• Tidak ada hasil yang ditemukan

Statistik Deskriptif

Dalam dokumen WAODE ROSLIANI S4310030 (Halaman 59-66)

BAB I PENDAHULUAN

4.2 Statistik Deskriptif

Hasil statistik diskriptif variabel dependen dan variabel independen disajikan pada tabel 4.1 berikut:

Tabel 4.1

Hasil Statistik Deskriptif Variabel Dependen dan Independen

Variabel Minimum Maximum Mean Std.

Deviation

Ukuran KAP (Size) 2.00 50.00 22.4706 13.71862

Tenure Audit 1.00 5.00 3.4370 1.38783

Komite Audit 2.00 4.00 2.9496 0.42881

Auditor Spesialisasi Industri (AIS) Kualitas Audit (DAC)

0.00 0.00 1.00 1.01 0.7143 0.2847 0.45366 0.31002 Return Saham (RET) -0.13 0.14 0.0134 0.05220 Sumber: data sekunder diolah, 2012

commit to user

Output deskriptif statistik dengan menggunakan SPSS 18. Tabel 4.1 di atas menunjukkan bahwa jumlah observasi (N) adalah 119. Ukuran KAP yang diwakili oleh Size menunjukkan bahwa Size tertinggi adalah sebesar 50,00 patner dan terendah 2,00 patner dengan nilai mean 22,4706 dan standar deviasi 13,71862. Masa penugasan audit yang diproksikan dengan auditTenure memiliki nilai tertinggi sebesar 5,00 tahun dan nilai terendah 1,00 tahun dengan nilai rata- rata 3,4370 dan standar deviasi 1,38783. Komite audit memiliki nilai tertinggi 4,00 orang dan nilai terendah 2,00 orang dengan nilai rata-rata 2,9496 dan standar deviasi 0,42881. Audit spesialisasi industri yang di proksikan dengan AIS memiliki nilai maksimal 1,00 dan nilai minimal 0,00 dengan nilai mean 0,7143 dan standar deviasi 0,45366. Kualitas audit diproksikan dengan nilai absolut memiliki nilai maksimal 1,01 dan minimal 0,00, dengan nilai mean 2,2847, dan standar deviasi 0,31002. Return saham diproksikan dengan RET memiliki nilai maksimal 0,14 dan minimal -0,13 dengan nilai mean 0,0134, dan standar deviasi 0,05220.

4.3 Hasil Uji Asumsi Klasik 4.3.1 Persamaan Regresi Pertama a. Uji Normalitas

Uji normalitas adalah untuk screening terhadap normalitas data yang bertujuan jika terdapat normalitas, maka residual akan terdistribusi secara normal dan independen. Lewat pengamatan nilai residual dapat diketahui apakah variabel-variabel yang akan diteliti berdistribusi secara normal atau tidak. Untuk

commit to user

mendekteksi normalitas data dilakukan dengan uji kolmogorov-smirnov. Hasilnya seperti yang diperlihatkan pada tabel 4.2 di bawah ini. hasil uji normalitas distribusi normal.

Tabel 4.2 Hasil Uji Normalitas Variabel Kolmogorov

Smirnov Z

ρValue Keterangan

Unstandarized Residual 0.855 0.458 Normal Sumber: data sekunder diolah, 2012

Dari uji normalitas tersebut, didapatkan nilai kolmogorov-smirnovZ

sebesar 0,855 dengan signifikansi 0,458. Dari nilai tersebut terlihat bahwa tingkat signifikansi diatas 0,05 atau > 0,05, sehingga dapat disimpulkan bahwa data berdistribusi normal.

b. Uji Autokorelasi

Untuk mengetahui apakah model regresi linier terjadi korelasi antara periode pengamatan yang berurutan menurut waktu data runtut (time series). Uji autokorelasi bertujuan menguji apakah model regresi linier ada korelasi antara kesalahan pengganggu pada periode t-1 (sebelumnya), (Ghozali, 2011). Untuk mendekteksi ada tidaknya autokorelasi maka dilakukan uji autokorelasi dengan uji

durbin – watson (DW test). Berdasarkan hasil pengujian, didapatkan nilai durbin watson sebesar 1,831. Nilai ini berada diantara dU dan 4- dU, dengan nilai dU

1.758 dan nilai 4-dU 2.25. Maka dapat disimpulkan tidak terjadi autokorelasi.

Hasilnya seperti yang diperlihatkan pada tabel 4.3 dibawah ini.

