HASIL DAN PEMBAHASAN
4.2 Hasil Analasis Data
4.2.1 Analisis Statistik Deskriptif
3 Perusahaan yang memberikan informasi yang meliputi total aktiva, total hutang pendapatan, piutang dagang, aktiva tetap, laba bersih dan aliran kas dari aktivitas operasi perusahaan, KAP yang melakukan pengauditan tersedia
25
Tahun pengamatan 4
Perusahaan yang dijadikan sampel penelitian 100
4.2 Hasil Analasis Data
4.2.1 Analisis Statistik Deskriptif
Uji statistik deskriptif bertujuan untuk memberikan gambaran atau deskripsi dari suatu data yang dilihat dari jumlah sampel, nilai minimum, nilai maksimum, nilai rata-rata (mean), dan standar deviasi dari masing-masing variabel. Berikut ini dijelaskan statistik data penelitian:
Tabel 4.2 Descriptive Statistics
N Minimum Maximum Mean Std. Deviation
ManjLaba 100 -.91 .40 -.0114 .19576 KI 100 34.01 99.14 75.2313 16.44824 KomAudit 100 34.01 99.00 74.9303 15.94591 Size 100 25.18 33.86 28.5495 1.70897 Laverage 100 .09 .90 .4492 .20861 Valid N (listwise) 100
50
Berdasarkan hasil yang diperoleh dari Tabel 4.2 maka dapat dijelaskan bahwa:
1. Variabel Manajemen Laba memiliki jumlah sampel sebanyak 100, nilai minimum -9.1, nilai maksimum 40, mean (nilai rata-rata) sebesar-0.0114 dan standart deviation atau simpangan baku sebesar 0.19576.
2. Variabel Kepemilikan institusional memiliki jumlah sampel sebanyak 100, nilai minimum 34.01, nilai maksimum 99.14, mean (nilai rata-rata) sebesar 75.2313 dan standart deviation atau simpangan baku sebesar 16.44824.
3. Variabel Komite Audit memiliki jumlah sampel sebanyak 100, nilai minimum 34.01, nilai maksimum 99.00, mean (nilai rata-rata) sebesar 74.9303 dan standart deviation atau simpangan baku sebesar 15.94591. 4. Variabel Laverage memiliki jumlah sampel sebanyak 100, nilai minimum
0.09, nilai maksimum 90, mean (nilai rata-rata) sebesar 0.4492 dan standart deviation atau simpangan baku 0.20861.
5. Variabel Size memiliki jumlah sampel sebanyak 100, nilai minimum 25.18, nilai maksimum 33.86, nilai mean (rata-rata) 28.5495, dan nilai standart deviation atau simpangan baku 1.70897.
51 4.2.2 Uji Asumsi Klasik
Metode analisis yang digunakan oleh peneliti adalah metode moderated regression analysis (MRA) atau uji interaksi merupakan aplikasi khusus regresi berganda linear. Analisis regresi berganda berguna untuk menguji pengaruh dari vatriabel independen terhadap variabel dependen dalam suatu penelitian dan analisis regresi dengan variabel moderating, untuk menguatkan atau melemahkan hubungan antara variabel independen terhadap variabel dependen.
Sebelum melakukan uji hipotesis penelitian ini terlebih dahulu peneliti akan melakukan uji asumsi klasik, hal tersebut berguna untuk melihat apakah data telah terdistribusi dengan normal dengan uji normalitas, dan untuk melihta apakah penelitian tersebut terjadi multikolineritas, heterokedastisitas dan autokorelasi atau tidak. Uji asumsi klasik harus memenuhi:
a. Berdistribusi normal,
b. Non-multikolinearitas, artinya antara variabel independen dalam model regresi tidak memiliki korelasi atau hubungan secara sempurna atau mendekati sempurna,
c. Non-autokorelasi, artinya kesalahan pengganggu dalam model regresi tidak saling korelasi.
d. Non-heteroskedasitas, artinya variance variabel independen dari satu pengamatan kepengamatan yang lain adalah konstan atau sama.
52 4.2.2.1 Uji Normalitas
Uji normalitas bertujuan untuk menguji apakah dalam model regresi, variabel penggangu atau residul memiliki distribusi normal. seperti diketahui bahwa uji t dan F mengasumsikan bahwa nilai residul mengikuti distribusi normal. kalau asumsi ini dilanggar maka uji statistic menjadi tidak valid untuk jumlah sampel kecil. Ada dua cara untuk mendeteksi apakah residual berdistribusi normal atau tidak yaitu dengan analisis grafik dan uji statistik (Ghozali,2013).
