TOTAL ASSET
H. Metode Analisis Data
I. Uji Asumsi Klasik
1. Uji Normalitas Data
Pengujian normalitas data penelitian untuk menguji apakah dalam statistik variabel-variabel penelitian berdistribusi normal atau tidak normal. Model regresi normal yang baik adalah mempunyai distribusi data normal atau mendekati normal. Uji normalitas dapat dilihat dengan memperhatikan penyebaran data (titik) pada normal p plot regression standarred residual yaitu :
a. Jika data menyebar di sekitar garis diagonal dan mengikuti arah diagonal,maka model regresi memenuhi asumsi normalitas.
b. Jika data menyebar jauh dari garis diagonal dan atau tidak mengikuti arah garis diagonal, maka model regresi tidak memenuhi asumsi normalitas. Disamping itu penelitian didukung oleh Uji Kolmogorov – Smirnov, jika nilai signifikansi jauh diatas 0.05 yang berarti nilai residual terdistribusi secara normal atau memenuhi asumsi klasik.
2. Uji Multikolinieritas
Uji multikolinieritas adalah suatu keadaan dimana unsur variabel independen yang terdapat dalam model regresi memiliki hubungan yang
sempurna atau mendekati sempurna (koefisien korelasinya tinggi atau bahkan 1). Jika suatu koefisien regresi mengandung multikolinieritas maka kesalahan standar estimasi akan cenderung meningkat dengan bertambahnya variabel independen. Untuk mendeteksi ada atau tidaknya multikolinieritas dilakukan dengan cara meregresikan model analisis dan melakukan uji korelasi antar variabel independen dengan menggunakan Variance Inflating Factor (VIF) dan Tolerance Value. Batas nilai VIF lebih dari 10 dan nilai Tolerance Value kurang dari 0,1 maka terjadi multikolinieritas dan harus dikeluarkan dari model.
Cirinya :
R – Square tinggi ( > 0,90)
Masing – masing independen variabel signifikan berhubungan, Tolerance mendekati 0 (dimana To11 = 1 – R2) atau To11 = 1/VIF VIF > 10.
3. Uji Heteroskedastisitas
Uji heteroskedastisitas adalah untuk melihat apakah terdapat ketidaksamaan varians dari residual satu pengamatan ke pengamatan yang lain. Model regresi yang memenuhi persyaratan adalah dimana terdapat kesamaan varians dari residual satu pengamatan ke pengamatan yang lain tetap atau disebut heteroskedastisitas.
Deteksi heteroskedastisitas dilakukan dengan metode scatterplot dengan memplotkan nilai ZPRED (nilai produksi) dengan SRESID (nilai residualnya). Model yang baik dilaporkan jika tidak terdapat pola tertentu pada grafik, seperti
mengumpul di tengah, menyempit kemudian melebar, atau sebaliknya melebar kemudian menyempit. Uji statistik yang akan digunakan adalah uji Glejser, uji
Park, atau uji White.
4. Uji Autokorelasi
Uji autokorelasi adalah untuk melihat apakah terjadi korelasi antara suatu periode t dengan periode sebelumnya (t – 1). Secara sederhana adalah bahwa analisis regresi adalah untuk melihat pengaruh antara variabel bebas terhadap variabel terikat, jadi tidak boleh ada korelasi antara observasi dengan data observasi sebelumnya. Uji statistik yang dipergunakan adalah uji Durbin – Watson. Untuk mendeteksi adanya autokorelasi, dapat dilakukan dengan cara melihat besaran Durbin Watson sebagai berikut :
a) Angka DW dibawah -2, berarti ada autokorelasi positif.
b) Angka DW diantara -2 sampai +2, berarti tidak ada autokorelasi. c) Angka DW diatas +2, berarti ada autokorelasi negative.
