SKRIPSI
Oleh:
Rina Apriliyanti
NIM: 11160820000024
1442 H/2021 M
PENGARUH THIN CAPITALIZATION, CAPITAL INTENSITY DAN
CORPORATE SOCIAL RESPONSIBILITY TERHADAP PENGHINDARAN
PAJAK DENGAN PEMANFAATAN TAX HAVENS COUNTRY SEBAGAI
VARIABEL MODERATING
(Studi Empiris Perusahaan Multinasional yang Terdaftar di Bursa Efek
Indonesia Tahun 2016-2019)
SKRIPSI
Diajukan kepada Fakultas Ekonomi dan Bisnis
Untuk Memenuhi Syarat-Syarat Guna Meraih Gelar Sarjana Akuntansi
Oleh:
Rina Apriliyanti
NIM: 11160820000024
Di Bawah bimbingan:
ii
LEMBAR PENGESAHAN UJIAN KOMPREHENSIF
Hari ini Senin, 6 April 2020 telah dilakukan Ujian Komprehensif atas mahasiswa:
1. Nama : Rina Apriliyanti
2. NIM : 11160820000024
3. Jurusan : Akuntansi
4. Judul Skripsi : Pengaruh Thin Capitalization, Capital Intensity dan
Corporate Social Responsibility Terhadap Penghindaran Pajak dengan
Pemanfaatan Tax Havens Country Sebagai Variabel Moderating (Studi
Empiris Perusahaan Multinasional yang Terdaftar di Bursa Efek Indonesia
Tahun 2016-2019)
iii
LEMBAR PENGESAHAN UJIAN SKRIPSI
Hari ini Kamis, 22 April 2021 telah dilaksanakan Ujian Skripsi atas mahasiswa:
1. Nama : Rina Apriliyanti
2. NIM : 11160820000024
3. Jurusan : Akuntansi
4. Judul Skripsi : Pengaruh Thin Capitalization, Capital Intensity dan
Corporate Social Responsibility Terhadap Penghindaran Pajak dengan
Pemanfaatan Tax Havens Country sebagai Variabel Moderating (Studi
Empiris Perusahaan Multinasional yang Terdaftar di Bursa Efek Indonesia
Tahun 2016-2019)
iv
LEMBAR PERNYATAAN KEASLIAN KARYA ILMIAH
Jika dikemudian hari ada tuntutan dari pihak lain atas karya saya, dan melalui
pembuktian dan dapat dipertanggungjawabkan, ternyata memang ditemukan bukti
bahwa saya telah melanggar aturan di atas, maka saya siap dikenai sanksi
berdasarkan aturan yang berlaku di Fakultas Ekonomi dan Bisnis UIN Syarif
Hidayatullah Jakarta.
Rina Apriliyanti
v
DAFTAR RIWAYAT HIDUP
I. IDENTITAS PRIBADI
1. Nama : Rina Apriliyanti
2. Tempat Tanggal Lahir : Bogor, 01 April 1998
3. Alamat : Jalan H. Salim Kp. Kelapa Dua RT
003/010 No. 134, Tugu, Cimanggis,
Depok, Jawa Barat
4. Telepon : 0896-6304-3521
5. Email : rina.apriliyanti14@gmail.com
II. PENDIDIKAN
1. SDN Tugu 8 (2004-2010)
2. SMPN 8 Depok (2010-2013)
3. MAN 14 Jakarta (2013-2016)
4. S1 Akuntansi UIN Syarif Hidayatullah Jakarta (2016-2021)
V. PENGALAMAN KEPANITIAAN
1. Koordinator Divisi Publikasi Dekorasi dan Dokumentasi Accounting
Week 2017. Acara yang diselenggarakan oleh Himpunan Mahasiswa
Jurusan Akuntansi UIN Syarif Hidayatullah tahun 2017.
2. Anggota Divisi Humas GALAKSI 2017. Acara yang diselenggarakan
oleh Himpunan Mahasiswa Jurusan Akuntansi UIN Syarif
Hidayatullah Jakarta tahun 2017.
3. Penanggung Jawab Divisi Publikasi Dekorasi dan Dokumentasi KKN
189 SINERSA UIN Syarif Hidayatullah Jakarta tahun 2019.
vi
THE EFFECT OF THIN CAPITALIZATION, CAPITAL INTENSITY AND
CORPORATE SOCIAL RESPONSIBILITY ON TAX AVOIDANCE WITH
UTILIZATION OF TAX HAVENS COUNTRY AS MODERATING
VARIABLE
ABSTRACT
vii
PENGARUH THIN CAPITALIZATION, CAPITAL INTENSITY DAN
CORPORATE SOCIAL RESPONSIBILITY TERHADAP PENGHINDARAN
PAJAK DENGAN PEMANFAATAN TAX HAVENS COUNTRY SEBAGAI
VARIABEL MODERATING
ABSTRAK
viii
KATA PENGANTAR
ix
5. Ibu Ismawati Haribowo, SE., M.Si. Selaku Dosen Pembimbing skripsi
yang telah meluangkan waktunya untuk selalu memberikan ilmu, saran,
bimbingan dan motivasi kepada penulis sehingga mampu menyelesaikan
skripsi ini.
6. Ibu Atiqah, SE., M.S.Ak. Selaku Dosen Pembimbing akademik yang telah
membantu dalam membimbing akademik perkuliahan.
7. Seluruh Dosen dan Karyawan Fakultas Ekonomi dan Bisnis UIN Syarif
Hidayatullah Jakarta.
8. Keluarga besar Opa Suradi dan Keluarga besar Jogonalan yang selalu
memotivasi penulis untuk menempuh dan menyelesaikan studi S1.
9. Teman seperjuangan bimbingan skripsi (Dewi, Safit, Endah, Rizky, dan
Dimas) yang saling mendoakan dan memberi dukungan.
10. Seluruh keluarga Akuntansi A dan seluruh keluarga besar Akuntansi
2016, terima kasih atas kenangan dan perjuangan semasa perkuliahan.
11. Keluarga Kubik Logistics, terutama Ibu Ratna Sari Tamin yang sudah
memberikan kesempatan untuk penulis magang dan selalu memberi
wejangan untuk masa depan penulis.
12. SJ Family dan RM Family yang selalu menghibur dengan canda tawa.
Penulis menyadari bahwa pembuatan skripsi ini masih jauh dalam
kesempurnaan. Oleh karena itu kritik dan saran yang membangun sangat
penulis harapkan demi kesempurnaan proposal penelitian ini. Penulis
berharap semoga skripsi ini dapat bermanfaat khususnya bagi penulis dan
umumnya bagi para pembaca.
Wassalamu’alaikum Warahmatullahi Wabarakaatuh.
Rina Apriliyanti
x
DAFTAR ISI
xi
1. Pengaruh Thin Capitalization terhadap Penghindaran Pajak .................... 38
2. Pengaruh Capital Intensity terhadap Penghindaran Pajak ........................ 39
3. Pengaruh Corporate Social Responsibility terhadap Penghindaran Pajak 41
4. Pengaruh Thin Capitalization terhadap Penghindaran Pajak dengan
Pemanfaatan Tax Havens Country ............................................................ 42
5. Pengaruh Capital Intensity terhadap Penghindaran Pajak dengan
Pemanfaatan Tax Havens Country ............................................................ 43
6. Pengaruh Corporate Social Responsibility terhadap Penghindaran Pajak
dengan Pemanfaatan Tax Havens Country ................................................ 44
BAB III ................................................................................................................. 45
METODE PENELITIAN ...................................................................................... 45
A. Ruang Lingkup Penelitian ............................................................................ 45
B. Penentuan Sampel ......................................................................................... 45
1. Populasi ...................................................................................................... 45
2. Sampel........................................................................................................ 46
C. Metode Pengumpulan Data ........................................................................... 47
1. Penelitian Pustaka (Library Research) ...................................................... 47
2. Penelitian Lapangan (Field Research) ...................................................... 47
D. Metode Analisis Data ................................................................................... 48
1. Statistik Deskriptif ..................................................................................... 48
2. Model Regresi Data Panel ......................................................................... 48
3. Uji Asumsi Klasik ...................................................................................... 51
4. Uji Hipotesis .............................................................................................. 54
E. Operasionalisasi Variabel Penelitian ............................................................ 58
1. Variabel Dependen (Y) .............................................................................. 58
2. Variabel Independen (X) ............................................................................ 59
3. Variabel Moderating .................................................................................. 61
BAB IV ................................................................................................................. 63
ANALISIS DAN PEMBAHASAN ...................................................................... 63
A. Gambaran Umum Objek Penelitian.............................................................. 63
B. Hasil Uji Data Penelitian .............................................................................. 64
xii
1. Uji Analisis Statistik Deskriptif ................................................................ 64
2. Uji Pemilihan Model ................................................................................. 67
3. Uji Asumsi Klasik ..................................................................................... 74
4. Pengujian Goodness of Fit Model ............................................................. 79
5. Pengujian Hipotesis ................................................................................... 82
C. Pembahasan .................................................................................................. 86
1. Pengaruh Thin Capitalization Terhadap Penghindaran Pajak ................... 86
2. Pengaruh Capital Intensity Terhadap Penghindaran Pajak ........................ 88
3. Pengaruh Corporate Social Responsibility Terhadap Penghindaran Pajak 89
4. Pengaruh Thin Capitalization Terhadap Penghindaran Pajak dengan
Pemanfaatan Tax Havens Country sebagai Variabel Moderating............. 91
5. Pengaruh Capital Intensity Terhadap Penghindaran Pajak dengan
Pemanfaatan Tax Havens Country sebagai Variabel Moderating............. 92
6. Pengaruh Corporate Social Responsibility Terhadap Penghindaran Pajak
dengan Pemanfaatan Tax Havens Country sebagai Variabel Moderating 94
BAB V................................................................................................................... 96
PENUTUP ............................................................................................................. 96
A. Kesimpulan ................................................................................................... 96
B. Saran ............................................................................................................. 97
DAFTAR PUSTAKA ........................................................................................... 99
LAMPIRAN.........................................................................................................108
xiii
DAFTAR TABEL
xiv
DAFTAR GAMBAR
xv
DAFTAR LAMPIRAN
xvi
BAB I
PENDAHULUAN
A. Latar Belakang
bisnisnya ke negara lain. Maka tak heran jika laba yang diperoleh perusahaan
badan usaha pun juga melakukan berbagai upaya untuk mengefisiensikan laba
upaya penghindaran pajak tersebut dilakukan, baik yang masih dalam batas-
batas praktik bisnis yang baik (good business purpose) dan dikategorikan
negara maju ataupun negara berkembang. Namun, pada faktanya masih sangat
1
adanya globalisasi yang dinilai mampu mengikis batas-batas antar negara, tidak
menutup kemungkinan akan ada pihak yang memanfaatkan celah tersebut untuk
melakukan praktik penghindaran pajak. Aliran dana gelap merupakan salah satu
penelitian yang dirilis oleh Edy Susanto (2019) terdapat tiga sektor industri
dengan aliran dana gelap tertinggi yaitu sektor pertanian, manufaktur, dan
rilisnya sebuah dokumen investigasi yang disebut dengan Panama Papers oleh
(Hoseini et al., 2019). Praktik penghindaran pajak terjadi karena tidak semua
sistem dan prosedur yang telah ditetapkan oleh pemerintah. Faktor penting
2
ketidakpatuhan wajib pajak terhadap kewajiban perpajakannya adalah karena
pajak dapat mengurangi laba perusahaan dengan proporsi yang cukup besar,
manajer selaku pihak yang mengelola perusahan akan semakin kecil (Salwah &
kegiatan berisiko yang mengenakan biaya signifikan pada perusahaan dan pihak
manajemen perusahaan.
