BAB IV HASIL ANALISA DAN PEMBAHASAN A. Statistik Deskriptif Penelitian ini menggunakan analisa regresi yang tujuannya adalah untuk meramalkan suatu nilai variabel dependen dengan adanya perubahan dari variabel independen. Jika hanya menggunakan satu variabel independen maka disebut analisis regresi linear sederhana, sedangkan jika menggunakan lebih dari satu variabel independen maka disebut regresi linear berganda atau multiple regreesion. Informasi yang dibutuhkan dalam penelitian ini merupakan data sekunder yang diperoleh dari data laporan keuangan perusahaan Food and Beverages dari tahun 2010 sampai tahun 2012 yang dijabarkan dalam bentuk statistik. 56
57 Tabel 4.1 Statistik Deskriptif Descriptive Statistics N Minimum Maximum Sum Mean Std. Deviation Statistic Statistic Statistic Statistic Statistic Std. Error Statistic Leverage 30.27 3.65 44.77 1.4923.17686.96869 Total Asset 30 201003.00 3246498515.00 8595910281.00 286530342.7000 112810144.21949 617886607.04428 Net Earnings 30 131108.00 613187243.00 2253276849.00 75109228.3000 22008351.25598 120544704.36395 PerataanLaba 30.08 11.19 48.31 1.6103.46710 2.55839 Expected 30 82867.00 299697505.00 954666324.00 31822210.8000 10806487.75412 59189571.10337 Earnings Valid N (listwise) 30 Sumber: Data diolah (2014) Berdasarkan tabel di atas, dapat menunjukkan bahwa variabel leverage, total asset, net earnings, perataan laba, dan expected earnings memiliki nilai minimum positif. Untuk nilai maximum semua variabel memiliki nilai positif. Jumlah observasi (N) adalah 30. Rasio pengukuran perusahaan, yang dipresentasikan dengan variabel leverage, memiliki nilai minimum sebesar 0,27 dan nilai maximum sebesar 3,65. Nilai rata-ratanya adalah sebesar 1,4923 dengan jumlah sampel sebanyak 30. Variabel net earnings (sebelum pos luar biasa) memiliki nilai minimum sebesar 131108,00 serta nilai maximum sebesar 613187243,00. Nilai rata-rata sebesar 75109228,3000 dengan jumlah observasi (N) adalah 30.
58 Variabel total asset memiliki nilai minimum sebesar 201003,00 dan nilai maksimum sebesar 3246498515,00. Nilai rata-ratanya sebesar 286530342,7000 dengan jumlah observasi (N) adalah 30. Variabel expected earnings memiliki nilai minimum sebesar 82867,00 dan nilai maksimum sebesar 299697505,00. Nilai rata-ratanya sebesar 31822210,8000 dengan jumlah observasi (N) adalah 30. Variabel perataan laba memiliki nilai minimum sebesar 0,08 dan nilai maksimum sebesar 11,19. Nilai rata-ratanya sebesar 1,6103 dengan jumlah observasi (N) adalah 30. B. Normalitas Data Uji normalitas digunakan untuk mengetahui apakah data dalam penelitian yang digunakan, memiliki distribusi yang normal atau tidak. Analisis Kolmogorov Smirnov merupakan suatu pengujian untuk menguji keselarasan data, dimana suatu sampel dikatakan berdistribusi normal atau berdistribusi tidak normal. Berikut ini adalah hasil pengolahan data statistik untuk uji normalitas Kolmogorov-Smirnov:
59 Tabel 4.2 Tabel Uji Normalitas Kolmogorov Smirnov One-Sample Kolmogorov-Smirnov Test Unstandardized Residual N 30 Normal Parameters a,b Std. Deviation 27456474.171342 50 Mean.0000000 Most Extreme Differences Absolute.139 Positive.139 Negative -.129 Kolmogorov-Smirnov Z.762 Asymp. Sig. (2-tailed).607 a. Test distribution is Normal. b. Calculated from data. Sumber : data diolah (2014) Hasil output diatas menunjukkan bahwa semu variabel yang ada pada penelitian ini Asymp. Sig > 0,05 yaitu 0,607. Hal ini membuktikan bahwa model regresi tersebut telah terdistribusi secara normal.
