Dari tabel 4.4 diatas kita dapat melihat bahwa nilai signifikansi untuk variabel untuk seluruh variabel lebih besar dari 0,05. Dari hasil ini maka dapat
disimpulkan bahwa tidak terdapat masalah heteroskedastisitas karena variabel independennya memiliki signifikan lebih besar dari 0,05.
3. Uji Autokorelasi
Uji ini bertujuan untuk melihat apakah dalam suatu model linear ada korelasi antar kesalahan pengganggu pada periode t dengan kesalahan periode t-1
sebelumnya. Model regresi yang baik adalah yang bebas dari autokorelasi. Masalah autokorelasi umumnya terjadi pada regresi yang datanya time series.
Untuk mendeteksi masalah autokorelasi dapat dilakukan dengan menggunakan uji Durbin Watson. Mengacu kepada pendapat Sunyoto 2009:91, Pengambilan
keputusan ada tidaknya autokorelasi adalah sebagai berikut: a.
angka D-W dibawah -2 berarti ada autokorelasi positif, b.
angka D-W diantara -2 sampai +2 berarti tidak ada autokorelasi, c.
angka D-W di atas +2 berarti ada autokorelasi negatif.
Tabel 4.5 Hasil Uji Autokorelasi
Model Summary
b
Model R
R Square Adjusted R
Square Std. Error of the
Estimate Durbin-Watson
1 .210
a
.044 .035
12.779 1.262
a. Predictors: Constant, PENDAPAT _AUDITOR, TOTAL_ASSET, LN_ROA, LN_DAR, UKURAN_KAP
b. Dependent Variable: LN_AUDIT_DELAY
Sumber: Lampiran vii
Tabel 4.5 memperlihatkan nilai statistik D-W sebesar 1.262 Angka ini terletak di antara -2 sampai +2, dari pengamatan ini dapat disimpulkan bahwa
tidak terjadi autokorelasi dalam penelitian ini.
Universitas Sumatera Utara
4. Uji Multikolinieritas
Pengujian bertujuan mengetahui ada tidaknya multikolinearitas antar variabel – variabel independen. Model regresi yang baik seharusnya tidak terjadi korelasi
antar variabel independen. Deteksi dilakukan dengan melihat nilai VIF Variable Inflation Factor dan toleransi. Menurut Ghozali 2005:91 untuk melihat ada
atau tidaknya multikolinearitas dalam model regresi dapat dilihat dari: nilai tolerance dan lawannya variance inflation factor VIF. Kedua ukuran ini
menunjukkan setiap variabel independen manakah yang dijelaskan oleh variabel independen lainnya. Tolerance mengukur variabilitas variabel independen yang
terpilih yang tidak dijelaskan oleh variabel independen lainnya. Jadi, nilai tolerance yang rendah sama dengan nilai VIF yang tinggi karena
VIF=1tolerance. Nilai cutoff yang umum dipakai untuk menunjukkan adanya
multikolinearitas adalah nilai tolerance 0.01 atau sama dengan VIF10.
Tabel 4.6 Uji Multikolineritas
Coefficients
a
Model Unstandardized
Coefficients Standardized
Coefficients t
Sig. Collinearity Statistics
B Std. Error
Beta Tolerance
VIF 1
Constant 4.557
.192 23.730
.000 TOTAL_ASSET
-.001 .012
-.012 -.089
.930 .849
1.177 LN_ROA
.021 .020
.166 1.080
.285 .701
1.426 LN_DAR
.011 .032
.052 .358
.722 .771
1.296 UKURAN_KAP
-.051 .036
-.212 -1.419
.161 .741
1.349 PENDAPAT_AUDITO
R .043
.067 .086
.638 .526
.914 1.094
a. Dependent Variable: LN_AUDIT_DELAY
Sumber: Lampiran viii
Universitas Sumatera Utara
Berdasarkan tabel 4.6 diatas dapat dilihat bahwa tidak ada satupun variabel bebas yang memiliki nilai VIF lebih dari 10 dan tidak ada yang memiliki
tolerance value lebih kecil dari 0,1. Jadi dapat disimpulkan bahwa penelitian ini bebas dari adanya multikolinearitas. Dari hasil uji ini maka dapat disimpulkan
bahwa semua variabel bebas yang dipakai dalam penelitian ini lolos uji gejala multikolinearitas.
D. Pengujian Hipotesis 1. Uji Koefisien Determinasi