Tabel 1.1
Kasus mengenai Penghindaran Pajak
No. Kasus (Tahun) Penjelasan
1. Amazon (2017) Amazon mengirimkan keuntungan atas
hak kekayaan intelektualnya senilai $217
juta ke anak perusahaannya di
Luksemburg. Pengiriman keuntungan ke
tax havens country Eropa tersebut
disinyalir merupakan salah satu cara
Amazon mengurangi tagihan pajaknya di
UE. Amazon didenda £283 juta.
2. Nike (2019) Nike mengalokasikan kepemilikan merek
dagang dan kekayaan intelektual lainnya
kepada anak perusahaan di negara
Bermuda. Anak perusahaan Nike di
Hilversum kemudian membayar royalti
untuk penggunaan merek dagang ke
negara Bermuda. Royalti dihitung sebagai
pengeluaran usaha dan maka dari itu tidak
dikenakan pajak di Belanda. Strategi
lainnya adalah menekan tagihan pajak
Nike di Amerika Serikat, dan memangkas
tarif pajak.
3. PT Adaro Energy Adaro diindikasi melakukan praktik
(2019) penghindaran pajak dengan skema
transfer pricing. Dengan cara menjual
batu bara dengan harga murah ke anak
perusahaan Adaro di Singapura,
Coaltrade Services International untuk
dijual lagi dengan harga tinggi.
4. British American BAT mengalihkan sebagian
Tobacco (BAT) dan pendapatannya ke luar Indonesia dengan
PT Bentoel cara melalui pinjaman intra perusahaan
Internasional dan melalui pembayaran kembali ke
Investama (2019) Inggris untuk royalti, ongkos, dan
layanan.
Dari berbagai sumber (2019).
3
Sebenarnya banyak sekali faktor-faktor yang menjadi pemicu utama
maupun eksternal. Dalam penelitian yang dilakukan oleh Gaaya et al., (2017)
lebih rendah, dan perusahaan cabang atau anak perusahaan dapat digunakan oleh
negeri untuk mengurangi pajak melalui skema profit shifting dan profit holding.
penelitian ini yang menjadi fokus utama peneliti adalah thin capitalization,
country.
tingkat utang sehingga nilai modal menjadi lebih kecil (Syahidah & Rahayu,
terhadap modal yang lebih tinggi untuk menghasilkan penghindaran pajak yang
lebih tinggi. Di Indonesia, aturan mengenai thin capitalization telah diatur dalam
yaitu Pasal 18 ayat (1) UU PPh tahun 1983 yang menjelaskan bahwa Menteri
modal yang dapat dibenarkan untuk kepentingan penghitungan pajak (Salwah &
4
Herianti, 2019). Untuk menekan pratik thin capitalization, Pemerintah secara
tahun pajak 2016 tentang Penentuan Besarnya Perbandingan Antara Utang dan
perbandingan utang dan modal menurut ketentuan terbaru maksimal sebesar 4:1.
pembiayaan utang yang berlebihan yakni diatas 75% (Afifah & Prastiwi, 2019).
untuk mendapatkan pajak insentif dari bunga, sementara tarif pajak rendah
memanfaatkan tax havens country (Prastiwi & Ratnasari, 2019). Dalam pasar
Salwah & Herianti (2019) setelah adanya peraturan Menteri Keuangan tentang
rasio utang terhadap modal mempengaruhi nilai rasio utang terhadap modal
5
serupa juga terdapat dalam penelitian Afifah & Prastiwi (2019) yang memiliki
tidak sejalan dengan penelitian yang dilakukan oleh Selistiaweni et al., (2020)
perbandingan utang dan modal sebesar 4:1 sesuai dengan ketentuan terbaru tidak
terpenuhi.
menghitung pajak, maka dengan semakin besar jumlah aset tetap yang dimiliki
aset tetap akan mengalami penyusutan yang akan menjadi biaya penyusutan
biaya penyusutan yang melekat pada aset tetap untuk menekan beban pajak
sebagai pengurang beban pajak (Wiguna & Jati, 2017). Perusahaan yang
memiliki proporsi besar dalam aset tetap akan membayar pajaknya lebih rendah,
6
karena perusahaan mendapatkan keuntungan dari depresiasi yang melekat pada
aset tetap yang dapat mengurangi beban pajak perusahaan. Dengan adanya
beban-beban yang disebabkan atas investasi perusahaan pada aset tetap, maka
akan mendorong niat dalam penurunan laba yang akan membentuk sikap untuk
2019). Hasil penelitian yang dilakukan oleh Dharma & Noviari (2017) dan
(Dwiyanti & Jati, 2019) menyatakan bahwa capital intensity memiliki pengaruh
dilakukan oleh Wiguna & Jati (2017) yang menyatakan bahwa capital intensity
tidak berpengaruh terhadap penghindaran pajak. Hal tersebut bisa terjadi karena
pada tanggung jawab yang berpijak pada perolehan laba perusahaan semata,
7
masyarakat setempat maupun untuk secara umum dengan cara-cara yang
bermanfaat, baik untuk bisnis itu sendiri maupun untuk masyarakat luas atau
untuk pembangunan (Dharma & Noviari, 2017). Tanggung jawab sosial yang
timbulnya kerugian bagi pihak yang tidak jujur (Chircop et al., 2018). Hubungan
sebuah perusahaan. Namun menurut Fitri et al., (2019) tidak semua perusahaan
didasari oleh komitmen yang murni, tetapi hanya untuk menutupi praktik bisnis
yang memunculkan ethical question atau sekedar alat “cuci dosa” atau dengan
8
digunakan untuk menyogok masyarakat agar menerima keberadaan korporasi
tersebut. Hasil penelitian yang dilakukan oleh Titisari & Mahanani (2017) yang
penghindaran pajak. Berbeda dengan hasil penelitian yang dilakukan oleh Dewi
& Noviari (2017) dan Dharma & Noviari (2017) menyatakan bahwa corporate
Hal lainnya yang berkaitan dengan penghindaran pajak yaitu tax havens
country. Munculnya negara-negara dengan tarif pajak rendah atau yang dikenal
independen yang memiliki pengenaan tarif pajak lebih rendah, bersifat rahasia
dan menawarkan jalan bagi individu maupun bisnis untuk tidak membayar pajak
dan menolak bekerja sama dengan yurisdiksi lain, terutama berkaitan dengan
keuntungan yang didapatkan oleh perusahaan dan juga negara tax havens itu
sendiri. Anak perusahaan yang tergabung dalam tax havens yang mungkin sah
pajak, karena mereka dapat membantu meningkatkan arus kas setelah pajak dari
9
pengawasan yang cermat dari otoritas pajak nasional maupun global (Nugraha
& Kristanto, 2019). Karena tax havens country termasuk entitas politik yang
menawarkan pengenaan pajak rendah bagi penghindar pajak. Selain itu, tax
havens country tersebut berupaya menggeser laba ke negara tax havens melalui
(Dharmawan et al., 2017). Seperti kasus Google, Google Asia Pacific Pte Ltd.
(Bentuk Usaha Tetap), karena hal inilah negara kesulitan mengejar pajak dan
Google merasa tidak hadir secara fisik dan juga transaksi kontrak oleh konsumen
juga dilakukan secara online (Widodo et al., 2020). Hasil penelitian yang
dilakukan oleh Syifa (2019) menyatakan bahwa tax havens tidak berpengaruh
yang dilakukan oleh Sima & Asri (2018) yang berpendapat bahwa pemanfaatan
dengan hasil penelitian yang dilakukan oleh Widodo et al., (2020) yang
pajak. Hal tersebut dikarenakan banyaknya investor yang berasal dari luar
10
negara tersebut, sehingga perusahaan hanya dikenakan tarif pajak yang sangat
Tabel 1.2
Daftar Negara Tax Havens Berdasarkan OECD
Karibia/ Hindia Barat Anguilla, Antigua dan Barbuda,
Aruba, Bahama, Barbados,
Kepulauan Virgin, Britania Raya,
Kepulauan Cayman, Dominika,
Grenada, Montserrat, Antillen,
Belanda, St. Kitts dan Nevis, St.
Lucia, St. Vincent dan
Grenadines, Turks dan Caicos,
A.S.
Amerika Tengah Belize, Kosta Rika, Panama.
Pantai Asia Timur Hongkong, Makau, Singapura.
Eropa/ Mediterania Andorra, Kepulauan Channel
(Guernsey dan Jersey), Siprus,
Gibralter, Isle of Man, Irlandia,
Liechtenstein, Luksemburg,
Malta, Monako, San Marino,
Swiss.
Samudra Hindia Maladewa, Mauritius, Seychelles.
Timur Tengah Bahrain, Yordania, Lebanon.
Atlantik Utara Bermuda
Pasifik/ Pasifik Selatan Kepulauan Cook, Kepulauan
Marshall, Samoa, Nauru, Niue,
Tonga, Vanuatu
Afrika Barat Liberia.
Sumber: Gravelle (2015).
dilakukan oleh Afifah & Prastiwi (2019). Perbedaan penelitian ini dengan
11
intensity dan corporate social responsibility serta variabel moderating yaitu
dilakukan oleh Afifah & Prastiwi (2019) menemukan hasil bahwa thin
yang dilakukan oleh Dwiyanti & Jati (2019) menemukan hasil bahwa
penghindaran pajak.
12
d. Pemanfaatan tax havens country dipilih sebagai variabel moderating
pajak. Namun dalam penelitian yang dilakukan oleh Nugraha & Kristanto
banyak.
13
rate (CETR), sedangkan dalam penelitian ini menggunakan proksi
perhitungan book tax difference (BTD) dilihat dari perbedaan laba akuntansi
2016-2019)”.
B. Rumusan Masalah
penghindaran pajak?
penghindaran pajak?
14
6. Apakah pemanfaatan tax havens country memperlemah pengaruh corporate
C Tujuan Penelitian
pajak.
pajak.
penghindaran pajak.
D. Manfaat Penelitian
15
penghindaran pajak khususnya mengenai thin capitalization, capital
2. Manfaat Praktisi
pajak.
b. Pemerintah
16
BAB II
TINJAUAN PUSTAKA
perilaku dibentuk oleh dua faktor utama yaitu attitude toward the behavior
satu faktor lagi yaitu perceived behavioral control. Teori Planned Behavior
2020).
dan evaluasi atau penilaian terhadap hasil dari suatu perilaku tersebut
normatif seseorang atau orang lain yang menjadi sumber seperti keluarga,
17
melakukan suatu perilaku yang diberikan. Hal ini akan membentuk
pada pengalaman masa lalu dengan perilaku dan faktor atau hal-hal yang
behavioral control).
melalui perencanaan pajak. Wajib pajak yang sadar pajak, akan memiliki
maka seorang individu yang menanggung biaya kepatuhan yang besar dan
18
suatu tindakan jika menurutnya bahwa orang-orang penting sekitarnya
dia pekerjaan tersebut sulit atau rumit untuk dilaksanakan. Dengan demikian
(Andriana, 2020).