60 Gambar 4.1. Histogram Sumber : data diolah (2014) Gambar 4.2 Grafik Normal Probability Sumber : data diolah (2014) Dengan cara membandingkan antara data observasi dengan distribusi yang mendekati distribusi normal, dari grafik diatas dapat disimpulkan bahwa distribusi data normal karena grafik histogram
61 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 data berada disekitar garis diagonal dan mengikuti arah garis diagonal.dengan demikian, dapat disimpulkan bahwa data dalam penelitian ini sudah didistribusi dengan normal atau sudah memenuhi asumsi normalitas. C. Uji Asumsi Klasik 1. Uji Multikolinearitas Uji asumsi regresi berganda multikolinearitas bertujuan untuk menguji apakah pada model regresi ditemukan adanya korelasi antara variabel bebas yaitu korelasi antara perataan laba, leverage, net earnings, dan total asset. Jika terjadi korelasi, maka terdapat masalah multikolinearitas. Model regresi berganda yang baik dan layak dipakai seharusnya tidak terjadi korelasi di antara variabel bebas (perataan laba, leverage, net earning, dan total asset). Jika terjadi multikolinearitas, maka salah satu variabel bebas harus dikeluarkan dari model regresi berganda Deteksi adanya multikolinearitas: a. Besaran VIF (Variance Inflation Factor) dan Tolerance. 1. Mempunyai nilai VIF disekitar angka satu atau kurang dari 10 2. Mempunyai angka Tolerance mendekati satu 3. Tolerance = 1/VIF atau bisa juga VIF = 1/Tolerance
62 Tabel 4.3 Tabel Uji Multikolinieritas Coefficients a Model Collinearity Statistics Tolerance VIF Leverage.969 1.032 1 Total Asset.284 3.516 Net Earnings.282 3.547 PerataanLaba.944 1.059 a. Dependent Variable: ExpectedEarning Sumber : data diolah (2014) Berdasarkan tabel diatas, diketahui bahwa seluruh variabel bebas memiliki VIF < 10, berarti tidak ada multikolinearitas. Maka dapat dikatakan bahwa di antara sesama variabel bebas tidak mempunyai hubungan langsung (tidak berkorelasi), sehingga penelitian dapat dilanjutkan. 2. Uji Autokorelasi Uji autokorelasi bertujuan untuk menguji apakah dalam model regresi terdapat korelasi antara kesalahan pengganggu pada periode t dengan kesalahan pengganggu pada periode t-1 (sebelumnya). Jika terjadi korelasi, maka dinamakan ada masalah autokorelasi. Adanya masalah autokorelasi menyebabkan model regresi berganda yang seharusnya signifikan (lihat angka F dan signifikannya) menjadi tidak layak untuk dipakai.
63 Deteksi adanya autokorelasi : Jika nilai Durbin Watson hitung mendekati atau di sekitar angka 2 maka model tersebut bebas dari asumsi klasik autokorelasi, karena angka 2 pada uji Durbin Watson terletak di daerah No Autocorrelation. Tabel 4.4 Tabel Uji Autokorelasi Model Summary b Model R R Square Adjusted R Square Std. Error of the Estimate Durbin-Watson 1.886 a.785.750 29571527.68710 2.096 a. Predictors: (Constant), Perataan Laba, Net Earnings, Leverage, Total Asset b. Dependent Variable: Expected Earnings Sumber data diolah (2014) Berdasarkan data hasil pengujian autokorelasi didapat bahwa nilai Durbin-Watson sebesar 2,096 maka dapat disimpulkan bahwa tidak ada keputusan autokorelasi, karena Durbin-Watson berada dikisaran 2 sampai +2 sehingga dapat disimpulkan bahwa model regresi linier berganda terbebas dari asumsi klasik statistic autokorelasi. 3. Uji Heteroskedastisitas Uji asumsi regresi berganda heteroskedastisitas bertujuan untuk menguji apakah dalam sebuah model regresi terjadi ketidaksamaan varians dari satu pengamatan ke pengamatan lain.jika varians dari residual atau sama dalam suatu pengamatan ke pengamatan lain tetap, maka disebut homoskedastisitas. Sementara, apabila varians berbeda disebut heteroskedastisitas. Model regresi berganda yang baik dan layak dipakai adalah yangtidak terjadi heteroskedastisitas.
