HASIL PENGUJIAN DATA

1. DESCRIPTIVE

Merupakan Gambaran tentang ringkasan data dari masing-masing Variabel yang akan masuk

dalam Proses Pengujian, tujuannya adalah untuk memudahkan dalam membaca atau

memahami data, adapun informasi yang dihasilkan, dimulai dari jumlah data (N), Nilai

Terendah, Nilai Tertinggi, Nilai rata-rata (Mean) dan Standar Deviasi yang merupakan

Penyimpangan data.

Descriptive Statistics

30 ,000 1,000 ,56667 ,504007

30 ,176 ,647 ,44410 ,123410

30

Type IndustriPengungkapanInformasi SosialValid N (listwise)

N Minimum Maximum Mean Std. Deviation

Dari table diatas dari jumlah Sample yang masuk kedalam Pengujian adalah sebesar N = 30

untuk semua variabel, yang terdiri dari variabel Type Industri dan Pengungkapan Informasi

Sosial, untuk variable Type Industri dari 30 data yang masuk dalam pengujian ini terdapat

nilai Minimum sebesar 0 yang merupakan variable Dummy untuk Type industri perusahaan

yang Low profile dan nilai Maksimun sebesar 1 merupakan nilai dummy untuk perusahaan

yang High profile, sementara nilai rata-rata (Mean) adalah nilai rata-rata type industri yang

ada baik untuk high profile maupun yang low profile yaitu sebesar 0.56667, terakhir adalah

Standar Deviasi merupakan simpang baku atau penyimpangan data dari nilai rata-rata untuk

variable ini adalah sebesar 0.504007, nilai ini masih berada dibawah nilai rata-rata, sehingga

dapat dikatakan dampak penyimpangan ini tidak akan memberikan gangguan yang berarti

untuk dala sebesar 30. Sementara untuk variable Pengungkapan informasi social juga dapat

dijelaskan, dari 30 data yang ada terdapat nilai minimum sebesar 0.176 dan nilai maksimum

sebesar 0.647 dengan nilai rata-rata sebesar 0.44410 dengan tingakt standar deviasi sebesar

0.123410, nilai standar deviasi ini juga sama keadaannya dengan variable Type industri

2. PENGUJIAN KLASIK

1. Pengujian Normalitas

Dilakukan untuk melihat distribusi dari variabel-variabel yang akan dianalisis apakah sudah

berdistribusi Normal atau belum berdistribusi Normal, salah satu bentuk analisis yang dapat

digunakan adalah dengan menggunakan Pendekatan Kolmogorov – Smirnov (K-S), untuk

menguji Normalitas dengan pendekatan ini adalah suatu data berdistribusi Normal bila “

Signifikan K-S Yaitu Z > 0.05.

NPar TestsOne-Sample Kolmogorov-Smirnov Test

30 30,56667 ,44410

,504007 ,123410,372 ,088,303 ,077

-,372 -,0882,036 ,480,001 ,975

NMeanStd. Deviation

Normal Parameters a,b

AbsolutePositiveNegative

Most ExtremeDifferences

Kolmogorov-Smirnov ZAsymp. Sig. (2-tailed)

Type IndustriPengungkapan

Informasi Sosial

Test distribution is Normal.a.

Calculated from data.b.

Dari table diatas dapat dilihat dengan jelas dari hasil analisis Normalitas dimana variabel

yang berdistribusi Normal dengan melihat nilai K-S Z Sig > 0.05, ternyata hanya ada pada

variabel Pengungkapan Informasi Sosial dengan Nilai Asymp Siq. 0,975 besar jika

dibandingkan dengan Alpha 0.05 maka nilai tersebut > 0.05 Atau > 5%. Oleh karena itu

variable ini sudah dapat dikatakan berdistribusi Normal. Sementara variabel yang tidak

berdistribusi Normal yaitu Type Industri, karena variabel ini merupakan variabel

Kategori/Dummy maka masalah penyebaran data yang tidak normal ini dapat diabaikan atau

ditinggalkan dalam pengujian ini kalau pun akan kita lakukan transpormasi data ke bentuk

Log, Ln, Kuadrat dan Akar maka khusus untuk data yang yang memiliki kategori 0 (nol) akan

menghasilkan perubahan data dengan nilai Blank atau tak terhingga pada akhirnya dapat

dipastikan gambaran data pada saat pengujian juga tidak akan seimbang dan nilai itu tidak

dapat dijadikan ukuran dalam penilaian penyebaran data yang normal.

