METODOLOGI PENELITIAN
D. Metode Analisis Data
Metode analisis data dalam penelitian ini adalah dengan menggunakan teknik analisis kuantitatif. Analisis kuantitatif dilakukan dengan cara menganalisis suatu permasalahan yang diwujudkan dengan kuantitatif. Analisis kuantitatif dalam penelitian ini dilakukan dengan cara mengkuantifikasi data-data penelitian sehingga menghasilkan informasi yang dibutuhkan dalam analisis.
Alat analisis yang digunakan dalam penelitian ini adalah analisis regresi logistik (logistic regression) dengan bantuan SPSS 17. Alasan penggunaan alat analisis regresi logistik (logistic regression) adalah karena variabel dependen bersifat dummy. Asumsi normal distribution tidak dapat dipenuhi karena variabel bebas merupakan campuran antara variabel kontinyu (metrik) dan kategorial (non-metrik). Hal ini dapat dianalisis dengan regresi logistik (logistic regression) karena tidak perlu asumsi normalitas data pada variabel bebasnya (Ghozali, 2012:333).
1. Definisi Regresi Logistik
Regresi logistik adalah bentuk khusus dimana variabel dependennya terbagi menjadi dua bagian atau kelompok (biner). Walaupun formulanya dapat saja lebih dari dua kelompok.
Regresi logistik adalah regresi yang digunakan untuk mencari persamaan regresi jika variabel dependennya merupakan variabel yang berbentuk skala. Regresi logistik binari adalah regresi logistik dimana variabel dependenya berupa variabel dikotomi atau variabel biner. Contoh: Variabel dikotomi atau variabel biner adalah sukses – gagal, ya – tidak, benar – salah, hadir – bolos, pria – wanita dan seterusnya.
2. Tahapan Regresi Logistik
Tahapan dalam pengujian dengan menggunakan uji regresi logistik (logistic regression) adalah statistik deskriptif dan pengujian hipotesis penelitian, adapun penjelasannya diuraikan dalam paragraf di bawah ini: a. Statistik Deskriptif
Statistik deskriptif digunakan untuk memberikan deskripsi suatu data yang dilihat dari rata-rata (mean), standar deviasi (standard deviation), dan maksimum-minimum. Mean digunakan untuk memperkirakan besar rata-rata populasi yang diperkirakan dari sampel. Standar deviasi digunakan untuk menilai dispersi rata-rata dari sampel. Maksimum-minimum digunakan untuk melihat nilai minimum dan maksimum dari populasi. Hal ini perlu dilakukan untuk melihat
gambaran keseluruhan dari sampel yang berhasil dikumpulkan dan memenuhi syarat untuk dijadikan sampel penelitian.
b. Pengujian Hipotesis Penelitian
Estimasi parameter menggunakan Maximum Likehood Estimation (MLE).
Ho = β1 = β2 = β3 = ... = βi = 0 Ho≠ β1≠ β2≠ β3≠ ... ≠ βi≠ 0
Hipotesis nol menyatakan bahwa variabel independen (x) tidak mempunyai pengaruh terhadap variabel respon yang diperhatikan (dalam populasi). Pengujian terhadap hipotesis dilakukan dengan menggunakan α = 5%. Nilai α dinyatakan sebagai besarnya tingkat kesalahan yang dapat ditolerir. Umumnya, besarnya α adalah 5%. Kaidah pengambilan keputusan adalah:
a) Jika nilai probabilitas (sig.) < α = 5%, maka hipotesis alternatif didukung.
b) Jika nilai probabilitas (sig.) > α = 5%, maka hipotesis alternatif tidak didukung.
1) Menilai Keseluruhan Model (Overall Model Fit).
