BAB III METODE PENELITIAN
3.7 Teknik Analisis Data
3.7.1 Uji Asumsi Klasik
Uji pertama yang harus dilakukan dalam penelitian ini adalah uji asumsi klasik. Uji ini bertujuan untuk mendapatkan nilai estimasi yang diperoleh mempunyai nilai estimator yang terbaik (best), estimator yang linear (linear) serta estimator yang tidak bias (unbiased). Data-data yang akan digunakan dalam analisis regresi terlebih dahulu akan dilakukan uji seperti uji normalitas, uji multikolinearitas, uji heterokedastisitas serta uji autokorelasi.
a. Uji Normalitas
Tujuan dilakukannya uji normalitas adalah untuk menguji apakah dalam model regresi, data antara variabel dependen dengan variabel independen mempunyai distribusi yang normal. Uji ini dilakukan pada tahapan awal dalam metode pemilahan analisis data. Setelah uji dilakukan maka akan diketahui apakah data terdistribusi normal atau tidak. Jika data terdistribusi normal maka akan digunakan statistik parametrik dan jika data tidak terdistribusi normal maka digunakan statistik non parametrik. Normalitas suatu data dapat diketahui dengan uji Kolmogorov-Smirnov. Uji Kolmogorov Smirnov dapat dilakukan dengan cara melihat angka probabilitas dengan ketentuan (Ghozali, 2011) :
1. Nilai signifikansi atau nilai probabilitas < 0,05 maka distribusi dikatakan tidak normal
2. Nilai signifikan atau nilai probabilitas > 0,05 maka distribusi dikatakan normal.
Selain uji Kolmogorov Smirnov, normalitas dapat juga diketahui dengan cara melihat penyabaran data (titik) pada sumbu diagonal grafik atau melihat histogram nilai residunya, dimana :
1. Jika data menyebar disekitar garis diagonal dan mengikuti arah garis diagonal, maka model regresi memenuhi asumsi normalitas.
2. Jika data menyebar jauh dari garis diagonal dan atau tidak mengikuti garis diagonal, mka model regresi tidak memenuhi asumsi normalitas.
b. Uji Multikolinearitas
Uji multikolinearitas dilakukan untuk menguji apakah dalam model regresi ditemukan korelasi antar variabel independen. Model regresi yang baik harusnya tidak terdapat korelasi diantara variabel independen (Ghozali, 2011). Untuk menguji multikolinearitas di dalam model regresi dapat dilakukan dengan cara melihat nilai tolerance dan nilai variance inflation factor (VIF) dan juga melihat matriks korelasi variabel-variabel independen. Jika nilai tolenrance<0,1 atau nilai VIF>10 . Apabila nilai masih terdapat dalam batas yang ditentukan maka data pada model regresi terbebas dari multikolinearitas.
c. Uji Heteroskedastisitas
Uji heteroskedastisitas adalah uji yang dilakukan untuk mengetahui apakah di dalam model regresi terdapat ketidaksamaan variabel pengganggu dari satu pengamatan ke pengamatan lain. Model regresi yang baik apabila dalam data tidak mengandung Heteroskedastisitas. Heteroskedastisitas dari suatu model regresi dapat diketahui dengan melihat plot antara nilai taksiran dengan residual pada grafik scatter plot. Model regresi tidak terdapat hetroskedastisitas jika :
1. Titik-titik data menyebar disekitas angka nol, baik diatas maupun dibawah
2. Penyebaran titik-titik data tidak berpola (bergelombang, melebar, kemudian menyempit)
3. Titik-titik data tidak hanya mengumpul diatas atau dibawah saja
d. Uji Autokorelasi
Uji Autokorelasi dilakukan untuk menguji apakah dalam model regresi linear terdapat korelasi antara kesalahan pengganggu antara periode t dengan kesalahan pegganggu pada periode t-1. Autokorelasi dapat terjadi karena adanya observasi yang berurutan sepanjang waktu yang berkaitan satu sama lain. Problem autokorelasi sering terjadi pada data yang bersifat time series. Uji yang dilakukan untuk mengetahui ada atau tidaknya autokorelasi menggunakan uji Durbin-Watson (DW test). Berikut ini kriteria yang digunakan dalam penentuan autokorelasi :
1. Autokorelasi positif, jika nilai DW lebih kecil dari -2 2. Tidak ada autokorelasi, jika DW diantara -2 sampai +2 3. Autokorelasi negatif, jika nilai DW lebih besar dari +2 3.7.2 Pengujian Hipotesis
a. Uji Koefisien Determinasi (R2)
Koefisien determinasi merupakan ikhtisar yang menyatakan seberapa baik garis regresi sampel mencocokkan data. Koefisien
determinasi untuk mengukur proporsi variasi dalam variabel dependen yang dijelaskan oleh regresi. Nilai R2 berkisar antara 0 sampai 1 (0 <
R2 < 1).
