregresikan model regresi (1).
Regresi ini adalah untuk mendeteksi adanya discretionary accruals dan non- discretionary accruals. Berikut ini adalah hasil regresi dari model regresi (1):
Tabel 4.2
Perhitungan Koefisien Discretionary Accruals Model
Standardized Coefficients ( )
t ( )
Sig.
Std. Error
1 (Constant) -0,626 0,535
TACC 0,384 2,590 0,013
REV_TA 0,016 0,116 0,908
PPE_TA 0,055 0,374 0,710
Sumber: data sekunder diolah Keterangan:
TACC : total accruals/ total aset tahun t-1
REV_TA : (pendapatan tahun t – pendapatan tahun t-1) – (piutang usaha tahun t – piutang usaha tahun t-1)/ total aset tahun t-1
PPE_TA : aset tetap tahun t/ total aset tahun t-1
commit to user
36 Dari tabel tersebut dapat diketahui bahwa nilai koefesien
masing-masing sebesar 0,384, 0,016, dan 0,055. Dari ketiga nilai koefisien tersebut dapat digunakan untuk menghitung nilai non-discretionary accruals.
2. Menghitung nilai DACC
Sebelum menghitung nilai DACC, terlebih dahulu menghitung nilai NDACC yang diperoleh dengan cara memasukkan nilai koefisien ke dalam model regresi (2). Nilai DACC diperoleh dengan cara menselisihkan nilai TACC dan NDACC. Nilai DACC yang digunakan dalam penelitian ini adalah nilai absolut dari DACC.
3.2.2 Deskriptif Variabel Penelitian
Tabel 4.3 menunjukkan deskripsi terhadap variabel-variabel yang digunakan di dalam penelitian, sebagai berikut ini.
Tabel 4.3
Analisis Deskriptif Variabel
N Minimum Maximum Mean Std. Deviation
DACC 47 0,01 0,87 0,1015 0,13268
OCI 47 -0,29 4,34 0,1793 0,67212
SIZE 47 24.,06 33,33 28,0598 2,20980
CrrntR 47 0,19 8,55 2,3027 1,50350
DebtR 47 0,09 2,99 0,5540 0,44348
ROA 47 -0,07 0,71 0,0917 0,12222
CFO 47 -0,15 1,01 0,0981 0,18777
Sumber: data sekunder diolah Keterangan :
DACC : discretionary accruals ROA : kinerja perusahaan OCI : other comprehensive income ratio CFO : arus kas dari operasi SIZE : ukuran perusahaan
CrrntR : current ratio DebtR : assets-liability ratio
commit to user
37 Dari tabel 4.3 menunjukkan bahwa nilai DACC yang merupakan proksi dari manajemen laba adalah antara 0,01 sampai 0,87 dengan rata-rata sebesar 0,1015 dan standar deviasi sebesar 0,13268. DACC dalam penelitian ini digunakan sebagai variabel dependen yang digunakan untuk model regresi (3).
Semakin tinggi nilai DACC berarti menunjukkan semakin tinggi pula manajemen laba yang dilakukan, baik dengan menaikkan maupun menurunkan laba perusahaan. Nilai mean yang positif dari DACC pada perusahaan manufaktur menunjukkan bahwa ada indikasi praktik manajemen laba dengan cara menaikkan laba perusahaan.
Variabel OCI dalam penelitian ini merupakan variabel independen untuk model regresi (3). Variabel ini digunakan untuk mengetahui seberapa besar tingkat pengungkapan other comprehensive income yang dilakukan oleh perusahaan. Variabel ini dihitung dari total other comprehensive income dibagi dengan total laba komprehensif bersih. Dari tabel 4.3 diketahui bahwa nilai OCI antara -0,29 sampai 4,34 dengan rata-rata sebesar 0,1793 dan standar deviasi sebesar 0,67212.
