HASIL PENELITIAN DAN PEMBAHASAN
4.2 Hasil Penelitian
4.2.2 Uji Asumsi Klasik .1Uji Normalitas
Uji normalitas digunakan untuk mengetahui apakah populasi data berdistribusi normal atau tidak. Uji ini biasanya digunakan untuk mengukur data berskala ordinal, interval, ataupun rasio. Jika analisis menggunakan metode parametrik, maka persyaratan normalitas harus terpenuhi yaitu data berasal dari distribusi yang normal. Jika data tidak berdistribusi normal, atau jumlah sampel sedikit dan jenis data adalah nominal atau ordinal maka metode yang digunakan adalah statistik non parametrik. Uji normalitas pada model regresi digunakan untuk menguji apakah nilai residual yang dihasilkan dari regresi terdistribusi secara
normal atau tidak. Model regresi yang baik adalah yang memiliki nilai residual yang terdistribusi secara normal. Beberapa metode uji normalitas yaitu dengan melihat penyebaran data pada sumber diagonal pada grafik Normal P-P Plot of regression standardized residual. Dalam pembahasan ini akan digunakan uji histogram dengan menggunakan melihat penyebaran data pada sumber diagonal pada grafik Normal P-P Plot of regression standardized residual.
Pada gambar di atas, terlihat diagram Histogramtidak membentuk lengkung kurve normal maka residual dinyatakan normal dan asumsi normalitas terpenuhi.
Dari gambar diagram Normal P-P Plot, terlihat bahwa plot-plot mengikuti alur garis diagonal sehingga dikatakan memenuhi asumsi normalitas jika diagram menunjukkan plot-plot mengikuti alur garis lurus.
4.2.2.2 Uji Multikolinieritas
Uji multikolinearitas digunakan untuk mengetahui ada atau tidaknya penyimpangan asumsi klasik multikolinearitas yaitu adanya hubungan linear antar variabel independen dalam model regresi. Prasyarat yang harus terpenuhi dalam model regresi adalah tidak adanya multikolinearitas. Ada beberapa metode pengujian yang bisa digunakan
diantaranya yaitu 1) dengan melihat nilai inflation factor (VIF) pada model regresi, 2) dengan membandingkan nilai koefisien determinasi individual (r2)dengan nilai determinasisecara serentak(R2), dan 3) dengan melihat nilai eigenvalue dan condition index. Pada pembahasan ini akan dilakukan uji multikolinearitas dengan melihat nilai inflation factor (VIF) pada model regresi dan membandingkan nilai koefisien determinasi individual (r2)dengan nilai determinasisecara serentak(R2).
Menurut Santoso (2001), pada umumnya jika VIF lebih besar dari 5, maka variabel tersebut mempunyai persoalan multikolinearitas dengan variabel bebas lainnya. Tabel 4.2 Uji Multikoleniaritas Coefficientsa Model Collinearity Statistics Tolerance VIF 1 (Constant) Konsentrasi Pemilikan 0.974 1.027 Kepemilikan Keluarga 0.901 1.110 Kepemilikan Manajerial 0.995 1.006 Kepemilikan Asing 0.893 1.120 Kepemilikan Institsional 0.979 1.021
a. Dependent Variable: Pemilihan Auditor Berkualitas
Dari hasil di atas dapat diketahui nilai variance inflation factor (VIF) DAN tolerance semua variabel lebih kecil dari 5, sehingga bisa diduga bahwa antar variabel independen tidak terjadi persoalan multikolinearitas.
4.2.2.3 Uji Heteroskedastisitas
Uji heteroskedastisitas digunakan untuk mengetahui ada atau tidaknya penyimpangan asumsi klasik heteroskedastisitas yaitu adanya ketidaksamaan varian dari residual untuk semua pengamatan pada model regresi. Prasyarat yang harus terpenuhi dalam model regresi adalah tidak adanya gejala heteroskedastisitas. Ada beberapa metode pengujian yang bisa digunakan diantaranya yaitu Uji Park, Uji Glesjer, Melihat pola grafik regresi, dan uji koefisien korelasi Spearman.Dalam penelitian uji hereokedastisitas dengan melihat Melihat pola titik-titik pada scatterplots regresi
Dari output di atas dapat diketahui bahwa titik-titik tidak membentuk pola yang jelas, dan titik-titik menyebar di atas dan di bawah angka 0 pada sumbu Y. Jadi dapat disimpulkan bahwa tidak terjadi masalah heteroskedastisitas dalam model regresi.
4.2.2.4 Uji Autokorelasi
Uji autokorelasi digunakan untuk mengetahui ada atau tidaknya penyimpangan asumsi klasik autokorelasi yaitu korelasi yang terjadi antara residual pada satu pengamatan dengan pengamatan lain pada model regresi. Prasyarat yang harus terpenuhi adalah tidak adanya autokorelasi dalam model regresi. Metode pengujian yang sering digunakan adalah dengan uji Durbin-Watson (uji DW) dengan ketentuan sebagai berikut:
1) Jika d lebih kecil dari dL atau lebih besar dari (4-dL) maka hopotesis nol ditolak, yang berarti terdapat autokorelasi.
2) Jika d terletak antara dU dan (4-dU), maka hipotesis nol diterima, yang berarti tidak ada autokorelasi.
3) Jika d terletak antara dL dan dU atau diantara (4-dU) dan (4-dL), maka tidak menghasilkan kesimpulan yang pasti.
Nilai du dan dl dapat diperoleh dari tabel statistik Durbin Watson yang bergantung banyaknya observasi dan banyaknya variabel yang menjelaskan.