2. Pengujian Multikolinearitas

Menunjukan adanya hubungan linier antara Variabel Independent, bila dalam model regresi

terjadinya Multikoleniaritas, maka akan terjadinya ketidaktepatan dalam estimasi oleh

variabel bebas terhadap variabel terikat. Suatu bentuk suatu Model regresi bebas dari

Multikoleniaritas dapat dilihat dari nilai VIF (Variance Inflation Factor) yang nilainya tidak

melebihi angka 10 atau bisa juga dilihat dari nilai TOL yang > 0.1

Coefficientsa

1,000 1,000PengungkapanInformasi Sosial

Model1

Tolerance VIFCollinearity Statistics

Dependent Variable: Type Industria.

Terlihat dari tabel coefficients nilai VIF yang ada untuk semua variabel independent

(Pengungkapan Sosial) masih berada dibawah nilai angka 10, dan nilai TOL juga > 0.1

artinya dapat dikatakan tidak terjadi Multikoleniaritas dan model Regresi yang dihasilkan

dari sudut pandang Mutilkolinearitas sudah cukup baik.

3. Pengujian Hetroskedastisitas

Uji Heteroskedastisitas bertujuan menguji apakah dalam Model regresi terjadi ketidaksamaan

variance dari residual suatu pengamatan ke pengamatan lain, jika variance dari residual suatu

pengamatan kepengamatan lain tetap, maka disebut Homoskedastisitas dan jika berbeda

disebut Heteroskedastisitas, model regresi yang baik adalah yang Homokedastisitas atau tidak

terjadi Heteroskedastisitas. Salah satu cara untuk mendeteksi ada atau tidaknya masalah

Heteroskedastisitas dengan melihat Grafik Plot Regresi antara nilai Prediksi variable

Terikat/Dependent (ZPRED) dengan residualnya (SRESID), yaitu dengan melihat ada

tidaknya pola tertentu pada grafik scatter plot antara SRESID dan ZPRED, dimana sumbu Y

adalah Y yang telah dipresiksi dan sumbu X adalah residual.

Dasar Analisis :

Jika ada pola tertentu, seperti titik-titik yang ada membentuk pola-pola tertentu yang

teratur (Bergelombang, melebar kemudian menyempit), maka mengindikasikan telah

terjadinya masalah Heteroskedastisitas.

Jika tidak ada pola yang jelas, serta titik-titik menyebar diatas dan dibawah angka 0

(Nol) pada sumbu Y, maka tidak terjadi masalah Heteroskedastisitas.

Scatterplot

Dependent Variable: Type Industri

Regression Standardized Predicted Value

210-1-2-3

Reg

ress

ion

Stu

dent

ized

Res

idua

l

1,5

1,0

,5

0,0

-,5

-1,0

-1,5

Dari pengamatan terhadap grafik diatas tidak ditemukan terbentuknya pola-pola tertentu

seperti pembentukan garis diagonal, oleh karena itu untuk masalah Heteroskedastisitas dapat

dikatakan tidak terjadi. Salah satu dampak terhadap adanya gangguan data untuk masalah

heteroskedastisitas ini pada kekuatan dari variable independent dalam menjelaskan variabel

dependent atau dengan kata lain akan biasnya kekuatan dari variable independent dalam

menjelaskan variabel dependent.

4. Pengujian Autokorelasi

Uji ini dilakukan untuk melihat terjadinya antara anggota-anggota dari serangkaian

pengamatan yang tersusun dalam rangkaian waktu, bila ini terjadi dalam model regresi, maka

variabel sampel tidak dapat mengambarkan varian populasi, Uji Autokorelasi dapat dilihat

melalui nilai Durbin – Watson. Suatu Model regresi terbebas dari masalah autokorelasi bila

nilai Durbin – Watson berada antara – 2 sampai dengan + 2.

Model Summaryb

2,546Model1

Durbin-Watson

Dependent Variable: Type Industrib.

