Bab 3 Ghozali [PDF]

Citation preview

3.5.1 Analisis Statistik Deskriptif Statistik deskriptif memberikan gambaran atau deskripsi suatu data yang dilihat dari nilai rata-rata (mean), standar deviasi, varian, maksimum, minimum, sum,



range, kurtosis,



skewness kemencengan distribusi)



Pengujian ini dilakukan untuk



memberikan gambaran



(Ghozali, 2016). kondisi data yang



digunakan untuk setiap variabel yang dilihat dari rata-rata (mean),standar deviasi, maksimum, minimum, dan sum.. 3.5.2 Uji Asumsi Klasik Sebelum dilakukan pengujian langkah yang dilakukan sebelumnya adalah melakukan pengujian asumsi klasik terlebih dahulu yaitu meliputi uji multikolonieritas, uji autokorelasi, uji heteroskedastisitas, uji normalitas, dan uji linearitas.



Analisis regresi adalah studi mengenai ketergantungan variabel



dependen dengan satu atau lebih variabel independen, dengan tujuan untuk mengestimasi dan/atau memprediksi rata-rata populasi atau nilai rata-rata variabel dependen berdasarkan nilai variabel independen yang diketahui (Ghozali, 2016). Analisis tersebut dalam penelitian ini digunakan untuk menjawab bagaimana pengaruh antara profitabilitas, leverage, ukuran perusahaan, dan komite audit terhadap penghindaran pajak yang diuraikan sebagai berikut : 3.5.2.1 Uji Normalitas Uji normalitas bertujuan untuk menguji apakah dalam model regresi, variabel pengganggu atau residual memiliki distribusi normal.



Jika terdapat



normalitas maka residual akan terdistribusi secara normal dan independen



(Ghozali, 2016). Ada dua cara untuk mendeteksi apakah residual berdistribusi normal atau tidak yaitu dengan analisis grafik dan uji statistik yang dijelaskan sebagai berikut : a. Analisis Grafik Dalam analisis grafik untuk melihat normalitas residual melalui grafik histogram dan normal probability plot. Jika distribusi data residual normal, maka garis yang menggambarkan data sesungguhnya akan mengikuti garis diagonalnya dan ploting data residual akan dibandingkan dengan garis diagonal. b. Uji Statistik 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: H0 : Jika nilai signifikan < 0,05, maka data residual berdistribusi tidak normal. H1 : Jika nilai signifikan > 0,05, maka data residual berdistribusi normal. 3.5.2.2 Uji Multikolonieritas Uji multikolonieritas bertujuan untuk menguji apakah model regresi ditemukan adanya korelasi antar variabel bebas (independen). Model regresi yang baik seharusnya tidak terjadi korelasi diantara variabel independen.



Uji



multikolonieritas dapat dilihat dari nilai tolerance dan variance inflation factor (VIF). Nilai tolerance yang rendah sama dengan nilai VIF tinggi (karena VIF =



1/Tolerance).



Nilai



yang



umum



dipakai



untuk



menunjukkan



adanya



multikolonieritas adalah nilai tolerance ≤ 0,10 atau sama dengan nilai VIF ≥ 10. Jika nilai tolerance lebih rendah dari 0,10 berarti bahwa tidak ada korelasi antara variabel independen sehingga tidak terjadi adanya multikolonieritas. Sedangkan apabila nilai VIF lebih besar dari 10 maka akan terjadi multikolonieritas antar independen (Ghozali, 2016). 3.5.2.3 Uji Autokorelasi Menurut Ghozali (2016) 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). Jika terjadi



korelasi, maka dinamakan ada problem autokorelasi. Autokorelasi muncul karena observasi yang berurutan sepanjang waktu berkaitan satu sama lainnya. Model regresi yang baik adalah regresi yang bebas dari autokorelasi. Ada beberapa cara yang dapat digunakan untuk mendeteksi ada atau tidaknya autokorelasi sebagai berikut : a. Uji Durbin – Watson (DW test) Uji Durbin Watson hanya digunakan untuk autokorelasi tingkat satu (first order autocorrelation) dan mensyaratkan adanya



intercept (konstanta) dalam



model regresi dan tidak ada variabel lagi diantara variabel independen. Dasar pengambilan keputusannya yaitu angka DW diatas +2 berarti ada autokorelasi negatif, angka DW diantara -2 sampai +2 berarti tidak ada autokorelasi, dan angka DW dibawah -2 berarti ada autokorelasi positif



b. Mendeteksi Autokorelasi dengan Run Test Run test sebagai bagian dari statistik non-parametrik dapat pula digunakan untuk menguji apakah antar residual terdapat korelasi yang tinggi. Jika antar residual tidak terdapat hubungan korelasi maka dikatakan bahwa residual adalah acak atau random. Run test digunakan untuk melihat apakah data residual terjadi secara random atau tidak (sistematis). Kriteria yang digunakan dalam uji run test adalah apabila nilai signifikan lebih besar dari 0,05 maka tidak terjadi gejala autokorelasi dan sebaliknya jika signifikan lebih kecil dari 0,05 maka terjadi gejala autokorelasi dalam model regresi. 3.5.2.4 Uji Heteroskedastisitas Menurut Ghozali (2016) uji heteroskedastisitas bertujuan menguji apakah dalam model regresi terjadi ketidaksamaan variance dari residual satu pengamatan ke pengamatan yang lain. Jika variance dari residual satu pengamatan ke pengamatan lain tetap, maka disebut Homoskedastisitas dan jika berbeda disebut Heteroskedastisitas. Model regresi yang baik adalah yang Homoskedastisitas atau tidak terjadi Heteroskedastisitas. Kebanyakan data crossection mengandung situasi heteroskedastisitas karena data ini menghimpun data yang mewakili berbagai ukuran (kecil, sedang dan besar). Ada beberapa cara untuk mendeteksi ada atau tidaknya heteroskedastisitas sebagai berikut : a. Dengan melihat grafik plot, deteksi ada tidaknya heteroskedastisitas dapat dilakukan dengan melihat ada tidaknya pola tertentu pada grafik scatterplot. Jika ada pola tertentu, seperti titik-titik yang ada membentuk pola tertentu yang teratur



