BAB IV ANALISIS DAN PEMBAHASAN
4.4 Uji Hipotesis
Menilai Keseluruhan Model (Uji Overal Model Fit)
Untuk mengetahui apakah semua variabel independen di dalam regresi logistik secara serentak mempengaruhi variabel dependen sebagaimana uji F dalam regresi liner didasarkan pada nilai statistika -2LL (Log Likelihood). Uji serentak koefisien regresi model logistik dihitung dari perbedaan nilai -2LL (Log Likelihood) antara model terdiri dari konstanta dan odel yang diestimasi yang terdiri dari konstanta dan semua variabel independen.
Langkah pertama adalah menilai overall model fit model terhadap data.
Beberapa test statistik diberikan untuk menilai hal ini. Hipoesis untuk menilai model fit adalah:
H0 : Model yang dihipotesiskan fit dengan data HA: Model yang dihipotesiskan tidak fit dengan data
Pengujian dapat dilihat dari perbandingan angka -2 log likelihood pada block number = 0 dan 2 log likelihood pada block number = 1. Apabila nilai -2 log likelihood yang mengalami penurunan dari model awal (konstanta saja) ke model setelah variabel bebas dimasukan, maka H0 diteriam dan HA ditolak,
54
hal ini menandakan bahwa model yang dihipotesiskan fit dengan data. Berikut merupakan output yang dihasilkan menggunakan software spss:
Tabel 4.10
Uji Overal Fit Block number = 0
Sumber: Data sekunder diolah, 2021
Tabel 4.11
Uji Overal Model Fit: Block number = 1
Sumber: Data sekunder diolah, 2021
Dari tabel 4.11 dan tabel 4.12 menunjukan terdapat penurunan dari -2 log likelihood pada block number = 0 sebesar 549.464 menjadi 544.456 setelah dimasukan ketiga variabel independen yang terlihat pada -2 log lokelihood yaitu pada block number = 1. Penurunan sebesar 5.008 menunjukan bahwa H0 diterima dan HA ditolak.
55
Penurunan -2 log likelihood ini menunjukan model regresi lebih baik atau model yang dihipotesiskan fit dengan data.
Koefisien Determinasi (Nagelkerke R square)
Untuk mengetahui seberapa besar variabel pertumbuhan perusahaan, fee audit, dan opini auditor terhadap auditor switching pada perusahaan manufaktur yang terdaftar di Bursa Efek Indonesia (BEI) selama periode 2014-2019 peneliti menggunakan Nagelkerke R square.
Nagelkerke R square merupakan modifikasi dari koefisien Cox dan snell untuk memastikan bahwa nilainya bervariasi dari 0 sampai dengan 1. Nilai Nagelkerke R square menunjukan seberapa besar variabilitas variabel dependen yang dapat dijelaskan oleh variabilitas variabel independen.
Tabel 4.12 Negelkerke R Square
Sumber: Data sekunder diolah, 2021
Dari tabel output Model Summary diatas dapat diketahui bahwa nilai Cox &
Snell R Square adalah sebesar 0,012. Sedangkan nilai Nagelkerke R square sebesar 0,017. Hal ini menunjukan bahwa variabel dependen yang dapat dijelaskan oleh variabilitas variabel independen adalah sebesar 1,7% dan sisanya dijelaskan oleh variabel lain diluar model.
Menilai Kelayakan Model Regresi
Pengujian kelayakan model regresi logistik dapat dilakukan dengan melakukan uji Hosmer and Lemesho’s Goodness of Fit. Untuk mengetahui apakah data empiris cocok atau sesuai dengan model (tidak ada perbedaan antara model dengan data sehingga model dapat dikatakan fit), melalui kriteria sebagai berikut:
1. Jika nilai signifikansi Hosmer and Lemeshow = 0,05, artinya ada perbedaan signifikan antara model dengan nilai observasinya sehingga goodness fit model tidak baik karena model tidak dapat memperbaiki nilai observasinya.
56
2. Jika nilai signifikansi Hosmer and Lemeshow > 0,05, artinya model mampu memprediksi nilai observasinya atau dapat dikatakan model dapat diterima karena fit dengan data observasinya.
