BAB IV ANALISIS HASIL PENELITIAN
B. Analisis Hasil Penelitian
Statistik deskriptif ini memberikan gambaran mengenai nilai minimum, nilai maksimum, nilai rata-rata, dan standart deviasi data yang digunakan dalam penelitian:
Tabel 4.1 Statistik Deskriptif
N Minimum Maximum Mean Std. Deviation
Profit 177 0 1 .78 .416 Solvability 177 .05 7.19 .6927 .75649 Size 177 10.39 13.91 11.9665 .75425 Age 177 2 28 14.41 5.427 KAP 177 0 1 .47 .501 Lag 177 33 92 74.41 11.668 Valid N (listwise) 177 Sumber: Data Olahan SPSS, 2009
Berdasarkan data dari tabel 4.1 dapat dijelaskan bahwa:
1. variabel Laba (Profit) memiliki jumlah sampel (N) sebanyak 177, dengan nilai minimum (terkecil) 0, nilai maksimum (terbesar) 1 dan mean (nilai rata-rata) 0,78. Standart Deviation (simpangan baku) variabel ini adalah 0,416,
2. variabel Solvabilitas (Solvability) memiliki jumlah sampel (N) sebanyak 177, dengan nilai minimum (terkecil) 0,05, nilai maksimum (terbesar) 7,19 dan mean (nilai rata-rata) 0,6927. Standart Deviation (simpangan baku) variabel ini adalah 0,75649,
3. variabel Ukuran Perusahaan (Size) memiliki jumlah sampel (N) sebanyak 177, dengan nilai minimum (terkecil) 10,39, nilai maksimum (terbesar) 13,91 dan mean (nilai rata-rata) 11,9665. Standart Deviation (simpangan baku) variabel ini adalah 0,75425,
4. variabel Umur Perusahaan (Age) memiliki jumlah sampel (N) sebanyak 177, dengan nilai minimum (terkecil) 2, nilai maksimum (terbesar) 28 dan mean (nilai rata-rata) 14,41. Standart Deviation (simpangan baku) variabel ini adalah 5,427,
5. variabel Ukuran Kantor Akuntan Publik (KAP) memiliki jumlah sampel (N) sebanyak 177 dengan nilai minimum (terkecil) 0, nilai maksimum (terbesar) 1 dan mean (nilai rata-rata) 0,47. Standart Deviation (simpangan baku) variabel ini adalah 0,501,
6. variabel Penyelesaian Penyajian Laporan Keuangan (Lag) memiliki jumlah sampel (N) sebanyak 177 dengan nilai minimum (terkecil) 33, nilai
maksimum (terbesar) 92 dan mean (nilai rata-rata) 74,41. Standart Deviation (simpangan baku) variabel ini adalah 11,668,
7. jumlah sampel yang digunakan ada sebanyak 177 buah. 2. Hasil Uji Asumsi Klasik
Salah satu syarat yang menjadi dasar penggunaan model regresi berganda dengan metode Ordinary Least Square (OLS) adalah dipenuhinya semua asumsi klasik, agar hasil pengujian bersifat tidak bias dan efisien (Best Linear Unbiased Estimator/BLUE). Pengujian asumsi klasik dalam penelitian ini dilakukan dengan bantuan program statistik. Menurut Ghozali (2005:123) asumsi klasik yang harus dipenuhi adalah:
• berdistribusi normal,
• non-multikolinearitas, artinya antara variabel independen dalam model regresi tidak memiliki korelasi atau hubungan secara sempurna ataupun mendekati sempurna,
• non-Autokorelasi, artinya kesalahan pengganggu dalam model regresi tidak saling korelasi,
• homoskedasitas, artinya variance variabel independen dari satu pengamatan ke pengamatan yang lain adalah konstan atau sama. a. Hasil Uji Normalitas Data
Uji normalitas bertujuan untuk menguji apakah dalam model regresi variabel pengganggu atau residual memiliki distribusi normal atau tidak, dengan membuat hipotesis sebagai berikut:
Ho : data residual terdistribusi normal Ha : data residual terdistribusi tidak normal
Ada dua cara yang dapat digunakan untuk mendeteksi apakah residual berdistribusi normal atau tidak, yaitu dengan analisis grafik dan uji statistik. Pada penelitian ini akan digunakan kedua cara tersebut.
a. Analisis Grafik
Analisis grafik dapat digunakan dengan dua alat, yaitu grafik histogram dan grafik P-P Plot. Data yang baik adalah data yang memiliki pola distribusi normal. Pada grafik histogram, data yang mengikuti atau mendekati distribusi normal adalah distribusi data dengan bentuk lonceng. Pada grafik P-P Plot, sebuah data dikatakan berdistribusi normal apabila titik-titik datanya tidak menceng ke kiri atau ke kanan, melainkan menyebar di sekitar garis diagonal.