Apabila nilai koefisien determinan R2=0 berarti tidak ada hubungan antara variabel independen dengan variabel dependen, sedangkan jika R2=1 berarti suatu hubungan yang sempurna.
b. Uji Statistik F
Pengujian Hipotesis statistik F pada model regresi berganda dilakukan untuk menguji apakah variabel-variabel independen terhadap variabel dependen memiliki pengaruh secara bersama-sama.
Pengujian dilakukan dengan menggunakan tingkat signifikansi 0,05 (α
= 5%). Keputusan penolakan atau penerimaan hipotesis dilakukan dengan kriteria sebagai berikut :
1. Jika nilai sigifikansi > 0,05 maka hipotesis ditolak. Hasil ini berarti secara bersama-sama variabel independen tidak berpengaruh terhadap variabel dependen.
2. Jika nilai sigifikansi < 0,05 maka hipotesis diterima. Hasil ini berarti secara bersama-sama variabel independen berpengaruh terhadap variabel dependen.
c. Uji Statistik t
Uji t dilakukan untuk mengetahui kemampuan masing-masing variabel independen secara individual (parsial) dalam menjelaskan variasi variabel dependen. Pengujian dilakukan dengan menggunakan
significance level 0,05 (α= 5%). Penolakan atau penerimaan hipotesis dilakukan dengan kriteria sebagai berikut :
1. Jika nilai signifikansi > 0,05 (koefisien regresi tidak signifikan), maka hipotesis ditolak. Hasil ini berarti secara parsial variabel independen tidak berpengaruh terhadap variabel dependen.
2. Jika nilai sigifikansi < 0,05 (koefisien regresi signifikan), maka hipotesis diterima. Hasil ini berarti secara parsial variabel independen berpengaruh terhadap variabel dependen.
3.7.3 Analisis Regresi Linear Berganda
Analisis regresi linier berganda digunakan dengan maksud meramalkan bagaimana keadaan (naik-turunnya) variabel dependen bila dua atau lebih variabel independen dimanipulasi (Sugiyono, 2006: 210).Analisis ini menggunakan teknik analisis statistik SPSS dengan metode analisis regresi berganda. Dalam model ini fee audit, ukuran KAP, risiko litigasi, auditor switching berpengaruh terhadap kualitas audit. Pengujian pada model ini dilakukan sebagai berikut :
Y= a + b1X1 + b2X2 + b3X3 + b4X4 + e Keterangan :
Y : Kualitas Audit X1 : Fee Audit X2 : Ukuran KAP X3 : Resiko Litigasi
X4 : Auditor Switching a : Konstanta
b : Koefisien regresi e : Error
3.7.4 Analisis Regresi dengan Variabel Pemoderasi
Pada penelitian ini metode uji regresi dengan variabel moderator yang digunakan adalah Moderated Regression Analysis (MRA) atau uji interaksi.
Menurut Ghozali (2009:164), Moderated Regression Analysis (MRA) merupakan aplikasi khusus regresi berganda linear dimana dalam persamaan regresinya mengandung unsur interaksi (perkalian dua atau lebih variabel independen).
