4.1. Hasil Penelitian
4.1.1 Deskripsi Objek Penelitian
4.1.3.1. Uji Kelayakan Model Regresi (Goodness of Fit Test)
Pengujian kelayakan model regresi logistik dilakukan dengan menggunakan goodness of fitness test yang diukur berdasarkan nilai Chi-Square pada Tabel Hosmer and Lemeshow Test (Tabel 4.4).
Tabel 4.4 Hosmer and Lemeshow Test Hosmer and Lemeshow Test
Step Chi-square df Sig.
1 8.056 7 .328
Berdasarkan Tabel 4.4, diketahui nilai statistik Chi-Square adalah 8,056.
Gambar 4.1 Perhitungan Chi-Square Tabel dengan Microsoft Excel Berdasarkan Gambar 4.1, diketahui nilai Chi-Square tabel bernilai 14,0671. Untuk menentukan apakah model layak atau tidak, maka dapat diketahui dengan membandingkan nilai statistik Chi-square terhadap Chi-Square Tabel.
� ��� �� −���� ℎ�� �� � � , .
Perhatikan bahwa karena nilai statistik Chi-Square (8,056) lebih kecil dibandingkan nilai Chi-Square Tabel (14,0671), maka disimpulkan bahwa model cukup layak dalam mencocokkan/fit data.
Untuk menentukan apakah model layak atau tidak, juga dapat diketahui dengan membandingkan nilai probabilitas dari uji Hosmer-Lemeshow/Pearson Chi-square terhadap tingkat signifikansi yang digunakan.
� , .
� < , .
Berdasarkan Tabel 4.7, diketahui nilai probabilitas atau Sig. sebesar 0,328. Perhatikan bahwa karena nilai probabilitas (0,328) lebih besar dibandingkan tingkat signifikansi (0,05), maka disimpulkan bahwa model cukup layak dalam mencocokkan/fit data.
4.1.3.2. Uji Kelayakan Keseluruhan Model (Overall Fit Model)
Uji ini digunakan untuk melihat model yang telah dihipotesiskan telah fit atau tidak dengan data. Pengujian dilakukan dengan membandingkan nilai antara -2 log likelihood pada awal (block number = 0) dengan nilai -2 log likelihood pada akhir (block number = 1). Nilai -2log likelihood awal pada block number = 0, dapat ditunjukkan melalui tabel berikut ini (Tabel 4.5).
Tabel 4.5 Nilai -2 Log likelihood (-2 LL Awal) Iteration Historya,b,c
Iteration -2 Log likelihood
Coefficients Constant
Step 0 1 85.344 -.606
2 85.338 -.626
3 85.338 -.626
a. Constant is included in the model. b. Initial -2 Log Likelihood: 85.338
c. Estimation terminated at iteration number 3 because parameter estimates changed by less than .001.
Nilai -2 log likelihood akhir pada block number = 1, dapat dilihat pada Tabel 4.6. Dari Tabel 4.5 dapat dilihat bahwa -2 log likelihood awal pada block number = 0, yaitu model yang hanya memasukkan konstanta yang dapat dilihat pada step 3, memperoleh nilai sebesar 85,338. Kemudian pada Tabel 4.6 dapat dilihat nilai -2 LL akhir dengan block number =1, nilai -2log likelihood pada step 1 iterasi 7 adalah 58,549. Adanya penurunan nilai antara -2LL awal (initial-2LL function) dengan nilai -2LL pada langkah berikutnya (-2LL akhir) menunjukkan bahwa model yang dihipotesiskan fit dengan data (Ghozali, 2013). Penurunan nilai -2 log likelihood menunjukkan bahwa model penelitian ini dinyatakan
fit, artinya penambahan-penambahan variabel bebas yaitu biaya audit, reputasi perusahaan auditor, rasio opm/ta, rasio lancar, rata-rata umur piutang, profit margin, dan pertumbuhan perusahaan auditee, ke dalam model penelitian akan memperbaiki model fit dalam penelitian ini.
Tabel 4.6 Nilai -2 Log likelihood (-2 LL Akhir) Iteration Historya,b,c,d
Iteration -2 Log likeliho od Coefficients Consta nt REPUTASI PERUSAHA AN AUDITOR RASIO OPM/T A RASIO LANCA R RATA-RATA UMUR PIUTAN G PROFI T MARGI N PERTUMBUH AN PERUSAHAA N AUDITEE BIAY A AUDI T Ste p 1 1 64.883 -.670 -.206 .001 -.062 2.678 -.476 -.011 -3.721 2 60.400 -.588 -.243 .001 -.096 3.380 -.563 -.018 -7.977 3 58.794 -.559 -.179 .001 -.129 3.986 -.690 -.022 -12.31 5 4 58.556 -.563 -.137 .001 -.150 4.366 -.762 -.023 -14.73 2 5 58.549 -.562 -.131 .001 -.154 4.429 -.770 -.023 -15.21 3 6 58.549 -.561 -.131 .001 -.154 4.430 -.770 -.023 -15.22 8 7 58.549 -.561 -.131 .001 -.154 4.430 -.770 -.023 -15.22 8 a. Method: Enter
b. Constant is included in the model. c. Initial -2 Log Likelihood: 85.338
d. Estimation terminated at iteration number 7 because parameter estimates changed by less than .001.
