BAB IV HASIL DAN PEMBAHASAN
A.
Statistik Deskriptif Analisis statistik deskriptif menggambarkan karakter data sampel yang digunakan dalam penelitian. Berikut adalah analisis deskriptif terhadap variabel- variabel tersebut : Tabel 4.1 Statistik Diskriptif IFR Descriptive Statistics
ERC
N 42
Minimum ,15
Maximum 1,53
Mean ,5788
Std. Deviation ,40891
IFR
42
0,00
1,00
,9048
,29710
Valid N (listwise)
42
Sumber : Output SPSS, diolah penulis, 2014 Variabel IFR mempunyai rata-rata 0,9048 hal ini menunjukkan bahwa pengguna IFR dari jumlah sampel perusahaa 42 perusahaan, 38 perusahaan menggunakan IFR dan 4 perusahaan tidak menerapkan IFR, hal ini bahwa praktek IFR sudah banyak digunakan oleh perusahaan Indonesia sebesar 90%. Nilai ERC merupakan nilai kualitas dari laba suatu perusahaan. Semakin besar nilai ERC suatu perusahaan maka semakin baik kulitas keungan perusahaan, hal ini dengan semakin tinggi nilai ERC maka semakin diminati Investor untuk menanamkan modalnya.
43
44
Tabel 4.2 Statistik Diskriptif WEB Descriptive Statistics
ERC
N 38
Minimum ,15
Maximum 1,53
Mean ,5782
WEB
38
14,00
32,00
20,7895
Valid N (listwise)
38
Std. Deviation ,40611 3,14649
Sumber : Output SPSS, diolah penulis, 2014 Dari 38 perusahaan pengkapan Website terendah adalah 14 yaitu PT Ekhadharma Internasional Tbk. Dan tertinggi adalah PT Semen Gresik Tbk dengan jumlah 32. Rata-rata pengungkapan informasi perusahaan sebesar 20,7895 hal ini menunjukkan bahwa semakin tinggi tingkat pengungkapan informasi suatu perusahanan, maka semakin banyak informasi yang didiperoleh oleh investor sebagai bahan pertimbangan untuk menanamkan modalnya.
B.
Uji Asumsi Klasik Syarat yang menjadi dasar penggunaan model Regresi Liniear Berganda adalah dipenuhinya semua asumsi klasik, agar hasil pengujian tidak bersifat tidak bias dan efisien (Best Linier Unbiased Estimator). Dalam artian garis regresi merupakan estimasi atau ramalan yang baik dari suatu sebaran data. Garis regresi merupakan cara memahami pola hubungan antara dua seri data atau lebih. Garis regresi baik jika garis itu menghasilkan error yang terkecil. Error itu sendiri adalah perbedaan antara nilai observasi dan nilai yang diramalkan oleh garis regresi. Jika best disertai sifat unbiased, maka estimator regresi disebut efisien. Estimator regresi akan
45
disebut linier apabila estimator itu merupakan fungsi linier dari sampel. Pengujian asumsi klasik dalam penelitian ini dilakukan dengan uji normalitas, uji multikolinieritas, uji heteroskedastisitas. 1.
Uji Normalitas Model regresi yang baik mensyaratkan adanya normalitas pada data penelitian atau pada nilai residualnya bukan pada masing-masing variabelnya (Ghozali, 2010).Untuk mengetahui hal tersebut digunakan Uji Kolmogorov- Smirnov dengan menggunakan taraf signifikansi 0,05. Berdasarkan olah data menggunakan SPSS diperoleh hasil sebagai berikut :
Tabel 4.3 Uji Normalitas Uji Normalitas dengan Kolmogorov-Smirnov One-Sample Kolmogorov-Smirnov Test
Unstandardized Residual N Normal Parameters
42 Mean
a,b
Std. Deviation
Most Extreme Differences
Absolute
,0000000 ,19000202 ,135
Positive
,119
Negative
-,135
Kolmogorov-Smirnov Z
,876
Asymp. Sig. (2-tailed)
,427
a. Test distribution is Normal. b. Calculated from data.
Sumber : Output SPSS, diolah penulis, 2014 Dari tabel 4:3 nilai signifikan untuk variabel ERC 0,427 menunjukkan diatas 0.05, dengan demikian variabel tersebut didistribusikan normal. Dengan demikian dengan model variabel dependen ERC dan variabel tersebut berdistribusi normal.