Pengujian pada model ini dilakukan sebagai berikut :
Y= a+ b1X1+ b2X2+ b3X3+ b4X4+ b5X5+ b6X1X5+ b7X2X5+ b8X3X5+ b9X4X5 + e1
Keterangan : Y : Kualitas Audit X1 : Fee Audit X2 : Ukuran KAP X3 : Resiko Litigasi X4 : Auditor Switching X5 : Kompleksitas Audit a : Konstanta
b : Koefisien regresi e : Error
BAB IV
HASIL DAN PEMBAHASAN PENELITIAN 4.1. Data Penelitian
Data yang digunakan dalam penelitian ini diperoleh dengan menggunakan metode dokumentasi, yaitu mengumpulkan dan menganalisis data sekunder. Data diperoleh dari perusahaan manufaktur yang terdaftar di Bursa Efek Indonesia periode 2011-2014 yang telah menerbitkan laporan keuangan dan laporan tahunan yang telah diaudit. Selanjutnya, analisis data dimulai dari mengelola data dengan menggunakan program Microsoft Excel 2007 yang kemudian dilanjutkan dengan analisis statistik dengan menggunakan software SPSS versi 22.0. Analisis statistik yang digunakan dalam penelitian ini adalah analisis data statistik deskriptif dan analisis statistik inferensial. Analisis statistik inferensial yang digunakan adlah berupa analisis linear berganda dan analisis regresi dengan variabel pemoderasi.
Dalam penelitian ini penentuan sampel dilakukan dengan metode purposive sampling yaitu penentuan sampel dengan menggunakan kriteria-kriteria tertentu agar sampel yang dihasilkan sesuai dengan yang dibutuhkan dalam penelitian.
Dengan menggunakan metode tersebut diperoleh 29 (dua puluh sembilan) perusahaan dengan total 116 (seratus enam belas) unit analisis (29x4).
4.2 Analisis Hasil Penelitian 4.2.1 Statisik Deskriptif
Analisis statistik deskriptif dilakukan untuk memberikan gambaran atau deskripsi sampel yang digunakan dalam penelitian ini. Variabel-variabel yang ada dalam penelitian ini dimasukkan ke program SPSS versi 22.0 yang selanjutnya
menghasilkan output-output sesuai dengan metode analisis data yang telah ditentukan. Berikut ini disajikan tabel data statistik secara umum dari variabel-variabel yang digunakan dalam penelitian ini:
Tabel 4.1 Statistik Deskriptif
Descriptive Statistics
N Minimum Maximum Mean Std. Deviation
DACC 116 -,206 ,397 ,04798 ,088533
FEE 116 53,0 1938000,0 72390,888 287645,5052
UKAP 116 ,0 1,0 ,552 ,4995
RLIT 116 ,038 9,467 1,58597 1,702015
ASCW 116 ,0 1,0 ,457 ,5003
KOMP 116 ,0 74,0 8,750 14,6844
Valid N
(listwise) 116
Sumber : Output SPSS 22.0, lampiran 2 Dari tabel 4.1 dapat dijelaskan sebagai berikut:
a. Dari uji statistik deskriptif diatas dijelaskan terdapat sebanyak 116 unit analisis, yang diperoleh dari jumlah sampel penelitian 29 perusahaan dengan periode pengamatan 4 tahun (29x4).
b. Variabel dependen, kualitas audit (DACC) memiliki nilai rata-rata 0,04798 dengan standar deviasi 0,088533. Pada variabel ini terdapat 53 unit analisis yang bernilai lebih besar dari nilai rata-rata (X > 0,04798) dan 63 unit analisis yang bernilai lebih kecil dari nilai rata-rata (X < 0,04798).
Dengan nilai minimum -0,206 yang terdapat pada data FASW tahun 2011 serta nilai maksimum 0,397 yang terdapat pada data IMAS tahun 2012.
c. Variabel independen, pertama fee audit (FEE) pada tabel statistik
72.390.888.000, dengan standar deviasi sebesar 287.645.505.200. Pada variabel ini terdapat 13 unit analisis yang bernilai lebih besar dari nilai rata-rata (X > 72.390.888.000) dan 103 unit analisis yang bernilai lebih kecil dari nilai rata-rata (X < 72.390.888.000). Dengan nilai minimum 53.000.000, yang terdapat pada data SIMA 2012 serta nilai maksimum 1.938.000.000.000 terdapat pada data ASII tahun 2014. Kedua, Ukuran KAP (UKAP) memiliki nilai rata-rata 0,552 dengan standar deviasi 0,4995 dan nilai minimum 0 serta nilai maksimum 1. Pada variabel ini terdapat 64 unit analisis yang bernilai lebih besar dari nilai rata-rata (X > 0,552) dan 52 unit analisis yang bernilai lebih kecil dari nilai rata-rata (X < 0,552).