2. Thin Capitalization
adalah biaya bunga. Tidak sedikit negara yang membatasi struktur modal
dengan membatasi utang berbunga. Berawal pada tahun 1971, negara Kanada
telah lebih dahulu membuat peraturan terkait dengan thin capitalization pada
tahun 1971. Kemudian diikuti oleh dua per tiga negara lainnya yang
19
tergabung dalam OECD yang menerapkan peraturan yang sama pada tahun
modal yaitu Pasal 18 ayat (1) UU PPh tahun 1983 yang menjelaskan bahwa
PMK.010/ 2015 (MFD-169) mulai dari tahun pajak 2016 tentang Penentuan
termasuk dalam keputusan ini, mereka tunduk pada keputusan lainnya. Dalam
PMK 169 tahun 2015, pendekatan rasio 4:1 ini dianggap tidak
masing industri. Walaupun rasio ini disebut merupakan rasio yang moderat,
negara dengan tarif pajak tinggi untuk mendapatkan pajak insentif dari bunga,
sementara tarif pajak rendah sering digunakan sebagai dana oleh perusahaan
20
Ratnasari, 2019). Thin capitalization merupakan pemicu utama terjadinya
dibayar oleh perusahaan kepada kreditur, sehingga semakin rendah laba kena
semakin rendah (Salwah & Herianti, 2019). Cara inilah yang digunakan oleh
3. Capital Intensity
adanya biaya depresiasi yang melekat pada aset tetap (Dharma & Noviari,
21
Menurut Nadhifah & Arif (2020) capital intensity atau intensitas
dalam bentuk aset tetap (non current asset). Sedangkan menurut Razif &
Vidamaya (2018) capital intensity didefinisikan sebagai rasio total aset rata-
Perusahaan dengan proporsi aset tetap yang rendah tidak akan melakukan
akibat tinggi beban depresiasi. Dalam penelitiannya, Sandra & Anwar (2018)
22
intensity mencerminkan seberapa besar modal yang dibutuhkan perusahaan
umumnya lebih cepat dari masa manfaat yang diprediksikan oleh perusahaan.
23
pada penambahan beban pajaknya. Karena adanya preferensi perpajakan
untuk menyusutkan aset tetap sesuai dengan perkiraan masa manfaat pada
luas pada umumnya (Dewi & Noviari, 2017). Corporate social responsibility
merupakan salah satu instrumen dari good corporate governance yang harus
pajak yang lebih agresif dibandingkan perusahaan yang sadar tanggung jawab
24
termasuk di dalamnya terdapat pelanggan, atau customers, pegawai,
sesuatu alat yang srategis untuk mencapai sasaran hasil akhir, dan
kena pajak.
Konsep triple bottom line memberi pandangan bahwa perusahaan yang ingin
pengusaha, atau pemegang saham. Hal yang cukup umum dasarnya kembali
pada ekonomi dan pendapatan sosial yang secara inheren bertentangan satu
25
lingkungan, corporate social responsibility berkaitan dengan masyarakat dan
5. Penghindaran Pajak
yang tidak sesuai dengan apa yang dimaksudkan dalam peraturan atau hukum
penghindaran pajak secara luas yaitu segala sesuatu yang mengurangi pajak
26
untuk meminimalkan pembayaran pajak. Menurut Rista & Mulyani (2019)
penghindaran pajak adalah upaya yang dilakukan secara legal dan aman bagi
seringkali mendapat sorotan yang kurang baik dari kantor pajak karena
2018).
antara lain:
27
c. Kemungkinan untuk terdeteksi
d. Besar sanksi
pelanggaran.
atau wilayah yang mengenakan pajak rendah atau sama sekali tidak
mengenakan pajak dan menyediakan tempat yang aman bagi simpanan untuk
menarik modal masuk. OECD memberi tiga ciri tax havens country yaitu
menerapkan tarif pajak rendah atau bebas pajak, lack of transparency, dan
pajak yang sangat rendah, bahkan terkadang tidak ada pajak sama sekali dan
memberikan tingkat privasi yang sangat tinggi untuk pelaku bisnis (Su et al.,
2019). Negara suaka pajak pada umumnya menawarkan manfaat: (i) peluang
perlindungan asset yang kuat, (iv) hasil investasi bebas pajak, (v) offshore
banding dengan keleluasaan dan privasi, (vi) imbal hasil yang lebih besar,
(vii) mengurangi beban pajak, (viii) menghindari restriksi mata uang, (ix)
28
Menurut Nugraha & Kristanto (2019) tax havens merupakan wilayah
yang menawarkan pajak rendah, atau tidak sama sekali, dengan tujuan untuk
menarik investor asing. Investor dari luar negeri tersebut dapat tertarik untuk
kehilangan uang karena pajak yang tinggi apabila menyimpan uang tersebut
pajak. Namun dalam praktiknya tax havens bisa saja menjadi tax evasion,
tergantung pada setiap peraturan negara. Menurut Widodo et al., (2020) tax
regulasi pajak yang sangat minimal dalam bentuk pengenaan tarif yang
rendah serta bahkan tidak ada pajak yang dipungut dengan tujuan untuk
memberikan fasilitas pajak yang mudah bagi investor yang berasal dari luar
adalah negara yang memberlakukan pengenaan beban pajak yang rendah dan
adalah:
29
OECD mengatur kriteria dari tax havens yang umum diterima oleh
1. Tidak terdapat pungutan pajak atau pungutan pajak dalam nominal tertentu
Negara tax havens atau surga pajak pada dasarnya terdiri dari negara
begitu, banyak pihak yang diharapkan dapat tertarik untuk berinvestasi pada
negara surga pajak. Menurut Nugraha & Kristanto (2019) fenomena tax
pajak di negara surga pajak. Ketertarikan dari tax havens yang menawarkan
tarif pajak dengan tarif rendah dianggap sebagai alat yang tepat untuk
30
sumber penghasilan negara yaitu dengan memberikan berbagai kenyamanan
31
B. Penelitian Relevan
Tabel 2.1
Hasil – Hasil Penelitian Terdahulu
32
Tabel 2.1 (Lanjutan)
33
Tabel 2.1 (Lanjutan)
34
Tabel 2.1 (Lanjutan)
35
Tabel 2.1 (Lanjutan)
36
C. Kerangka Pemikiran
Gambar 2.1
Skema Kerangka Pemikiran
GAP
Thin Capitalization H1
H2 H4
Capital Intensity Penghindaran Pajak
H5
H3
Corporate Social Responsibility
H6
Metode Analisis:
Analisis Regresi Moderasi (MRA) Data Panel
37
D. Keterkaitan antar Variabel dan Hipotesis
pajak yaitu penghasilan kena pajak (deductible expense). Hal tersebut akan
baik berupa utang ataupun modal sendiri. Hal tersebut menimbulkan celah
manfaat dari bunga. Jika hasil dari thin capitalization mengalami peningkatan
yang tinggi maka akan semakin tinggi pula beban dari bunga yang wajib
dibayarkan dan tentu hal tersebut akan menggerus laba perusahaan dan pada
capitalization rendah maka semakin rendah pula beban bunga yang dibayar
dan laba perusahaan akan naik dan penghasilan kena pajaknya tetap maka
et al., 2020).
38
Beberapa penelitian berikut digunakan untuk memperkuat
pajak.
Semakin besar jumlah aset tetap yang dimiliki oleh perusahaan, maka besar
pula beban penyusutan pada laporan laba rugi perusahaan. Oleh sebab itu,
39
Pada dasarnya aset tetap akan mengalami penyusutan yang akan
biaya ini yang dapat dikurangkan dari penghasilan dalam perhitungan pajak
besar menunjukkan tingkat pajak yang rendah, dengan tingkat pajak yang
penelitian. Dalam penelitian yang dilakukan oleh Dwiyanti & Jati (2019)
penghindaran pajak. Adanya beban penyusutan atas aset tetap dapat dijadikan
40
menguji kembali hubungan capital intensity dan penghindaran pajak. Oleh
pajak.
untuk menjaga citra positif dengan cara tidak melakukan hal-hal yang dapat
memiliki rasa tanggung jawab sosial yang lebih rendah sehingga lebih agresif
41
Beberapa penelitian berikut digunakan untuk memperkuat
penelitian. Dalam penelitian yang dilakukan oleh Dewi & Noviari (2017)
sebagai berikut:
penghindaran pajak.
tarif yang rendah, bahkan tidak ada pajak yang dipungut yang bertujuan untuk
memberikan fasilitas pajak yang mudah bagi investor yang berasal dari luar
negara tersebut (Widodo et al., 2020). Perusahaan yang tergabung dalam tax
tinggi ke pajak yang rendah melalui transfer pricing, utang antar perusahaan
42
untuk pemotongan pajak yang aman untuk pembayaran utang bunga oleh
Tax havens atau surga pajak merupakan negara kecil yang memiliki
sumber daya alam terbatas. Pengelolaan pada terbatasnya sumber daya alam
dapat tertarik untuk berinvestasi pada tax havens country (Nugraha &
Kristanto, 2019).
penelitian yang dilakukan oleh Widodo et al., (2020) memiliki hasil bahwa
43
tax havens mempunyai hubungan yang tinggi. Berdasarkan uraian di atas
untuk menghindari atau mengurangi jumlah pajak yang harus dibayar dengan
terhadap penghindaran pajak. Dalam hal ini, perusahaan yang memiliki nilai
sebagai berikut:
44
BAB III
METODE PENELITIAN
Penelitian ini menguji pengaruh dari variabel independen yang terdiri dari thin
pemanfaatan tax havens country. Objek dalam penelitian ini adalah perusahaan
multinasional yang tercatat dalam Bursa Efek Indonesia (BEI). Jenis data yang
digunakan dalam penelitian ini adalah data sekunder berupa semua perusahaan
periode 2016-2019.
B. Penentuan Sampel
1. Populasi
yang akan diteliti (Sekaran, 2017). Populasi adalah wilayah generalisasi yang
terdiri dari objek atau subjek yang memiliki kualitas dan ciri-ciri yang
diterapkan oleh peneliti untuk diteliti dan didapat sebuah ikhtisar. Populasi
tercatat di Bursa Efek Indonesia (BEI) dengan periode penelitian tahun 2016-
45
2019. Alasan memilih perusahaan multinasional sebagai populasi adalah
karena:
keuangan.
2. Sampel
Sampel adalah bagian kecil dari populasi yang terdiri dari anggota
46
pertimbangan tertentu. Kriteria pengambilan sampel dalam penelitian ini
sebagai berikut:
menjadi pengurang biaya pajak tangguhan dan diakui sebagai aset pajak
et al., 2019).
melalui buku, jurnal, tesis, internet dan perangkat lain yang berkaitan dengan
penelitian ini.
Data yang digunakan dalam penelitian ini adalah data sekunder, yaitu
47
2016-2019 yang terdaftar di Bursa Efek Indonesia (BEI) yang didapat melalui
data panel, uji asumsi klasik atau uji kualitas data, dan uji hipotesis.
1. Statistik Deskriptif
deskripsi suatu data yang dilihat dari nilai rata-rata (mean), standar deviasi,
sebuah informasi yang lebih jelas dan mudah dipahami (Ghozali, 2018).
antara data runtut waktu (time series) dan data silang (cross section). Data
time series merupakan data yang terdiri atas satu atau lebih variabel yang akan
diamati pada satu unit observasi dalam kurun waktu tertentu. Sedangkan, data
cross section merupakan data observasi dari beberapa unit observasi dalam
data time series dan data cross section. Penggunaan data time series dalam
penelitian ini, yaitu pada periode waktu empat tahun, dari tahun 2016-2019.