(bergelombang, melebar kemudian menyempit), maka mengindikasikan telah terjadi heteroskedastisitas. Jika tidak ada pola yang jelas, serta titik-titik menyebar diatas dan dibawah angka 0 pada sumbu Y, maka tidak terjadi heteroskedastisitas. b. Uji Rank Spearman, pada uji ini heteroskedastisitas terjadi apabila probabilitas signifikansinya diatas tingkat kepercayaan 5% maka dapat disimpulkan bahwa model regresi tidak mengandung adanya heteroskedastisitas. 3.5.3 Analisis Regresi Linear Berganda 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 ratrarata populasi atau nilai rata-rata variabel dependen berdasarkan nilai variabel independen yang diketahui (Gujarat, 2003) dalam (Ghozali, 2016). Pada penelitian ini analisis regresi bertujuan untuk mengetahui pengaruh variabel independen (profitabilitas, leverage, ukuran perusahaan,dan komite audit) terhadap variabel dependen (penghindaran pajak). Dalam pengolahan data ini menggunakan program software IBM SPSS (Statistic Package for Social Sciency). Hasil analisis regeresi berupa koefisien untuk masing-masing variabel independen. Koefisien ini diperoleh dengan cara memprediski nilai variabel dependen dengan suatu persamaan (Tabachnick,1996) dalam (Ghozali, 2016). Sehingga bentuk persamaan regresi yang digunakan adalah analisis regresi linear berganda dan dapat dirumuskan sebagai berikut : Y = α + β1X1 + β2X2 + β3X3 + β3X4 + e



Keterangan : Y = Penghindaran Pajak α = Konstanta β = Slope atau Koefisien Regresi X1 = Profitabilitas X2 = Leverage X3 = Ukuran Perusahaan X4 = Komite Audit e = error 3.5.4 Uji Signifikansi Parameter Individual atau Parsial (Uji t) Menurut Ghozali (2016) uji t pada dasarnya menunjukkan seberapa jauh pengaruh satu variabel penjelas / independen secara individual dalam menerangkan variasi variabel dependen. Hipotesis nol (Ho) yang hendak diuji adalah apakah suatu parameter (bi) sama dengan nol, atau : Ho : bi = 0 Artinya apakah suatu variabel independen bukan merupakan penjelas yang signifikan terhadap variabel dependen. Hipotesis alternatifnya (HA) parameter suatu variabel tidak sama dengan nol, atau : HA : bi ≠ 0 Artinya variabel tersebut merupakan penjelas yang signifikan terhadap variabel dependen. Uji parsial atau uji t berguna untuk menguji pengaruh dari masing-masing variabel independen secara parsial terhadap variabel dependen. Kriteria Adapun kriteria pengujian secara parsial



dengan tingkat level of significant α = 5% dan tingkat kepercayaan yang digunakan 95%, yaitu apabila nilai signifikansi t < 0,05, maka H0 ditolak, artinya ada pengaruh yang signifikan antara satu variabel independen terhadap variabel dependen. Dan apabila nilai signifikansi t > 0,05, maka H0 didukung, artinya tidak ada pengaruh signifikan antara satu variabel independen terhadap variabel dependen (Ghozali, 2011). 3.5.5 Uji Signifikansi Simultan (Uji F) Menurut Ghozali (2016) uji F pada dasarnya menunjukkan apakah semua variabel independen dalam model regresi secara bersama-sama memiliki pengaruh terhadap variabel dependen. Uji F digunakan untuk menguji joint hipotesa bahwa b1, b2, b3, dan b4 secara simultan sama dengan nol. Adapun kriteria pengujian adalah: H0 : Jika nilai signifikan uji F > 0,05, maka tidak terdapat pengaruh variabel independen secara simultan terhadap variabel dependen. H1 :



Jika nilai signifikan uji F < 0,05, maka terdapat pengaruh



variabel



independen secara simultan terhadap variabel dependen. 3.5.6 Koefisien Determinasi (R²) Menurut Ghozali (2016)



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 berarti kemampuan variabel-variabel independen dalam menjelaskan variasi



variabel dependen sangat terbatas. Nilai yang mendekati satu berarti variabelvariabel independen memberikan hampir semua informasi yang dibutuhkan untuk memprediksi variasi variabel dependen. Setiap tambahan satu variabel independen, maka R2 pasti meningkat tidak perduli 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. Tidak seperti R2, nilai Adjusted R2 dapat naik atau turun apabila satu variabel independen ditambahkan kedalam model.