Tabel 4.13
Kelayakan Model Regresi
Sumber: Data sekunder diolah, 2021
Kelayakan model regresi dinilai dengan menggunakan Hosmer and Lemesho’s Goodness of Fit. Dari tabel 4.14 diatas menunjukan bahwa nilai Chi-Square sebesar 4.107 dengan nilai sigifikansinya 0,847. Nilai signifikansi pada tabel diatas lebih besar dari 0,05 sehingga H0 diterima dan HA ditolak dan disimpulkan bahwa tidak ada perbedaan antara model dengan data. Hal ini berarti model regresi dalam penelitian ini adalah diterima karena cocok dengan data observasinya.
Tabel Klasifikasi
Tabel klasifikasi menunjukan seberapa besar kekuatan prediksi dari model regresi untuk memprediksi kemungkinan terjadinya auditor switching yang dilakukan oleh perusahaan. Pada tabel klasifikasi terdapat kolom yang berisi nilai prediksi dari variabel auditor swithcing, terdapat kolom yang menunjukan perusahaan tidak melakukan auditor switching dan kolom yang menunjukan bahwa perusahaan melakukan auditor switching. Selain itu terdapat baris yang menujukan nilai observasi sesungguhnya dari variabel auditor switching. Adapun nilai dari uji klasifikasi dari model regresi adalah sebagai berikut.
57
Tabel 4.14 Uji Klasifikasi
Sumber: Data sekunder diolah, 2021
Bedasarkan tabel 4.15, menunjukan kekuatan prediksi dari model regresi untuk memprediksi kemungkinan perusahaan dalam melakukan auditor switching pada penelitian ini sebesar 57,0%. Kekuatan prediksi model perusahan yang tidak melakukan auditor switching adalah sebesar 95,6% yang berarti bahwa dengan model regresi yang digunakan ada sebanyak 219 perusahaan (95,6%) dan yang tidak melakukan auditor switching 229. Selain itu tabel diatas juga menunjukan bahwa dengan menggunakan model regresi yang digunakan terdapat 10 perusahaan (5,8%) yang diprediksi akan melakukan auditor switching dari total 173 perusahaan yang melakukan auditor switching.
Model Regresi Logistik yang Terbentuk
Langkah berikutnya adalah melakukan pengujian hipotesis menggunakan analisis regresi logistik. Regresi logistik digunakan untuk menguji pengaruh pertumbuhan perusahaan, fee audit, dan opini audit.
Untuk menguji signifikansi koefisien dari setiap variabel bebas yang digunakan p-value (probably value) dengan tingkat signifikan sebesar 5% atau 0,05. Apabila nilai signifikansi lebih kecil dari 0,05 maka koefisiensi regresi adalah berpengaruh positif dan signifikan. Berikut hasil analisis regresi logistik yang diperoleh:
58
Tabel 4. 15 Model Regresi Logistik
Sumber: Data sekunder diolah, 2021
Bedasarkan pengujian regresi logistik (logistic regression) sebagaimana telah dijabarkan dalam bagian sebelumnya, interpretasi hasil dapat dijelaskan sebagai berikut:
1. Konstanta (α) sebesar -2,903 menunjukkan bahwa apabila tidak ada variabel independen (X1,X2,X3 = 0 ) maka Auditor Switching sebesar < 50%
2. Jika jumlah β1 (Pertumbuhan Perusahaan) senilai 0,322 menunjukkan bahwa setiap kenaikan 1 milyar pada pertumbuhan perusahaan berdampak pada probabilitas terjadinya auditor switching sebesar 32,2 %
3. Jika jumlah β2 (Fee Audit) senilai 0,079 menunjukkan bahwa setiap kenaikan 1 milyar pada fee audit berdampak pada probabilitas terjadinya auditor switching sebesar 7,9 %
4. Jika jumlah β3 (Opini Audit) senilai 0,882 menunjukkan bahwa setiap kenaikan 1 pada opini audit berdampak pada probabilitas terjadinya auditor switching sebesar 88,2 % auditor switching.
4.5 Pembahasan Hasil Analisis Data dan Interpretasi Data (Pembuktian Hipotesis)