Gambar 4.1 Grafik Histogram
Gambar 4.2 Grafik P-P Plot
Sumber: Data Olahan SPSS, 2009
Dengan melihat tampilan grafik histogram, kita dapat melihat bahwa gambarnya telah berbentuk lonceng yang menunjukkan bahwa data telah terdistribusi secara normal. Pada grafik P-P Plot terlihat titik-titik menyebar di sekitar garis diagonal dan tidak jauh dari garis diagonal. Kedua grafik tersebut menunjukkan bahwa model regresi tidak menyalahi asumsi normalitas.
b. Uji Statistik
Pengujian normalitas data dengan hanya melihat grafik dapat menyesatkan kalau tidak melihat secara seksama, sehingga kita perlu melakukan uji normalitas data dengan menggunakan statistik
agar lebih meyakinkan. Untuk memastikan apakah data di sepanjang garis diagonal berdistribusi normal, maka dilakukan uji Kolmogorov-Smirnov (1 sample KS) dengan melihat data residualnya apakah berdistribusi normal atau tidak. Jika nilai signifikansinya lebih besar dari 0,05 maka data tersebut terdistribusi normal. Jika nilai signifikansinya lebih kecil dari 0,05 maka distribusi data adalah tidak normal. Hasil uji Kolmogorov-Smirnov dapat dilihat pada tabel 4.2.
Tabel 4.2
One-Sample Kolmogorov-Smirnov Test
Unstandardized Residual
N 177
Normal Parametersa Mean .0000000
Std. Deviation 11.19703619
Most Extreme Differences Absolute .101
Positive .075
Negative -.101
Kolmogorov-Smirnov Z 1.342
Asymp. Sig. (2-tailed) .055
a. Test distribution is Normal.
Sumber: Data Olahan SPSS, 2009
Hasil uji Kolmogorov-Smirnov pada penelitian ini menujukkan probabilitas = 0,055. Dengan demikian, data pada penelitian ini berdistribusi normal dan dapat digunakan untuk melakukan Uji-t dan Uji-f karena 0,055 > 0,05 (H0 diterima)
b. Hasil Uji Multikolinieritas
“Uji multikolinearitas dilakukan untuk menguji apakah pada model regresi ditemukan adanya korelasi antar variabel bebas” (Ghozali, 2005:91). Menurut Ghozali (2005) “adanya gejala multikolinearitas dapat dilihat dari tolerance value atau nilai Variance Inflation Factor (VIF). Batas tolerance value adalah 0,1 dan batas VIF adalah 10”. Apabila tolerance value < 0,1 atau VIF > 10 = terjadi multikolinearitas. Apabila tolerance value > 0,1 atau VIF < 10 = tidak terjadi multikolinearitas. Hasil pengujian terhadap multikolinearitas pada penelitian ini dapat dilihat pada tabel 4.3.
Tabel 4.3
Hasil Uji Multikolinearitas Coefficientsa Model Unstandardized Coefficients Standardized Coefficients t Sig. Collinearity Statistics
B Std. Error Beta Tolerance VIF
1 (Constant) 67.461 14.518 4.647 .000 Profit -3.181 2.246 -.113 -1.416 .159 .844 1.185 Solvability 1.610 1.255 .104 1.283 .201 .816 1.225 Size .377 1.257 .024 .300 .764 .819 1.221 Age .374 .171 .174 2.184 .030 .850 1.176 KAP -3.365 1.919 -.144 -1.753 .081 .796 1.256
a. Dependent Variable: Lag
Berdasarkan tabel 4.3 diatas dapat dilihat bahwa tidak ada satupun variabel bebas yang memiliki nilai VIF lebih dari 10 dan tidak ada yang memiliki tolerance value lebih kecil dari 0,1. Jadi dapat disimpulkan bahwa penelitian ini bebas dari adanya multikolinearitas. Dari hasil analisis, didapat nilai VIF untuk variabel Profit adalah 1,185 (<10) dan nilai tolerance sebesar 0,844 (>0,1), untuk variabel Solvability nilai VIF nya adalah 1,225 (<10) dan nilai tolerance sebesar 0,816 (>0,1), untuk variabel Size nilai VIF nya adalah 1,221 (<10) dan nilai tolerance sebesar 0,819 (>0,1), untuk variabel Age nilai VIF nya adalah 1,176 (<10) dan nilai tolerance sebesar 0,850 (>0,1), sementara untuk variabel KAP nilai VIF nya adalah 1,256 (<10) dan nilai tolerance sebesar 0,796 (>0,1). Dari hasil ini maka dapat disimpulkan bahwa semua variabel bebas yang dipakai dalam penelitian ini lolos uji gejala multikolinearitas.