Ketiga, Resiko Litigasi (RLIT) memiliki nilai rata-rata 1,58597 dengan standar deviasi 1,702072. Pada variabel ini terdapat 38 unit analisis yang bernilai lebih besar dari nilai rata-rata (X > 1,58597) dan 78 unit analisis yang bernilai lebih kecil dari nilai rata-rata (X < 1,58597). Dengan nilai minimum 0,038 terdapat pada data JPRS 2013 serta nilai maksimum 9,467 terdapat pada data RMBA 2013. Keempat, Auditor Switching (ASCW) memiliki nilai rata-rata 0,448 dengan standar deviasi 0,4995 dan nilai minimum 0 serta nilai maksimum 1. Pada variabel ini terdapat 53 unit analisis yang bernilai lebih besar dari nilai rata-rata (X > 0,448) dan 63 unit analisis yang bernilai lebih kecil dari nilai rata-rata (X < 0,448).
d. Variabel Pemoderasi, Komplesitas Audit (KOMP) memiliki nilai rata-rata 8,241 dengan standar deviasi 13,9313. Pada variabel ini terdapat 36 unit analisis yang bernilai lebih besar dari nilai rata-rata (X > 8,241) dan 80
unit analisis yang bernilai lebih kecil dari nilai rata-rata (X < 8,241).
Dengan nilai minimum 0 serta nilai maksimum 74 terdapat pada data IMAS 2014.
4.2.2 Uji Asumsi Klasik
Uji asumsi klasik dilakukan untuk melihat apakah data yang digunakan dalam penelitian sudah tepat. Tujuan dari uji ini adalah untuk mendapatkan nilai estimasi yang diperoleh bersifat BLUE (Best, Linear, Unbiased, Estimator). Uji asumsi klasik terdiri dari uji normalitas, uji heterokedastisitas, uji multikolinearitas dan uji autokorelasi.
a. Uji Normalitas
Uji Normalitas dilakukan untuk melihat apakah data dalam penelitian terdistribusi terdistribusi secara normal dan layak untuk digunakan dalam regresi data penelitian. Untuk mengetahui apakah data terdistribusi secara normal atau tidak dilihat dengan menggunakan analisis grafik histogram dan normal probability plot. Data yang normal dapat diketahui dari grafik histogram yang seimbang, tidak condong ke kiri maupun ke kanan. Berikut ini ditampilkan grafik histogram dan normal probability dari variabel-variabel dalm penelitian ini:
Gambar 4.1 : Grafik Histogram Sumber : Output SPSS 22.0, lampiran 2
Berdasarkan grafik histogram diatas dapat dilihat bahwa variabel kualitas audit terdistribusi normal. Namun, uji grafik histogram memiliki kelemahan karena akan menyesatkan pada sampel yang relatif kecil. Metode lain yang digunakan adalah dengan melihat normal probability plot yang membandingkan distribusi kumulatif dan distribusi normal. Uji normalitas dengan melihat normal probability plot dapat dilihat dalam gambar 4.2 dibawah ini :
Gambar 4.2 Normal P-Plot Sumber : Output SPSS 22.0, lampiran 2
Pada gambar 4.1 Normal P-Plot diatas menunjukkan bahwa distribusi data cenderung mendekati garis distribusi normal (garis diagonal), hal ini menunjukkan bahwa data tersebut layak untuk dijadikan data dalam penelitian ini.
