PENGOLAHAN DATA ANALISIS REGRESI BERGANDA

4.2.1 Uji Normalitas

Uji normalitas adalah uji yang dilakukan dengan tujuan untuk melihat

apakah data yang ada dalam penelitian sudah terdistribusi dengan normal

atau tidak. Model regresi yang baik adalah apabila data tersebut normal atau

mendekati normal. Dalam penelitian ini uji normalitas dilakukan dengan

dua cara yaitu dengan grafik dan uji statistik. Untuk grafik itu menggunakan

analisis grafik on probability plot dan untuk uji statistik menggunakan

Kolmogorov-Smirnov melalui pendekatan Monte carlo. Jika melalui grafik

suatu variabel dapat dikatakan normal apabila gambar titik-titik pada grafik

non probability plots mengikuti garis diagonal dan nilai signfikan atau

probabilitas, dan jika melalui uji statistik yaitu dengan menggunakan

metode Kolmogorov-Smirnov itu harus kurang dari 0,05.

Tabel 4.2
Hasil Uji Normalitas

One-Sample Kolmogorov-Smirnov Test

Unstandardized
Residual
N 129
Normal Parameters a,b
Mean .0000000
Std. Deviation .29875061
Most Extreme Differences Absolute .288
Positive .243
Negative -.288
Test Statistic .288
Asymp. Sig. (2-tailed) .000c
a. Test distribution is Normal.

Page 1
 b. Calculated from data.
c. Lilliefors Significance Correction.

Dari tabel diatas dapat dilihat nilai signifikansi dari Kolmogorv-

Smirnov di bawah tingkat kepercayaan 5% atau 0,05 yaitu dengan nilai

0,000 , hal ini menunjukkan data tidak terdistribusi dengan normal.

Sehingga data yang outlier perlu di keluarkan.

One-Sample Kolmogorov-Smirnov Test

Unstandardized
Residual
N 102
Normal Parameters a,b
Mean .0000000
Std. Deviation .20125540
Most Extreme Differences Absolute .383
Positive .255
Negative -.383
Test Statistic .383
Asymp. Sig. (2-tailed) .090c
a. Test distribution is Normal.
b. Calculated from data.
c. Lilliefors Significance Correction.

Dari tabel diatas dapat dilihat nilai signifikansi dari Kolmogorv-

Smirnov dengan pendekatan Monte Carlo di atas tingkat kepercayaan 5%

atau 0,05 yaitu dengan nilai 0,131, hal ini menunjukkan data terdistribusi

dengan normal.

Page 2
4.2.2 Uji Multikolinearitas

Uji multikolinearitas digunakan untuk mengetahui apakah ada

hubungan atau korelasi diantara variabel independen. Multikolinearitas

menyatakan hubungan antar sesama variabel independen. Model regresi

yang baik seharusnya tidak terjadi korelasi diantara variabel independen.

Pendektesian ada atau tidaknya multikolinearitas di dalam model regresi

dapat dilihat dari besaran VIF (Variance Inflation Factor) dan tolerance.

Regresi bebas dari multikolinearitas jika besar nilai VIF<10 dan nilai

tolerance>0.10.

Tabel 4.3
Hasil Uji Multikolinearitas

Collinearity Statistics
Model Part Tolerance VIF
Ukuran Perusahaan .016 .923 1.084
Leverage .075 .988 1.013
Profitabilitas -.005 .992 1.009
Komisaris Independen -.112 .902 1.109
Kepemilikan Institutional -.025 .844 1.185
Sumber: Data diolah peneliti, (2023)

Berdasarkan Tabel 4 di atas dalam pengujian multikolinearitas, dapat

dilihat bahwa model regresi pada penelitian ini tidak terjadi

multikolinearitas pada variabel bebasnya karena semua nilai VIF < 10 dan

tolerance > 0.10.