Variabel SIZE dalam penelitian ini merupakan variabel kontrol untuk model regresi (3). Variabel ini digunakan untuk mengetahui seberapa besar sebuah perusahaan. Variabel ini dihitung dari logaritma natural total kapitalisasi pasar perusahaan. Dari tabel 4.3 diketahui bahwa nilai SIZE antara 24,06 sampai 33,33 dengan rata-rata sebesar 28,0598 dan standar deviasi sebesar 2,20980.
Variabel CrrntR dan DebtR dalam penelitian ini merupakan variabel kontrol untuk model regresi (3). Variabel ini digunakan untuk mengukur tingkat
commit to user
38 utang dari perusahaan dan tingkat risiko dari investor jika perusahaan mengalami kebangkrutan. Variabel CrrntR dihitung dari aset lancar dibagi dengan liabilitas lancar. Dari tabel 4.3 diketahui bahwa nilai CrrntR antara 0,19 sampai 8,55 dengan rata-rata sebesar 2,3027 dan standar deviasi sebesar 1,50350. Sedangkan variabel DebtR diperoleh dari total liabilitas dibagi dengan total aset. Nilai DebtR dari tabel 4.3 antara 0,09 sampai 2,99 dengan nilai rata-rata sebesar 0,5540 dan standar deviasi sebesar 0,44348.
Variabel ROA dalam penelitian ini merupakan variabel kontrol untuk model regresi (3). Variabel ini digunakan untuk mengetahui kinerja sebuah perusahaan. Variabel ini dihitung dari total laba bersih komprehensif dibagi dengan total aset. Dari tabel 4.3 diketahui bahwa nilai ROA antara -0,07 sampai 0,71 dengan rata-rata sebesar 0,0917 dan standar deviasi sebesar 1,2222.
Variabel CFO dalam penelitian ini merupakan variabel kontrol untuk model regresi (3). Variabel ini digunakan untuk mengetahui perputaran arus kas sebuah perusahaan. Variabel ini dihitung dari total arus kas bersih dari operasi dibagi dengan total aset. Dari tabel 4.3 diketahui bahwa nilai CFO antara -0.15 sampai 1.01 dengan rata-rata sebesar 0.0981 dan standar deviasi sebesar 0.18777.
3.3 Hasil Pengujian Asumsi Klasik
Analisis regresi linear berganda memerlukan beberapa asumsi agar model tersebut layak untuk digunakan. Asumsi yang digunakan dalam penelitian ini adalah Uji Normalitas, Uji Multikolinearitas, Uji Heteroskedastisitas, dan Uji Autokorelasi. Selain itu, agar model menjadi lebih fit, maka data outliers dalam
commit to user
39 penelitian ini juga dihilangkan. Berikut ini adalah identifikasi data outliers dalam penelitian ini.
Tabel 4.4
Identifikasi Data Outliers Nomor
Data
Std.
Residual
Nilai Residual
17 3,072 0,38518
47 6,235 4,29570
Sumber: data sekuder diolah
Dari tabel 4.4 diketahui data ke-17 dan data ke-47 menyimpang terlalu jauh dari data yang lain sehingga dikeluarkan dari model regresi (3) dalam penelitian ini. Jika tidak dikeluarkan, kedua data tersebut akan menganggu normalitas data.
3.3.1 Uji Normalitas
Uji normalitas bertujuan untuk menguji model regresi variabel dependen dan variabel independen mempunyai distribusi normal atau tidak. Model regresi yang baik adalah memiliki distribusi data normal atau mendekati normal (Ghozali, 2011). Alat yang digunakan untuk menguji normalitas pada penelitian ini adalah adalah one-sample kolmogorov-smirnov. Dengan menggunakan uji K-S ini, normalitas dari distribusi data dapat diketahui.
Pengujian yang digunakan adalah pengujian dua arah atau two tailed yang mempunyai batas nilai α adalah 0,05 dengan ketentuan data terdistribusi normal jika p value lebih besar dari 0,05. Sebaliknya, jika p value lebih kecil dari 0,05
commit to user
40 maka data terdistribusi tidak normal. Pada penelitian ini uji normalitas diuji dari nilai residual dari model regresi (3).