Sementara dari tabel Model summary terlihat nilai Durbin – Watson berada antara – 2 sampai

dengan + 2, oleh karena itu masalah Autokorelasi tidak ditemui pada Model regresi ini.

3. PENGUJIAN LOGISTIK REGRESSION

Analisis Logistic Regression adalah Salah satu pendekatan model Matematis yang digunakan

untuk menganalisa hubungan satu atau beberapa variabel independen dengan sebuah variabel

dependen katagorik yang bersifat dikotom/binary, atau bagaimana tingkat probabilitas dari

variable dependent dapat diprediksi oleh variable independent. Adapun Output dari pengujian

ini adalah sebagaiberikut :

Logistic RegressionCase Processing Summary

30 100,00 ,0

30 100,00 ,0

30 100,0

Unweighted Cases a

Included in AnalysisMissing CasesTotal

Selected Cases

Unselected CasesTotal

N Percent

If weight is in effect, see classification table for the totalnumber of cases.

a.

Pada tabel diatas mengambarkan tentang jumlah sampel yang masuk kedalam pengujian yaitu

sebanyak 30 atau 100% dan tidak terdapat data yang hilang atau missing.

Dependent Variable Encoding

01

Original ValueLow ProfileHigh Profile

Internal Value

Sementara pada tabel Dependent Variable Encoding adalah bentuk pengkodean atau

dikotomi, yaitu untuk Type Perusahaan Low profile = 0 & untuk Perusahaan High profile =

1

Block 0: Beginning BlockIteration Historya,b,c

41,054 ,26741,054 ,26841,054 ,268

Iteration123

Step0

-2 Loglikelihood Constant

Coefficients

Constant is included in the model.a.

Initial -2 Log Likelihood: 41,054b.

Estimation terminated at iteration number 3 becauseparameter estimates changed by less than ,001.

c.

Sementara tabel Interation history adalah langkah 0 yang merupakan penafsiran terhadap

parameter yang dalam hal ini terdapat 3 bagian – 2 Log Likelihood dengan koefisiennya dari

hasil langkah 0 tersebut dipilihlah – 2 Log Likelihood sebesar 41.054 pada bagian ke – 3 atau

dengan koefisien 0.264, dari penafsiran ini digunakan untuk menilai Model fit dari data, jika

signifikan yang dihasilkan > 0.05 maka data dapat dikatakan model sudah Fit, sebaliknya

juga demikian jika signifikan yang dihasilkan < 0.05 maka data dikatakan tidak Fit. Setelah

ditemukan bentuk data dengan model fit, maka analisis dapat dilanjutkan

Classification Tablea,b

0 13 ,00 17 100,0

56,7

ObservedLow ProfileHigh Profile

Type Industri

Overall Percentage

Step 0Low Profile High Profile

Type Industri PercentageCorrect

Predicted

Constant is included in the model.a.

The cut value is ,500b.

Classificatio table mengambarkan tentang observasi data, pada langkah 0 diatas untuk

observasi Type Industri diprediksi untuk perusahaan Low Profile adalah sebanyak 13

Perusahaan sementara untuk perusahaan yang High Profile adalah sebesar 17 Perusahaan,

artinya lebih dari 50% perusahaan menurut hasil observasi dikelompokan kedalam

perusahaan High profile atau sekitar 56.7%.

Model Summary

40,828 ,007 ,010Step1

-2 Loglikelihood

Cox & SnellR Square

NagelkerkeR Square

Dari langkah ke – 1 yaitu Step 1, terlihat terjadinya penurunan dalam – 2 Log Likelihood

yaitu menjadi 40,828 dari 41,054 pada Step 0 artinya bahwa model yang dihasilkan sudah

baik atau antara model yang dihasilkan sudah sesuai dengan observasi. Sementara Nilai Cox

& Snell mengambarkan tingkat hubungan yang ada kedua variable yaitu sebesar 0,007 artinya

variabel independent dapat menjelaskan tingkat hubungan yang ada terhadap variabel

dependen sebesar 0,7% sama halnya dengan Koefisien korelasi pada Regresi Linear.