Adapun penggunaan data cross section dalam penelitian ini, yaitu dari
48
perusahaan multinasional yang terdaftar di Bursa Efek Indonesia (BEI),
degree of freedom.
estimasi data panel. Terdapat tiga model estimasi yang dapat digunakan yaitu
(Maulana, 2018):
waktu. Model ini tidak memerhatikan indikator waktu dan cross section,
49
3. Random Effect (RE), model ini mengasumsikan bahwa error memiliki
heteroskedastisitas).
1. Uji Chow
a. Jika nilai probability cross section chi-square < α (0,05), maka model
2. Uji Hausman
mana yang sebaiknya digunakan antara model random effect atau model
50
a. Jika nilai probability cross-section random < α (0,05), maka model
asumsi klasik agar menghasilkan interpretasi hasil analisis yang baik. Asumsi
yang berlaku untuk regresi data panel metode Pooled Least Square (PLS) dan
Fixed Efects (FE) sama dengan Ordinary Least Square (OLS) karena kedua
51
uji tersebut didasarkan pada metode least square. Maka pengujian asumsi
a. Uji Normalitas
mengikuti distribusi normal. Kalau asumsi ini dilanggar maka uji statistik
menjadi tidak valid untuk jumlah sampel kecil. Ada dua cara untuk
52
dilakukan dengan melihat nilai uji Skewness-Kurtosis Test. Data dapat
dikatakan lulus uji normalitas ketika P-Value > 0,05 (Ghozali, 2018).
b. Uji Multikolinieritas
model regresi. Batas tolerance value adalah > 0,10 atau nilai VIF < 10.
Jika tolerance value di bawah 0,10 atau nilai VIF di atas 10, maka terjadi
memiliki korelasi yang kuat jika memiliki korelasi > 0,75 terhadap
c. Uji Heteroskedastisitas
53
d. Uji Autokorelasi
linier ada korelasi antara kesalahan pengganggu pada periode (t) dengan
waktu yang berkaitan satu dengan yang lainnya. Hal ini sering ditemukan
pada data dengan runtut waktu, karena gangguan ini dapat terjadi pada
dari individu atau kelompok yang sama pada periode waktu berikutnya.
apakah data residual terjadi gejala autokorelasi atau tidak. Ketentuan dari
pengujian ini adalah jika P-Value < 0,05 berarti residual tidak random
atau terdapat autokorelasi pada residual. Sebaliknya, jika P-Value > 0,05
residual.
4. Uji Hipotesis
Analysis -MRA)
54
utama. Variabel moderasi adalah variabel independen yang akan
berikut:
β6 (CSR.THC) it + еit
Keterangan:
Y = Penghindaran Pajak
α = Konstanta
β = Koefisien Regresi
TC = Thin Capitalization
CI = Capital Intensity
penghindaran pajak.
55
country terhadap hubungan capital intensity dengan
penghindaran pajak.
penelitian).
i = Data perusahaan
56
secara bersama-sama atau simultan terhadap variabel dependen. Uji f
jika nilai signifikansi yang didapat < 0,05 (α = 5%) maka model regresi
2018):
57
E. Operasionalisasi Variabel Penelitian
Shelter Activity, Marginal Tax Rate, dan Cash Effective Tax Rate (CETR).
mencerminkan total perbedaan antara laba akuntansi dan laba fiskal (Yuniarti.
Zs & Astuti, 2020). Book-tax Difference (BTD) dapat dihitung dengan rumus:
58
Taxable Income : Laba sebelum pajak
Average Assets : Rata-rata jumlah aset pada awal periode ditambah akhir
periode
Dimana:
Average Interest Bearing Debt = Rata-rata utang atau total utang dengan
bunga (IBL)
59
b. Capital Intensity (X2)
menjadi pengurang laba perusahaan. Oleh sebab itu, semakin besar beban
Capital Intensity =
Analisis data dilakukan dengan dua tahap. Penelitian ini mengacu pada
diberi nilai 1, jika tidak diberi nilai 0. Berikut adalah rumus untuk
(Amalia, 2019):
60
Pengungkapan CSR = ∑Xi ÷ N
Keterangan:
3. Variabel Moderating
suatu negara atau wilayah yang mengenakan pajak rendah atau sama sekali
tidak mengenakan pajak dan menyediakan tempat yang aman bagi simpanan
untuk menarik modal masuk . Dalam penelitian ini, alat ukur yang digunakan
dalam pemanfaatan tax havens country yaitu (Nugraha & Kristanto, 2019):
61
Tabel 3.1
Operasionalisasi Variabel Penelitian
Skala
Variabel Definisi Operasional Perhitungan
Pengukuran
Penghindaran Penghindaran pajak adalah BTD = Rasio
Pajak (Y) upaya wajib pajak dalam (Taxable Income
memanfaatkan peluang- – Net Income) /
(Yuniarti. Zs peluang (loopholes) yang Average Assets
& Astuti, ada dalam undang-undang
2020) perpajakan, sehingga wajib
pajak membayar pajak
lebih rendah dari
seharusnya.
Thin Thin capitalization adalah MAD = Rasio
Capitalization jumlah utang yang dimiliki Average Interest
(X1) oleh perusahaan lebih Bearing Debt
besar dibandingkan dengan ÷
(Salwah & jumlah modal. SHDA (Safe
Herianti, Harbor Debt
2019) Amount)
62
BAB IV
sampel dan populasi penelitian. Dalam penelitian ini metode penentuan sampel
perangkat lunak yaitu Microsoft Excel 2016 dan STATA versi 16 sebagai alat
Data yang digunakan dalam penelitian ini adalah data sekunder yang
mengambil sampel selama empat tahun, yaitu 2016 sampai 2019 yang diakses
melalui website resmi Bursa Efek Indonesia pada alamat website www.idx.co.id,
relevan. Data variabel yang digunakan yaitu thin capitalization, capital intensity,
havens country.
63
Tujuan dari analisis ini adalah untuk mendapatkan informasi yang
relevan yang terkandung dalam data tersebut dan menggunakan hasilnya untuk
penelitian.
Tabel 4.1
Rincian Perolehan Sampel Penelitian
No. Kriteria Jumlah
1. Perusahaan multinasional yang terdaftar di 45
Bursa Efek Indonesia selama tahun 2016-2019
2. Perusahaan rugi (15)
3. Perusahaan menyajikan laporan keuangan (11)
tahunan menggunakan mata uang asing
Jumlah perusahaan yang memenuhi kriteria 19
Jumlah sampel (19 perusahaan × 4 tahun) 76
Sumber: Data yang telah diolah.
64
sampel. Berikut Tabel 4.2 merupakan analisis deskriptif untuk variabel yang
Tabel 4.2
Hasil Uji Statistik Deskriptif
Variable Mean Std Dev Min Max
PP 0,4268382 0,235488 0,1055457 0,9864109
TC 0,7042435 0,2113175 -0,0111724 0,9614816
CI 0,4256283 0,1907787 0,049288 0,9190861
CSR 0,1406883 0,0700319 0,032967 0,4065934
THC 2,052632 1,924541 0 8
Sumber: Output STATA yang diolah
simpangan data relatif lebih kecil karena nilainya lebih kecil daripada
nilai rata-rata.
b. Variabel Independen
1) Thin Capitalization
65
rata-rata thin capitalization dalam perusahaan multinasional
2) Capital Intensity
data yang relatif lebih kecil karena nilainya lebih kecil daripada
nilai rata-rata.
66
c. Variabel Moderating
square (PLS).
67
Tabel 4.3
Hasil Uji Regresi Model Pooled Least Square (PLS)
Prob > F 0,0000
R-squared 0,4183
Adj R-squared 0,3584
Variable Coefficient Std. Err t P > |t|
sqr_TC -2,219666 0,6091682 -3,64 0,001
CI -1,773372 0,5729169 -3,10 0,003
sqr_rt_CSR 1,446224 1,373891 1,05 0,296
sqr_rt_THC -0,1978672 0,4134637 -0,48 0,634
sqr_TCsqr_rt_THC 1,066315 0,3973058 2,68 0,009
CIsqr_rt_THC 0,9345087 0,4377665 2,13 0,036
sqr_rt_CSRsqr_rt_THC -1,114473 0,9798969 -1,14 0,259
Cons 0,002852 0,5243718 0,01 0,996
Sumber: Output STATA yang diolah
68
2) Model Fixed Effect (FE)
effect (FE).
Tabel 4.4
Hasil Uji Regresi Model Fixed Effect (FE)
Fixed-effects (within) regression
Prob > F 0,8187
R-squared 0,0733
Adj R-squared 0,2079
Variable Coefficient Std. Err T P > |t|
sqr_TC 0,9643638 2,128829 0,45 0,653
CI -1,876276 2,179338 -0,86 0,393
sqr_rt_CSR -0,2123626 2,34016 -0,09 0,928
sqr_rt_THC -1,120943 1,284156 -0,87 0,387
sqr_TCsqr_rt_THC -0,3099194 1,064017 -0,29 0,772
CIsqr_rt_THC 1,805239 1,310567 1,38 0,175
sqr_rt_CSRsqr_rt_THC 0,9672175 2,055306 0,47 0,640
Cons -0,471874 2,033341 -0,23 0,817
Sumber: Output STATA yang diolah
69
corporate social responsibility tidak berpengaruh terhadap
square (PLS).
Tabel 4.5
Hasil Uji Regresi Model Random Effect (RE)
Random-effects GLS regression
Prob > F 0,0000
R-squared 0,4183
Adj R-squared 0,7925
Variable Coefficient Std. Err Z P > |z|
sqr_TC -2,202373 0,6149039 -3,58 0,000
CI -1,775946 0,5822644 -3,05 0,002
sqr_rt_CSR 1,39765 1,382949 1,01 0,312
sqr_rt_THC -0,2094941 0,4197075 -0,50 0,618
sqr_TCsqr_rt_THC 1,05519 0,4000657 2,64 0,008
CIsqr_rt_THC 0,9427514 0,4439239 2,12 0,034
sqr_rt_CSRsqr_rt_THC -1,084282 0,9902701 -1,09 0,274
Cons 0,0158245 0,5318149 0,03 0,976
Sumber: Output STATA yang diolah
70
intensity, dan corporate social responsibility yang dimoderasi oleh
untuk memilih satu dari tiga model yang lebih sesuai dan memiliki
model estimasi data panel yaitu uji chow yang digunakan untuk
memilih antara model pooled least square (PLS) atau model fixed effect
memilih antara model fixed effect (FE) atau model random effect (RE).
untuk memilih antara model pooled least square (PLS) atau model
71
1) Uji Chow
least square (PLS) atau model fixed effect (FE). Berikut ini hasil
Tabel 4.6
Hasil Uji Chow
Prob > F 0,3852
Sumber: Output STATA yang diolah
maka H0 pooled least square (PLS) diterima dan H1 fixed efect (FE)
2) Uji Hausman
memilih antara model fixed effect (FE) atau model random effect
72
Tabel 4.7
Hasil Uji Hausman
Variabel fe Re Difference
sqr_TC 0,9643638 -2,202373 3,166737
CI -1,876276 -1,775946 -0,1003299
sqr_rt_CSR -0,2123626 1,39765 -1,610012
sqr_rt_THC -1,120943 -0,2094941 -0,9114493
sqr_TCsqr_rt_THC -0,3099194 1,05519 -1,36511
CIsqr_rt_THC 1,805239 0,9427514 0,8624877
sqr_rt_CSRsqr_rt_THC 0,9672175 -1,084282 2,051499
chi2 8,14
Prob > chi2 0,3202
Sumber: Output STATA yang diolah
untuk memilih antara model pooled least square (PLS) atau model
multiplier.