c. Hasil Uji Autokorelasi
Uji ini bertujuan untuk melihat apakah dalam suatu model linear ada korelasi antar kesalahan pengganggu pada periode t dengan kesalahan periode t-1 (sebelumnya). Model regresi yang baik adalah yang bebas dari autokorelasi. Masalah autokorelasi umumnya terjadi pada regresi yang datanya time series. Untuk mendeteksi masalah autokorelasi dapat dilakukan dengan menggunakan uji Durbin Watson. Mengacu kepada pendapat Santoso (2002), secara umum
panduan mengenai angka Durbin-Watson dapat diambil patokan sebagai berikut:
4) angka D-W dibawah -2 berarti ada autokorelasi positif,
5) angka D-W di antara -2 sampai +2, berarti tidak ada autokorelasi, 6) angka D-W di atas +2 berarti ada autokorelasi negatif.
Tabel 4.4
Hasil Uji Autokorelasi Model Summaryb Model R R Square Adjusted R Square Std. Error of the Estimate Durbin-Watson 1 .276a .076 .049 11.377 1.464
a. Predictors: (Constant), KAP, Profit, Age, Size, Solvability b. Dependent Variable: Lag
Sumber: Data Olahan SPSS, 2009
Tabel 4.4 memperlihatkan nilai statistik D-W sebesar 1,464. Angka ini terletak diantara -2 dan +2, dari pengamatan ini dapat disimpulkan bahwa tidak terjadi autokorelasi positif maupun autokorelasi negatif dalam penelitian ini.
d. Hasil Uji Heteroskedastisitas
Ghozali (2005:105) Uji Heteroskedastisitas bertujuan untuk menguji apakah dalam model regresi terjadi ketidaksamaan variance dari residual satu pengamatan ke pengamatan yang lain. Model regresi yang baik adalah tidak terjadi heteroskedastisitas.
Pengujian dilakukan dengan Uji Glejser, dengan cara meregres seluruh variabel independen dengan nilai absolute residual (absut) sebagai variabel dependennya. Perumusan hipotesis adalah :
H0 : tidak ada heteroskedastisitas Ha : ada heteroskedastisitas
Jika signifikan < 0,05 maka Ha diterima (ada heteroskedastisitas) dan jika signifikan > 0,05 maka H0 diterima (tidak ada heteroskedastisitas).
Tabel 4.5
Hasil Uji Heteroskedastisitas Coefficientsa Model Unstandardized Coefficients Standardized Coefficients t Sig. B Std. Error Beta 1 (Constant) -4.800 8.262 -.581 .562 Profit .623 1.278 .040 .488 .627 Solvability -.561 .714 -.065 -.785 .433 Size 1.332 .715 .153 1.862 .064 Age -.181 .098 -.150 -1.857 .065 KAP .898 1.092 .069 .822 .412
a. Dependent Variable: absut
Sumber: Data Olahan SPSS, 2009
Dari tabel 4.5 diatas kita dapat melihat bahwa nilai signifikansi untuk variabel Profit adalah 0,627 (>0,05), untuk variabel Solvability nilai signifikansinya adalah 0,433 (>0,05), untuk variabel Size nilai signifikansinya adalah 0,064 (>0,05), untuk variabel Age nilai
signifikansinya adalah 0,065 (>0,05), sementara untuk variabel KAP nilai signifikansinya adalah 0,412 (>0,05). Dari hasil ini maka dapat disimpulkan bahwa tidak terdapat masalah heteroskedastisitas karena semua variabel independennya memiliki signifikan lebih besar dari 0,05.
3. Hasil Pengujian Hipotesis
Pengujian hipotesis dilakukan dengan tujuan untuk menguji ada tidaknya pengaruh dari variabel independen terhadap variabel dependen.
