HASIL PENELITIAN DAN PEMBAHASAN
4.1. Hasil Penelitian
4.1.3. Uji Analisis Regresi I dengan Variabel Moderasi 1. Uji Asumsi Klasik
Uji asumsi klasik dilakukan untuk mengetahui kondisi data yang digunakan dalam sebuah penelitian. Hal ini dilakukan agar diperoleh model analisis yang tepat untuk digunakan dalam penelitian ini. Adapun uji asumsi klasik yang dilakukan meliputi; Uji normalitas, uji multikolinearitas, uji heteroskedastisitas dan uji autokorelasi.
a. Uji Normalitas
Uji normalitas dilakukan untuk mengetahui apakah data yang digunakan memiliki distribusi normal atau mendekati normal dengan melihat normal probability plot. Uji normalitas yang pertama dilakukan adalah berdasarkan grafik secara histogram yang terlihat pada gambar 4.4.
Gambar 4.4 Grafik Histogram
Sumber: Hasil Pengolahan SPSS (Mei 2016)
Berdasarkan gambar 4.4 terlihat bahwa pola distribusi normal, akan tetapi jika kesimpulan normal atau tidaknya data hanya dilihat dari grafik histogram, maka hal ini dapat menyesatkan khususnya untuk jumlah sampel yang kecil. Metode lain yang digunakan dalam analisis grafik adalah dengan melihat normal probability plot yang membandingkan distribusi kumulatif dan distribusi normal. Jika distribusi data residual normal, maka garis yang akan menggambarkan data sesungguhnya akan mengikuti garis diagonalnya. Uji normalitas dengan melihat normal probability plot dapat dilihat dalam gambar 4.5 berikut:
Gambar 4.5 Grafik Normal P-Plot
Sumber: Hasil Pengolahan SPSS (Mei 2016)
Berdasarkan grafik profitabilitas pada gambar 4.5 di atas menunjukkan bahwa data telah terdistribusi secara normal karena distribusi data residualnya mengikuti arah garis diagonal (garis normal). Pengujian normalitas data secara analisis statistik dapat dilakukan dengan melakukan uji Kolmogorov-Smirnov. Data yang terdistribusi normal ditunjukkan dengan nilai signifikansi di atas 0.05. Sedangkan, data yang tidak berdistribusi normal ditunjukkan dengan nilai signifikansi dibawah 0.05.
Tabel 4.8
Uji Kolmogorov-Smirnov
One-Sample Kolmogorov-Smirnov Test
Unstandardized Residual
N 40
Normal Parametersa,b Mean 0E-7
Std. Deviation 12.21745874
Most Extreme Differences
Absolute .166
Positive .104
Negative -.166
Kolmogorov-Smirnov Z 1.048
Asymp. Sig. (2-tailed) .222
a. Test distribution is Normal. b. Calculated from data.
Sumber: Hasil Pengolahan SPSS (Mei 2016)
Berdasarkan hasil uji normalitas dengan Kolmogorov-Smirnov (Data Asli) diatas, terlihat bahwa data telah terdistribusi dengan normal yang mana terlihat bahwa nilai signifikansi diatas 0.05 yaitu sebesar 0.222 dan nilai Kolmogorov-Smirnov Z sebesar 1.048.
b. Uji Heteroskedastisitas
Uji ini bertujuan untuk 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 variance dari residual satu pengamatan ke pengamatan lain berbeda disebut heteroskedastisitas. Untuk mendeteksi ada atau tidaknya heteroskedastisitas dapat dilakukan dengan melihat grafik scatterplot, dengan dasar analisis.
1. Jika 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 di bawah angka 0 pada sumbu Y, maka tidak terjadi heteroskedastisitas.
Hasil uji heteroskedastisitas dengan menggunakan grafik scatterplot ditunjukkan pada gambar 4.6 berikut:
Gambar 4.6 Grafik Scatterplot
Sumber: Hasil Pengolahan SPSS (Mei 2016) c. Uji Multikolinearitas
Uji multikolinearitas dilakukan untuk mengetahui ada atau tidaknya hubungan linear antara variabel independen dalam model regresi dimana prasyarat dalam model regresi adalah tidak adanya
multikolinearitas. Pada uji multikolinearitas ini dapat dilihat melalui nilai inflation factor (VIF) dan Tolerance.