5. Koefisien Determinasi a. Pengertian R2
R2 adalah perbandingan antara variasi Y yang dijelaskan oleh x1 dan x2
secara bersama-sama dibanding dengan variasi total Y. Jika selain x1 dan x2 semua variabel di luar model yang diwadahi dalam E dimasukkan ke dalam model, maka nilai R2 akan bernilai 1. Ini berarti seluruh variasi Y dapat dijelaskan
oleh variabel penjelas yang dimasukkan ke dalam model. Contoh Jika variabel dalam model hanya menjelaskan 0,4 maka berarti sebesar 0,6 ditentukan oleh
variabel di luar model, nilai diperoleh sebesar R2 = 0,4. Tidak ada ukuran yang
pasti berapa besarnya R2 untuk mengatakan bahwa suatu pilihan variabel sudah
tepat. Jika R2 semakin besar atau mendekati 1, maka model makin tepat. Untuk
data survei yang berarti bersifat cross section data yang diperoleh dari banyak responden pada waktu yang sama, maka nilai R2 = 0,2 atau 0,3 sudah cukup baik.
Semakin besar n (ukuran sampel) maka nilai R2 cenderung makin kecil.
Sebaliknya dalam data runtun waktu (time series) dimana peneliti mengamati hubungan dari beberapa variabel pada satu unit analisis (perusahaan atau negara) pada beberapa tahun maka R2 akan cenderunng besar. Hal ini disebabkan variasi
data yang relatif kecil pada data runtun waktu yang terdiri dari satu unit analisis saja.
b. Atau Makna R2
Contoh jika nilai R2 = 0,4, menunjukkan pemilihan variabel x1 dan x2
dalam (cross section data) menjelaskan variasi kinerja sebesar 40 persen, sisanya 60 persen ditentukan oleh variabel-variabel lain di luar model. Dua variabel penjelas yang dipilih oleh peneliti sudah dapat menjelaskan variasi variabel Y pada sampel yang besar. Keputusan ini dapat diterima jika uji F menunjukkan nilai yang besar atau signifikan. Jadi keputusan untuk menerima model sebagai baik atau tepat harus dilihat bersama antara besarnya nilai F dan R2.
Analisis yang digunakan dalam penelitian ini adalah model persamaan regresi linear berganda hubungan fungsional variabel – variabel bebas terhadap variabel terikat diformulasikan dalam fungsi regresi sebagai berikut :
AUD = α1+ β1SIZE+ β2 PROFT +β3 DEBT +β4 OPIN+ε Keterangan:
α1 = Konstanta
β1, β2, β3, β4 = Koefisien Regresi AUD = Audit Delay
SIZE = Ukuran Perusahaan PROFT= Tingkat Profitabilitas DEBT=Rasio Solvabilitas OPIN = Opini Auditor ε = Error
4. Uji Hipotesis a. Uji – F
Uji F Anova pada dasarnya menunjukkan apakah semua variabel independen mempunyai pengaruh secara simultan terhadap variabel dependen. Setelah F garis regresi ditemukan hasilnya, kemudian dibandingkan dengan Ftabel. Untuk menentukan nilai Ftabel, tingkat signifikansi yang digunakan adalah α = 5% dengan derajat kebebasan (degree of freedom) df= (n – k) dimana n adalah jumlah observasi, k adalah jumlah variabel termasuk intersep. Jika F hitung > F tabel, maka Ho ditolak, hal ini berarti variabel bebas mampu
menjelaskan variabel terikat secara simultan. Sebaliknya jika F hitung < F tabel maka Ho diterima, hal ini berarti bahwa variabel bebas secara bersama – sama tidak mampu menjelaskan variabel terikatnya.
b. Uji – T
Uji – T ini digunakan untuk menunjukkan seberapa jauh pengaruh satu variabel bebas secara parsial dalam menerangkan variasi variabel terikat. Untuk menentukan nilai t – tabel, tingkat signifiakan yang digunakan sebesar 5% dengan derajat kebebasan (degree of freedom) df = (n – k – 1) dimana n adalah jumlah observasi, k adalah variabel termasuk konstanta termasuk intersep. Kemudian membandingkan Statistik hitung dengan Statistik tabel. Jika statistik t – hitung < statistik t – tabel. Maka H0 diterima, Ha ditolak berarti secara parsial tidak ada
pengaruh yang signifikan dari variabel independen terhadap variabel dependen. Jika statistik t – hitung > statistik t – table. Maka H0 ditolak, Ha diterima berarti
secara parsial terdapat pengaruh yang signifikan dari variabel independen terhadap variabel dependen.