Selain dengan melihat histogram dan normal probability plot diatas, uji Kolmogorov-Smirnov juga dapat digunakan untuk membuktikan kenormalan suatu data penelitian berupa hasil angka. Dalam uji Kolmogorov-Smirnov, suatu data dikatakan normal apabila nilai Asymp.Sig. (2-tailed)>0,05 dan jika nilai Asymp.Sig. (2-tailed)<0,05 maka data tidak terdistribusi normal. Berikut hasil pengujian dengan uji Kolmogorov-Smirnov :
Tabel 4.2
Uji Kolmogorov-Smirnov
One-Sample Kolmogorov-Smirnov Test
Unstandardized Residual
N 116
Normal Parametersa,b Mean ,0000000
Std. Deviation ,07807226
Most Extreme Differences Absolute ,077
Positive ,066
Negative -,077
Test Statistic ,077
Asymp. Sig. (2-tailed) ,087
a. Test distribution is Normal.
b. Calculated from data.
Sumber : Output SPSS 22.0, lampiran 2
Berdasarkan tabel 4.2 diatas dapat dilihat bahwa data berdistribusi normal , hal ini bisa dilihat dari nilai Asymp. Sig. (2-tailed) sebesar 0,087> 0,05 dengan nilai Test Statistic sebesar 0,077.
b. Uji Multikolinearitas
Uji Multikolinearitas merupakan uji yang dilakukan untuk melihat ada tidaknya hubungan atau korelasi antara variabel independen dengan variabel independen lainnya. Model regresi yang baik jika antara variabel independen tidak terjadi korelasi. Untuk melihat ada tidaknya multikolinearitas di dalam data penelitian dilihat dari nilai Variance Inflation Factor (VIF). Nilai yang ditetapkan dalam uji ini adalah jika nilai VIF< 10 serta tolerance <0,1 maka tidak terjadi multikolinearitas. Hasil uji multikolinearitas dalam penelitian ini dapat dilihat
Tabel 4.3 Uji Multikolinearitas
Coefficientsa
Model
Collinearity Statistics
Tolerance VIF
(Constant)
LN FEE ,421 2,377
UKAP ,636 1,573
ASCW ,993 1,007
RLIT ,993 1,007
KOMP ,581 1,721
a. Dependent Variable: DACC
Sumber: Output SPSS 22.0, lampiran 2
Dari Tabel 4.3 di atas, maka dapat diperoleh nilai VIF dari masing-masing variabel fee audit (LNFEE) sebesar 2,377, ukuran KAP (UKAP) sebesar 1,573, auditor switching (ASCW) sebesar 1,007, resiko litigasi (RLIT) sebesar 1,007 dan variabel kompleksitas audit (KOMP) sebesar 1,721. Dari uji tersebut dapat disimpulkan tidak terjadi multikolinearitas di dalam penelitian karena setiap variabel nilai VIF< 10 dan nilai tolerance > 0,1.
c. Uji Heteroskedastisitas
Uji Heteroskedastisitas bertujuan untuk melihat apakah dalam model regresi terjadi ketidaksamaan varians dari residual satu pengamatan ke pengamatan yang lain. Jika varians dari residual satu pengamatan ke pengamatan lain tetap, maka disebut homoskedastisitas, dan jika varians dari residual berbeda disebut heteroskedastisitas. Untuk mendeteksi ada tidaknya heteroskedastisitas dalam model regresi penelitian ini dapat dilakukan dengan melihat grafik
scatterplot. Berikut grafik scatterplot untuk mendeteksi ada tidaknya heteroskedastisitas dari SPSS 20.0 :
Gambar 4.3 : Grafik Scatterplot Heteroskedastisitas Sumber : Output SPSS 22.0, lampiran 2
Dari Gambar 4.3 di atas, terlihat bahwa titik-titik menyebar di atas, di bawah dan disekitaran angka nol, hal ini menunjukkan bahwa data dalam model regresi ini bebas dari masalah heteroskedastisitas.