46
2.
Uji Multokolonieritas Ada atau tidaknya multikolinieritas dalam model regresi, dapat dilihat dari nilai tolerance dan awalnya, Nilai Variance Inflation Factor (VIF). Batas dari tolerance value adalah 0,10 dan batas VIF adalah 10. Nilai tolerance value jika di bawah 0,10 atau nilai VIF di atas 10 maka terjadi multikolinieritas. Tabel 4.4 Hasil Uji Multikonieritas
Collinearity Statistics Model 1 (Constant)
t
Sig.
Tolerance
VIF
5,976
,000
IFR
11,849
,000
,967
1,034
WEB
-3,252
,002
,967
1,034
a.
Dependent Variable: ERC
Sumber : Output SPSS, diolah penulis, 2014 Hasil perhitungan nilai tolerance menunjukkan tidak terjadinya korelasi antar variabel independen dimana nilai tolerance lebih dari 0,10. Nilai tolerance IFR sebesar 0,967 dan nilai tolerance WEB sebesar 0,967. Perhitungan VIF menunjukkan hal yang sama dimana nilai VIF kurang dari 10 dimana nilai VIF IFR sebesar 1,034 dan nilai VIF WEB sebesar 1,034 Berdasarkan Gambar tersebut dapat disimpulkan bahwa penelitian ini bebas dari adanya multikolinieritas antar variabel independen dalam model ini.
47
3.
Uji Autokorelasi Uji Autokorelasi digunakan untuk melihat apakah terjadinya korelasi antar sutau periode t dengan periode sebelumnya (t-1), gejala Autokorelasi salah satunya metode Run Test. Alasannya menggunakan metode tersebut, Metode Runt Test lebih akurat dalam mendeteksi nilai residual yang memiliki korelasi yang lebih tinggi. Menurut Ghozali (2010), karena nilai sig yang 0.05 dapatlah disimpulkan tejadi autokorelasi antara nilai residual. Tabel 4.5 Uji Autokorelasi
Model 1
Durbin-Watson 1,753
a. Predictors: (Constant), WEB, IFR b. Dependent Variable: ERC
Sumber : Output SPSS, diolah penulis, 2014 Dari tabel diatas bahwa nilai Durbin Watson adalah sebesar 1,753 Sementara nilai dL dan dU dapat dilihat pada tabel DurbinWatson pada signifikansi 0,05, n=42, dan k=2 (n adalah jumlah data dan k adalah jumlah variabel independen). Berdasarkan tabel DurbinWatson, didapat nilai dL=1,407 dan dU=1,606 Dengan demikian, maka diperoleh hasil dL < dw < 4-dU atau 1,407 < 1,753 < 2,394 Jadi, dapat disimpulkan bahwa tidak terdapat autokorelasi pada model regresi dalam penelitian ini.
48
4.
Uji Heteroskedastisitas Uji heteroskedastisitas bertujuan untuk melihat apakah dalam model regresi terjadi ketidaksamaan varian dari residual satu pengamatan kepengamatan lain. Jika varian dari satu pengamatan kepengamatan lain tetap, maka disebut homoskedastisitas dan jika berbeda disebut heteroskedastisitas. Model regresi yang baik adalah tidak terjadi heteroskedastisitas. Pendeteksian gejala heteroskedastisitas adalah dengan melihat grafik scatterplot yang dihasilkan dari pengolahan data menggunakan program SPSS. Dasar pengambilan keputusannya adalah sebagai berikut: 1. Jika ada pola tertentu, seperti titik-titik yang ada membentuk pola tertentu
yang
menyempit),
teratur
(bergelombang,
maka
melebar
mengindikasikan
kemudian
telah
terjadi
heteroskedastisitas. 2. Jika tidak ada pola yang jelas, serta titik-titik menyebar diatas dan dibawah
angka
0
pada
sumbu
Y,
maka
tidak
terjadi
heteroskedastisitas. Berikut ini grafik scatterplot untuk menganalisis apakah terjadi gejala heteroskedastisitas atau tidak dengan cara mengamati penyebaran titik-titik pada grafik.
