BAB IV ANALISIS HASIL PENELITIAN
B. Analisis Hasil Penelitian
2. Uji Asumsi Klasik
Uji data statistik dengan model kolmogorov-Smirnov dilakukan untuk mengetahui apakah data sudah terdistribusi secara normal atau tidak. Ghozali (2005:115), memberikan pedoman pengambilan keputusan rentang data mendekati atau merupakan distribusi normal berdasarkan uji Kolmogorov Smirnov yang dapat dilihat dari :
1. nilai signifikan atau probabilitas < 0,05, maka distribusi data adalah tidak normal.
2. nilai signifikan atau probabilitas < 0,05, maka distribusi data adalah tidak normal.
Hasil uji normalitas dengan menggunakan Kolomogorov Smirnov adalah seperti yang ditampilkan berikut ini :
Tabel 4.3 Uji Normalitas
One-Sample Kolmogorov-Smirnov Test
Kepemilikan Manajerial
Proporsi Dewan Komisaris
Komite Audit
Manajemen Laba
Kinerja Perusahaan
N 34 34 34 34 34
Normal Parametersa Mean .36912 .37353 .61441 2.09265 .14418
Std. Deviation .284289 .086371 .271731 2.355704 .142492 Most Extreme
Differences
Absolute .163 .267 .235 .215 .185
Positive .163 .203 .235 .215 .185
Negative -.119 -.267 -.187 -.196 -.159
Kolmogorov-Smirnov Z .951 1.559 1.369 1.253 1.079
Asymp. Sig. (2-tailed) .327 .015 .047 .086 .195
a. Test distribution is Normal.
Sumber : Data yang Diolah Peneliti, 2010
Berdasarkan hasil uji statistik dengan model Kolmogorov-Smirnov seperti yang terdapat dalam tabel 4-3 dapat dilihat dari signifikan (2-tailed) Kolmogorov-Smirnov dari variabel kepemilikan manajerial, proporsi dewan komisaris, komite audit dan manajemen laba serta kinerja perusahaan lebih besar dari 0,05 atau telah terdistribusi dengan normal.
Dengan demikian, secara keseluruhan dapat disimpulkan bahwa nilai- nilai observasi data telah terdistribusi secara normal dan dapat dilanjutkan
dengan uji asumsi klasik lainnya. Untuk lebih jelas, berikut ini dvhnturut dilampirkan grafik histogram dan plot data yang terdistribusi normal.
Gambar 4.1 Histogram Sumber: Data yang diolah peneliti, 2010.
Gambar 4.2
Grafik Normal P-P Plot Sumber: Data yang diolah peneliti, 2010.
Dengan cara membandingkan antara data observasi dengan distribusi yang mendekati distribusi normal, dari grafik di atas dapat disimpulkan bahwa distribusi data normal karena grafik histogram menunjukkan distribusi data mengikuti garis diagonal yang tidak menceng (skewness) ke kiri maupun ke kanan atau normal.
Demikian pula dengan hasil uji normalitas dengan menggunakan grafik plot. Pada grafik normal plot, terlihat titik-titik menyebar disekitar garis diagonal serta penyebarannya agak mendekati dengan garis diagonal sehingga dapat disimpulkan bahwa data dalam model regresi terdistribusi secara normal.
Gambar 4.3 Histogram Sumber: Data yang diolah peneliti, 2010.
Gambar 4.4
Grafik Normal P-P Plot Sumber: Data yang diolah peneliti, 2010.
Dengan cara membandingkan antara data observasi dengan distribusi yang mendekati distribusi normal, dari grafik di atas dapat disimpulkan bahwa distribusi data normal karena grafik histogram menunjukkan distribusi data mengikuti garis diagonal yang tidak menceng (skewness) ke kiri maupun ke kanan atau normal.