Menurut Ghozali (2013) memberikan pedoman pengambilan keputusan tentang data mendekati atau merupakan distribusi normal berdasarkna uji Kolmogorov Smirnov yang dapat dilihat dari:
a. Nilai sig. atau signifikan atau probabilitas <0.05, maka distribusi data adalah tidak normal,
b. Nilai sig. atau signifikan atau probabilitas > 0.05, maka distribusi data adalah normal.
Hasil uji normalitas dengan menggunakan model Kolmogorov-Smirnov dapat dilihat pada Tabel 4.3 berikut ini:
53 Tabel 4.3
Uji Normalitas
One-Sample Kolmogorov-Smirnov Test Unstandardi
zed Residual
N 100
Normal Parametersa,b
Mean .0000000 Std. Deviation .19403233 Most Extreme Differences Absolute .058 Positive .040 Negative -.058 Kolmogorov-Smirnov Z .579
Asymp. Sig. (2-tailed) .891
a. Test distribution is Normal. b. Calculated from data.
Berdasarkan hasil Uji normalitas tabel 4.3 maka hasil yang di dapatkan adalah data terdistribusi secara normal karena dari hasil pengolahan data tersebut, besarnya nilai Kolmogorov-Smirnov adalah 0.579 dan signifikansinya pada 0.891. maka dapat disimpulkan bahwa data terdistribusi normal, karena 0.891>0.05 dan dapat dilanjutkan dengan uji asumsi klasik lainnya. Untuk lebih jelas, berikut ini turut dilampirkan grafik histogram, dan normal probability plot yang terdistribusi normal.
54 Gambar 4.1 Uji Normalitas
55
Data yang telah terdistribusi normal dapat kita ketahui dengan melihat histrogram dan grafik pada gambar 4.1, grafik histogram pada uji normalitas di atas dapat terlihat bahwa data terdistribusi mengikuti garis diagonal yang tidak melenceng (Skewness) ke kiri maupun ke kanan. Data yang telah terdistribusi normal juga bisa diketahui dengan melihat grafik plot.
Menurut Ghozali (2013) pendeteksian normalitas dapat dilakukan dengan melihat penyebaran (titik) pada sumbu diagonal dari grafik, yaitu jika data (titik) menyebar di sekitar garis diagonal dan mengikuti arah garis diagonal, hal ini menunjukkan data telah terdistribusi normal. Pada gambar 4.2 dapat terlihat bahwa penyebaran data (titik) menyebar disekitar garis diagonal dan mengikuti arah garis diagonal, oleh sebab itu dapat diketahui bahwa data telah terdistribusi dengan normal.
4.2.2.2 Uji Autokorelasi
Uji autokorelasi bertujuan untuk 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 regresi yang bebas dari autokorelasi (Ghozali,2013). Pengambilan keputusan ada atau tidaknya autokorelasi, yaitu:
56
Tabel 4.4
Kriteria Pengambilan Keputusan Uji Durbin-Watson
Hipotesis Nol Keputusan Jika
Tidak ada autokorelasi positif Tolak 0<d<d1 Tidak ada autokorelasi positif Tidak ada keputusan dl<d<du Tidak ada korelasi negatif Tolak 4-dl<d<4 Tidak ada korelasi negatif Tidak ada keputusan 4-du<d<4-dl Tidak ada autokorelasi positif
atau negative
Tidak ditolak Du<d<4-du
Hasil uji autokorelasi (Durbin Watson) terlihat seperti pada tabel dibawah ini:
Tabel 4.5 Uji Autokorelasi Model Summaryb Model R R Square Adjusted R
Square
Std. Error of the Estimate
Durbin-Watson
1 .386a .149 .114 .18717 2.143
a. Predictors: (Constant), KI, KomIndependen,KomAudit,Size,Laverage b. Dependent Variable: ManjLaba
Berdasarkan tabel 4.5 diatas dapat dilihat bahwa nilai DWadalah 2.143. selanjutnya nilai ini akan dibandingkan dengan nilai tabel dengan tingkat signifikansi 5%, jumlah sampel 100 (n=100) dan variabel independen 2 (k=5). Maka dari tabel Durbin Watson didapatkan nilai batas (dI) adalah 1.441 dan batas atas (du) sebesar
57
1.647. Oleh karena DW 2.143 lebih besar dari batas atas (du) 1.647 dan lebih kecil dari 4 – 1.647 = 2.353 (4-du), maka dapat disimpulkan tidak terdapat masalah autokorelasi positif atau negatif (du<d<4-du) atau (1.647<2.143<2.353) atau dengan kata lain tidak terdapat autokorelasi.