49
Tabel 4.6 Uji Heteroskedastisitas
Sumber : Output SPSS, diolah penulis, 2014 Dari grafik scatterplot terlihat bahwa titik-titik menyebar cukup baik diatas maupun dibawah angka 0 pada sumbu Y, hal ini dapat menyimpulkan tidak terjadi heteroskedastisitas pada model regresi. Dengan demikian, model ini layak dipakai untuk memprediksi variabel dependen (ERC) berdasarkan masukan variable independen (IFR dan WEB). penelitian ini.
50
C.
Uji Hipotesis 1. Analisis Regresi Linear Berganda Dari hasil pengujian asumsi klasik disimpulkan bahwa model regresi yang dipakai dalam penelitian ini telah memenuhi model estimasi yang Best Linear Unbiased Estimator (BLUE) dan layak dilakukan analisis regresi. Pengujian hipotesis menggunakan analisis regresi berganda. Berdasarkan hasil pengolahan data dengan software SPSS version 19.0 for windows maka diperoleh hasil sebagai berikut: a.
Persamaan Regresi liniear Berganda Berdasarkan hasil uji asumsi klasik yang telah dilakukan diatas, dapat disimpulkan bahwa model regresi yang dipakai dalam penelitian ini telah memenuhi model estimasi yang Best Linear Unbiased Estimator (BLUE) dan layak untuk dilakukan analisis statistik selanjutnya, yaitu melakukan pengujian hipotesis Adapun hasil pengolahan data dengan analisis regresi dapat dilihat pada tabel gambar: Tabel 4.7 Hasil Analisis Regresi Berganda a
Coefficients Unstandardized Coefficients Model 1 (Constant) IFR WEB a.
B ,534
Std. Error ,089
,771
,065
-,015
,005
Standardized Coefficients T 5,976
Sig. ,000
,897
11,849
,000
-,246
-3,252
,002
Beta
Dependent Variable: ERC
Sumber : Output SPSS, diolah penulis, 2014
51
Berdasarkan tabel 4.7 pada kolom Unstandardized coefficients bagian B diperoleh model persamaan regresi linear berganda yaitu: Y= α + β1X1 + β2X2 + β3X3 + ε Y= 0,534+0,771 IFR-0,015 WEB+ ε Dimana: Y
:Earnings Response Coeffiecient (ERC)
X1
: Internet Financial Reporting
X2
: Tingkat Pengungkapan Informasi Website
ε
: Error Term
2. Uji Persial (T-Test) Untuk mengetahui apakah variabel independen dalam model regresi berpengaruh terhadap variabel dependen, maka dilakukan pengujian dengan menggunakan uji F (F test) dan uji t (t test). Uji t dilakukan untuk mengetahui hubungan antara variabelvariabel independen terhadap variable dependen secara parsial. Uji t menggunakan hipotesis seperti yang dijelaskan berikut ini. Adapun kriteria pengujinnya. Penelitian ini pengambilan keputusan berdsarkan signifikan: Jika signifikan < 0,05 maka H0 ditolak
52
Jika signifikan > 0,05 maka H0 diterima Tabel 4.8 Uji T a
Coefficients Unstandardized Coefficients Model 1 (Constant) IFR WEB
B ,534
Std. Error ,089
,771
,065
-,015
,005
Standardized Coefficients Beta
T 5,976
Sig. ,000
,897
11,849
,000
-,246
-3,252
,002
a. Dependent Variable: ERC
Sumber : Output SPSS, diolah penulis, 2014 a.
Pengaruh Internet Financial Reporting terhadap Earnings Response Coefficient. Nilai signifikan sebesar 11,849 meunjukkan bahwa nilai signifikan untuk uji t persial lebih kecil dari 0.05, hal ini menunjukkan bahwa IFR
berpengaruh
signifikan terhadap
Earnings Response Coefficient (ERC). Maka Internet Financial Reporting diterima dengan signifikan dibawah 0,05.
b. Pengaruh Tingkat Pengungkapan Informasi Website Nilai signifikan sebesar -3,252 menunjukkan bahwa nilai signifikan untuk uji t persial lebih kecil dari 0,05 dengan signifikan 0,002 menunjukkan bahwa Tingkat Pengungkapan Informasi Website signifikan terhadap ERC. Maka WEB diterima dengan signifikan dibawah 0,05.