Demikian pula dengan hasil uji normalitas dengan menggunakan grafik plot. Pada grafik normal plot, terlihat titik-titik menyebar disekitar garis diagonal serta penyebarannya agak mendekati dengan garis diagonal sehingga dapat disimpulkan bahwa data dalam model regresi terdistribusi secara normal.
b. Uji Autokorelasi
Uji ini bertujuan untuk melihat apakah dalam suatu model regresi linear ada korelasi antar kesalahan pengganggu pada periode t dengan kesalahan pada periode t-1. Autokorelasi muncul karena observasi yang berurutan sepanjang tahun yang berkaitan satu dengan yang lainnya. Hal ini sering ditemukan pada time series. Cara yang dapat digunakan untuk mendeteksi masalah autokorelasi adalah dengan menggunakan nilai uji Durbin Watson dengan ketentuan sebagai berikut:
4) Angka D-W dibawah -2 berarti ada autokorelasi positif,
5) Angka D-W di antara -2 sampai +2, berarti tidak ada autokorelasi, 6) Angka D-W di atas +2 berarti ada autokorelasi negatif.
Tabel 4.4
Hasil Uji Autokorelasi
Model R R Square
Adjusted R Square
Std. Error of the
Estimate Durbin-Watson
1 .498a .248 .173 2.141996 1.500
a. Predictors: (Constant), Komite Audit, Kepemilikan Manajerial, Proporsi Dewan Komisaris b. Dependent Variable: Manajemen Laba
Sumber: Data yang diolah peneliti, 2010.
Tabel 4.7 memperlihatkan nilai statistik D-W sebesar 1,500. Angka ini terletak diantara -2 dan +2, dari pengamatan ini dapat disimpulkan bahwa tidak terjadi autokorelasi positif maupun autokorelasi negatif.
Tabel 4.5
Hasil Uji Autokorelasi
Model R R Square Adjusted R Square
Std. Error of the
Estimate Durbin-Watson
1 .430a .185 .103 .134951 1.286 a. Predictors: (Constant), Komite Audit, Kepemilikan Manajerial, Proporsi Dewan Komisaris b. Dependent Variable: Kinerja Perusahaan
Sumber: Data yang diolah peneliti, 2010.
Tabel 4.7 memperlihatkan nilai statistik D-W sebesar 1,286. Angka ini terletak diantara -2 dan +2, dari pengamatan ini dapat disimpulkan bahwa tidak terjadi autokorelasi positif maupun autokorelasi negatif.
c. Uji Heterokedastisitas
Dalam penelitian ini, untuk mendeteksi ada tidaknya gejala heteroskedastisitas adalah dengan melihat plot grafik yang dihasilkan dari pengolahan data dengan menggunakan program SPSS. Dasar pengambilan keputusannya adalah:
1) Jika ada pola tertentu, seperti titik-titik yang ada membentuk pola tertentu yang teratur (bergelombang, melebar kemudian menyempit), maka mengindikasikan telah terjadi heteroskedastisitas,
2) Jika tidak ada pola yang jelas, seperti titik-titik menyebar di atas dan di bawah angka 0 pada sumbu Y, maka tidak terjadi heteroskedastisitas atau terjadi homoskedastisitas.
Berikut ini dilampirkan grafik scatterplot untuk menganalisis apakah terjadi heteroskedastisitas atau terjadi homoskedastisitas dengan mengamati penyebaran titik-titik pada gambar.
Gambar 4.5 Scatterplot Sumber: Data yang diolah peneliti, 2010
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 heteroskedastisitas pada model regresi.
Adanya titik-titik yang menyebar menjauh dari titik-titik yang lain dikarenakan adanya data observasi yang sangat berbeda dengan data observasi yang lain.
Gambar 4.6 Scatterplot Sumber: Data yang diolah peneliti, 2010.
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 heteroskedastisitas pada model regresi.
Adanya titik-titik yang menyebar menjauh dari titik-titik yang lain dikarenakan adanya data observasi yang sangat berbeda dengan data observasi yang lain.
d. Uji Multikolinearitas
Dalam penelitian ini, untuk mendeteksi ada tidaknya gejala multikolonieritas adalah dengan melihat besaran korelasi antar variabel independen dan besarnya tingkat kolonieritas yang masih dapat ditolerir, yaitu:
Tolerance > 0.10 dan VIF < 10. Berikut disajikan tabel hasil pengujian.