Tabel 4.5
Hasil Uji Normalitas Data
Objek Pengujian Asymp. Sig Kesimpulan
Unstandardized Residual
dari model regresi (3) 0,519 Normal
Sumber: data sekunder diolah
Dari tabel 4.5 dapat diketahui bahwa taraf signifikansi sebesar 0,519 lebih besar dari 0,05. Hal tersebut menunjukkan bahwa nilai residual dari model regresi (3) terdistribusi secara normal.
3.3.2 Uji Multikolinieritas
Dalam pengujian multikolinieritas, peneliti menggunakan metode dengan melihat nilai variance inflation factor (VIF) dan tolerance. Pada penelitian ini pengujian multikolinieritas yang diuji adalah model regresi (3). Nilai tolerance tidak kurang dari 0,1 dan nilai VIF tidak lebih dari 10 menunjukkan bahwa tidak terjadi multikolinieritas.
commit to user
41 Tabel 4.6
Hasil Uji Multikolinieritas Variabel Tolerance VIF
OCI 0,940 1,064
SIZE 0,803 1,245
CrrntR 0.,697 1,436
DebtR 0,453 2,207
ROA 0,657 1,521
CFO 0,474 2,110
Sumber: data sekunder diolah Keterangan :
DACC : discretionary accruals
OCI : other comprehensive income ratio SIZE : ukuran perusahaan
CrrntR : current ratio DebtR : assets-liability ratio ROA : kinerja perusahaan CFO : arus kas dari operasi
Dari tabel 4.6 di atas menunjukkan hasil perhitungan nilai tolerance tidak ada yang lebih dari 0,1 yang berarti tidak ada korelasi antar variabel independen dan variabel kontrol yang nilainya lebih besar dari 95%. Hasil perhitungan nilai VIF juga menunjukkan hal yang sama, tidak ada variabel independen dan variabel kontrol yang memiliki nilai VIF lebih dari 10. Jadi dapat disimpulkan bahwa tidak ada multikolinieritas antar variabel independen dan variabel kontrol dalam model regresi (3).
3.3.3 Uji Heteroskedastisitas
Untuk mendeteksi ada tidaknya heteroskedastisitas dilakukan dengan menggunakan uji Park yaitu dengan cara mengkuadratkan nilai unstandardized residual dari model regresi (3) yang kemudian nilai tersebut ditransformasi menggunakan logaritma natural. Nilai yang diperoleh tersebut kemudian
commit to user
42 diregresikan sebagai variabel dependen. Jika koefisien parameter beta dari model regresi tersebut signifikan secara statistik, maka dalam model empiris yang diestimasi terdapat heteroskedastisitas. Sebaliknya jika parameter beta tidak signifikan secara statistik, maka dalam model tersebut tidak ada heteroskedastisitas.
Tabel 4.7
Hasil Uji Heteroskedastisitas Variabel Prob. t </> =5%
OCI 0,561 0,05
SIZE 0,795 0,05
CrrntR 0,936 0,05
DebtR 0,066 0,05
ROA 0,220 0,05
CFO 0,092 0,05
Sumber: data sekunder diolah Keterangan :
DACC : discretionary accruals
OCI : other comprehensive income ratio SIZE : ukuran perusahaan
CrrntR : current ratio DebtR : assets-liability ratio ROA : kinerja perusahaan CFO : arus kas dari operasi
Dari tabel 4.7 diatas menunjukkan bahwa tidak ada variabel independen dan variabel kontrol yang memiliki signifikansi kurang dari 0,05 yang berarti tidak terdapat heteroskedastisitas dalam model regresi (3).