53
3. Uji Simlatan (F-Test) Uji F digunakan untuk menegtahui apakah secara bersama-sama variabel independent berpengaruh signifikan terhadap varibel dependent. Pengujian menggunakan tingkat signifikan 0,05. Tabel 4.9 Uji F a
ANOVA Sum of Squares 5,375
Model 1 Regression
I
Mean Square 2,688 ,038
Df
Residual
1,480
39
Total
6,855
41
F 70,817
Sig. b ,000
a. Dependent Variable: ERC b. Predictors: (Constant), WEB, IFR
Sumber : Output SPSS, diolah penulis, 2014 Hasil uji F yang ditampilkan dalam tabel 4.8 menunjukkan bahwa nilai F hitung adalah 70,817 dengan tingkat signifikansi 0.000 yang lebih kecil dari 0,05 dengan menggunakan tabel F diperoleh nilai tabel f sebesar 3,24, hal tersebut menunjukkan bahwa F Hitung sebesar 70,817 lebih besar dari F tabel sebesar 3,24 sehingga Ha diterima dan HO ditolak artinya dengan uji F Internet Financial Reporting dan Tingkat Pengungkapan
Informasi
Response Coefficient.
Website
berpangaruh terhadap
Earnings
54
D.
Pembahasan Penelitian ini bertujuan untuk mengetahui seberapa besar pengaruh Internet Financial Reporting (IFR) dan Tingkat Pengungkapan Informasi Website terhadap Earning Response Coeficien (ERC). 1. Hasil pengujian variabel Internet Financial Reporting terhadap Earnings Response Coefficient berpengaruh positif . Jadi apabila perusahaan menerapkan IFR maka perusahaan dapat dikatakan sudah maksimal dalam pemberian informasi terutama tentang laporan keuangan perusahaan atau mengenai keunggulan perusahaan didalam keuangan. Hal ini akan berakibat mendorong para investor
untuk
menanamkan modalnya pada perusahaan yang bersangkutan. Berdasarkan pengujian pengaruh Internet Financial Reporting (IFR) terhadap Earning Response Coefficient (ERC) dapat diketahui bahwa variabel IFR berpengaruh positif dan signifikan terhadap ERC. Koefisien variabel praktek Internet Financial Reporting (IFR) adalah 0,771 dan memiliki T hitung 11,849 Nilai sig. (0,000) < alfa á (0,05), hal ini berarti variabel praktek Internet Financial Reporting (IFR) signifikan pada level 0,05. Sesuai dengan Teori Pasar Sinyal bahwa investor akan bereaksi dengan cepat ketika mengetahui nilai ERC suatu perusahaan meningkat, dengan mendapatakan informasi melalui IFR yang informatif mengenai laporan keuangan perusahaan, maka para investor akan mendaptkan informasi mengenai nilai ERC suatu perusahaan.
55
2. Hasil pengujian variabel Tingakat Pengungkapan Informasi Website berpengaruh signifikan terhadap ERC. Variabel tingkat pengungkapan informasi Website mempunyai nilai koefisien -0,015 dan mempunyai T hitung -3,253 dengan signifikan 0,000. Salah satu dengan menghindari perbedaan informasi antara investor dengan pihak luar adalah dengan pemberian informasi laporan keuangan perusahaan pada pihak luar. Hal ini sangat bermanfaat bagi perusahaan pentingnya pengungkapan informasi website mengenai informasi perusahaan agar para investor dapat mebedakan antara perusahaan mana yang mempnyai kredibilitas yang baik dan yang tidak. Mengungkapkan informasi keuangan dan non- keuangan secara sukarela di internet dapat menciptakan transparansi informasi yang lebih tinggi. Transparansi informasi mengurangi asimetri informasi antara pemilik (atau investor) dan manajemen.. Menurut Ashbaugh et al. (1999), dalam (Febrian, 2010) elemen penting Internet Fianacial Reporting (IFR) adalah derajat atau kuantitas pengungkapan. Semakin tinggi tingkat pengungkapan informasi dalam kuantitas atau transparansi, maka semakin besar dampak dari pengungkapan pada keputusan investor. Jadi dapat
dikatakan semakin
pengungkapakan informasi
mengenai perusahaan terutama tentang laporan keuagan perusahaan, maka para investor akan lebih jelas mengetahui nilai Earnings Response Coefficient (ERC) perusahaan, dengan nilai Earnings
56
Response Coefficient (ERC) yang tinggi maka Investor akan menanamkan modalnya pada perusahaan tersebut, selain melihat ERC suatu perusahaan, para investor akan melihat informasi yang ada di website suatu perusahaan.