73
Tabel 4.8
Hasil Uji Lagrange Multiplier
Breusch and Pagan Lagrangian multiplier test for random effects
Var sd = sqrt (Var)
ln_PP 0,3183945 0,5642646
E 0,1993243 0,4464575
U 0,0023971 0,0489601
chibar2 0,56
Prob > chibar2 0,2273
Sumber: Output STATA yang diolah
hasil dari pengujian dan pemilihan model yang terpilih adalah pooled least
square (PLS)/ common effect model, maka pengujian asumsi klasik yang
74
a. Uji Normalitas
berdistribusi normal atau tidak. Model regresi yang baik yaitu memiliki
Tabel 4.9
Hasil Uji Normalitas
Skewness/Kurtosis tests for Normality
Variable Obs Skewness Kurtosis chi2 Prob > chi2
PP 76 0,0019 0,7460 8,49 0,0143
TC 76 0,0000 0,0016 22,91 0,0000
CI 76 0,5249 0,0227 5,41 0,0667
CSR 76 0,0006 0,0080 14,97 0,0006
THC 76 0,0000 0,0079 22,29 0,0000
Sumber: Output STATA yang diolah
bahwa nilai Prob > chi2 lebih besar dari nilai α (0,05) hanya terdapat
pada variabel capital intensity. Oleh karena itu, maka data berdistribusi
75
Tabel 4.10
Hasil Uji Normalitas Setelah Transformasi Data
Skewness/Kurtosis tests for Normality
Variable Obs Skewness Kurtosis chi2 Prob > chi2
ln_PP 76 0,5277 0,3607 1,27 0,5297
sqr_TC 76 0,2193 0,1513 3,71 0,1568
CI 76 0,5249 0,0227 5,41 0,0667
sqr_rt_CSR 76 0,5970 0,3594 1,15 0,5624
sqr_rt_THC 76 0,3898 0,3582 1,63 0,4415
Sumber: Output STATA yang diolah
nilai Prob > chi2 lebih besar dari nilai α (0,05), maka dapat disimpulkan
b. Uji Multikolinieritas
lainnya. Salah satu asumsi dalam metode kuadrat terkecil adalah tidak
terjadi apabila nilai tolerance < 0,10 dan VIF > 10. Jika nilai tolerance
> 0,10 dan VIF < 10, maka dapat dikatakan tidak terjadi
76
multikolinieritas antar variabel independen. Berikut ini disajikan tabel
Tabel 4.11
Hasil Uji Multikolinieritas
Variable VIF 1/VIF
sqr_rt_THC 28,26 0,035392
sqr_rt_CSRsqr_rt_THC 24,24 0,041262
Cisqr_rt_THC 10,44 0,095756
sqr_TC 7,94 0,125933
sqr_TCsqr_rt_THC 7,24 0,138145
sqr_rt_CSR 6,00 0,166800
CI 4,39 0,227991
Mean VIF 12,64
Sumber: Ouput STATA yang diolah
dan VIF > 10. Maka dapat disimpulkan bahwa terdapat variabel dalam
penelitian ini yang saling berkorelasi atau dapat dikatakan terjadi gejala
tersebut.
c. Uji Heteroskedastisitas
77
dan jika berbeda disebut heteroskedastisitas. Model regresi yang baik
Tabel 4.12
Hasil Uji Heteroskedastisitas
Breusch-Pagan / Cook-Weisberg test for heteroskedasticity
chi2 6,49
Prob > chi2 0,0108
Sumber: Output STATA yang diolah
Dari hasil ouput di atas, nilai Prob > chi2 lebih kecil dari nilai
d. Uji Autokorelasi
baik adalah model regresi yang bebas dari autokorelasi. Pada penelitian
78
ini, gejala autokorelasi dideteksi dengan menggunakan Wooldridge
Test. Berikut tabel 4.13 merupakan hasil uji autokorelasi untuk variabel
Tabel 4.13
Hasil Uji Autokorelasi
Wooldridge tests for autocorrelation in panel data
F 2,331
Prob > F 0,1442
Sumber: Output STATA yang diolah
Dari hasil output di atas, terlihat bahwa nilai Prob > F sebesar
telah dilakukan yaitu pooled least square (PLS), fixed effect (FE), dan
random effect (RE). Berikut ini disajikan tabel untuk melihat hasil
79
Tabel 4.14
Perbandingan Hasil Estimasi Model
Model Uji t Uji F R2 Coefficient Constanta
Pooled Least Square P>|t| T Prob F 0,4183 0,002852
(PLS)
- sqr_TC 0,001 -3,64 0,0000 6,99 -2,219666
- CI 0,003 -3,10 -1,773372
- sqr_rt_CSR 0,296 1,05 1,446224
- sqr_rt_THC 0,634 -0,48 -0,1978672
- sqr_TCsqr_rt_THC 0,009 2,68 1,066315
- Cisqr_rt_THC 0,036 2,13 0,9345087
- sqr_rt_CSRsqr_rt_THC 0,259 -1,14 -1,114473
Fixed Effect (FE) P>|t| T Prob F 0,0733 -0,471874
- sqr_TC 0,653 0,45 0,8187 0,52 0,9643638
- CI 0,393 -0,86 -1,876276
- sqr_rt_CSR 0,928 -0,09 -0,2123626
- sqr_rt_THC 0,387 -0,87 -1,120943
- sqr_TCsqr_rt_THC 0,772 -0,29 -0,3099194
- Cisqr_rt_THC 0,175 1,38 1,805239
- sqr_rt_CSRsqr_rt_THC 0,640 0,47 0,9672175
Random Effect (RE) P>|z| Z Prob F 0,4183 0,0158245
- sqr_TC 0,000 -3,58 0,0000 46,98 -2,202373
- CI 0,002 -3,05 -1,775946
- sqr_rt_CSR 0,312 1,01 1,39765
- sqr_rt_THC 0,618 -0,50 -0,2094941
- sqr_TCsqr_rt_THC 0,008 2,64 1,05519
- Cisqr_rt_THC 0,034 2,12 0,9427514
- sqr_rt_CSRsqr_rt_THC 0,274 -1,09 -1,084282
Sumber: Output STATA yang diolah
fixed effect (FE) dan random effect (RE). Akan tetapi, pengujian terhadap
80
Pelanggaran terhadap asumsi klasik ini menjadikan hasil estimasi bias dan
regresi linier yang terdiri atas beberapa persamaan yang tidak berhubungan
dalam satu sistem. Pada model SUR, error dari sistem yang berbeda saling
Tabel 4.15
Hasil Uji Regresi Metode SUR (Seemingly Unrelated Regresion)
Seemingly unrelated regression
R-squared 0,4183
chi2 54,65
P 0,0000
Variable Coefficient Std. Err Z P > |z|
sqr_TC -2,219666 0,5762155 -3,85 0,000
CI -1,773372 0,5419251 -3,27 0,001
sqr_rt_CSR 1,446224 1,299571 1,11 0,266
sqr_rt_THC -0,1978672 0,3910975 -0,51 0,613
sqr_TCsqr_rt_THC 1,066315 0,3758136 2,84 0,005
CIsqr_rt_THC 0,9345087 0,4140856 2,26 0,024
sqr_rt_CSRsqr_rt_THC -1,114473 0,9268896 -1,20 0,229
Cons 0,002852 0,4960061 0,01 0,995
Sumber: Output STATA yang diolah
81
5. Pengujian Hipotesis
simultan ( uji statistik f) dan uji signifikansi parsial (uji statistik z).
yang diukur dengan book tax difference (BTD). Berikut hasil uji
Tabel 4.16
Hasil Uji Koefisien Determinasi (Uji Adjusted R2)
R-sq
0,4183
Sumber: Output STATA yang diolah
82
social responsibility dalam menjelaskan variabel penghindaran
simultan.
Tabel 4.17
Hasil Uji Signifikansi Simultan (Uji Statistik f)
P
0,0000
0,0000, angka tersebut lebih kecil dari nilai α (0,05) . Maka secara
83
3) Hasil Uji Signifikansi Parsial Data Panel Metode SUR
ditolak dan Ha tidak ditolak bila z < α (0,05) atau nilai z-stat >
Tabel 4.18
Hasil Uji Signifikansi Parsial (Uji Statistik z)
Variable Coefficient Std. Err Z P > |z|
sqr_TC -2,219666 0,5762155 -3,85 0,000
CI -1,773372 0,5419251 -3,27 0,001
sqr_rt_CSR 1,446224 1,299571 1,11 0,266
sqr_rt_THC -0,1978672 0,3910975 -0,51 0,613
sqr_TCsqr_rt_THC 1,066315 0,3758136 2,84 0,005
CIsqr_rt_THC 0,9345087 0,4140856 2,26 0,024
sqr_rt_CSRsqr_rt_THC -1,114473 0,9268896 -1,20 0,229
Cons 0,002852 0,4960061 0,01 0,995
Sumber: Output STATA yang diolah
84
konstanta sebesar 0,002852 dan P-value sebesar 0,001 yang
85
dengan tingkat signifikan 0,024 < 0,05 yang artinya variabel
C. Pembahasan
signifikansi thin capitalization sebesar 0,000 ( sig < 0,05). Hasil penelitian ini
perbandingan utang dan modal ditetapkan sebesar 4:1 untuk yang tertinggi.
Hal itu menyiratkan bahwa nilai MAD yang tidak memiliki nilai lebih dari 4
termasuk dalam batasan yang wajar. Maka dari itu thin capitalization tidak
86
Hasil penelitian ini juga mendukung hasil penelitian sebelumnya
yang telah dilakukan oleh Nirmalasari & Susilowati (2021), yang menyatakan
oleh Prastiwi & Ratnasari (2019) serta penelitian Setiawan & Agustina (2018)
maximum amount debt ratio (rasio MAD) juga akan meningkatkan terjadinya
beban bunga dari utang yang wajib dilunasi oleh perusahaan, sehingga akan
87
2. Pengaruh Capital Intensity Terhadap Penghindaran Pajak
signifikansi capital intensity sebesar 0,001 (sig < 0,05). Hasil penelitian ini
aset tetap secara fiskal merupakan beban yang dapat menjadi pengurang
perusahaan.
yang dilakukan oleh Wiguna & Jati (2017) yang menyatakan bahwa capital
pengaruh dari jumlah aset tetap yang dimiliki perusahaan diakibatkan oleh
perusahaan dengan jumlah aset tetap yang besar memang menggunakan aset
88
Hasil penelitian ini memberikan implikasi bahwa dalam hal ini
kepemilikan aset tetap yang tinggi hanya tidak menimbulkan celah bagi
dilakukan oleh Dwiyanti & Jati (2019) serta penelitian Wulandari et al.,
yang mempengaruhi nilai pajak perusahaan menjadi rendah. Oleh karena itu,
signifikansi corporate social responsibility sebesar 0,266 (sig > 0,05). Hasil
penelitian ini menunjukkan arah positif dengan nilai koefisien regresi sebesar
penghindaran pajak.
89
Hasil penelitian ini mendukung penelitian sebelumnya yang
aktivitas penghindaran pajak perusahaan akan semakin rendah. Dalam hal ini
Tanggung jawab tersebut akan terwujud dalam bukti penilaian yang diberikan
berupaya agar selalu mendapat penilaian yang baik dan positif dari
masyarakat, salah satunya adalah dengan cara tidak melakukan tindakan yang
penilaian atau citra yang negatif dari masyarakat. Oleh karena itu, dalam hal
90
ini perusahaan benar-benar melakukan kegiatan corporate social
oleh Dewi & Noviari (2017) serta penelitian Wiguna & Jati (2017) yang
penghindaran pajak.
havens country sebesar 0,005 (sig < 0,05). Hasil penelitian ini menunjukkan
penghindaran pajak.