4.2.3 Uji Heteroskedastisitas

Page 3
 Uji Heteroskedastisitas digunakan untuk menguji apakah dalam suatu

model regresi terdapat kesamaan atau ketidak samaan varians antara

pengamatan yang satu dengan pengamatan yang lainnya.Pengujian

heteroskedastisitas menggunakan grafik scatterplot. Berikut ini tampilan

grafik scatterplot dari model regresi.

Gambar 4.1. Grafik Uji Scatterplot

Dalam suatu model regresi yang baik, biasanya tidak mengalami

heteroskedastisitas. Melalui grafik scatterplot dapat terlihat suatu model

regresi mengalami heteroskedastisitas atau tidak. Jika terdapat pola tertentu

dalam grafik maka mengindikasikan telah terjadi heteroskedastisitas. Dari

Gambar diatasterlihat bahwa titik-titik menyebar secara acak serta tersebar

baik diatas maupun dibawah angka 0 pada sumbu Y. Maka dapat

disimpulkan bahwa tidak terjadi heteroskedastisitas pada model regresi dalam

penelitian ini.

Page 4
4.2.4 Uji Autokorelasi

Uji autokorelasi ini bertujuan menguji apakah dalam model regresi

linear ada korelasi antara kesalahan pengganggu pada periode t dengan

kesalahan pengganggu pada periode t-1 (sebelumnya). Model regresi yang

baik adalah yang tidak adanya masalah autokorelasi.Untuk mendeteksi ada

tidaknya autokorelasi dalam model regresi ini ialah menggunakan uji

Durbin-Watson (DW). Apabila tidak terjadi masalah autokorelasi maka

persamaan regresi yang digunakan yaitu :

du< dw< 4−du

Adapun tabel hasil uji autokorelasinya adalah sebagai berikut :

Tabel 4.5
Hasil Uji Autokorelasi

Model Summaryb
Adjusted R Std. Error of the
Model R R Square Square Estimate Durbin-Watson
1 .939a .891 .781 .30476 1.821
a. Predictors: (Constant), Kepemilikan Institutional, Profitabilitas, Leverage, Ukuran
Perusahaan, Komisaris Independen
b. Dependent Variable: Manajemen Laba

Sumber: Data diolah peneliti, (2023)

Berdasarkan tabel 4.3, nilai Durbin-Watson hitung dalam penelitian

ini sebesar 2,099 akan dibandingkan dengan nilai Durbin-Watson tabel.

Untuk membandingkan nila DW hitung dengan DW tabel maka perlu

Page 5
 diperhatikan DW tabel. Dengan menggunakan α=5% serta menggunakan

maka diperoleh DW dl = 1,5922 dan du= 1.7582,

Berdasarkan persamaan du < d < 4 – du maka dapat dijelaskan

sebagai berikut :

= du< dw< 4−du

= 1.752<1,821<4−1.752

= 1.7311<2.099<2,248

Sehingga dapat dijelaskan bahwa dalam persamaan regresi tersebut

tidak ada masalah autokorelasi, baik positif maupun negative

4.1 Analisis Regresi Linear Berganda

Penelitian ini menggunakan analisis regresi berganda untuk menguji

pengaruh dua atau lebih variabel independen terhadap satu variabel dependen,

dengan tujuan untuk mengestimasikan variabel dependen berdasarkan nilai

variabel independen yang diketahui. Hasil perhitungan regresi linear berganda

dengan menggunakan software adalah sebagai berikut:

Tabel 4.6
Analisis Regresi Linear Berganda

Coefficientsa
Standardized
Unstandardized Coefficients Coefficients
Model B Std. Error Beta t Sig.
1 (Constant) .144 .218 .661 .510
Ukuran Perusahaan .001 .007 .016 3.175 .004
Leverage .235 .281 .075 4.838 .000

Page 6
 Profitabilitas -.235 .000 -.005 -3.058 .005
Komisaris Independen -.274 .218 -.118 -1.255 .212
Kepemilikan Institutional -.043 .156 -.027 -.276 .783
a. Dependent Variable: Manajemen Laba
Sumber: Data diolah peneliti, (2023)

Pada tabel di atas dapat dijelaskan tentang persamaan regresi linear

berganda pada penelitian ini. Adapun rumus persamaan regresi dalam penelitian

ini adalah sebagai berikut:

Y^ =α + β 1 X 1+ β 2 X 2 + β 3 X 3 + β 4 X 4 + β 5 X 5 e

Y^ =0,144+0,001 X 1 +0 , 235 X 2−0,235 X 3−0,274 X 4−0,043 X 5+ e

Persamaan regresi di atas dapat dijelaskan sebagai berikut :

a. Nilai konstanta sebesar 0,144 menunjukkan bahwa jika variabel ukuran

perusahaan, leverage, profitabilitas, komisaris independen dan

kepemilikan institutional sama dengan nol maka menajemen laba bernilai

0,144 data asumsi hal hal lain konstan.

b. Koefisien regresi ukuran perusahaan sebesar 0,001 menunjukkan bahwa

apabila ukuran perusahaan mengalami peningkatan sebesar satu-satuan,

maka manajemen laba akan meningkat sebesar 0,001. Satuan dengan

asumsi hal hal lain bersifat konstan.

c. Koefisien regresi leverage sebesar 0,235 menunjukkan bahwa apabila

leverage mengalami peningkatan sebesar satu-satuan, maka manajemen

laba akan meningkat sebesar 0,235. Satuan dengan asumsi hal hal lain

bersifat konstan.

Page 7
 d. Koefisien regresi profitabilitas sebesar -0,235 menunjukkan bahwa apabila

profitabilitas mengalami peningkatan sebesar satu-satuan, maka

manajemen laba akan meningkat sebesar 0,235. Satuan dengan asumsi hal

hal lain bersifat konstan.

e. Koefisien regresi komisaris independen sebesar -0,274 menunjukkan

bahwa apabila profitabilitas mengalami peningkatan sebesar satu-satuan,

maka manajemen laba akan menurunkan sebesar -0,274. Satuan dengan

asumsi hal hal lain bersifat konstan.

f. Koefisien regresi kepemilikan institutional sebesar -0,043 menunjukkan

bahwa apabila profitabilitas mengalami peningkatan sebesar satu-satuan,

maka manajemen laba akan menurunkan sebesar 0,043. Satuan dengan

asumsi hal hal lain bersifat konstan.

4.2 Uji Hipotesis

4.6.1 Uji Simultan (Uji F)

Uji ini digunakan untuk melihat apakah semua variabel independen

yang ada dalam model regresi memiliki pengaruh secara bersama-sama

terhadap variabel dependen. Berikut hasil perhitungan yang didapatkan:

Tabel 4.7
Uji Simultan

ANOVAa
Model Sum of Squares df Mean Square F Sig.

Page 8
1 Regression .224 5 .045 12.482 .000
Residual 11.424 123 .001
Total 11.648 128
a. Dependent Variable: Manajemen Laba
b. Predictors: (Constant), Kepemilikan Institutional, Profitabilitas, Leverage, Ukuran Perusahaan,
Komisaris Independen

Sumber: Data diolah peneliti, (2023)

Hipotesis :

H0 : β i=0

H1 : minimal ada satu β i ≠ 0

Taraf Signifikansi :

α = 0,05

Kriteria Penolakan :

Fhitung> Ftabelatau Sig<α (0,05),maka tolak H0

Fhitung< Ftabelatau Sig>α (0,05), maka gagal tolak H0

Berdasarkan hasil regresi di atas diketahui nilai signifikan

untuk pengaruh likuiditas, solvabilitas, aktivitas dan ukuran perusahaan

secara bersama-sama terhadap pertumbuhan laba adalah sebesar 0.000.