4.1.3.3. Koefisien Determinasi (��)
Dalam regresi logistik, dapat digunakan statistik Nagelkerke’s �� untuk mengukur kemampuan model regresi logistik dalam mencocokkan atau menyesuaikan data. Dengan kata lain, nilai statistik dari Nagelkerke’s
�� dapat diinterpretasikan sebagai suatu nilai yang mengukur kemampuan variabel-variabel bebas dalam menjelaskan atau menerangkan variabel tak bebas. Tabel 4.7 menyajikan nilai statistik dari Nagelkerke’s ��.
Tabel 4.7 Nagelkerke R Square
Model Summary Step -2 Log likelihood
Cox & Snell R Square
Nagelkerke R Square
1 58.549a .334 .460
a. Estimation terminated at iteration number 7 because parameter estimates changed by less than .001.
Berdasarkan Tabel 4.8, nilai statistik Nagelkerke R Square 0,460. Nilai tersebut diinterpretasikan sebagai kemampuan variabel biaya audit, reputasi perusahaan auditor, rasio opm/ta, rasio lancar, rata-rata umur piutang, profit margin, dan pertumbuhan perusahaan auditee dalam mempengaruhi opini audit qualified sebesar 46%, sisanya 64% dijelaskan oleh variabel-variabel atau faktor-faktor lain.
4.1.3.4. Tabel Klasifikasi
Nilai tabel klasifikasi akan memperlihatkan besarnya prediksi model regresi untuk memprediksikan kemungkinan keberadaan risk management committee pada perusahaan. Nilai prediksi tersebut dapat dilihat pada percentage correct dalam classification table. Hasil output
SPSS regresi logistik akan ditunjukkan dalam Tabel 4.8. Tabel 4.8 Matriks Klasifikasi
Classification Tablea
Observed
Predicted opini audit qualified
Percentage Correct Opini Audit Non Qualified Opini Audit Qualified Step 1 opini audit qualified Opini Audit Non
Qualified
41 2 95.3
Opini Audit Qualified 10 13 56.5
Overall Percentage 81.8
Berdasarkan Tabel 4.11 diketahui perusahaan yang termasuk opini audit non qualified sebanyak 43 perusahaan. Dari 43 perusahaan tersebut, diprediksi 41 (95,3%) perusahaan termasuk opini audit non qualified, sedangkan 2 perusahaan diprediksi termasuk opini audit qualified. Diketahui perusahaan yang termasuk opini audit qualified sebanyak 23 perusahaan. Dari 23 perusahaan tersebut, diprediksi 10 perusahaan termasuk opini audit non qualified, sedangkan 13 (56,5 %) perusahaan diprediksi opini audit qualified. Diketahui angka ketepatan prediksi sebesar 81,8%, hal ini menandakan tingkat keakuratan model regresi logistik dalam memprediksi sebesar 81,8%, berdasarkan data penelitian. 4.1.4. Uji Multikolinearitas
Regresi yang baik adalah regresi dengan tidak adanya gejala korelasi yang kuat antara variabel bebasnya. Multikolinearitas merupakan situasi adanya korelasi antar variabel-variabel independen yang satu dengan yang lainnya. Dalam penelitian ini, gejala multikolinearitas dapat dilihat dari nilai korelasi antar variabel yang terdapat dalam matriks korelasi. Hasil uji gejala multikolinearitas disajikan pada Tabel 4.9.
Tabel 4.4 Uji Multikolinearitas dengan Matriks Korelasi Correlation Matrix Constant X1 X2 X3 X4 X5 X6 X7 Step 1 Constant 1.000 -.172 -.529 -.073 -.169 -.420 .200 -.116 X1 -.172 1.000 -.088 -.166 .130 -.329 .078 -.029 X2 -.529 -.088 1.000 .154 -.263 .212 -.322 .089 X3 -.073 -.166 .154 1.000 -.172 .284 -.669 .008 X4 -.169 .130 -.263 -.172 1.000 -.440 .107 -.014 X5 -.420 -.329 .212 .284 -.440 1.000 -.155 .048 X6 .200 .078 -.322 -.669 .107 -.155 1.000 -.045 X7 -.116 -.029 .089 .008 -.014 .048 -.045 1.000
Berdasarkan Tabel 4.4, dapat dilihat bahwa korelasi antara biaya audit dan reputasi perusahaan auditor sebesar -0,088, korelasi antara biaya audit dan rasio lancar sebesar 0,130 , korelasi antara rasio opm/ta dan rasio lancar sebesar -0,263, dan seterusnya. Dari hasil pengujian pada Tabel 4.4, dapat disimpulkan bahwa tidak terdapat gejala multikolinearitas antar variabel independen. Gejala multikolinearitas terjadi apabila nilai korelasi antar variabel independen lebih besar dari 0,90 (Ghozali, 2013:91). Berdasarkan hasil ini dapat disimpulkan bahwa lolos dari uji gejala multikolinieritas.
4.1.5. Uji Hipotesis