Negelkerke adalah tingkat kekuatan hubungan sama halnya dengan Koefeisien Determinan

pada Regresi Linear dengan metode ini adalah sebesar 1,0% artinya variabel independent

hanya mampu menjelaskan hubungannya terhadap variabel dependent sebesar 1%

selebihnya merupakan faktor lain yang dapat dengan baik menjelaskan variable dependent

dengan baik, yang tidak terdapat dalam penelitian ini.

Hosmer and Lemeshow Test

3,721 6 ,714Step1

Chi-square df Sig.

Dari tabel Homer and Lemeshow Test mengambarkan tingkat keakuratan atau kelayakan

Model yang terbentuk, yaitu dengan Chi-square atau tingkat hubungan sebesar 3,721 dengan

tingkat signifikan 0.714, yang jika dibandingkan dengan alpha 5% maka jelas angka tersebut

tidak signifikan. Sehingga dapat dikatakan nilai Signifikan yang besar dari alpha 5%,

menyatakan bahwa Model yang tercipta akan mampu memprediksi nilai observasi dengan

baik dengan kata lain model dapat diterima.

Hipotesis :

H0 = Jika ada Perbedaan yang nyata antara klasifikasi yang diprediksi dengan klasifikasi yang

diamati

Hi = Tidak ada Perbedaan yang nyata antara klasifikasi yang diprediksi dengan klasifikasi

yang diamati

Dasar Pengambilan keputusan adalah :

Jika Probabilitas > 0.05 H0 = Diterima

Jika Probabilitas < 0.05 H0 = Ditolak

Karena Angka signifikan yang dihasilkan besar dari alpha 5% atau 0.05 atau 0.714 > 0.05

oleh sebab itu Ho diterima artinya model regresi yang diperoleh sudah dapat dijadikan

variable yang mampu menjelaskan Type Industri.

Classification Tablea

1 12 7,71 16 94,1

56,7

ObservedLow ProfileHigh Profile

Type Industri

Overall Percentage

Step 1Low Profile High Profile

Type Industri PercentageCorrect

Predicted

The cut value is ,500a.

Dari table Klasifikasi kedua dari langkah / Step 1, dari hasil pengamtan sudah berubah dari

13 Perusahaan yang diprediksi sebagai perusahaan Low profile ternyata hanya terdapat 1

perusahaan saja dan sisanya 12 perusahaan ternyata diprediksi sebagai High profile, dilain

pihak dari 16 perusahaan yang diamati sebagai perusahaan High profile ternyata hanya 16

perusahaan yang diprediksi sebagai perusahaan high profile, sisanya 1 perusahaan diprediksi

atau diklasifikasikan sebagai perusahaan Low profile.

Dari penilaian diatas dapat dijelaskan, tingkat hubungan seberapa baiknya variabel

independent (Pengungkapan Informasi Sosial) dalam memperdiksi nilai observasi dependen

katagorik/Type Industri, atau ketepatan/keakuratan model mampu memprediksi sebesar

56,7% oleh variabel independent.

Namun jika kita ingin melihat sejauh mana masing-masing variable independent diatas dapat

menjelaskan prilaku hubungannya terhadap variable dependent maka dapat kita lihat pada

table berikut ini :

Variables in the Equation

,268 ,368 ,530 1 ,467 1,308ConstantStep 0B S.E. Wald df Sig. Exp(B)

Ternyata hanya variable X1 atau Pengungkapan informasi sosial yang mampu menjelaskan

type Indutri untuk perusahaan, dapat dilihat dari nilai signifikan sebesar 0.467 yang jika

dibandingkan dengan alpha 5% nilai ini jauh lebih besar, artinya variable Pengungkapan

informasi sosial tidak mampu menjelaskan hubungannya terhadap Type Indutri karena

memiliki nilai signifikan yang besar dari alpha 5%.

Kesimpulan :

Dari hasil pengujian data diatas dapat ditarik beberapa kesimpulan :

1. Secara Descriptive keadaan data dari semua variable baik variable Independent maupun

variable dependent sudah cukup baik, hal ini dapat dilihat dari nilai standar deviasi yang

lebih kecil dari nilai rata-rata (Mean) artinya nilai penyimpangan data hanya lebih kecil

dari nilai rata-rata sehingga pengaruhnya dianggap tidak memberikan masalah yang

Cukup Berarti.