3.3.4 Uji Autokorelasi
Uji autokorelasi digunakan untuk variabel pengganggu pada suatu observasi tertentu berkorelasi dengan variabel pengganggu pada observasi
commit to user
43 lainnya. Dalam penelitian ini digunakan uji Durbin-Watson untuk menunjukkan apakah terjadi autokorelasi pada model regresi (3), jika du < d < (4 – du) maka tidak terjadi autokorelasi.
Tabel 4.8 Uji Autokorelasi
d Model regresi (3) 1,914
Sumber: data sekunder diolah
Hasil uji autokorelasi pada model regresi (3) disajikan pada Tabel 4.5.
menunjukkan bahwa nilai d sebesar 1,914. Berdasarkan jumlah sampel sebanyak 47 (n) dan jumlah variabel independen dan variabel kontrol sebanyak 6 (k), maka didapat nilai dl sebesar 1,2131 dan nilai du sebesar 1,8863. Maka dapat disimpulkan bahwa tidak terjadi autokorelasi baik positif maupun negatif pada model regresi (3) karena nilai d berada pada du < d < 4 – du (1,8863 < 1,914 <
2,1137).
3.4 Hasil Pengujian Hipotesis dan Pembahasan 3.4.1 Uji Koefisien Determinasi (Goodness of Fit/ R2)
Uji goodness of fit merupakan pengujian untuk melihat kesesuaian model, atau seberapa besar kemampuan variabel bebas dalam menjelaskan varians variabel terikatnya. Hasil perhitungan nilai R dan koefisien determinasi dalam penelitian ini sebagai berikut:
Tabel 4.9 Uji Goodness of Fit
Model R R Square
Adjusted R Square
Std. Error of the Estimate
1 0,837 0,701 0,656 0,07783
Sumber: data sekunder diolah
commit to user
44 Nilai adjusted R2 (R Square) adalah 0,701. Hal ini menunjukkan bahwa persentase sumbangan pengaruh variabel independen (OCI) dan variabel kontrol (SIZE, CrrntR, DebtR, ROA, CFO) terhadap variabel dependen (DACC) sebesar 70,1%. Atau variabel independen (OCI) dan variabel kontrol (SIZE, CrrntR, DebtR, ROA, CFO) yang digunakan dalam model regresi (3) mampu menjelaskan sebesar 70,1% variabel dependen (DACC). Sedangkan sisanya sebesar 29,9%
dipengaruhi atau dijelaskan oleh variabel lain yang tidak dimasukkan dalam model penelitian ini.
Standard Error of the Estimate (SEE) adalah suatu ukuran banyaknya
kesalahan model regresi dalam memprediksikan variabel dependen. Dari hasil regresi di dapat nilai 0,07783. Hal ini berarti banyaknya kesalahan dalam memprediksi manajemen laba (DACC) sebesar 0,07783. Sebagai pedoman jika nilai SEE kurang dari standar deviasi variabel DACC, maka model regresi semakin baik dalam memprediksi nilai DACC. Dalam penelitian ini nilai SEE kurang dari nilai standar deviasi DACC (0,07783 < 0,13268). Jadi dapat disimpulkan, dalam penelitian ini model regresi(3) terbukti mampu memprediksi nilai DACC dengan baik.
3.4.2 Uji Signifikansi Simultan (Uji Statistik F)
Uji Signifikansi Simultan (uji statistik F) adalah untuk melihat pengaruh variabel independen (OCI) dan variabel kontrol (SIZE, CrrntR, DebtR, ROA, CFO) terhadap variabel dependen (DACC). Berikut ini adalah nilai F hitung dalam penelitian ini:
commit to user
45 Tabel 4.10
Uji Statistik F
Model F Sig.