91
berarti perusahaan multinasional memanfaatkan implementasi aturan thin
yang digunakan dalam penelitian ini yaitu teori perilaku terencana, bahwa
utang melalui badan pembiayaan yang berada di tax havens country agar tidak
dikenakan tarif pajak yang timbul dari utang bunga. Sehingga beban pajak
92
havens country sebesar 0,024 (sig < 0,05). Hasil penelitian ini menunjukkan
penelitian Widodo et al., (2020) yang menyatakan bahwa tax havens country
perusahaan afiliasi yang berada di tax havens country untuk kegiatan investasi
terhadap aset tetap. Dikarenakan semakin banyaknya aset tetap yang dimiliki
kepemilikan aset tetap tersebut juga akan tinggi. Sehingga diindikasi bahwa
93
perusahaan melakukan strategi penghindaran pajak melalui kepemilikan aset
pemanfaatan tax havens country sebesar 0,229 (sig > 0,05). Hasil penelitian
pajak. Selain itu, penelitian yang dilakukan oleh Dharmawan et al., (2017)
praktik penghindaran pajak yang dilakukan pun rendah. Ada atau tidak
94
semakin tinggi nilai indeks corporate social responsibility akan semakin
tidak ada kaitannya. Sehingga dalam hal ini perusahaan afiliasi yang berada
95
BAB V
PENUTUP
A. Kesimpulan
periode 2016-2019. Berikut ini adalah kesimpulan dari hasil pengujian seluruh
hipotesis:
yang dilakukan oleh Selistiaweni et al., (2020) dan Nirmalasari & Susilowati
(2021). Namun penelitian ini tidak konsisten dengan penelitan Prastiwi &
yang dilakukan oleh Dayanara et al., (2019) dan Wiguna & Jati (2017).
Namun penelitian ini tidak konsisten dengan penelitian Dwiyanti & Jati
96
penelitian ini tidak konsisten dengan penelitian Dewi & Noviari (2017) dan
B. Saran
pemanfaatan tax havens country di masa yang akan datang diharapkan mampu
97
2. Bagi penelitian selanjutnya dapat menambahkan variabel independen lain
level manajemen.
multinasional.
98
DAFTAR PUSTAKA
https://doi.org/10.24964/japd.v1i1.905
Cabello, O. G., Gaio, L. E., & Watrin, C. (2019). Tax avoidance in management-
Chircop, J., Fabrizi, M., Ipino, E., & Parbonetti, A. (2018). Does social capital
99
constrain firms’ tax avoidance? Social Responsibility Journal, 14(3), 542–565.
https://doi.org/10.1108/SRJ-08-2017-0157
Terdaftar Di Bei Tahun 2014 – 2018. Jurnal Akuntansi Dan Sistem Teknologi
859.
https://doi.org/https://doi.org/10.24843/EJA.2019.v27.i03.p24
100
Edy Susanto, M. (2019). Mengungkap Aliran Keuangan Gelap Komoditas Ekspor
https://doi.org/10.1017/CBO9781107415324.004
1601–1624.
Fitri, W. A., Hapsarai, D. P., & Haryadi, E. (2019). Pengaruh Leverage, Komisaris
Gaaya, S., Lakhal, N., & Lakhal, F. (2017). Does family ownership reduce
1530
Ghozali, I. (2018). Aplikasi Analisis Multivariate dengan Program IBM SPSS 25.
Gravelle, J. G. (2015). Tax havens: International tax avoidance and evasion. Taxes
101
Hidayati, N., & Fidiana. (2017). Pengaruh Corporate Governance Social
Hoseini, M., Safari Gerayli, M., & Valiyan, H. (2019). Demographic characteristics
of the board of directors’ structure and tax avoidance: Evidence from Tehran
https://doi.org/10.1108/IJSE-11-2017-0507
Liana, L., & Sari, P. (2017). Pengaruh Corporate Social Responsibility Terhadap
111–123.
Mugarura, N. (2017). Tax havens, Offshore Financial Centres and the current
http://dx.doi.org/10.1108/eb025814%5Cnhttp://
Mulyani, S., Anita, W., & Endang, M. (2018). Pengaruh Corporate Governance
102
Nadhifah, M., & Arif, A. (2020). Transfer Pricing, Thin Capitalization, Financial
25
Prastiwi, D., & Ratnasari, R. (2019). The Influence of Thin Capitalization and The
103
https://doi.org/10.26740/jaj.v10n2.p119-134
Richardson, G., & Taylor, G. (2017). Income Shifting Incentives and Tax Haven
Rista, B., & Mulyani, S. D. (2019). Pengaruh Corporate Social Responsibility dan
Ryandoko, F., Ramadhan, M. R., Keuangan, K., & Indonesia, R. (2017). Pengaruh
Salehi, M., Ali Mirzaee, M., & Yazdani, M. (2017). Spiritual and emotional
104
intelligences, financial performance, tax avoidance and corporate disclosure
256. https://doi.org/10.1108/IJLMA-11-2015-0059
Salwah, S., & Herianti, E. (2019). Pengaruh Aktivitas Thin Capitalization Terhadap
Sekaran, U. dan R. B. (2017). Research Methods for Business (8th Editio). John
Su, K., Li, B., & Ma, C. (2019). Corporate dispersion and tax avoidance. Chinese
0497
105
Syahidah, S., & Rahayu, N. (2018). Thin Capitalization Rules di Indonesia, Studi
https://doi.org/10.13140/RG.2.2.30630.32324
https://doi.org/10.21107/infestasi.v13i2.3516
http://riset.unisma.ac.id/index.php/jra/article/view/6345
106
Penghindaran Pajak. Prosiding Biema Business Management, Economic, and
Yuniarti. Zs, N., & Astuti, B. (2020). Pengaruh Penghindaran Pajak Menggunakan
Proksi Book Tax Difference (BTD Dan Cash Effective Tax Rate (CETR)
107
LAMPIRAN
108
Lampiran 1
Kode
No Nama Perusahaan
Perusahaan
1 PT Alakasa Industri Tbk ALKA
2 PT Aneka Tambang Tbk ANTM
3 PT Argha Karya Prima Industry Tbk AKPI
4 PT Astra Otoparts Tbk AUTO
5 PT Bank Negara Indonesia (Persero) Tbk BBNI
6 PT Bank Rakyat Indonesia (Persero) Tbk BBRI
7 PT Budi Starch & Sweetener Tbk BUDI
8 PT Ekadharma International Tbk EKAD
9 PT Gudang Garam Tbk GGRM
10 PT HM Sampoerna Tbk HMSP
11 PT Impack Pratama Industri Tbk IMPC
12 PT Kalbe Farma Tbk KLBF
13 PT Mayora Indah Tbk MYOR
14 PT Metrodata Electronics Tbk MTDL
15 PT Selamat Sempurna Tbk SMSM
16 PT Tempo Scan Pacific Tbk TSPC
17 PT Trias Sentosa Tbk TRST
18 PT Trisula International Tbk TRIS
19 PT Unilever Indonesia Tbk UNVR
109
Lampiran 2
110
Nomor Kode Perusahaan Tahun AIBD SHDA MADB
41 IMPC 2016 814.369.734.609 1.104.685.376.861 0,7371960847
42 IMPC 2017 1.028.021.631.416 - 92.014.626.019.743 -0,0111723720
43 IMPC 2018 1.001.816.005.301 1.334.471.542.886 0,7507211455
44 IMPC 2019 1.044.410.255.106 - 101.833.502.805.864 -0,0102560574
45 KLBF 2016 2.760.146.732.871 5.685.413.373.665 0,4854786366
46 KLBF 2017 2.742.184.851.609 6.036.919.717.081 0,4542357659
47 KLBF 2018 2.786.909.491.331 6.435.487.813.711 0,4330533399
48 KLBF 2019 3.205.377.867.784 7.205.400.026.832 0,4448577256
49 MYOR 2016 6.402.710.815.556 7.835.175.304.837 0,8171751833
50 MYOR 2017 7.109.334.653.128 8.054.284.196.513 0,8826774024
51 MYOR 2018 8.305.332.689.560 10.292.444.045.530 0,8069349372
52 MYOR 2019 9.093.570.278.048 11.398.880.862.674 0,7977599194
53 MTDL 2016 1.987.156.000.000 2.411.952.750.000 0,8238784943
54 MTDL 2017 2.048.065.500.000 2.554.442.625.000 0,8017660996
55 MTDL 2018 2.160.977.000.000 2.761.220.625.000 0,7826165647
56 MTDL 2019 2.417.483.500.000 3.122.869.250.000 0,7741225477
57 SMSM 2016 727.272.500.000 1.104.810.375.000 0,6582781231
58 SMSM 2017 644.921.000.000 1.070.950.875.000 0,6021947552
59 SMSM 2018 633.041.500.000 - 146.570.015.500.000 -0,0043190382
60 SMSM 2019 657.802.000.000 1.231.874.500.000 0,5339845902
61 TSPC 2016 1.949.061.165.415 3.070.612.930.141 0,6347466157
62 TSPC 2017 2.151.713.053.311 3.366.373.247.291 0,6391783962
63 TSPC 2018 2.395.009.444.854 3.709.366.504.809 0,6456653560
64 TSPC 2019 2.509.430.300.341 3.912.415.805.389 0,6414017388
65 TRST 2016 1.379.339.925.086 1.865.499.409.345 0,7393944582
66 TRST 2017 1.357.788.739.398 1.846.279.324.586 0,7354189159
67 TRST 2018 1.702.426.704.764 2.229.045.968.965 0,7637467905
68 TRST 2019 2.111.039.461.214 2.662.520.155.264 0,7928726688
69 TRIS 2016 266.524.738.903 352.079.493.060 0,7570015981
70 TRIS 2017 240.905.358.619 328.762.704.527 0,7327636478
71 TRIS 2018 232.763.085.276 321.820.139.121 0,7232707248
72 TRIS 2019 506.368.796.034 667.917.933.430 0,7581302593
73 UNVR 2016 11.472.011.000.000 12.663.463.250.000 0,9059141858
74 UNVR 2017 12.887.231.000.000 14.121.936.750.000 0,9125682425
75 UNVR 2018 12.838.931.000.000 14.432.871.125.000 0,8895618127
76 UNVR 2019 14.155.355.500.000 15.738.546.625.000 0,8994067773
111
Lampiran 3
Nomor Kode Perusahaan Tahun Total NCA Total Aset Capital Intensity
1 ALKA 2016 78.294.925.000 136.618.855.000 0,5730901858
2 ALKA 2017 28.051.309.000 30.520.870.300 0,9190861441
3 ALKA 2018 26.109.008.000 64.896.829.500 0,4023156170
4 ALKA 2019 18.561.157.000 60.482.461.400 0,3068849476
5 ANTM 2016 19.351.314.244.000 29.981.535.812.000 0,6454410596