d. Uji Autokorelasi
Uji Autokorelasi merupakan uji yang dilakukan untuk menentukan apakah terdapat autokorelasi di dalam data penelitian. Data penelitian yang baik tidak mengandung autokorelasi didalamnya. Untuk mengetahui apakah dalam data penelitian mengandung autokorelasi dapat dilakukan dengan uji Durbin-Watson (DW). Dalam uji Durbin-Watson memiliki ketentuan :
1. Jika DW < dL atau DW > 4-dU maka terjadi autokorelasi dalam data
2. Jika dL < DW < dU atau 4-dU < DW < 4-Dl maka autokorelasi tidak dapat dijelaskan
3. Jika dU < DW < 4- dU maka tidak terjadi autokorelasi dalam data.
Berikut hasil uji Durbin-Watson untuk mengetahui apakah dalam data terdapat autokorelasi atau tidak, dengan menggunakan SPSS 22.0 :
Tabel 4.4 Uji Autokorelasi
Model Summaryb
Model Durbin-Watson
1 1,969
a. Predictors: (Constant), KOMP, ASCW, RLIT, UKAP, LN FEE b. Dependent Variable: DACC
Sumber : Output SPSS 22.0, Lampiran 2
Hasil pengujian pada tabel 4.4 diatas menunjukkan bahwa nilai uji Durbin-Watson sebesar 1,868. Nilai ini akan dibandingkan dengan n = 116, k = 5, maka diperoleh nilai Dl = 1,608 dan nilai dU = 1,787 serta nilai 4-dU = 2,213 . Hasil ini menunjukkan bahwa data berada di dU < DW < 4-dU (1,787<1,969<2,213).
Maka dapat disimpulkan bahwa data yang digunakan dalam penelitian ini bebas dari autokorelasi.
4.2.3 Uji Regresi Linear Berganda
Uji regresi linear berganda dilakukan oleh peneliti untuk meramalkan bagaimana keadaan variabel dependen bila dua atau lebih variabel independen sebagai faktor yang mempengaruhi dimanipulasi ( nilainya dinaikkan atau diturunkan ). Berikut hasil analisis regresi linier berganda dalam penelitian ini :
Tabel 4.5
Uji Regresi Linear Berganda
Coefficientsa
a. Dependent Variable: DACC
Sumber : Output SPSS 22.0, lampiran 3
Berdasarkan hasil analisis regresi berganda maka dapat dilihat koefisien untuk persamaan regresi dari penelitian ini. Pada tabel coefficients yang dilihat dari kolom B pada baris pertama menunjukkan konstanta (a) dan pada baris selanjutnya menunjukkan konstanta variabel independen. Berdasarkan tabel 4.9 diatas maka model regresi yang digunakan adalah sebagai berikut :
Y = a + b1X1 + b2X2 + b3X3 + b4X4
DACC =-0,039+ 0,005LNFEE– 0,019UKAP – 0,003RLIT – 0,021ASCW Persamaan regresi berganda diatas menunjukkan bahwa nilai a = -0,039 dimana hal ini berarti apabila fee audit, ukuran KAP, resiko litigasi, auditor switching tidak ada (nol) maka nilai kualitas audit adalah -0,039. Pada nilai β1 = 0,005 yang menunjukkan bahwa apabila jumlah fee audit (LNFEE) ditingkatkan 1 satuan, maka nilai kualitas audit (DACC) akan naik sebesar 0,005 satuan. Pada nilai β2 = -0,019 yang menunjukkan bahwa apabila jumlah ukuran KAP (UKAP) ditingkatkan 1 satuan, maka nilai kualitas audit (DACC) akan turun sebesar 0,019 satuan. Pada nilai β
litigasi (RLIT) ditingkatkan 1 satuan, maka nilai kualitas audit (DACC) akan turun sebesar 0,003 satuan. Nilai β4 = -0,021 yang menunjukkan bahwa apabila jumlah auditor switching (ASCW) ditingkatkan 1 satuan, maka nilai kualitas audit (DACC) akan turun sebesar 0,021 satuan.
4.2.4 Pengujian Hipotesis
Setelah uji asumsi klasik terpenuhi maka selanjutnya akan dilakukan pengujian hipotesis 1 dengan menggunakan uji simultan dan parsial kemudian pengujian hipotesis 2 sampai 5 dengan menggunakan uji interaksi atau Moderated Regression Analysis (MRA).
a. Pengujian Hipotesis 1
Pengujian hipotesis 1 dilakukan untuk melihat pangaruh fee audit, ukuran KAP, resiko litigasi, auditor switching terhadap kualitas audit baik secara parsial maupun simultan.