Langkah pertama adalah menilai overall model fit terhadap data. Beberapa uji statistik diberikan untuk menilai hal ini. Hipotesis untuk menilai model fit adalah:
H0 : Model yang dihipotesiskan fit dengan data Ha : Model yang dihipotesiskan tidak fit dengan data
Hipotesis ini tidak akan menolak hipotesis nol agar model fit dengan data. Statistik yang digunakan berdasarkan pada fungsi likelihood. Log Likelihood dari model adalah probabilitas bahwa model yang dihipotesiskan menggambarkan data input. Pengujian hipotesis nol dan alternatif dilakukan dengan cara L ditransformasikan menjadi -2LogL. Penurunan Likelihood (-2LL) menunjukkan model regresi yang lebih baik atau dengan kata lain model yang dihipotesiskan fit dengan data (Ghozali, 2012:340). 2) Koefisien Determinasi (Nagelkerke R Square)
Cox and Snell’s R Square merupakan ukuran yang mencoba meniru ukuran R2 pada multiple regression yang didasarkan pada teknik estimasi likelihood dengan nilai maksimum kurang dari 1 (satu) sehingga sulit diinterpretasikan. Nagelkerke’s R Square
merupakan modifikasi dari koefisien Cox and Snell untuk memastikan bahwa nilainya bervariasi dari 0 (nol) sampai 1 (satu). Hal ini dilakukan dengan cara membagi nilai Cox and Snell’s R2dengan nilai maksimumnya. Nilai Nagelkerke’s R2
dapat diinterpretasikan seperti nilai R2 pada multiple regression. Nilai yang kecil berarti kemampuan variabel-variabel independen dalam menjelaskan variasi variabel dependen amat terbatas. Nilai yang mendekati satu berarti variabel-variabel independen memberikan hampir semua informasi yang dibutuhkan untuk memprediksi variasi variabel dependen (Ghozali, 2012:341).
3) Menguji Kelayakan Model Regresi
Kelayakan model regresi dinilai dengan menggunakan
Hosmer and Lemeshow’s Goodness of Fit Test. Hosmer and Lemeshow’s Goodness of Fit Test menguji hipotesis nol bahwa data empiris cocok atau sesuai dengan model (tidak ada perbedaan antara model dengan data sehingga model dapat dikatakan fit). Jika nilai statistik Hosmer and Lemeshow’s Goodness of Fit Test sama dengan atau kurang dari 0,05, maka hipotesis nol ditolak yang berarti ada perbedaan signifikan antara model dengan nilai observasinya sehingga Goodness fit model tidak baik karena model tidak dapat memprediksi nilai observasinya. Jika nilai statistik
Hosmer and Lemeshow’s Goodness of Fit Test lebih besar dari 0,05, maka hipotesis nol tidak dapat ditolak dan berarti model mampu memprediksi nilai observasinya atau dapat dikatakan model dapat diterima karena cocok dengan data observasinya (Ghozali, 2012:341).
4) Uji Multikolinieritas
Model regresi yang baik seharusnya tidak terjadi korelasi di antara variabel bebasnya. Jika variabel saling berkorelasi, maka variabel-variabel ini tidak ortogonal. Variabel ortogonal adalah variabel independen yang nilai korelasi antar sesama variabel independen sama dengan nol. Pengujian ini menggunakan matrik korelasi antar variabel bebas untuk melihat besarnya korelasi antar
variabel independen. Jika antar variabel independen ada korelasi yang cukup tinggi (umumnya diatas 0,90), maka hal ini merupakan indikasi adanya multikolinearitas (Ghozali, 2012:105). 5) Matriks Klasifikasi
Matriks klasifikasi menunjukkan kekuatan prediksi dari model regresi. Tahap ini dilakukan untuk memprediksi kemungkinan Integritas laporan keuangan pada perusahaan (Ghozali, 2011:276).
c. Model Regresi Logistik yang Terbentuk
Analisis yang digunakan dalam penelitian ini adalah analisis regresi logistik (logistic regression), yaitu dengan melihat faktor-faktor yang mempengaruhi integritas laporan keuangan. Model yang digunakan dalam penelitian ini adalah sebagai berikut:
Logit KSVT it = β0 + β1 INSTit + β2 MNJit + β3 KOMAUDit + β4 KOMINDit + β5 TENit + β6 REPit + β7 SIZEit + € Dimana:
Logit KSVT it : Konservatisme yang diukur dengan menggunakan variable dummy dan diberi nilai 1 jika Acr Disc negatif dan nilai 0 jika Acr Disc positif
β0 : Konstanta
INSTit : Persentase kepemilikan saham oleh institusi. MNJit : Persentase kepemilikan saham oleh manajemen. KOMAUDit : Jumlah anggota komite audit perusahaan.
KOMINDit : Proporsi komisaris independen terhadap keseluruhan jumlah dewan komisaris perusahaan.
TENit : Tenur audit menggunakan variabel dummy, tenur lama (3 tahun atau lebih) diberi angka 1 dan tenur singkat (kurang dari 3 tahun) diberi angka 0
REPit : Reputasi auditor yang diukur dengan menggunakan variable dummy dan diberi nilai 1 jika KAP merupakan KAP big four dan nilai 0 jika sebaliknya
SIZEit : Ukuran perusahaan diukur dengan menggunakan variable dummy dan diberi nilai 1 jika jumlah saham yang beredar lebih dari 100 milyar rupiah dan nilai 0 jika sebaliknya
€ : error