Tabel 4.9 Uji Multikolinearitas Coefficientsa Model Unstandardized Coefficients Standardize d Coefficients Collinearity Statistics
B Std. Error Beta Toleranc
e VIF 1 (Constant) 70.777 4.786 Zscore(PROFIT) -.504 2.599 -.040 .614 1.630 Zscore(LN.T.ASET ) .795 2.165 .063 .885 1.130 ABSPRO.ASET 4.084 3.141 .266 .625 1.599
a. Dependent Variable: A.DELAY
Sumber: Hasil Pengolahan SPSS (Mei 2016)
Berdasarkan aturan Variance Inflation Factor (VIF) dan Tolerance, apabila VIF melebihi angka 10 atau Tolerance kurang dari 0.10 maka dinyatakan terjadi gejala multikolinearitas, sebaliknya apabila VIF kurang dari 10 atau Tolerance lebih dari 0.10 maka dinyatakan tidak terjadi gejala multikolinearitas. Dalam penelitian ini data yang digunakan dalam uji multikolinearitas ini adalah data dari variabel independen.
d. Uji Autokorelasi
Uji autokorelasi dilakukan untuk menguji apakah sebuah model regresi terdapat korelasi antara kesalahan penganggu pada periode t dengan kesalahan pengganggu pada periode t-1 atau sebelumnya. Jika terjadi korelasi dinamakan ada masalah
autokorelasi. Untuk mendeteksi ada atau tidaknya autokorelasi, peneliti menggunakan Durbin-Watson (DW test). Model regresi yang baik adalah regresi yang bebas dari autokorelasi. Pengambilan keputusan pada asumsi ini memerlukan dua nilai bantu yang diperoleh dari tabel Durbin Watson, yaitu nilai dl dan du untuk K = jumlah variabel bebas dan n = jumlah sampel. Jika nilai DW berada diantara nilai du hingga (4-du), berarti asumsi tidak terjadi autokorelasi terpenuhi. Adapun kriteria dalam penentuan autokorelasi adalah sebagai berikut :
1) Jika Dw < Dl atau Dw > 4-Dl maka terdapat autokorelasi.
2) Jika Dl < Dw < Du atau 4-Du < Dw < 4-Dl maka status autokorelasi tidak dapat dijelaskan (inconclusive).
3) Jika Du < Dw < 4-Du maka tidak terjadi autokorelasi (Non Autokorelasi).
Tabel 4.11 digunakan untuk melihat nilai Durbin Watson yang didapat dengan menggunakan bantuan SPSS Versi 20. Tabel DW menunjukkan bahwa dengan n = 40, K = 2, maka akan diperoleh nilai dl = 1.3908 dan du = 1.6000 dan 4-du = (4 – 1.6000 ) = 2.4000.
Tabel 4.10 Uji Autokorelasi
Model Summaryb
Model R R Square Adjusted R
Square Std. Error of the Estimate Durbin-Watson 1 .236a .056 -.023 12.71633 1.957
a. Predictors: (Constant), ABSPRO.ASET, Zscore(LN.T.ASET), Zscore(PROFIT)
b. Dependent Variable: A.DELAY
Berdasarkan hasil pengujian autokorelasi dengan menggunakan SPSS diketahui bahwa nilai durbin-watson adalah 1.3908 < 1.957 < 2.4000 yang berarti berdasarkan kriteria tersebut tidak terjadi autokorelasi.
4.1.3.2. Uji Hipotesis
Hasil pengujian regresi linear pengaruh profitabilitas terhadap audit delay dengan ukuran perusahaan sebagai variabel moderasi menggunakan metode nilai selisih mutlak yang ditunjukkan pada Tabel 4.11 berikut:
Tabel 4.11
Uji Analisis Regresi dengan Variabel Moderasi
Coefficientsa Model Unstandardized Coefficients Standardized Coefficients t Sig. B Std. Error Beta 1 (Constant) 70.777 4.786 14.787 .000 Zscore(PROFIT) -.504 2.599 -.040 -.194 .847 Zscore(LN.T.ASET) .795 2.165 .063 .367 .716 ABSPRO.ASET 4.084 3.141 .266 1.300 .202
a. Dependent Variable: A.DELAY
Sumber: Hasil Pengolahan SPSS (Mei 2016)
Hasil pengujian menunjukkan model regresi sebagai berikut:
AUDIT DELAY = 70.777 -0.504ZscoreProfit +
0.795ZscoreLn.T.Aset + 4.084AbsProfit.Aset + e
Dari persamaan regresi tersebut maka dapat dianaliis bahwa variabel ukuran perusahaan yang diukur dengan Ln Total Aset sebagai variabel moderasi tidak mampu memoderasi hubungan
antara profitabilitas dengan audit delay karena signifikansi 0.202 > 0.05.
4.1.4. Uji Analisis Regresi dengan Variabel Moderasi