1. Koefisien Determinasi (R2)
Koefisien determinasi merupakan analisis yang dilakukan untuk mengetahui seberapa besar variabel independen (X1, X2, X3, X4) mampu menerangkan atau mempengaruhi variabel dependen ( Y ). Nilai R berkisar antara 0 sampai 1, jika nilai R square semakin mendekati 1 berarti hubungan variabel independen terhadap variabel dependen semakin kuat dan sebaliknya.
Pada tabel 4.8 dibawah ini merupakan hasil uji koefisien determinasi ( R square) dalam penelitian ini :
Tabel 4.8
Model Summaryb
Model R R Square Adjusted R Square
1 ,384a ,147 ,075
a. Predictors: (Constant), ASCW, RLIT, UKAP, LN FEE
b. Dependent Variable: DACC
Koefisien Determinasi
Sumber : Output SPSS 22.0, lampiran 3
Tabel 4.8 diatas menunjukkan kemampuan variabel independen (fee audit, ukuran KAP, resiko litigasi, auditor switching ) dalam model menjelaskan pengaruh terhadap variabel dependen ( kualitas audit ) sebesar 0,075 ( 7,5% ).
Sesuai dengan hasil uji model summary diatas dari 100% yang mempengaruhi kualitas audit ternyata fee audit, ukuran KAP, resiko litigasi, auditor switching mampu mempengaruhi kualitas audit sebesar 7,5% sedangkan sisanya 92,5%
dipengaruhi oleh variabel lain yang tidak masuk dalam model regresi pada penelitian ini.
2. Uji Simultan (Uji-F)
Uji pertama yang dilakukan dalam pengujian hipotesis adalah uji simultan (uji-F) yang dilakukan untuk mengetahui apakah semua variabel independen yang ada dalam model mempunyai pengaruh secara bersama-sama terhadap variabel dependen. Berikut ini disajikan hasil uji-F :
Tabel 4.6 Uji-F
ANOVAa
Model
Sum of
Squares Df Mean Square F Sig.
1 Regression ,027 4 ,007 ,986 ,418b
Residual ,761 111 ,007
Total ,788 115
a. Dependent Variable: DACC
b. Predictors: (Constant), RLIT, UKAP, ASCW, LN FEE
Sumber : Output SPSS 22.0, lampiran 3
Berdasarkan hasil analisis regresi pada tabel 4.6 menunjukkan bahwa nilai Fhitung sebesar 0,986. Nilai Ftabel dengan n = 116, k = 4 adalah 2,45. Dapat disimpulkan bahwa nilai Fhitung > Ftabel dengan taraf signifikan 0,418 > 0,05. Hasil tersebut menunjukkan bahwa secara bersama-sama variabel fee audit, ukuran KAP, resiko litigasi, auditor switching dalam penelitian ini tidak memiliki pengaruh secara signifikan terhadap kualitas audit ( Hipotesis 1 ).
3. Uji Parsial (Uji-t)
Uji parsial dilakukan untuk melihat seberapa besar variabel independen secara individual mempengaruhi atau menjelaskan variabel dependen (bebas).
Berikut ini disajikan hasil uji-t :
Tabel 4.7 Uji-t
Coefficientsa
Model T Sig.
1 (Constant) -,394 ,694
LN FEE 1,038 ,302
UKAP -,960 ,339
ASCW -1,363 ,175
RLIT -,621 ,536
a. Dependent Variable: DACC
Sumber : Output SPSS 22.0, lampiran 3
Setelah dilakukan uji-t, maka kemudian nilai thitung kemudian dibandingkan dengan nilai ttabel. Dengan tingkat kesalahan 5% dan dengan uji dk = n – 4 = 112, maka diperoleh ttabel sebesar 1,658. Kriteria penerimaan hipotesis dapat dirumuskan sebagai berikut :
Ho ( Hipotesis nol ) : µ = 0 ( tidak ada pengaruh ) Ha ( Hipotesis Alternatif ) : µ ≠ 0 (ada pengaruh )
Dari tabel 4.7 diatas, maka dapat disimpulkan sebagai berikut :
1. Variabel fee audit, dalam uji-t menunjukkan bahwa nilai thitung 1,038 < ttabel
1,658 dan nilai sig sebesar 0,302 > 0,05 maka Ho diterima dan Ha ditolak.