Diketahui nilai Fhitung sebesar 12,482 dan nilai Ftabel sebesar 1,399

sehingga nilai Fhitung (12,482 > Ftabel (1,399) dan nilai Sig (0.000) < α

(0.05) maka tolak H0. Sehingga dapat disimpulkan bahwa minimal ada satu

variabel bebas berpengaruh positif dan signifikan terhadap variabel terikat

4.6.2 Uji Parsial (Uji t)

Page 9
 Uji parsial digunakan untuk melihat apakah variabel independen (X)

berpengaruh secara tunggal terhadap variabel depnden (Y). Pengujian ini

dilakukan dengan menggunakan perbandingan nilai thitung dan ttabel yang

diukur berdasarkan rule of thumb. Berikut hasil perhitungan yang

didapatkan:

Tabel 4.8
Uji Parsial

Coefficientsa
Unstandardized Standardized
Coefficients Coefficients
Model B Std. Error Beta t Sig.
1 (Constant) .144 .218 .661 .510
Ukuran Perusahaan .001 .007 .016 3.175 .004
Leverage .235 .281 .075 4.838 .000
Profitabilitas -.235 .000 -.005 -3.058 .005
Komisaris Independen -.274 .218 -.118 -1.255 .212
Kepemilikan -.043 .156 -.027 -.276 .783
Institutional
a. Dependent Variable: Manajemen Laba
Sumber: Data diolah peneliti, (2023)

Hipotesis :

H0 : β i=0

H1 : β i ≠ 0 ( i = 1,2,3)

Taraf Signifikansi :

α = 0,05

Kriteria Penolakan :

thitung>ttabel atau nilai Sig<α (0,05),maka tolak H0

thitung<ttabel atau nilai Sig>α (0,05), maka gagal tolak H0

Page 10
Berdasarkan hasil output yang diperoleh dari aplikasi SPSS di atas, dapat

disimpulkan bahwa:

1. Pengaruh variabel Ukuran Perusahaan terhadap Manajemen Laba

Dari hasil analisis didapatkan nilai thitung(3,175) > ttabel(1.98) atau

nilai Sig (0.004) <α (0.05), maka tolak H0 artinya secara parsial terdapat

pengaruh ukuran perusahaan terhadap manajemen laba. Nilai koefisien

yang dihasilkan sebesar 0,001, artinya variabel ukuran perusahaan

memiliki pengaruh psoitif dan signifikan terhadap manajemen laba.

2. Pengaruh variabel Leverage terhadap Manajemen Laba

Dari hasil analisis didapatkan nilai thitung(4,838) > ttabel(1.98) atau

nilai Sig (0.000) <α (0.05), maka tolak H0 artinya secara parsial terdapat

pengaruh leverge terhadap manajemen laba. Nilai koefisien yang

dihasilkan sebesar 0,235, artinya variabel leverage memiliki pengaruh

psoitif dan signifikan terhadap manajemen laba.

3. Pengaruh variabel Profitabilitas terhadap Manajemen Laba

Dari hasil analisis didapatkan nilai thitung(-3,058) > ttabel(1.98) atau

nilai Sig (0.005) <α (0.05), maka tolak H0 artinya secara parsial terdapat

pengaruh profitabilitas terhadap manajemen laba. Nilai koefisien yang

dihasilkan sebesar 00,235, artinya variabel profitabilitas memiliki

pengaruh negatif dan signifikan terhadap manajemen laba.

4. Pengaruh variabel Komisaris Independen terhadap Manajemen

Laba

Page 11
 Dari hasil analisis didapatkan nilai thitung(-1,255) < ttabel(1.98) atau

nilai Sig (0.212) >α (0.05), maka tolak H0 artinya secara parsial tidak

terdapat pengaruh komisaris independen terhadap manajemen laba. Nilai

koefisien yang dihasilkan sebesar -0,274, artinya variabel komisaris

independen memiliki pengaruh psoitif dan signifikan terhadap

manajemen laba.

5. Pengaruh variabel Kepemilikan Institutional terhadap Manajemen

Laba

Dari hasil analisis didapatkan nilai thitung(0,276) < ttabel(1.98) atau

nilai Sig (0.783) <α (0.05), maka tolak H0 artinya secara parsial tidak

terdapat pengaruh kepemilikan institutional terhadap manajemen laba.

Nilai koefisien yang dihasilkan sebesar -0,043, artinya variabel

Kepemilikan Institutional tidak memiliki pengaruh negative dan

signifikan terhadap manajemen laba.