6 ANTM 2017 21.012.334.697.000 30.014.273.452.000 0,7000780722
7 ANTM 2018 24.807.948.171.000 33.306.390.807.000 0,7448404817
8 ANTM 2019 22.529.668.470.000 30.194.907.730.000 0,7461413253
9 AKPI 2016 1.745.763.049.000 2.615.909.190.000 0,6673637815
10 AKPI 2017 1.742.295.405.000 2.745.325.833.000 0,6346406623
11 AKPI 2018 1.836.692.402.000 3.070.410.492.000 0,5981911561
12 AKPI 2019 1.689.178.519.000 2.776.775.756.000 0,6083237061
13 AUTO 2016 9.708.372.000.000 14.612.274.000.000 0,6643984365
14 AUTO 2017 9.533.768.000.000 14.762.309.000.000 0,6458182118
15 AUTO 2018 9.875.965.000.000 15.889.648.000.000 0,6215345362
16 AUTO 2019 10.471.160.000.000 16.015.709.000.000 0,6538055855
17 BBNI 2016 2.972.223.000.000 60.303.188.000.000 0,0492879912
18 BBNI 2017 22.804.689.000.000 70.933.008.400.000 0,3214961485
19 BBNI 2018 26.126.508.000.000 80.857.201.100.000 0,3231191241
20 BBNI 2019 26.524.759.000.000 84.560.520.800.000 0,3136778103
21 BBRI 2016 24.515.059.000.000 100.364.442.600.000 0,2442604010
22 BBRI 2017 24.746.306.000.000 112.624.844.200.000 0,2197233317
23 BBRI 2018 26.914.859.000.000 129.689.829.200.000 0,2075325349
24 BBRI 2019 31.432.629.000.000 141.675.884.000.000 0,2218629460
25 BUDI 2016 1.839.447.000.000 2.931.807.000.000 0,6274106720
26 BUDI 2017 1.911.967.000.000 2.939.456.000.000 0,6504492668
27 BUDI 2018 1.920.840.000.000 3.392.980.000.000 0,5661218162
28 BUDI 2019 1.858.758.000.000 2.999.767.000.000 0,6196341249
29 EKAD 2016 364.864.547.072 702.508.630.708 0,5193737573
30 EKAD 2017 383.150.558.716 796.767.646.172 0,4808811710
31 EKAD 2018 391.794.832.685 853.267.454.400 0,4591700183
32 EKAD 2019 481.712.071.117 968.234.349.565 0,4975159901
33 GGRM 2016 21.018.461.000.000 62.951.634.000.000 0,3338826916
34 GGRM 2017 22.995.440.000.000 66.759.930.000.000 0,3444497320
35 GGRM 2018 23.812.500.000.000 69.097.219.000.000 0,3446231316
36 GGRM 2019 26.566.141.000.000 78.647.274.000.000 0,3377884528
37 HMSP 2016 8.860.781.000.000 42.508.277.000.000 0,2084483688
38 HMSP 2017 8.960.710.000.000 43.141.063.000.000 0,2077072139
39 HMSP 2018 8.770.937.000.000 46.602.420.000.000 0,1882077583
40 HMSP 2019 9.205.791.000.000 50.902.806.000.000 0,1808503641
112
Nomor Kode Perusahaan Tahun Total NCA Total Aset Capital Intensity
41 IMPC 2016 1.014.079.865.988 2.276.031.922.082 0,4455472949
42 IMPC 2017 1.094.008.896.045 2.294.677.493.483 0,4767593264
43 IMPC 2018 1.150.061.263.789 2.370.198.817.803 0,4852172126
44 IMPC 2019 1.326.433.311.896 2.501.132.856.219 0,5303330083
45 KLBF 2016 445.000.282.472 2.762.162.069.572 0,1611057828
46 KLBF 2017 494.871.621.931 2.722.207.633.646 0,1817905496
47 KLBF 2018 7.497.917.758.643 18.146.206.145.369 0,4131947857
48 KLBF 2019 9.042.235.884.183 20.264.726.862.584 0,4462056629
49 MYOR 2016 4.182.639.109.001 12.922.421.859.142 0,3236730045
50 MYOR 2017 4.241.650.228.938 14.915.849.800.251 0,2843720127
51 MYOR 2018 4.943.847.698.762 17.591.706.426.634 0,2810328674
52 MYOR 2019 6.261.816.024.960 19.037.918.806.473 0,3289128443
53 MTDL 2016 517.255.000.000 3.876.021.000.000 0,1334499994
54 MTDL 2017 573.711.000.000 4.271.127.000.000 0,1343230955
55 MTDL 2018 558.379.000.000 4.852.776.000.000 0,1150638315
56 MTDL 2019 609.820.000.000 5.625.277.000.000 0,1084071060
57 SMSM 2016 800.353.000.000 2.254.740.000.000 0,3549646522
58 SMSM 2017 873.231.000.000 2.443.341.000.000 0,3573921937
59 SMSM 2018 947.421.000.000 2.801.203.000.000 0,3382193293
60 SMSM 2019 968.657.000.000 3.106.981.000.000 0,3117679188
61 TSPC 2016 2.200.723.433.147 6.585.807.349.438 0,3341615259
62 TSPC 2017 2.385.536.444.634 7.434.900.309.021 0,2959990506
63 TSPC 2018 2.739.312.791.477 7.869.975.060.326 0,3480713434
64 TSPC 2019 2.940.131.192.735 8.372.769.580.743 0,3511539598
65 TRST 2016 2.110.596.332.518 3.290.596.224.286 0,6414024051
66 TRST 2017 2.143.178.911.104 3.332.905.936.010 0,6430361229
67 TRST 2018 2.790.751.028.108 4.284.901.587.126 0,6512987455
68 TRST 2019 2.954.525.037.917 4.349.022.887.699 0,6793537570
69 TRIS 2016 147.364.648.688 577.786.346.557 0,2550504171
70 TRIS 2017 188.121.826.562 544.968.319.987 0,3451977292
71 TRIS 2018 193.188.478.184 633.014.281.325 0,3051881828
72 TRIS 2019 389.687.884.857 1.147.246.311.331 0,3396723799
73 UNVR 2016 10.157.586.000.000 16.745.695.000.000 0,6065789446
74 UNVR 2017 11.197.941.000.000 19.522.970.000.000 0,5735777395
75 UNVR 2018 10.964.778.000.000 18.906.413.000.000 0,5799502000
76 UNVR 2019 12.119.037.000.000 20.649.371.000.000 0,5868961820
113
Lampiran 4
114
Nomor Kode Perusahaan Tahun Xi N CSR
41 IMPC 2016 9 91 0,0989010989
42 IMPC 2017 15 91 0,1648351648
43 IMPC 2018 16 91 0,1758241758
44 IMPC 2019 16 91 0,1758241758
45 KLBF 2016 13 91 0,1428571429
46 KLBF 2017 13 91 0,1428571429
47 KLBF 2018 10 91 0,1098901099
48 KLBF 2019 12 91 0,1318681319
49 MYOR 2016 13 91 0,1428571429
50 MYOR 2017 13 91 0,1428571429
51 MYOR 2018 13 91 0,1428571429
52 MYOR 2019 13 91 0,1428571429
53 MTDL 2016 12 91 0,1318681319
54 MTDL 2017 14 91 0,1538461538
55 MTDL 2018 17 91 0,1868131868
56 MTDL 2019 26 91 0,2857142857
57 SMSM 2016 12 91 0,1318681319
58 SMSM 2017 15 91 0,1648351648
59 SMSM 2018 18 91 0,1978021978
60 SMSM 2019 17 91 0,1868131868
61 TSPC 2016 3 91 0,0329670330
62 TSPC 2017 9 91 0,0989010989
63 TSPC 2018 8 91 0,0879120879
64 TSPC 2019 6 91 0,0659340659
65 TRST 2016 4 91 0,0439560440
66 TRST 2017 3 91 0,0329670330
67 TRST 2018 3 91 0,0329670330
68 TRST 2019 4 91 0,0439560440
69 TRIS 2016 8 91 0,0879120879
70 TRIS 2017 9 91 0,0989010989
71 TRIS 2018 19 91 0,2087912088
72 TRIS 2019 16 91 0,1758241758
73 UNVR 2016 21 91 0,2307692308
74 UNVR 2017 22 91 0,2417582418
75 UNVR 2018 30 91 0,3296703297
76 UNVR 2019 37 91 0,4065934066
115
Lampiran 5
Nomor Kode Perusahaan Tahun Laba Pajak Laba Akuntansi Rata-Rata Aset Book Tax Difference
1 ALKA 2016 27.664.800.000 516.167.000 140.623.630.000 0,1930588266
2 ALKA 2017 160.633.890.000 15.406.256.000 220.913.779.000 0,6573950917
3 ALKA 2018 229.228.230.000 22.943.498.000 477.088.499.000 0,4323825295
4 ALKA 2019 99.441.330.000 7.354.721.000 626.896.454.500 0,1468928534
5 ANTM 2016 23.729.159.500.000 64.806.188.000 30.169.193.351.000 0,7843880026
6 ANTM 2017 4.543.965.240.000 136.503.269.000 29.997.904.632.000 0,1469256611
7 ANTM 2018 12.655.018.060.000 874.426.593.000 31.660.332.129.500 0,3720931107
8 ANTM 2019 6.870.340.530.000 193.852.031.000 31.195.129.287.500 0,2140234277
9 AKPI 2016 759.526.110.000 52.393.857.000 2.749.526.161.000 0,2571833151
10 AKPI 2017 318.134.980.000 13.333.970.000 2.680.617.511.500 0,1137055207
11 AKPI 2018 916.868.900.000 64.226.271.000 2.907.868.162.500 0,2932191493
12 AKPI 2019 785.014.050.000 54.355.268.000 2.923.593.124.000 0,2499180806
13 AUTO 2016 6.489.070.000.000 483.421.000.000 14.475.692.000.000 0,4148781972
14 AUTO 2017 7.119.360.000.000 547.781.000.000 14.687.291.500.000 0,4474330070
15 AUTO 2018 8.615.630.000.000 680.801.000.000 15.325.978.500.000 0,5177371872
16 AUTO 2019 11.198.580.000.000 816.971.000.000 15.952.678.500.000 0,6507752914
17 BBNI 2016 143.029.050.000.000 11.410.196.000.000 301.770.237.500.000 0,4361558485
18 BBNI 2017 171.653.870.000.000 13.770.592.000.000 656.180.982.000.000 0,2406093476
19 BBNI 2018 198.207.150.000.000 15.091.763.000.000 758.951.047.500.000 0,2412743056
20 BBNI 2019 193.691.060.000.000 15.508.583.000.000 827.088.609.500.000 0,2154333586
21 BBRI 2016 339.737.700.000.000 26.277.991.000.000 941.035.369.000.000 0,3331008794
22 BBRI 2017 370.221.570.000.000 29.044.334.000.000 1.064.946.434.000.000 0,3203703258
23 BBRI 2018 417.536.940.000.000 32.418.486.000.000 1.212.172.890.500.000 0,3177091791
24 BBRI 2019 433.640.530.000.000 34.413.825.000.000 1.356.828.566.000.000 0,2942351856
25 BUDI 2016 528.320.000.000 38.624.000.000 3.098.880.000.000 0,1580235440
26 BUDI 2017 610.160.000.000 45.691.000.000 2.935.631.500.000 0,1922819673
27 BUDI 2018 717.810.000.000 50.467.000.000 3.166.218.000.000 0,2107697575
28 BUDI 2019 839.050.000.000 64.021.000.000 3.196.373.500.000 0,2424713507