Tabel 4.6 Variables Entered/Removedb Model Variables Entered Variables Removed Method 1 KAP, Profit, Age,
Size, Solvabilitya . Enter
a. All requested variables entered. b. Dependent Variable: Lag
Sumber: Data Olahan SPSS, 2009
Berdasarkan tabel 4.6 diatas, maka dapat diketahui bahwa :
a. variabel yang dimasukkan kedalam persamaan adalah variabel independen yaitu ukuran Kantor Akuntan Publik (KAP), laba (Profit), umur perusahaan (Age), ukuran perusahaan (Size), dan solvabilitas (Solvability),
b. tidak ada variabel independen yang dikeluarkan,
c. metode yang digunakan untuk memasukkan data yaitu metode enter.
a. Hasil Pengukuran Adjusted R2
Adjusted R2 pada intinya mengukur seberapa jauh kemampuan model dalam menerangkan variasi variabel dependen. Dalam hal ini adjusted R2 digunakan untuk mengetahui seberapa besar pengaruh variabel Profit (X1), Solvability (X2), Size (X3), Age (X4), dan KAP (X5) terhadap Lag (Y). “Adjusted R2 dianggap lebih baik dari R2 karena nilai adjusted R2 dapat naik atau turun apabila satu variabel independen ditambahkan kedalam model”(Ghozali, 2005).
Tabel 4.7 Adjusted R2 Model Summaryb Model R R Square Adjusted R Square Std. Error of the Estimate 1 .276a .076 .049 11.377
a. Predictors: (Constant), KAP, Profit, Age, Size, Solvability b. Dependent Variable: Lag
Sumber: Data Olahan SPSS, 2009
Berdasarkan tabel 4.7 diatas dapat dilihat hasil analisis regresi secara keseluruhan menunjukkan nilai Adjusted R2 (Adjusted R Square) sebesar 0,049 yang berarti bahwa variabel dependen (Lag) hanya mampu dijelaskan oleh variabel independen (Profit, Solvability, Size, Age, dan KAP) sebesar 4,9% dan selebihnya dijelaskan oleh faktor-faktor lain yang tidak disertakan dalam penelitian ini.
b. Hasil Uji Signifikan Simultan (Uji F)
Uji F digunakan untuk menguji hubungan regresi antar variabel dependen dengan seperangkat variabel independen. Uji F ini dilakukan untuk mengetahui apakah variabel Profit (X1), Solvability (X2), Size (X3), Age (X4), dan KAP (X5) berpengaruh secara simultan atau bersama-sama terhadap Lag (Y).
Tabel 4.8 Hasil Uji f
ANOVAb
Model Sum of Squares df Mean Square F Sig.
1 Regression 1828.946 5 365.789 2.826 .018a
Residual 22133.766 171 129.437
Total 23962.712 176
a. Predictors: (Constant), KAP, Profit, Age, Size, Solvability b. Dependent Variable: Lag
Sumber: Data Olahan SPSS, 2009
Dari uji ANOVA (Analysis of Variance) atau Uji F, maka didapat F hitung sebebsar 2,826 > F tabel (2,27) dengan tingkat signifikansi 0,018 (lebih kecil dari 0,05). Oleh karena itu, model regresi dapat dipakai untuk memprediksi besarnya Penyelesaian Penyajian Laporan Keuangan (Lag). Dengan kata lain, Profit, Solvability, Size, Age, dan KAP secara simultan berpengaruh terhadap Lag.
c. Hasil Uji Signifikan Parsial (Uji t)
Uji t dilakukan untuk mengetahui hubungan antara variabel-variabel independen terhadap variabel-variabel dependen secara parsial (individu). Uji-t ini dilakukan dengan membandingkan nilai P-value dari
t dengan α. Kesimpulan yang dapat diambil dari uji t ini adalah:
a. Bila nilai P value dari t masing-masing variabel independen > α = 5%,
maka Ho : bi = 0 diterima dan Ha: bi ≠ 0 ditolak, artinya secara individual variabel independen Xi tidak berpengaruh signifikan terhadap variabel dependen
b. Bila P value dari t masing-masing variabel independen < α maka Ho : bi = 0 ditolak dan Ha: bi ≠ 0 diterima, artinya secara individual masing-masing variabel independen Xi berpengaruh secara signifikan terhadap variabel dependen.
