METODE PENELITIAN
3.6 Uji Asumsi Klasik
dimana :
= discretionary accrual perusahaan i untuk periode waktu t yang diestimasikan dengan menggunakan modifikasi model Jones (Dechow et al, 1995).
= jumlah anggota komite audit yang memiliki latar belakang dibidang keuangan.
4 = variabel dummy: 1 jika auditor perusahaan tersebut adalah salah satu 4 firma auditor ternama dan 0 jika sebaliknya.
∗ 4= hasil antara variabel komite audit dengan audit eksternal.
= jumlah anggota dewan perusahaan I dalam periode waktu t
= rasio antara nilai buku seluruh liabilitas dan aset total perusahaan i pada periode waktu t.
= logaritma nilai pasar dari ekuitas perusahaan i pada periode waktu t.
= tingkat rata-rata pengembalian saham perusahaan i pada periode waktu t.
3.6 Uji Asumsi Klasik
Sebelum melakukan pengujian hipotesis, data dalam penelitian ini akan diuji terlebih dahulu untuk memenuhi uji asumsi klasik. Tujuan dilakukannya uji asumsi klasik adalah untuk mengetahui apakah data telah memenuhi asumsi klasik dan dapat diterapkan pada model regresi. Pengujian dalam uji asumsi klasik yang
48
dilakukan adalah uji normalitas, uji multikolonieritas, uji heteroskedasitas 3.6.1 Uji Normalitas
Syarat data yang layak untuk diuji adalah data tersebut harus berdistribusi normal. Uji ini digunakan untuk menguji apakah variabel-variabel independen dan dependen mempunyai distribusi normal atau tidak. Model regresi yang baik adalah yang berdistribusi normal atau yang mendekati normal.
Pengujian normalitas data dalam penelitian ini menggunakan analisis intepretasi grafik dan uji kolmogrov smirnov. Pengujian normalitas melalui analisis grafik adalah dengan melakukan analisis grafik normal probability plot yang membandingkan distribusi kumulatif dari distribusi normal. Distribusi normal akan membentuk satu garis lurus diagonal, dan ploting data residual akan dibandingkan dengan garis diagonal. Data dapat dikatakan normal jika data atau titik-titik tersebar disekitar garis diagonal dan penyebarannya mengikuti garis diagonal (Ghozali,2011).
Selain itu digunakan uji statistik, dimana jika hasil Kolmogrov- Smirnov menunjukkan nilai signifikan di atas 0,05 maka data residual terdistribusi dengan normal. Sedangkan jika hasil Kolmogrov-Smirnov menunjukkan nilai signifikan di bawah 0,05 maka data residual terdistribusi tidak normal (Ghozali, 2011)
3.6.2 Uji Multikolinieritas
Uji multikolinearitas bertujuan untuk menguji apakah dalam model regresi ditemukan adanya korelasi antar variabel independen. Model Regresi yang baik seharusnya tidak terjadi korelasi antara variabel independen. Jika variabel independen saling berkolerasi, maka variabel-variabel ini tidak ortogonal.
Variabel ortogonal adalah variabel yang nilai kolerasi antar sesama variabel independen sama dengan nol (Ghozali, 2006). Untuk mendeteksi ada atau tidaknya multikolinearitas, dapat dilihat dari nilai tolerance dan lawannya variance inflation factor (VIF). Suatu model regresi linier berganda tidak terdapat multikolinearitas apabila VIF tidak lebih besar dari 10.
3.6.3 Uji Heteroskedastisitas
Uji heteroskedastisitas bertujuan menguji apakah dalam model regresi terjadi ketidaksamaan variance dari residual satu pengamatan ke pengamatan yang lain (Ghozali, 2006). Jika variance dari residual satu pengamatan ke pengamatan lain tetap, maka disebut Homoskedastisitas dan jika berbeda disebut Heteroskedastisitas. Model yang baik adalah yang Homokedastisitas atau tidak terjadi Heterokedastisitas.
Salah satu uji yang dapat dilakukan dengan melihat grafik plot antara nilaiprediksi variabel independen (ZPRED) dengan residual (SRESID). Apabila hasil dari grafik tersebut tidak terdapat pola tertentu yang teratur dandata tersebar acak diatas dan dibawah angaka 0 pada sumbu Y, maka dapat diidentifikasikan tidak terdapat heterokedastisitas (Ghozali, 2011).
Analisis menggunakan grafik plot memiliki kelemahan yang cukup signifikan oleh karena jumlah pengamatan yang mempengaruhi hasil ploting. Semakin sedikit jumlah pengamatan semakin sulit untuk menginterpretasikan hasil grafik plot. Oleh sebab itu, selain analisis menggunakan grafik plot yang digunakan dalam penelitian ini juga digunakan uji glejser. Dalam penelitian ini untuk menguji ada tidaknya heteroskedasitas selain analisis grafik plot digunakan
50
uji statistik yaitu uji glejser. Dalam uji glejser, apabila variabel independen signifikan secara statistik mempengaruhi variabel dependen, maka ada indikasi terjadi heteroskedasitisitas. Hal tersebut, diamati dari probabilitas signifikansinya di atas tingkat kepercayaan 5% (Ghozali, 2011).
3.6.4 Uji Statistik F
Uji statistik F pada dasarnya menunjukkan apakah semua variable independen atau bebas yang dimasukkan dalam model mempunyai pengaruh secara bersama-sama terhadap variabel dependen. Apabila nilai probabilitas lebih kecil daripada 0,05, maka model regresi akan dapat digunakanuntuk memprediksi pengaruh variabel independen terhadap variabel dependen (Ghozali, 2011). Selain dari nilai signifikansinya, model regresi tersebut layak digunakan dengan menilat nilai F, apabila nilai F lebih besar dari 4 maka semua variabel independen secara serentak dan signifikan mempengaruhi variabel dependen
3.6.5 Uji Statistik t
Uji hipotesis dilakukan dengan uji t. Uji statistik t dalam penelitian ini digunakan untuk menguji signifikansi koefisien variabel independen dalam memprediksi variabel dependen. Pengujian ini pada dasarnya menunjukkan seberapa jauh satu variabel independen secara individual dalam menerangkan variabel dependen (Ghozali,2011). Tingkat signifikansi yang digunakan dalam penelitian ini adalah 0,10 (α=10%). Penerimaan dan penolakan hipotesis akan dilakukan dengan kriteria sebagai berikut :
b. Jika niali signifikansi ( sig ) lebih kecil atau sama dengan 0,10 maka hipotesis tidak dapat ditolak.
3.6.6 Uji koefisien Determinasi (R2)
Koefisien determinasi (R2) ini digunakan untuk menggambarkan kemampuan model menjelaskan variasi yang terjadi dalam variabel dependen. Nilai koefisien determinasi (R2) berkisar antara 0< R2< 1. Nilai koefisien determinasi yang kecil berarti kemampuan variabel-variabel independen dalam menjelaskan variabel dependen sangat terbatas. Nilai yang mendekati 1 (satu) berarti variabel-variabel independen hampir memberikan semua informasi yang dibutuhkan untuk memprediksi variasi variabel dependen (Ghozali, 2011).
Kelemahan mendasar penggunaan koefisien determinasi adalah bias terhadap jumlah variabel independen yang dimasukan kedalam model. Setiap tambahan satu variabel independen, maka R2 pasti meningkat tidak peduli apakah variabel tersebut berpengaruh secara signifikan terhadap variabel dependen. Oleh karena itu, banyak peneliti menganjurkan untuk menggunakan nilai adjusted R2 pada saat mengevaluasi mana model regresi terbaik.