1 15,612 0,000
Sumber: data sekunder diolah
Tabel 4.10 menunjukkan hasil perhitungan regresi dari model regresi (3), diperoleh F hitung 15,612 sedangkan F tabel 2,336. Maka dapat diketahui bahwa F hitung > F tabel (15,612 > 2,336), sehingga Ha diterima. Sedangkan nilai probabilitas dari F statistik adalah 0,000, dengan membandingkan antara probabilitas F statistik dengan tingkat α = 5 % dapat diketahui bahwa nilai probabilitas F statitistik < α (0,000 < 0,05). Sehingga dapat disimpulkan bahwa secara statistik, model regresi (3) dapat digunakan untuk memprediksi DACC atau dapat dikatakan bahwa OCI, SIZE, CrrntR, DebtR, ROA, dan CFO secara bersama-sama berpengaruh terhadap DACC.
3.4.3 Uji Signifikansi Parameter Individual (Uji Statistik t)
Uji statistik t digunakan untuk melihat pengaruh variabel-variabel bebas secara parsial terhadap variabel terikatnya. Tingkat signifikansi yang digunakan adalah 0,05. Jika nilai signifikansi lebih kecil dari 0,05, maka hipotesis alternatif diterima yang menyatakan bahwa suatu variabel independen secara parsial mempengaruhi variabel dependen. Berikut ini adalah hasil perhitungan nilai t hitung dan taraf signifikansinya dari model regresi (3):
commit to user
46 Tabel 4.11
Uji Statistik t
Sumber: data sekunder diolah Keterangan:
DACC : discretionary accruals
OCI : other comprehensive income ratio SIZE : ukuran perusahaan
CrrntR : current ratio DebtR : assets-liability ratio ROA : kinerja perusahaan CFO : arus kas dari operasi
* diterima pada tingkat signifikansi < 5%
** diterima pada tingkat signifikansi < 10%
Dalam penelitian ini variabel independen (OCI) dan 2 variabel kontrol (SIZE, ROA) tidak berpengaruh secara signifikan terhadap variabel DACC. Dari hasil tersebut dapat diketahui bahwa hipotesis alternatif dalam penelitian ditolak baik dalam tingkat signifikansi 5% maupun 10%. Hipotesis dalam penelitian ini ditolak karena variabel OCI tidak memiliki pengaruh signifikan terhadap variabel DACC.
Variabel independen dalam penelitian OCI) memiliki hubungan negatif terhadap variabel dependen (DACC) ditunjukkan dari t hitung yang memiliki nilai negatif. Sedangkan dari lima variabel kontrol dalam penelitian ini terdapat empat variabel (SIZE, CrrntR, Debt, CFO) yang memiliki hubungan positif terhadap variabel dependen (DACC) yang ditunjukkan dari nilai t hitung yang bernilai
t hitung Sig.
OCI -0,293 0,771 SIZE 0,801 0,428 CrrntR 1,802 0,079**
DebtR 6,067 0,000* ROA -1,357 0,182 CFO 1,902 0,064**
commit to user
47 positif. Sementara itu, untuk variabel kontrol (ROA) memiliki hubungan yang negative ditunjukkan dengan nilai t hitung yang bernilai negatif.
Tabel 4.11 diatas menunjukkan bahwa variabel DebtR (variabel kontrol) berpengaruh secara signifikan terhadap variabel dependen (DACC) pada tingkat signifikansi 5%. Variabel DebtR menghasilkan nilai signifikansi sebesar 0,000 kurang dari 0,05 dan t hitung sebesar 6,067 lebih besar dari t tabel 2,013.
Sehingga dapat disimpulkan variabel DebtR berpengaruh signifikan secara positif terhadap variabel DACC. Sementara itu variabel kontrol CrrntR dan CFO berpengaruh positif secara signifikan terhadap variabel DACC pada tingkat signifikansi 10%.
