49
Nilai -2 log likelihood akhir pada block number = 1,dapat ditunjukkan melalui tabeltabel 4.4 berikut ini:
Tabel 4.4 Nilai -2
log likelihood -2 LL akhir Iteration History
a,b,c,d
Iteration -2 Log
likelihood Coefficients
Constant X11
X2 X3
X4
Step 1 1
55.387 -8.560
.608 .196
.116 .039
2 42.415
-14.946 1.202
.504 .175
.080 3
36.039 -21.402
1.765 .875
.205 .133
4 33.551
-26.750 2.293
1.168 .202
.186 5
32.898 -30.824
2.936 1.281
.192 .228
6 32.818
-33.209 3.777
1.278 .186
.248 7
32.813 -34.434
4.751 1.272
.186 .252
8 32.812
-35.439 5.751
1.272 .186
.252 9
32.812 -36.439
6.751 1.272
.186 .252
10 32.812
-37.439 7.751
1.272 .186
.252 11
32.812 -38.439
8.751 1.272
.186 .252
12 32.812
-39.439 9.751
1.272 .186
.252 13
32.812 -40.439
10.751 1.272
.186 .252
14 32.812
-41.439 11.751
1.272 .186
.252 15
32.812 -42.439
12.751 1.272
.186 .252
16 32.812
-43.439 13.751
1.272 .186
.252 17
32.812 -44.439
14.751 1.272
.186 .252
18 32.812
-45.439 15.751
1.272 .186
.252 19
32.812 -46.439
16.751 1.272
.186 .252
20 32.812
-47.439 17.751
1.272 .186
.252
UNIVERSITAS SUMATERA UTARA
50
Sumber: Hasil pengolahan Data
Dari tabel 4.4 dan 4.5 dapat dilihat bahwa -2 log likelihood awal pada block number = 0, yaitu model yang hanya memasukkan konstanta yang dapat dilihat
pada step 2, memperoleh nilai sebesar 70,708 . Kemudian pada tabel selanjutnya dapat dilihat nilai -2 LLakhir dengan block number =1 nilai -2log likelihood pada
tabel 4.5 mengalami perubahan setelah masuknya beberapa variabel independen pada model penelitian,akibatnya nilai -2 LL akhir pada step 20 menunjukkan nilai
42,415. Adanya pengurangan nilai antara -2LL awal initial-2LL function dengan
nilai -2LL pada langkah berikutnya -2LL akhir menunjukkan bahwa model yang dihipotesiskan fit dengan data Ghozali,2005. Penurunan nilai -2 log
likelihood menunjukkan bahwa model penelitian ini dinyatakan fit, artinya penambahan-penambahan variabel bebas yaitu labarugi bersih,likuiditas, ukuran
perusahaan dan audit report lag kedalam model penelitian akan memperbaiki model Fit dalam penelitian ini.
UNIVERSITAS SUMATERA UTARA
51
4.2.1.3 Menguji Kelayakan Model Regresi
Pengujian kelayakan model regresi logistik dilakukan dengan menggunakan goodness of fitness test yang diukur dengan nilai chi squere pada bagian bawah
uji hosmer and lemeshow.
Tabel 4.5 Hosmer and Lemeshow Test
Step Chi-square
df Sig.
1 2.710
8 .951
Sumber: Hasil Pengolahan Data SPSS 21
Hasil pengujian statistik menunjukkan probabilitas signifikansi dengan angka 0,951 yang diperoleh lebih besar dari 0,05 atau 5 maka
tidak dapat ditolak atau diterima. Hal ini berarti model regresi layak untuk digunakan dalam
analisis selanjutnya karena tidak ada perbedaan yang nyata antara klasifikasi yang diprediksi dengan klasifikasi yang diamati.
Tabel 4.6 Contingency Table for Hosmer and Lemeshow Test
audit timeliness = tepat waktu
audit timeliness = tidak tepat waktu
Total
Observed Expected
Observed Expected
Step 1
1 9
9.000 .000
9 2
9 9.000
.000 9
3 9
8.999 .001
9 4
9 8.991
.009 9
5 9
8.971 .029
9 6
9 8.866
.134 9
7 8
8.493 1
.507 9
8 8
7.455 1
1.545 9
9 7
5.822 2
3.178 9
10 1
2.403 8
6.597 9
Sumber: Hasil Pengolahan Data SPSS 21
Dari tabel kontijensi
UNIVERSITAS SUMATERA UTARA
52
Dari tabel kontijensi untuk uji Hosmer and Lemeshow , dapat dilihat bahwa dari 10 langkah pengamatan untuk pelaporan keuangan dengan tepat waktu 0
maupun tidak tepat waktu 1, nilai yang diamati maupun nilai yang diprediksi tidak mempunyai perbedaan yang terlalu ekstrim. Ini menunjukkan bahwa model
regresi logistik yang dilakukan dalam penelitian ini mampu memprediksi nilai observasinya.
4.2.1.4 Hasil pengujian hipotesis
Hasil pengujian hipotesis bertujuan untuk mengetahui apakah pengaruh dari variabel-variabel bebas terhadap ketepatan waktu audit Audit Timeliness.
Pengujian regresi logistik ditunjukkan dalam tabel-tabel berikut ini.