64 Deteksi adanya heteroskedastisitas Mendeteksi ada atau tidaknya heteroskedastisitas pada suatu model regresi berganda dapat dilakukan dengan melihat ada tidaknya pola tertentu pada grafik, di mana sumbu X dan Y yang telah diprediksi, dan sumbu Y adalah residual (Y prediksi Y sesungguhnya) yang telah distudentized. Dasar pengambilan keputusan adalah : a. Jika ada pola tertentu, seperti titik-titik (point-point) yang ada membentuk suatu pola tertentu yang teratur (bergelombang, melebar, kemudian menyempit), maka telah terjadi heteroskedastisitas. b. Jika tidak ada pola yang jelas, serta titik-titik menyebar di atas dan di bawah angka nol (0) pada sumbu Y, maka tidak terjadi heteroskedastisitas. Gambar 4.3 Grafik Pengujian Heteroskedastisitas Sumber : data diolah (2014)
65 Berdasarkan gambar 4.3 dapat dilihat titik-titik yang ada tidak membentuk sebuah pola tertentu yang jelas tersebar baik di atas maupun di bawah angka nol (0) pada sumbu Y (regression standardized residual). Hal ini berarti tidak terjadi heteroskedastisitas pada model regresi berganda sehingga model regesi berganda baik dan layak dipakai untuk prediksi expected earnings berdasarkan masukan variabel bebasnya yaitu perataan laba, leverage, net earnings, dan total asset. D. Uji Hipotesis 1. Uji Parsial Dengan T-Test Uji parsial dimaksudkan untuk menguji parameter β yaitu apakah variabel bebas perataan laba, leverage, net earnings dan total asset dapat dipakai sebagai penduga yang signifikan terhadap variabel terikat expected earning dengan tingkat signifikansi sebesar 0,05. Tabel 4.5 Tabel Uji t Coefficients a Model Unstandardized Coefficients Standardized Coefficients B Std. Error Beta t Sig. (Constant) 27757.814 11709.918 2.370.026 Leverage -2531.903 5690.251 -.085 -.445.660 1 Total Asset -.023.035 -.127 -.655.518 Net Earnings.135.181.142.746.463 PerataanLaba -2804.825 2157.658 -.250-1.300.205 a. Dependent Variable: Expected Earnings Sumber data diolah (2014)
66 Nilai t hitung dilihat pada tabel 4.6 diatas. Sedangkan nilai t tabel dapat dihasilkan dengan menggunakan aplikasi Microsoft Excel dengan rumus =TINV(0.05,n-k-1) dimana 0,05 merupakan signifikan, n adalah jumlah data dan k adalah variabel independen. Sehingga diperoleh sebesar 2,059538553. a. Pada variabel levarege memiliki nilai signifikan sebesar 0,660 menunjukkan nilai signifikan uji t lebih besar dari 0,05 sedangkan nilai t hitung sebesar -0,445 hal ini menunjukkan bahwa t hitung < t tabel (-0,4445 < 2,059538553) yang berarti Ho diterima. Ha ditolak artinya leverage tidak mempunyai pengaruh yang signifikan terhadap expected earnings. b. Pada variabel total asset memiliki nilai signifikan sebesar 0,518 menunjukkan nilai signifikan uji t lebih besar dari 0,05 sedangkan nilai t hitung sebesar 0,518 hal ini menunjukkan bahwa t hitung < t tabel (-0,655< 2,059538553) yang berarti Ho diterima dan Ha ditolak artinya total asset tidak mempunyai pengaruh yang signifikan terhadap expected earnings. c. Pada variabel net earnings memiliki nilai signifikan sebesar 0,746 menunjukkan nilai signifikan uji t lebih besar dari 0,05 sedangkan nilai t hitung sebesar 0,746 hal ini menunjukkan bahwa t hitung < t tabel (0,746< 2,059538553) yang berarti Ho diterima dan Ha ditolak artinya net earnings tidak mempunyai pengaruh yang signifikan terhadap expected earnings. d. Pada variabel perataan laba memiliki nilai signifikan sebesar 0,205 menunjukkan nilai signifikan uji t lebih besar dari 0,05 sedangkan nilai t
67 hitung sebesar -1,300 hal ini menunjukkan bahwa t hitung < t tabel (-1,300< 2,059538553) yang berarti Ho diterima dan Ha ditolak artinya perataan laba tidak mempunyai pengaruh yang signifikan terhadap expected earnings. 2. Uji Anova atau F Test Uji anova dilakukan dengan melihat hasil uji signifikansi F test yaitu apakah hasil uji signifikansi tersebut lebih besar atau lebih kecil dari tingkat signifikasi sebesar 0,05. Dasar pengambilan keputusan adalah sebagai berikut : H 0 = Secara bersama-sama perataan laba, leverage, net earnings dan total asset tidak mempunyai pengaruh yang signifikan terhadap expected earnings. Ha = Secara bersama-sama perataan laba, leverage, net earnings dan total asset mempunyai pengaruh yang signifikan terhadap expected earnings. Dasar pengambilan keputusan ( berdarkan probabilitas ) : a. Jika probabilitas < 0,05 maka Ha diterima b. Jika probabilitas > 0,05 maka H 0 ditolak Dimana tingkat signifikansi sama dengan 0,05
68 Tabel 4.6 Tabel Uji F ANOVA a Model Sum of Squares df Mean Square F Sig. Regression 2650899386.090 4 662724846.523.780.549 b 1 Residual 21254409160.610 25 850176366.424 Total 23905308546.700 29 a. Dependent Variable: ExpectedEarning b. Predictors: (Constant), PerataanLaba, Laverage, NetEarning, TotalAset Sumber data diolah (2014) Maka dapat diperoleh nilai F tabel dengan menggunakan aplikasi Microsoft Excel yaitu dengan rumus = FINV (0.05,k-1,n-k) yaitu sebesar 1,907404834. Sehingga dapat disimpulkan bahwa F hitung < F tabel yaitu 0,780 < 1,907404834 maka Ho diterima dan Ha ditolak, berarti tidak ada pengaruh yang signifikan antara variabel independen (X) secara bersamasama terhadap variabel dependen (Y). 3. Mengartikan Koefisien Determinasi ( R 2 ) / (Adjusted R Square) Dengan mengartikan koefisien determinasi (R 2 )(Adjusted Square) dapat diketahui seberapa kuat atau lemahnya pengaruh perataan laba, leverage, net earnings dan total asset secara bersama-sama terhadap variabel terikat yaitu expected earnings. Hal ini dapat ditentukan dengan melihat angka Adjusted R Square.