4.3 Koefisien Determinasi (R Square)

Koefisien determinasi bertujuan untuk mengukur seberapa besar presentase

pengaruh variabel independen terhadap variabel dependen dalam satuan persen

dalam sebuah model regresi penelitian. Hasil uji koefisien determinasi adalah

sebagai berikut:

Tabel 4.9
Koefisien Determinasi

Model Summaryb
Adjusted R Std. Error of the
Model R R Square Square Estimate Durbin-Watson

Page 12
 1 .939a .891 .781 .30476 1.421
a. Predictors: (Constant), Kepemilikan Institutional, Profitabilitas, Leverage, Ukuran
Perusahaan, Komisaris Independen
b. Dependent Variable: Manajemen Laba
Sumber: Data diolah peneliti, (2023)

Berdasarkan hasil output diatas, dapat dilihat nillai R Square sebesar 0,891

(89,1%), artinya variabel manajemem laba dipengaruhi oleh variabel-variabel

bebas yang diteliti. Sedangkan 10,9% lainnya dipengaruhi oleh faktor lain diluar

penelitian.

~THANK YOU~

Page 13
 LAMPIRAN

Lampiran Output Pengolahan Data

1. Uji Asumsi Klasik

1) Uji Normalitas

One-Sample Kolmogorov-Smirnov Test

Unstandardized
Residual
N 65
Normal Parameters a,b
Mean .0000000
Std. Deviation .73819138
Most Extreme Differences Absolute .152
Positive .152
Negative -.061
Test Statistic .152
Asymp. Sig. (2-tailed) .001c
Monte Carlo Sig. (2-tailed) Sig. .090d
95% Confidence Interval Lower Bound .084
Upper Bound .095
a. Test distribution is Normal.
b. Calculated from data.
c. Lilliefors Significance Correction.
d. Based on 10000 sampled tables with starting seed 1314643744.

2) Uji Multikolinearitas

Model Tolerance VIF

1 (Constant)
Ln(X1) .863 1.159
Ln(X2) .712 1.405
X3 .703 1.422
X4 .690 1.449

Page 14
 3) Uji Heterokedastisitas

4) Uji Autokorelasi

Model Summaryb
Adjusted R Std. Error of the
Model R R Square Square Estimate Durbin-Watson
1 .722a .522 .490 .76240 2.088
a. Predictors: (Constant), X4 , Ln(X1) , Ln(X2) , X3
b. Dependent Variable: Log(Y)

2. Analisis Regresi Berganda

Standardized
Unstandardized Coefficients Coefficients
Model B Std. Error Beta t Sig.
1 (Constant) 4.541 .404 11.234 .000
Ln(X1) .722 .175 .396 4.123 .000
Ln(X2) .572 .082 .738 6.974 .000
X3 -3.065 .774 -.421 -3.958 .000
X4 .416 .185 .241 2.245 .028

Page 15
3. Pengujian Hipotesis
1) Uji F

ANOVAa
Model Sum of Squares df Mean Square F Sig.
1 Regression 38.077 4 9.519 16.377 .000b
Residual 34.875 60 .581
Total 72.953 64
a. Dependent Variable: Log(Y)
b. Predictors: (Constant), X4 , Ln(X1) , Ln(X2) , X3

2) Uji T

Standardized
Unstandardized Coefficients Coefficients
Model B Std. Error Beta t Sig.
1 (Constant) 4.541 .404 11.234 .000
Ln(X1) .722 .175 .396 4.123 .000
Ln(X2) .572 .082 .738 6.974 .000
X3 -3.065 .774 -.421 -3.958 .000
X4 .416 .185 .241 2.245 .028

3) Uji Koefisien Determinasi

Model Summaryb
Adjusted R Std. Error of the
Model R R Square Square Estimate Durbin-Watson
1 .722 a
.522 .490 .76240 2.088
a. Predictors: (Constant), X4 , Ln(X1) , Ln(X2) , X3
b. Dependent Variable: Log(Y)

Page 16