3.4.4 Pembahasan Hasil Uji Hipotesis
Hasil uji statistik t dalam penelitian ini antara variabel independen (OCI) terhadap variabel dependen (DACC) menunjukkan bahwa other comprehensive income (OCI) tidak berpengaruh secara signifikan terhadap manajemen laba
(DACC) atau hipotesis dalam penelitian ini ditolak. Hal tersebut ditunjukkan dengan nilai signifikansi sebesar 0,771 jauh lebih besar dari tingkat signifikansi yang ditentukan sebesar 0,05 maupun 0,10. Selain itu t hitung dari variabel OCI hanya sebesar -0,293 jauh lebih kecil dari t tabel yang sebesar 2,013, nilai t hitung negatif tersebut menunjukkan bahwa sebenarnya other comprehensive income memiliki hubungan negatif terhadap manajemen laba.
Sementara itu dari lima variabel kontrol yang digunakan dalam penelitian ini terdapat dua variabel yang tidak mempengaruhi manajemen laba yaitu ukuran
commit to user
48 perusahaan dan kinerja perusahaan. Ukuran perusahaan yang diukur dengan SIZE memiliki tingkat signifikansi 0,428 dengan t hitung 0,801, sedangkan kinerja perusahaan yang diukur dengan ROA memiliki tingkat signifikansi 0,182 dengan t hitung -1,357. Dari tingkat signifikansi kedua variabel kontrol tersebut yang kurang dari tingkat signifikansi 5% dan 10%, maka dapat dipastikan bahwa keduanya tidak berpengaruh secara signifikan terhadap manajemen laba. Dari t hitung ukuran perusahaan yang bernilai positif dapat diketahui bahwa ukuran perusahaan akan meningkatkan manajemen laba, sedangka t hitung negatif kinerja perusahaan berarti akan mengurangi manajemen laba.
Variabel kontrol leverage yang diukur dengan current ratio dan asset- liability ratio masing-masing berpengaruh signifikan secara positif pada tingkat
5% (CrrntR) dengan t hitung 6,607 dan 10% (DebtR) dengan t hitung 1,802 terhadap manajemen laba. Dari t tabel yang bernilai positif tersebut dapat dapat diketahui bahwa variabel kontrol leverage akan meningkatkan manajemen laba.
Hasil yang sama juga ditunjukkan oleh variabel kontrol arus kas operasi yang berpengaruh signifikan secara positif terhadap manajemen laba pada tingkat signifikansi 10% dengan signifikansi sebesar 0,182 dan t tabel 1,902.
Hasil pengujian hipotesis dalam penelitian ini ditolak dan tidak sesuai dengan penelitian yang dilakukan oleh Lin et al., (2012) pada perusahaan go- public di China dengan jumlah sampel sebanyak 391 pada tahun 2009. Penelitian
oleh Lin et al., (2012) menunjukkan bahwa pengungkapan other comprehensive income berpengaruh signifikan terhadap manajemen laba dan memiliki hubungan yang negatif. Penelitian Lin et la., (2012) menunjukkan semakin tinggi tingkat
commit to user
49 pengungkapan other comprehensive income maka akan membatasi manajemen laba yang dilakukan oleh manajemen. Dalam penelitian ini sebenarnya other comprehensive income memiliki hubungan negatif terhadap manajemen laba,
sesuai dengan penelitian Lin et al., (2012). Akan tetapi, hubungan negatif tersebut tidak berpengaruh secara signifikan terhadap manajemen laba.
Hipotesis dalam penelitian ini ditolak dimungkinkan karena nilai other comprehensive income yang diungkapkan oleh perusahaan terlalu kecil. Sehingga
sumbangan pengaruhnya terhadap manajemen laba sulit untuk dibuktikan. Hal tersebut didukung oleh penelitian Hirst et al. (2004) yang mengungkapkan bahwa transparansi yang lemah atas perubahan ekuitas suatu perusahaan akan berdampak pada sulitnya pendeteksian manajemen laba yang terjadi. Dari penjelasan tersebut dapat disimpulkan jika nilai other comprehensive income yang diungkapkan perusahaan tinggi, maka dimungkinkan pengungkapan other comprehensive income akan memiliki pengaruh yang signifikan terhadap manajemen laba.