Tabel 4.3 Hasil Uji Autokorelasi

commit to user

1.758 2.25 1.831 Tidak terjadi

autokorelasi Sumber: data sekunder diolah, 2012.

c. Uji Multikolinieritas

Uji multikolonieritas dilakukan untuk mendeteksi apakah terjadi korelasi antar variabel bebas. Hasil uji ini diuraikan pada tabel 4.4 berikut:

Tabel 4.4

Hasil Pengujian Multikolinieritas

Variabel Tolerance VIF

Ukuran KAP (Size) 0.961 1.040

Tenure Audit 0.965 1.036 Komite Audit AIS 0.967 0.971 1.035 1.030 Sumber: data sekunder diolah, 2012

Hasil perhitungan nilai tolerance menunjukkan tidak ada variabel independen yang memiliki nilai tolerance kurang dari 0.10, dan hasil perhitungan nilai Variance Inflation Factor (VIF) juga menunjukkan hal yang sama, yaitu tidak ada satu variabel independen yang memiliki nilai VIF lebih dari 10. Model regresi yang baik seharusnya tidak terjadi korelasi di antara variabel independen (Ghozali, 2011). Dari hasil pengujian yang diuraikan di atas dapat disimpulkan bahwa tidak ada multikolonieritas antar variabel independen.

commit to user

Uji heteroskedastisitas untuk mengetahui ada tidaknya heteroskedastisitas nilai prediksi variabel dependen (ZPRED) dengan nilai residualnya (SRESID). Uji heteroskedastisitas bertujuan menguji apakah dalam model regresi terjadi ketidaksamaan variance dari residual satu pengamatan ke pengamatan yang lain (Imam Ghozali, 2011). Dari hasil uji yang diperlihatkan gambar 4.1 dibawah ini adalah histogram hasil uji heteroskedastisitas pada grafik

scatterplot dengan dependen variabel DAC antara SRESID sumbu Y yang diprediksi dan ZPRED sumbu X residual.

Gambar 4.1

commit to user

Dari grafik scatterplot nampak bahwa titik-titik tersebar di atas dan di bawah nol pada sumbu Y, sehingga dapat disimpulkan bahwa tidak terjadi masalah heteroskedastisitas pada model.

4.3.2 Persamaan Regresi Kedua a. Uji Normalitas

Untuk mendekteksi normalitas data dilakukan dengan uji kolmogorov- smirnov. Hasilnya seperti yang diperlihatkan pada tabel 4.5 di bawah ini. hasil uji normalitas distribusi normal.

Tabel 4.5 Hasil Uji Normalitas Variabel Kolmogorov

Smirnov Z

ρValue Keterangan

Unstandarized Residual 1.004 0.266 Normal Sumber: data sekunder diolah, 2012

Dari tabel tersebut, didapatkan nilai kolmogorov-smirnovZ sebesar 1.004 dengan signifikansi 0.266. Dari nilai tersebut terlihat bahwa tingkat signifikansi diatas 0.05 atau > 0.05, sehingga dapat disimpulkan bahwa data untuk persamaan regresi kedua berdistribusi normal.

commit to user b. Uji Autokorelasi

Untuk mendekteksi ada tidaknya autokorelasi maka dilakukan uji autokorelasi uji durbin – watson (DW test), dari hasil pengujian didapatkan nilai durbin watson sebesar 2.318. Nilai ini berada diantara du dan 4-dU , dengan nilai

dU 1.649 dan nilai 4- dU 2.36. Dari hasil ini maka dapat terlihat bahwa pada

persamaan regresi kedua ini tidak terdapat masalah autokorelasi. Hasilnya seperti diperlihatkan pada tabel 4.6 dibawah ini.

Tabel 4.6 Hasil Uji Autokorelasi

Nilai dU 4-dU durbin – watson Keterangan

1.649 2.36 2.318 Tidak terjadi

autokorelasi Sumber: data sekunder diolah, 2012

c. Uji Heteroskedastisitas

Uji heteroskedastisitas untuk mengetahui ada tidaknya heteroskedastisitas nilai prediksi variabel dependen (ZPRED) dengan nilai residualnya (SRESID). Uji heteroskedastisitas bertujuan menguji apakah dalam model regresi terjadi ketidaksamaan variance dari residual satu pengamatan ke pengamatan yang lain (Imam Ghozali, 2011). Hasil uji heteroskedastisitas untuk persamaan kedua dapat dilihat pada gambar 4.2 di bawah ini.

Gambar 4.2

commit to user

Dari grafik scatterplot nampak bahwa titik-titik tersebar di atas dan di bawah nol pada sumbu Y, sehingga dapat disimpulkan bahwa tidak terjadi masalah heteroskedastisitas pada model.

Dalam dokumen WAODE ROSLIANI S4310030 (Halaman 59-66)

Dokumen terkait