Tabel 4.3 Uji Autokolerasi Model Summaryb Model R R Square Adjusted R Square Std. Error of the Estimate Durbin-Watson 1 .770a .593 .111 .31924 2.218
a. Predictors: (Constant), Konsentrasi Kepemilikan, Kepemilikan Keluarga, Kepemilikan Manajerial, Kepemilikan Asing,Kepemilikan Institsional
b. Dependent Variable: Pemilihan Auditor Berkualitas
Dari hasil output di atas didapat nilai DW yang dihasilkan dari model regresi adalah 2.218. Sedangkan dari tabel DW dengan signifikansi 0,05 diperoleh nilai dL sebesar 1.548 dan dU sebesar 1.7767 (lihat lampiran). Karena nilai DW (2.218) berada pada daerah antara 1.7767 dan (4-1.7767), maka berarti tidak ada autokorelasi).
4.2.3 Model Regresi Linear Berganda
Analisis regresi linier berganda adalah hubungan secara linear antara dua atau lebih variabel independen (X1, X2,….Xn) dengan variabel dependen (Y). Analisis ini untuk mengetahui arah hubungan antara variabel independen dengan variabel dependen apakah masing-masing variabel independen berhubungan positif atau negatif dan untuk memprediksi nilai dari variabel dependen apabila nilai variabel independen mengalami kenaikan atau penurunan. Data yang digunakan biasanya berskala interval atau rasio.
Tabel 4.4
Hasil Analisis Regresi Linear Berganda
Coefficientsa Model Unstandardized Coefficients Standardized Coefficients T Sig. B Std. Error Beta 1 (Constant) 1.193 .105 11.311 .000 Konsentrasi Pemilikan 4.858 .000 .020 3.204 .039 Kepemilikan Keluarga 2.877 .000 .006 3.058 .044 Kepemilikan Manajerial 1.746 .000 .049 2.497 .021 Kepemilikan Asing 0.001 .000 .258 2.463 .016 Kepemilikan Institusional 0.005 .002 .307 3.079 .003 a. Dependent Variable: Pemilihan Auditor Berkualitas
Persamaan regresinya sebagai berikut:
Y’ = a + b1X1+ b2X2 + b3X3+ b4X4 + b5X5
Y’ = 1.193+ 4.858X1 + 2.877X2+ 1.746X3 + 0.001 X4+ 0.005X5
Keterangan:
Y’ = Pemilihan Auditor Berkualitas a = konstanta b1,b2 ,b3,b4,b5 = koefisien regresi X1 = Konsentrasi Pemilikan X2 = Kepemilikan Keluarga X3 = Kepemilikan Manajerial X4 = Kepemilikan Asing X5 = Kepemilikan Institsional
1. Persamaan regresi di atas dapat dijelaskan sebagai berikut:
a. Konstanta sebesar 1.193; artinya jika X1, X2,X3,X4 dan X2 nilainya adalah 0, maka Pemilihan Auditor Berkualitas (Y’) nilainya adalah 1.193.
b. Koefisien regresi variabel X1 sebesar 4.858; artinya jika variabel independen lain nilainya tetap dan X1 mengalami kenaikan 1 kali, maka Pemilihan Auditor Berkualitas (Y’) akan mengalami peningkatan sebesar 4.858. Koefisien bernilai positif artinya terjadi hubungan positif antara X1 dengan Y, semakin naik X1 maka semakin naik Y.
c. Koefisien regresi variabel X2 sebesar 2.877; artinya jika variabel independen lain nilainya tetap dan X2 mengalami kenaikan 1 kali, maka Pemilihan Auditor Berkualitas (Y’) akan mengalami peningkatan sebesar 2.877. Koefisien bernilai positif artinya terjadi hubungan positif antara X2 dengan Pemilihan Auditor Berkualitas , semakin baik X2 maka semakin meningkat Pemilihan Auditor Berkualitas
d. Koefisien regresi variabel X3 sebesar 1.746; artinya jika variabel independen lain nilainya tetap dan X3 mengalami kenaikan 1 kali, maka Pemilihan Auditor Berkualitas (Y’) akan mengalami peningkatan sebesar 1.746. Koefisien bernilai positif artinya terjadi hubungan positif antara X3 dengan Pemilihan Auditor Berkualitas ,
semakin baik X3 maka semakin meningkat Pemilihan Auditor Berkualitas
e. Koefisien regresi variabel X4 sebesar 0.001 ; artinya jika variabel independen lain nilainya tetap dan X4 mengalami kenaikan 1 kali, maka Pemilihan Auditor Berkualitas (Y’) akan mengalami peningkatan sebesar 0.001. Koefisien bernilai positif artinya terjadi hubungan positif antara X4 dengan Pemilihan Auditor Berkualitas , semakin baik X4 maka semakin meningkat Pemilihan Auditor Berkualitas
f. Koefisien regresi variabel X5 sebesar 0.005 ; artinya jika variabel independen lain nilainya tetap dan X5 mengalami kenaikan 1 kali, maka Pemilihan Auditor Berkualitas (Y’) akan mengalami peningkatan sebesar 0.005. Koefisien bernilai positif artinya terjadi hubungan positif antara X5 dengan Pemilihan Auditor Berkualitas , semakin baik X5 maka semakin meningkat Pemilihan Auditor Berkualitas
2. Nilai Pemilihan Auditor Berkualitas yang diprediksi (Y’) dapat dilihat pada tabel Casewise Diagnostics (kolom Predicted Value). Sedangkan Residual (unstandardized residual) adalah selisih antara Pemilihan Auditor Berkualitas dengan Predicted Value, dan Std. Residual (standardized residual) adalah nilai residual yang telah terstandarisasi (nilai semakin mendekati 0 maka model regresi semakin baik dalam melakukan prediksi, sebaliknya semakin
menjauhi 0 atau lebih dari 1 atau -1 maka semakin tidak baik model regresi dalam melakukan prediksi).