Tabel 4.7 Ikhtisar Pengolahan Data
Sumber: Hasil Pengolahan Data SPSS 21 Case Processing Summary
Unweighted Cases
a
N Percent
Selected Cases Included in
Analysis 90
100.0 Missing Cases
.0 Total
90 100.0
Unselected Cases .0
Total 90
100.0
Berdasarkan tabel 4.7 diatas dapat diambil analisis sebagai berikut : a.
Jumlah sampel pengamatan sebanyak 90 sampel dan seluruh sampel telah diperhitungkan ke dalam pengujian hipotesis.
b. Tidak ada variabel dependen yang dikeluarkan dari dummy variabel.
Variabel dependen bernilai 0 untuk tepat waktu dan 1 untuk tidak tepat waktu.
UNIVERSITAS SUMATERA UTARA
53
c. Metode yang digunakan untuk memasukkan data adalah metode enter
dimana apabila menggunakan metode ini seluruh variabel bebas independen disertakan dalam pengolahan analisis data untuk mengetahui
variabel mana yang berpengaruh terhadap variabel dependen. Selanjutnya variabilitas antara variabel dependen dengan variabel
independen dapat dilihat pada tabel 4.8 berikut ini.
Tabel 4.8
Berdasarkan tabel 4.8 diatas, maka dapat dilhat bahwa hasil analisis regresi logistik secara keseluruhan menunjukkan nilai Cox Snell R Squere sebesar
0,343 . Cox Snell R Squere merupakan ukuran yang mencoba meniru pada
multiple regression yang didasarkan pada teknik estimasi likelihood dengan nilai maksimum kurang dari satu sehingga sulit untuk diinterpetasikan.Negelerke’s R
squere merupakan modifikasi dari koefisien Cox dan Snell. Untuk memastikan bahwa nilainya bervariasi dari 0 nol sampai 1satu hal ini dilakukan dengan
cara membagi nilai Cox dan Snell R squere dengan nilai maksimumnya. Nilai Nagerlerke
dapat dinterpretasikan seperti nilai pada multiple regression.
Model Summary
Step -2 Log
likelihood Cox Snell
R Square Nagelkerke R
Square
1 32.812
a
.343 .631
UNIVERSITAS SUMATERA UTARA
54
Dilihat dari hasil output pengolahan data nilai Nagerlerke R Squere adalah sebesar 0,631 yang berarti variabilitas variabel dependen yang dapat dijelaskan
oleh variabel independen adalah sebesar 63.1,sisanya sebesar 36,9 dijelaskan oleh variabel-variabel lain diluar model.
a. Matriks Klasifikasi
Matriks klasifikasi akan menunjukkan kekuatan prediksi dari model regresi untuk memprediksi kemungkinan ketepatan waktu pelaporan audit
audit timeliness pada perusahaan.
Tabel 4.9 Matriks klasifikasi
Classification Table
a
Observed Predicted
audit timeliness Percentage
Correct tepat
waktu tidak tepat
waktu audit timeliness
tepat waktu 77
1 98.7
tidak tepat waktu
6 6
50.0
Overall Percentage 92.2
Tabel 4.9 menunjukkan kekuatan prediksi dari model regresi untuk memprediksi kemungkinan pelaporan keuangan auditan yang tepat waktu adalah
98.7. Hal ini berarti bahwa dalam menggunakan model regresi yang digunakan ada 30 perusahaan yang diprediksi akan tepat waktu adalah 77 perusahaan 83
perusahaan yang tepat waktu. Kekuatan prediksi model untuk pelaporan keuangan
UNIVERSITAS SUMATERA UTARA
55
tidak tepat waktu adalah sebesar 50 yang berarti bahwa dengan model regresi yang diaujukan ada 6 auditee50 yang diprediksi akan melaksanakan pelaporan
keuangan tidak tepat waktu dari total 7 perusahaan yang melaksanakan pelaporan keuangan auditan tidak tepat waktu.
b. Menguji Koefisien Regresi
Tabel 4.10 menunjukkan hasil pengujian dengan regresi logistik
Tabel 4.10 Hasil uji Koefisien Regresi Logistik
Variables in the Equation
B S.E.
Wal d
df Sig.
ExpB 95 C.I.for
EXPB Lowe
r Upper
Step 1
a
X1LR 17.751 23170.
212 .000
1 .999 5118419
8.810 .000
. X2Lik
1.272 1.866 .464
1 .496
3.566 .092 138.315
X3UP .186
.245 .574 1
.449 1.204
.745 1.946
X4ARL .252
.092 7.42 2
1 .006
1.286 1.073 1.542
Constant -
47.439 23170.
214 .000
1 .998
.000
UNIVERSITAS SUMATERA UTARA
56
Sumber: Hasil pengolahan penulis SPSS 21
Dari hasil pengujian regresi logistik diatas maka diperoleh model regresi logistik sebagai berikut:
Y = -47.359 + 17.751 X ₁ + 1.272 X₂ +
+ + e
Konstanta sebesar -47.359menyatakan bahwa jika tidak diperhitungkan nilai labarugi bersih, likuiditas, ukuran perusahaan dan audit report lag, maka
kemungkinan ketepatan waktu adalah sebesar -47.359.
4.3 Pembahasan Hasil Penelitian