4.2.2.3Uji Heterokedastisitas
Heterokedastisitas bertujuan menguji apakah dalam model regresi terjadi ketidaksamaan variance dari residual satu pengamatan ke pengamatan yang lain. Jika variance dari residual satu pengamatan ke pengamatan lain tetap, maka disebut homoskedastisitas dan jika berbeda disebut heteroskedastisitas. Model regresi yang baik adalah yang homoskedastisitas atau tidak terjadi heteroskedastisitas (Ghozali,2013). Dasar pengambilan keputusannya menurut Ghozali (2013) adalah sebagai berikut:
1. Jika ada pola tertentu, seperti titik-titik yang ada membentuk pola tertentu yang teratur (bergelombang,melebar kemudian menyempit), maka mengindikasikan telah terjadi heteroskedastisitas.
2. Jika tidak ada pola yang jelas, serta titik-titik menyebar di atas dan dibawah angka 0 pada sumbu y, maka tidak terjadi heteroskedastisitas.
58 Gambar 4.2 Uji Heteroskedisitas
Pada gambar 4.2 pada grafik Scatterplot diatas dapat terlihat bahwa titik (data) menyebar secara acak dan tidak terlihat pola tertentu, dan pada grafik scatterplot diatas juga dapat terlihat bahwa tidak tersebar diatas maupun dibawah sumbu y dan angka 0. Oleh karena itu dapat disimpulkan bahwa tidak terjadi heterokedastisitas di dalam penelitian ini, dan model regresi ini layak dipakai dalam penelitian.
4.2.2.4Uji Multikolinearitas
Uji multikolinearitas bertujuan untuk menguji apakah model regresi ditemukan korelasi antara variabel bebas (independen). Model regresi yang baik seharusnya tidak terjadi korelasi antara variable l independen. Jika variabel independen saling berkorelasi, maka variabel ini tidak ortogonal.
59
Variabel orthogonal adalah variabel independen yang nilai korelasi antara sesame variabel independen sama dengan nol (Ghozali,2013). Untuk mendeteksi ada tidaknya gejala multikolinearitas adalah dengan melihat tolerance dan variance inflation faktor (VIF). Tolerance mengukur variabilitas variabel independen yang terpilih yang tidak dijelaskan oleh variabel independen lainnya. Jadi, nilai tolerance yang rendah sama dengan nilai VIF yang tinggi (karena VIF = 1/tolerance). Nilai cutoff yang umum dipakai untuk menunjukan adanya multikolinearitas adalah nilai tolerance < 0.1 atau sama dengan VIF < 10 (Ghozali,2013). Hasil pengujian terhadap multikolinearitas pada penelitian ini dapat dilihat pada tabel 4.6
Tabel 4.6 Uji Multikolinearitas Coefficientsa Model Unstandardized Coefficients Standardi zed Coefficie nts t Sig. Collinearity Statistics B Std. Error Beta Toleran ce VIF 1 (Constant) .057 .347 .165 .869 KI .003 .001 .031 .296 .768 .921 1.085 KuaAudit -.053 .054 -.128 -.985 .327 .616 1.623 KomAudit -.050 .001 -.003 -.033 .974 .948 1.055 Size -.001 .013 -.005 -.042 .967 .803 1.245 Laverage -.135 .120 -.144 -1.130 .261 .640 1.562
60
Berdasarkan data olahan spss diatas dapat diketahui bahwa data penelitian ini tidak terjadi multikolinearitas. Hal tersebut dapat diketahui bahwa data penelitian ini tidak terjadi multikolinearitas. Hal tersebut dapat diketahui bahwa tidak ada satupun variabel independen yang memiliki VIF di atas 10 ataupun tolerance dibawah 0.1. dari hasil uji multikolinearitas ini didapatkan bahwa nilai VIF untuk kepemilikan institusional adalah 1.085 < 10 dan nilai tolerance sebesar 0.921 > 0.1. Nilai VIF untuk proporsi dewan komite audit adalah 1.055 <10 dan nilai tolerance sebesar 0.948, Nilai VIF untuk size adalah 1.245 <10 dan nilai tolerance sebesar 0.803 >0.1. Nilai VIF untuk leverage adalah1.562< 10 dan nilai tolerance sebesar 0.640> 0.1 Nilai VIF untuk kualitas audit adalah 1.623< 10 dan nilai tolerance 0.616> 0.1. Kesimpulan dari uji multikolinearitas ini adalah bahwa semua variabel independen dan variabel kontrol telah lolos dari uji multikolinearitas.