69 Tabel 4.7 Tabel Uji (Adjusted R Square) Model Summary b Model R R Square Adjusted R Square Std. Error of the Estimate 1.333 a.111.031 29157.78398 a. Predictors: (Constant), PerataanLaba, Laverage, NetEarning, TotalAset b. Dependent Variable: ExpectedEarning Sumber data diolah (2014) Pada hasil output di atas menunjukkan bahwa nilai R 2 (R square) adalah sebesar 0,111. Jadi sumbangan pengaruh dari variabel independen yaitu sebesar 11,1% sedangkan sisanya sebesar 88,9% dipengaruhi oleh variabel lain yang tidak dimasukan dalam model ini. E. Pembahasan Berdasarkan hasil pengujian analisis regresi linear berganda pada penelitian ini dengan menggunakan SPSS 21.0 diatas dapat dijelaskan bahwa variabel independen leverage, net earnings, total asset, perataan laba tidak berpengaruh signifikan terhadap expected earning pada perusahaan Food and Beverages yang terdaftar di BEI 2010-2012. a. Pada variabel levarege memiliki nilai signifikan sebesar 0,660 menunjukkan nilai signifikan uji t lebih besar dari 0,05 sedangkan nilai t hitung sebesar -0,445 hal ini menunjukkan bahwa t hitung < t tabel (-0,4445 < 2,059538553) yang berarti Ho diterima. Ha ditolak artinya leverage tidak mempunyai pengaruh yang signifikan terhadap expected earnings. Hasil penelitian ini mendukung penelitian yang dilakukan oleh Suwito dan Arleen (2005), tetapi tidak mendukung hasil penelitan yang dilakukan oleh
70 Djaddang (2006), yang mengatakan bahwa terdapat hubungan antara leverage dengan ekspektasi laba masa depan perusahaan. b. Pada variabel total asset memiliki nilai signifikan sebesar 0,518 menunjukkan nilai signifikan uji t lebih besar dari 0,05 sedangkan nilai t hitung sebesar 0,518 hal ini menunjukkan bahwa t hitung < t tabel (-0,655< 2,059538553) yang berarti Ho diterima dan Ha ditolak artinya total asset tidak mempunyai pengaruh yang signifikan terhadap expected earnings. c. Pada variabel net earning memiliki nilai signifikan sebesar 0,746 menunjukkan nilai signifikan uji t lebih besar dari 0,05 sedangkan nilai t hitung sebesar 0,746 hal ini menunjukkan bahwa t hitung < t tabel (0,746< 2,059538553) yang berarti Ho diterima dan Ha ditolak artinya net earnings tidak mempunyai pengaruh yang signifikan terhadap expected earnings. d. Pada perataan laba memiliki nilai signifikan sebesar 0,205 menunjukkan nilai signifikan uji t lebih besar dari 0,05 sedangkan nilai t hitung sebesar 0,205 hal ini menunjukkan bahwa t hitung < t tabel (-1,300< 2,059538553) yang berarti Ho diterima dan Ha ditolak artinya perataan laba tidak mempunyai pengaruh yang signifikan terhadap expected earnings. Sedangkan pada uji F dapat diperoleh nilai F tabel dengan menggunakan aplikasi Microsoft Excel yaitu dengan rumus = FINV (0.05,k-1,n-k) yaitu sebesar 1,907404834. Sehingga dapat disimpulkan bahwa F hitung < F tabel yaitu 0,780 < 1,907404834 maka Ho diterima dan Ha ditolak, berarti tidak ada pengaruh yang signifikan antara variabel independen (X) secara bersama-sama terhadap variabel dependen (Y).
71 Pada hasil output di atas menunjukkan bahwa nilai R 2 (R square) adalah sebesar 0,111. Jadi sumbangan pengaruh dari variabel independen yaitu sebesar 11,1% sedangkan sisanya sebesar 88,9% dipengaruhi oleh variabel lain yang tidak dimasukan dalam model ini.