29 EKAD 2016 1.184.490.299.790 906.858.215.300 546.100.113.104 0,5083904541
30 EKAD 2017 1.026.493.096.810 761.956.657.290 749.638.138.440 0,3528855136
31 EKAD 2018 1.014.554.159.010 740.451.877.630 825.017.550.286 0,3322381218
32 EKAD 2019 1.118.345.019.560 774.025.725.520 910.750.901.983 0,3780608872
33 GGRM 2016 89.311.360.000.000 66.726.820.000.000 63.228.523.500.000 0,3571891094
34 GGRM 2017 104.365.120.000.000 77.553.470.000.000 64.855.782.000.000 0,4134041588
35 GGRM 2018 104.792.420.000.000 77.930.680.000.000 67.928.574.500.000 0,3954409495
36 GGRM 2019 144.877.360.000.000 108.807.040.000.000 73.872.246.500.000 0,4882797222
37 HMSP 2016 17.011.447.000.000 12.762.229.000.000 40.259.500.500.000 0,1055457208
38 HMSP 2017 168.948.060.000.000 126.705.340.000.000 42.824.670.000.000 0,9864108702
39 HMSP 2018 179.612.690.000.000 135.384.180.000.000 44.871.741.500.000 0,9856651095
40 HMSP 2019 182.594.230.000.000 137.215.130.000.000 48.752.613.000.000 0,9308034423
116
Nomor Kode Perusahaan Tahun Laba Pajak Laba Akuntansi Rata-Rata Aset Book Tax Difference
41 IMPC 2016 1.647.961.672.320 125.823.130.775 1.975.632.303.620 0,7704563945
42 IMPC 2017 1.114.239.792.470 91.303.491.940 2.285.354.707.783 0,4476050466
43 IMPC 2018 1.174.599.591.190 105.523.929.164 2.332.438.155.643 0,4583511290
44 IMPC 2019 1.339.730.457.990 93.145.200.039 2.435.665.837.011 0,5118047143
45 KLBF 2016 3.091.188.460.230 2.350.884.933.551 2.760.146.732.871 0,2682116562
46 KLBF 2017 3.241.186.725.992 2.453.251.410.604 2.742.184.851.609 0,2873385122
47 KLBF 2018 33.063.996.690.210 24.972.619.647.570 17.381.222.780.852 0,4655240396
48 KLBF 2019 34.026.168.245.330 25.376.018.236.450 19.205.466.503.977 0,4504004111
49 MYOR 2016 18.456.832.692.380 13.886.761.276.650 12.132.568.772.682 0,3766779733
50 MYOR 2017 21.868.846.034.740 16.309.538.308.930 13.919.135.829.697 0,3994003503
51 MYOR 2018 23.819.421.988.550 17.604.342.803.040 16.253.778.113.443 0,3823775089
52 MYOR 2019 27.044.665.810.110 20.394.042.067.640 18.314.812.616.554 0,3631281347
53 MTDL 2016 4.293.560.000.000 3.228.770.000.000 3.686.343.000.000 0,2888472397
54 MTDL 2017 4.684.830.000.000 3.742.410.000.000 4.073.574.000.000 0,2313496698
55 MTDL 2018 5.792.700.000.000 4.260.840.000.000 4.561.951.500.000 0,3357905054
56 MTDL 2019 7.169.580.000.000 5.351.100.000.000 5.239.026.500.000 0,3471026535
57 SMSM 2016 6.582.080.000.000 5.021.920.000.000 2.237.424.000.000 0,6973018972
58 SMSM 2017 7.206.380.000.000 5.553.880.000.000 2.349.040.500.000 0,7034787182
59 SMSM 2018 8.282.810.000.000 6.335.500.000.000 2.622.272.000.000 0,7426041234
60 SMSM 2019 8.220.420.000.000 6.386.760.000.000 2.954.092.000.000 0,6207186506
61 TSPC 2016 7.189.582.003.690 5.454.935.362.620 6.435.268.224.321 0,2695531220
62 TSPC 2017 7.440.902.628.730 557.339.581.996 7.010.353.829.230 0,9819137827
63 TSPC 2018 7.277.001.789.050 540.378.145.887 7.652.437.684.674 0,8803238812
64 TSPC 2019 7.962.209.114.720 595.154.912.874 8.121.372.320.535 0,9071193773
65 TRST 2016 2.319.496.713.300 33.794.866.940 3.323.977.862.120 0,6876405142
66 TRST 2017 1.251.368.127.700 38.199.681.742 3.311.751.080.148 0,3663223523
67 TRST 2018 3.621.667.543.900 63.193.899.099 3.808.903.771.568 0,9342513905
68 TRST 2019 1.751.407.485.900 38.911.968.283 4.316.962.237.413 0,3966899462
69 TRIS 2016 479.472.912.570 25.213.015.324 608.743.755.534 0,7462251450
70 TRIS 2017 218.339.877.860 14.198.889.550 592.334.742.249 0,3446378775
71 TRIS 2018 243.056.217.020 19.665.074.694 588.991.300.656 0,3792774903
72 TRIS 2019 639.485.011.220 41.484.677.098 1.152.565.345.617 0,5188428894
73 UNVR 2016 8.571.885.000.000 6.390.672.000.000 16.237.820.000.000 0,1343291772
74 UNVR 2017 12.185.764.000.000 9.109.445.000.000 19.214.691.500.000 0,1601024404
75 UNVR 2018 9.371.661.000.000 7.004.562.000.000 17.826.054.000.000 0,1327887260
76 UNVR 2019 9.901.772.000.000 7.392.837.000.000 20.488.120.000.000 0,1224580391
117
Lampiran 6
118
Nomor Kode Perusahaan Tahun THC
41 IMPC 2016 2
42 IMPC 2017 5
43 IMPC 2018 6
44 IMPC 2019 8
45 KLBF 2016 6
46 KLBF 2017 7
47 KLBF 2018 7
48 KLBF 2019 7
49 MYOR 2016 1
50 MYOR 2017 1
51 MYOR 2018 1
52 MYOR 2019 1
53 MTDL 2016 0
54 MTDL 2017 0
55 MTDL 2018 0
56 MTDL 2019 0
57 SMSM 2016 1
58 SMSM 2017 1
59 SMSM 2018 2
60 SMSM 2019 8
61 TSPC 2016 3
62 TSPC 2017 3
63 TSPC 2018 4
64 TSPC 2019 4
65 TRST 2016 3
66 TRST 2017 3
67 TRST 2018 3
68 TRST 2019 3
69 TRIS 2016 1
70 TRIS 2017 2
71 TRIS 2018 2
72 TRIS 2019 2
73 UNVR 2016 0
74 UNVR 2017 0
75 UNVR 2018 0
76 UNVR 2019 0
119
Lampiran 7
120
Nomor Kode Perusahaan Tahun ln_PP square_TC CI square_root_CSR square_root_THC
41 IMPC 2016 -0,2607722000 0,5434580000 0,4455472949 0,3144855000 1,4142140000
42 IMPC 2017 -0,8038440000 0,0001248000 0,4767593264 0,4059990000 2,2360680000
43 IMPC 2018 -0,7801197000 0,5635822000 0,4852172126 0,4193139000 2,4494900000
44 IMPC 2019 -0,6698121000 0,0001052000 0,5303330083 0,4193139000 2,8284270000
45 KLBF 2016 -1,3159790000 0,2356895000 0,1611057828 0,3779645000 2,4494900000
46 KLBF 2017 -1,2470940000 0,2063301000 0,1817905496 0,3779645000 2,6457510000
47 KLBF 2018 -0,7645915000 0,1875352000 0,4131947857 0,3314968000 2,6457510000
48 KLBF 2019 -0,7976183000 0,1978984000 0,4462056629 0,3631365000 2,6457510000
49 MYOR 2016 -0,9763646000 0,6677753000 0,3236730045 0,3779645000 1,0000000000
50 MYOR 2017 -0,9177910000 0,7791194000 0,2843720127 0,3779645000 1,0000000000
51 MYOR 2018 -0,9613469000 0,6511440000 0,2810328674 0,3779645000 1,0000000000
52 MYOR 2019 -1,0130000000 0,6364209000 0,3289128443 0,3779645000 1,0000000000
53 MTDL 2016 -1,2418570000 0,6787758000 0,1334499994 0,3631365000 0,0000000000
54 MTDL 2017 -1,4638250000 0,6428289000 0,1343230955 0,3922323000 0,0000000000
55 MTDL 2018 -1,0912680000 0,6124887000 0,1150638315 0,4322189000 0,0000000000
56 MTDL 2019 -1,0581350000 0,5992657000 0,1084071060 0,5345225000 0,0000000000
57 SMSM 2016 -0,3605368000 0,4333301000 0,3549646522 0,3631365000 1,0000000000
58 SMSM 2017 -0,3517177000 0,3626385000 0,3573921937 0,4059990000 1,0000000000
59 SMSM 2018 -0,2975922000 0,0000187000 0,3382193293 0,4447496000 1,4142140000
60 SMSM 2019 -0,4768774000 0,2851395000 0,3117679188 0,4322189000 2,8284270000
61 TSPC 2016 -1,3109900000 0,4029033000 0,3341615259 0,1815683000 1,7320510000
62 TSPC 2017 -0,0182518000 0,4085490000 0,2959990506 0,3144855000 1,7320510000
63 TSPC 2018 -0,1274654000 0,4168838000 0,3480713434 0,2964997000 2,0000000000
64 TSPC 2019 -0,0974812000 0,4113962000 0,3511539598 0,2567763000 2,0000000000
65 TRST 2016 -0,3744891000 0,5467042000 0,6414024051 0,2096570000 1,7320510000
66 TRST 2017 -1,0042420000 0,5408410000 0,6430361229 0,1815683000 1,7320510000
67 TRST 2018 -0,0680097000 0,5833092000 0,6512987455 0,1815683000 1,7320510000
68 TRST 2019 -0,9246003000 0,6286471000 0,6793537570 0,2096570000 1,7320510000
69 TRIS 2016 -0,2927279000 0,5730514000 0,2550504171 0,2964997000 1,0000000000
70 TRIS 2017 -1,0652610000 0,5369425000 0,3451977292 0,3144855000 1,4142140000
71 TRIS 2018 -0,9694872000 0,5231205000 0,3051881828 0,4569368000 1,4142140000
72 TRIS 2019 -0,6561542000 0,5747615000 0,3396723799 0,4193139000 1,4142140000
73 UNVR 2016 -2,0074620000 0,8206805000 0,6065789446 0,4803845000 0,0000000000
74 UNVR 2017 -1,8319410000 0,8327808000 0,5735777395 0,4916892000 0,0000000000
75 UNVR 2018 -2,0189960000 0,7913202000 0,5799502000 0,5741693000 0,0000000000
76 UNVR 2019 -2,0999870000 0,8089325000 0,5868961820 0,6376468000 0,0000000000
121
Hasil Output
STATA 16
122
Lampiran 8 Hasil Output STATA
123
Hasil Uji Regresi Model Fixed Effect (FE)
124
Hasil Uji Hausman
Variabel fe re Difference
sqr_TC 0,9643638 -2,202373 3,166737
CI -1,876276 -1,775946 -0,1003299
sqr_rt_CSR -0,2123626 1,39765 -1,610012
sqr_rt_THC -1,120943 -0,2094941 -0,9114493
sqr_TCsqr_rt_THC -0,3099194 1,05519 -1,36511
CIsqr_rt_THC 1,805239 0,9427514 0,8624877
sqr_rt_CSRsqr_rt_THC 0,9672175 -1,084282 2,051499
chi2 8,14
Prob > chi2 0,3202
125
Hasil Uji Normalitas Setelah Transformasi Data
126
Hasil Uji Regresi Metode SUR (Seemingly Unrelated Regression)
127