Tabel 4.9 Hasil Uji t Coefficientsa Model Unstandardized Coefficients Standardized Coefficients t Sig. B Std. Error Beta 1 (Constant) 67.461 14.518 4.647 .000 Profit -3.181 2.246 -.113 -1.416 .159 Solvability 1.610 1.255 .104 1.283 .201 Size .377 1.257 .024 .300 .764 Age .374 .171 .174 2.184 .030 KAP -3.365 1.919 -.144 -1.753 .081
a. Dependent Variable: Lag
Dari tabel 4.7 diatas dapat diperoleh model persamaan regresi berganda sebagai berikut:
Y = 67,461 – 3,181 X1 + 1,610X2 + 0,377 X3 + 0.374 X4 – 3,365 X5 + e Keterangan :
1) konstanta (a) sebesar 67,461 menunjukkan bahwa apabila tidak ada variabel independen (X = 0) maka Lag sebesar 67,461,
2) koefisien X1 (b1) sebesar -3,181 menunjukkan bahwa variabel Profit atau laba (X1) berpengaruh negatif terhadap Penyelesaian Penyajian Laporan Keuangan (Lag). Hal ini berarti bahwa bila Profit ditingkatkan maka akan menurunkan lamanya Penyelesaian Penyajian Laporan Keuangan (Lag), 3) koefisien X2 (b2) sebesar 1,610 menunjukkan bahwa variabel Solvability
atau Solvabilitas (X2) berpengaruh positif terhadap Penyelesaian Penyajian Laporan Keuangan (Lag). Hal ini berarti bahwa bila Solvability ditingkatkan maka akan meningkatkan lamanya Penyelesaian Penyajian Laporan Keuangan (Lag),
4) koefisien X3 (b3) sebesar 0,377 menunjukkan bahwa variabel Size atau Ukuran Perusahaan (X3) berpengaruh positif terhadap Penyelesaian Penyajian Laporan Keuangan (Lag). Hal ini berarti bahwa bila Size ditingkatkan maka akan meningkatkan lamanya Penyelesaian Penyajian Laporan Keuangan (Lag),
5) koefisien X4 (b4) sebesar 0,374 menunjukkan bahwa variabel Age atau Umur Perusahaan (X4) berpengaruh positif terhadap Penyelesaian Penyajian Laporan Keuangan (Lag). Hal ini berarti bahwa bila Age
ditingkatkan maka akan meningkatkan lamanya Penyelesaian Penyajian Laporan Keuangan (Lag),
6) koefisien X5 (b5) sebesar -3,365 menunjukkan bahwa variabel KAP atau Ukuran Kantor Akuntan Publik (X5) berpengaruh negatif terhadap Penyelesaian Penyajian Laporan Keuangan (Lag). Hal ini berarti bahwa bila KAP ditingkatkan maka akan menurunkan lamanya Penyelesaian Penyajian Laporan Keuangan (Lag),
7) standar error (e) menunjukkan tingkat kesalahan pengganggu.
Dari hasil pengujian diatas akan dijelaskan pengaruh variabel independen secara satu persatu (parsial)
1) Pengaruh Profit terhadap Lag
Hasil analisis uji t untuk variabel Profit mendapatkan bahwa nilai t sebesar -1,416 dengan signifikansi sebesar 0,159 karena signifikansi t lebih besar dari 0,05 (P>0.05) maka dapat disimpulkan Ha ditolak. Hal ini berarti bahwa variabel Profit secara parsial tidak berpengaruh terhadap Lag pada perusahaan manufaktur yang terdaftar di Bursa Efek Indonesia.
2) Pengaruh Solvability terhadap Lag
Hasil analisis uji t untuk variabel Solvability mendapatkan bahwa nilai t sebesar 1,283 dengan signifikansi sebesar 0,201 karena signifikansi t lebih besar dari 0.05 (P>0.05) maka dapat disimpulkan Ha ditolak. Hal ini berarti bahwa variabel Solvability secara parsial tidak berpengaruh terhadap Lag pada perusahaan manufaktur yang terdaftar di Bursa Efek Indonesia.
3) Pengaruh Size terhadap Lag
Hasil analisis uji t untuk variabel Size mendapatkan bahwa nilai t sebesar 0,300 dengan signifikansi sebesar 0,764 karena signifikansi t lebih besar dari 0.05 (P>0.05) maka dapat disimpulkan Ha ditolak. Hal ini berarti bahwa variabel Size secara parsial tidak berpengaruh terhadap Lag pada perusahaan manufaktur yang terdaftar di Bursa Efek Indonesia.
4) Pengaruh Age terhadap Lag
Hasil analisis uji t untuk variabel Age mendapatkan bahwa nilai t sebesar 2,184 dengan signifikansi sebesar 0,030 karena signifikansi t lebih kecil dari 0,05 (P<0,05) maka dapat disimpulkan Ha diterima. Hal ini berarti bahwa variabel Age secara parsial berpengaruh terhadap Lag pada perusahaan manufaktur yang terdaftar di Bursa Efek Indonesia.
5) Pengaruh KAP terhadap Lag
Hasil analisis uji t untuk variabel KAP mendapatkan bahwa nilai t sebesar -1,753 dengan signifikansi sebesar 0,081 karena signifikansi t lebih besar dari 0.05 (P>0,05) maka dapat disimpulkan Ha ditolak. Hal ini berarti bahwa variabel KAP secara parsial tidak berpengaruh terhadap Lag pada perusahaan manufaktur yang terdaftar di Bursa Efek Indonesia.