2. Pada Pengujian Klasik, seperti yang sudah dijelaskan diatas memang ditemukan

penyembaran data yang tidak Normal dari Pengujian Normalitas dengan Pendekatan One

sample Kolmogorov-Sirnov, untuk variable Type Industri, hal ini dianggap dapat

diabaikan karena variable ini merupakan variable dummy atau tidak akan menjadi

masalah yang buruk dalam pengujian ini kalau pun akan kita lakukan transpormasi data

ke bentuk Log, Ln, Kuadrat dan Akar maka khusus untuk data yang yang memiliki

kategori 0 (nol) akan menghasilkan perubahan data dengan nilai Blank atau tak terhingga

pada akhirnya dapat dipastikan gambaran data pada saat pengujian juga tidak akan

seimbang dan nilai itu tidak dapat dijadikan ukuran dalam penilaian penyebaran data

yang normal

3. Sementara untuk masalah klasik lainnya Seperti Mutikolinearitas dan Autokorelasi tidak

ditemukan gangguan data artinya model Regresi Logistic yang dihasilkan dianggap sudah

cukup baik untuk dijadikan model untuk mengukur Type Industri dari beberapa

perusahaan yang dijadikan sample.

4. Sementara untuk masalah Heteroskedastisitas juga tidak ditemukan penyebaran data yang

membentuk pola-pola tertentu sehingga diprediksi tidak terjadi masalah

Heteroskedastisitas pada model ini.

5. Dari Pengujian Logistic Regresion, dari hasil pengamatan dari jumlah sample yang

masuk dalam pengujian baik pada Step 0 maupun pada Step 1 telah ditemukan

pengklasifikasian variable dari 30 data pada Step 0 ditemukan 13 untuk perusahaan type

industri low profile dan 17 sisanya adalah untuk perusahaan high profile, namun setelah

Step 1 terjadi hasil prediksi yang berbeda seperti dari 13 untuk perusahaan type indutri

low profile sekarang hanya 1 perusahaan saja sisanya 12 perusahaan diprediksi sebagai

perusahaan type industri High profile, sementara dari 17 perusahaan yang diamati sebagai

perusahaan high profile ternyata telah tersisa 16 perusahaan saja sisanya 1 perusahaan

diprediksi sebagai perusahaan type indutri low profile.

6. Dari hasil akhir dari Pengujian data dengan Logistic Regresion dapat diketahui kekuatan

masing-masing variable Independent (Pengungkapan Informasi Sosial), secara parsial

atau individu ditemukan pengaruh yang tidak signifikan dari variable Pengungkapan

informasi social terhadap Type industri pada alpha 5% artinya Pengungkapan informasi

social tidak dapat menjelaskan hubungan dan pengaruhnya dalam penentuan type

perusahaan industri pada alpha 5%.

7. Akhirnya dari Hipotesis yang dikemukakan :

H1 : Terdapat Pengaruh yang signifikan Pengungkapan Informasi terhadap Type

Industri.

Hasil Pengujian tidak ditemukan :

Tidak Terdapat Pengaruh yang signifikan Pengungkapan Informasi terhadap Type

Industri.

Saran-Saran :

1. Dari Penelitian diatas, masih belum maksimal untuk bisa diperoleh pengaruh yang

lebih baik dari variabel independent terhadap variabel dependent, hal ini terlihat dari

kemampuan variable independent yang masil belum nampak, tentunya permasalahan

ini merupakan keterbatasan dan kelemahan Penulis dalam memperoleh data-data

yang jumlahnya relative besar dan mendapatkan perusahaan perusahaan yang dapat

dijadikan sample yang dapat menjawab permasalahan ini.

2. Sebagai salah satu saran yang dapat dikemukakan disini adalah untuk Peneliti-

peneliti selanjutnya untuk dapat membuktikan kembali variabel yang peneliti ambil

ini, untuk dapat diteliti kembali dengan menggunakan data dalam jumlah yang lebih

besar dan dengan menggunakan factor-faktor tambahan lainnya, sehingga pada masa

yang akan data kita sudah dapat mengetahui dengan benar dan pasti tentang variable-

variabel mana saja yang mampu mengukur tingkat Type Indutri perusahaan secara

baik.

“Selesai “