Dari hasil uji tersebut dapat disimpulkan bahwa variabel fee audit tidak berpengaruh secara signifikan terhadap kualitas audit ( Hipotesis 1 ).
2. Variabel ukuran KAP, dalam uji-t didapatkan nilai thitung -0,960 < ttabel 1,658 dan nilai sig sebesar 0,339 > 0,05 maka Ho diterima dan Ha ditolak. Dari hasil uji tersebut dapat disimpulkan bahwa variabel ukuran KAP tidak berpengaruh secara signifikan terhadap kualitas audit ( Hipotesis 1 ).
3. Variabel resiko litigasi, dalam uji-t didapatkan nilai thitung -0,621 < ttabel 1,658 dan nilai sig sebesar 0,536 > 0,05, maka Ho diterima dan Ha ditolak. Dari hasil uji tersebut dapat disimpulkan bahwa variabel resiko litigasi tidak berpengaruh secara signifikan terhadap kualitas audit ( Hipotesis 1 ).
4. Variabel auditor switching, dari uji-t diatas didapatkan nilai thitung -1,363 <
ttabel 1,658 dan nilai sig sebesar 0,175 > 0,05 maka Ho diterima dan Ha ditolak. Dari hasil uji tersebut menunjukkan bahwa variabel auditor switching tidak berpengaruh secara signifikan terhadap kualitas audit ( Hipotesis 1 ).
b. Pengujian Hipotesis 2
Pengujian hipotesis 2 dilakukan untuk melihat apakah interaksi antara fee audit dengan kompleksitas audit berpengaruh terhadap kualitas audit. Berikut ini tabel hasil uji interaksi atau Moderated Regression Analysis (MRA) :
Tabel 4.8
Uji Interaksi (Moderated Regression Analysis)
Coefficientsa
a. Dependent Variable: DACC
Berdasarkan tabel 4.8 dapat dilihat koefisien dalam persamaan model regresi dari penelitian ini yang dapat disusun dalam persamaan matematis sebagai berikut :
Y = a + b1X1 + b2X2 + b3X3+ b4X4 + b5X5 + b6X1X5+ b7X2X5+ b8X3X5+ b9X4X5
DACC = 0,011 + 0,004LNFEE - 0,072UKAP - 0,002RLIT - 0,018ASCW –
0,003KOMP - 0,001MODERAT1 + 0,019MODERAT2 +
0,001MODERAT3 + 0,001MODERAT4
Dari tabel 4.8 diatas dapat dijelaskan sebagai berikut :
1. Pada variabel MODERAT1 yang merupakan interaksi antara variabel fee audit (LNFEE) dengan variabel kompleksitas audit (KOMP), dari uji-t diatas didapatkan nilai thitung -3,608 < ttabel 1,658 dan nilai sig 0,000 < 0,05 maka Ho ditolak dan Ha diterima. Dari hasil uji-t tersebut disimpulkan variabel MODERAT1 berpengaruh secara signifikan terhadap kualitas audit dan dalam model regresi ini kompleksitas audit merupakan variabel pemoderasi (Hipotesis 2).
2. Variabel MODERAT2 yang merupakan interaksi antara variabel ukuran KAP (UKAP) dengan variabel kompleksitas audit (KOMP), dari uji-t diatas didapatkan nilai thitung 2,765 > ttabel 1,658 dan nilai sig 0,007 > 0,05 maka Ho
2. Variabel MODERAT2 yang merupakan interaksi antara variabel ukuran KAP (UKAP) dengan variabel kompleksitas audit (KOMP), dari uji-t diatas didapatkan nilai thitung 2,765 > ttabel 1,658 dan nilai sig 0,007 > 0,05 maka Ho