Tabel 4.6
Coefficients untuk Manajemen Laba
Model
Collinearity Statistics
Tolerance VIF
1 (Constant) Kepemilikan
Manajerial .975 1.025
Proporsi Dewan
Komisaris .974 1.027
Komite Audit .981 1.020
a. Dependent Variable: Manajemen Laba
Sumber: Data yang diolah peneliti, 2010 Tabel 4.5
Cofficients Correlations untuk Manajemen Laba
Model Komite Audit
Kepemilikan Manajerial
Proporsi Dewan Komisaris
1 Correlations Komite Audit 1.000 -.088 -.096
Kepemilikan Manajerial -.088 1.000 -.121
Proporsi Dewan Komisaris -.096 -.121 1.000
Covariances Komite Audit 1.920 -.163 -.708
Kepemilikan Manajerial -.163 1.769 -.863
Proporsi Dewan Komisaris -.708 -.863 28.583
a. Dependent Variable: Manajemen Laba
Sumber: Data yang diolah peneliti, 2010.
Melihat hasil besaran korelasi antar variabel independen tampak bahwa variabel arus kas operasi dan variabel ROA mempunyai korelasi sebesar 0,015
atau sekitar 1,5 %. Hasil dari coefficient correlations tersebut menunjukkan tidak ada korelasi yang tinggi (umumnya diatas 0,90), maka hal ini merupakan indikasi tidak adanya multikolonieritas. Hasil perhitungan nilai tolerance menunjukkan variabel independen memiliki nilai tolerance lebih dari 0,10 yaitu 1,0000 yang berarti tidak terjadi korelasi antar variabel independen.
Hasil perhitungan VIF juga menunjukkan hal yang sama dimana variabel independen memiliki nilai VIF kurang dari 10 yaitu 1,000. Berdasarkan tabel diatas dapat disimpulkan bahwa tidak ada multikolonieritas antar variabel independen dalam model ini.
Tabel 4.6
Coefficients untuk Kinerja Perusahaan
Model
Collinearity Statistics
Tolerance VIF
1 (Constant) Kepemilikan
Manajerial .975 1.025
Proporsi Dewan
Komisaris .974 1.027
Komite Audit .981 1.020
a. Dependent Variable: Kinerja Perusahaan
Sumber: Data yang diolah peneliti, 2010.
Tabel 4.7
Cofficients Correlations untuk Kinerja Perusahaan
Coefficient Correlationsa
Model Komite Audit
Kepemilikan Manajerial
Proporsi Dewan Komisaris
1 Correlations Komite Audit 1.000 -.088 -.096
Kepemilikan Manajerial -.088 1.000 -.121
Proporsi Dewan Komisaris -.096 -.121 1.000
Covariances Komite Audit .008 .000 -.003
Kepemilikan Manajerial .000 .007 -.003
Proporsi Dewan Komisaris -.003 -.003 .113
a. Dependent Variable: Kinerja Perusahaan
Sumber: Data yang diolah peneliti, 2010.
Melihat hasil besaran korelasi antar variabel independen tampak bahwa variabel arus kas operasi dan variabel ROA mempunyai korelasi sebesar 0,015 atau sekitar 1,5 %. Hasil dari coefficient correlations tersebut menunjukkan tidak ada korelasi yang tinggi (umumnya diatas 0,90), maka hal ini merupakan indikasi tidak adanya multikolonieritas. Hasil perhitungan nilai tolerance menunjukkan variabel independen memiliki nilai tolerance lebih dari 0,10 yaitu 1,0000 yang berarti tidak terjadi korelasi antar variabel independen.
Hasil perhitungan VIF juga menunjukkan hal yang sama dimana variabel independen memiliki nilai VIF kurang dari 10 yaitu 1,000. Berdasarkan tabel diatas dapat disimpulkan bahwa tidak ada multikolonieritas antar variabel independen dalam model ini.