Negative -0,042
-0,099 -.090
-0,101 Kolmogorov-Smirnov Z
1,083 1,047
1.235 1.256
Asymp. Sig. 2-tailed 0,191
0,223 0.095
0,085 a. Test distribution is Normal.
Sumber: hasil pengolahan data
Tabel di atas menunjukkan bahwa dengan pengujian nilai residu data setelah proses
outlier
seluruh data yang digunakan baik dalam pengujian satu dan dua tahun setelah penerbitan laporan keuangan terdistribusi secara normal.
Kesimpulan ini dibuktikan dengan nilai probabilitas lebih besar dari tingkat signifikansi penelitian 5.
2. Pengujian Asumsi Klasik
a Uji Autokorelasi
Autokorelasi menunjuk pada hubungan yang terjadi di antara anggota- anggota serangkaian pengamatan yang tersusun dalam serangkaian waktu maupun
serangkaian ruang. Dalam penelitian ini, pengujian autokorelasi dilakukan dengan uji
Durbin Watson
, yaitu dengan membandingkan nilai tabel
Durbin Watson
dengan nilai
Durbin Watson
yang diperoleh dari perhitungan regresi
.
Kriteria pengujian menurut Santosa 2004 adalah jika angka D-W di atas 2 berarti
terdapat autokorelasi positif, jika angka D-W diantara -2 sampai +2 berarti tidak terjadi autokorelasi dan jika angka D-W dibawah -2 berarti terjadi autokorelasi
negatif. Berikut ini disajikan hasil pengujian autokorelasi baik untuk data satu
tahun dan data dua tahun setelah penerbitan laporan keuangan pemerintah daerah.
Tabel 6 Hasil Uji Autokorelasi
Data Satu Tahun Data Dua Tahun
Nilai DW Kriteria
Nilai DW Kriteria
Model 1 1,868
-2 s.d. 2 Model 1
2,171 -2 s.d. 2
Model 2 1,639
-2 s.d. 2 Model 2
1,757 -2 s.d. 2
tidak terjadi autokorelasi terjadi autokorelasi positif
Sumber: Hasil pengolahan data
Tabel di atas menunjukkan bahwa untuk data satu tahun setelah penerbitan laporan keuangan pemerintah daerah baik untuk model regresi 1
maupun regresi 2 tidak terdapat gejala autokorelasi yang dibuktikan dengan nilai DW berada pada kisaran kriteria yang telah ditetapkan. Namun demikian, untuk
data dua tahun, tabel mengindikasikan bahwa dalam model 1 terdapat gejala aoutokerasi positif dan dalam model 2 tidak terdapat gejala autokorelasi.
b Uji Heteroskedastisitas
Heteroskedastisitas merupakan keadaan yang menggambarkan seluruh faktor gangguan tidak memiliki varian yang sama untuk seluruh pengamatan atas
variabel independen. Dalam penelitian ini, uji yang digunakan untuk mendeteksi adanya
Heteroskedastisitas
dalam model regresi adalah metode
Glejser
, yaitu dengan meregresikan nilai dari seluruh variabel independen dengan nilai mutlak
absolute
dari nilai residual sehingga dihasilkan
probability value
. Kriteria
pengujiannya adalah jika
probability value
0,05 maka terjadi
heteroskedastisitas
dan jika
probability value
0,05 maka tidak terjadi
heteroskedastisitas
. Hasil uji
heteroskedastisitas
dapat dilihat pada tabel berikut ini.
Tabel 7 Hasil Uji Heteroskedastisitas
Data Satu Tahun Data Dua Tahun
Variabel Model 1
Model 2 Model 1
Model 2 Kriteria
ROE 0,905
0,724 0,208
0,683 P value 0,05
ROA 0,980
0,593 0,765
0,221 P value 0,05
PM 0,919
0,066 0,284
0,314 P value 0,05
CR 0,353
0,319 0,771
0,885 P value 0,05
DER 0,935
0,946 0,857
0,828 P value 0,05
LTTA 0,279
0,235 0,854
0,080 P value 0,05
AT 0,284
0,395 0,818
0,974 P value 0,05
OROE 0,520
0,724 0,074
0,851 P value 0,05
ORTR 0,776
0,128 0,851
0,487 P value 0,05
Sumber: Hasil pengolahan data
Tabel di atas menunjukkan bahwa nilai probabililtas seluruh variabel dalam model regresi I untuk data satu tahun setelah pelaporan keuangan dan
model regresi 2 untuk data dua tahun setelah pelaporan keuangan berada di atas tingkat signifikansi dalam penelitian ini 5. Dengan hasil pengujian tersaji di
atas, maka dapat dinyatakan bahwa model regresi 1 dan 2 yang digunakan dalam penelitian ini tidak terdapat gejala
heteroskedastisitas
atau data bersifat homokedastistas.
c Uji Multikolinieritas
Uji Multikolinieritas digunakan untuk menunjukkan ada tidaknya hubungan linier di antara variabel-variabel independen dengan model regresi.
Pengujian ini dilakukan dengan menggunakan
tolerance value
dan
variance inflation factor
VIF dengan kriteria, jika
tolerance value
0,01 dan VIF 10 maka terjadi multikolinieritas dan jika
tolerance value
0,01 atau VIF 10 maka tidak terjadi multikolinieritas. Hasil uji multikolinieritas dapat dilihat pada
tabel berikut ini.
Tabel 8 Hasil Uji Multikolinieritas
Data Satu Tahun Data Dua Tahun
Variabel VIF
Tolerance
Variabel VIF
Tolerance
Model I: Model I:
ROE 5,240
0,166 ROE
1,026 0,975
ROA 4,116
0,243 ROA
3,007 0,333
PM 1,659
0,603 PM
1,691 0,618
CR 1,139
0,878 CR
1,263 0,792
DER 1,704
0,587 DER
1,625 0,615
LTTA 1,702
0,587 LTTA
1,006 0,994
AT 1,107
0,904 AT
2,126 0,470
OROE 1,799
0,556 OROE
1,388 0,721
ORTR 1,002
0,998 ORTR
1,026 0,975
Model II: Model II:
ROE 1,709
0,785 ROE
1,309 0,962
ROA 5,107
0,190 ROA
1,257 0,795
PM 1,637
0,611 PM
3,883 0,258
CR 1,026
0,975 CR
1,263 0,792
DER 1,004
0,996 DER
2,126 0,473
LTTA 1,799
0,556 LTTA
1,116 0,896
AT 1,471
0,680 AT
1,682 0,595
OROE 1,464
0,683 OROE
2,068 0,484
ORTR 1,464
0,683 ORTR
1,553 0,644
Sumber: Hasil pengolahan data
Tabel di atas menunjukkan bahwa untuk semua variabel independen baik untuk model regresi I maupun model regresi II mempunyai nilai VIF kurang dari
10 dan nilai
tolerance value
lebih besar dari 0,1 sehingga dapat dinyatakan bahwa tidak terjadi gejala multikolinearitas pada model regresi baik model regresi
I maupun regresi II yang digunakan dalam penelitian.
3. Uji Hipotesis
