telah melewati syarat reliabilitas sebesar 0,6. Maka dapat dikatakan bahwa peranan Dewan Direksi teruji reliabilitasnya.
d. Penerapan GCG Pengujian penerapan Good Corporate Governance dapat dilihat dari
tabel 4.11 berikut ini:
Tabel 4.11 Reliability Statistics
Cronbachs Alpha
N of Items
0,882 24
Sumber : Hasil Olahan Data SPSS 17 Berdasarkan tabel 4.11 diatas, terlihat bahwa nilai cronbach alpha
penerapan Cood Corporate Governance sebesar 0,882. Hal ini berarti bahwa, nilai ini telah melewati syarat reliabilitas sebesar 0,6. Maka
dapat dikatakan bahwa penerapan Cood Corporate Governance teruji reliabilitasnya.
4.6. Hasil Uji Asumsi Klasik
4.6.1. Uji Normalitas Tujuan uji normalitas adalah ingin mengetahui apakah dalam model
regresi variabel pengganggu atau residual memiliki distribusi normal. Jika asumsi ini dilanggar atau tidak dipenuhi maka uji statistik menjadi
tidak valid untuk jumlah sampel kecil Erlina, 2011. Ada dua cara untuk mendeteksi apakan residual berdistribusi normal atau tidak adalah
Universitas Sumatera Utara
dengan analisis grafik dan uji statistik. Penelitia ini menggunakan analisis grafik dan analisis statistik untuk mengetahui apakah distribusi
sebuah data mengikuti atau mendekati distribusi normal. Uji normalitas dengan menggunakan uji grafik dilakukan dengan dua cara yaitu
melalui grafik histogram dan normal probability plot, sedangkan dengan uji statistik distribusi normal digunakan uji Kolmogorov-
Smirnov K-S. Berikut ini merupakan hasil pengujian normalitas data ditunjukkan
dalam bentuk grafik histogram dan grafik PP Plots.
Gambar 4.1 Grafik Histogram
Universitas Sumatera Utara
Sumber : Hasil Olahan Data SPSS 17
Gambar 4.2 Grafik P-P Plot
Sumber : Hasil Olahan Data SPSS 17 Dari grafik histogram pada gambar 4.1 menunjukkan grafik histogram
yang memberikan pola distribusi yang mendekati normal, demikian juga halnya dengan grafik PP Plots pada gambar 4.2 terlihat titik-titik
menyebar di sekitar garis diagonal. Penyebarannya mengikuti garis diagonal. Kedua grafik ini menunjukkan bahwa model regresi layak
Universitas Sumatera Utara
digunaakan karena memenuhi uji normalitas data. Bila hanya melihat histogram dan grafik PP Plots, normal atau tidak distribusi data tidak
dapat diketahui dengan jelas karena pengujian normalitas hanya dengan uji grafik, hal ini hanya terlihat secara visual sehingga dapat saja dari
hasil grafik terlihat normal namun dengan uji statistik tidak normal. Oleh karena itu, diperlukan uji statistik untuk menunjukkan data normal
atau tidak normal. Uji statistik untuk mendeteksi normalitas data yang digunakan dalam penelitian adalah dengan menggunakan uji
Kolmogorov-Smirnov. Dari hasil pengujian Kolmogorov-Smirnov diperoleh hasil bahwa data terdistribusi normal, dimana nilai K-S lebih
besar dari probabilitas signifikan pada a=5. Nilai K-S yang diperoleh dari uji tersebut sebesar 0,637 dengan probabilitas signifikansi 0,811.
Hal ini menunjukkan data terdistribusi secara normal. Nilai K-S dapat dilihat pada tabel 4.12 berikut.
Universitas Sumatera Utara
Tabel 4.12 One-Sample Kolmogorov-Smirnov Test
Unstandardized Residual
N 45
Normal Parameters
a,,b
Mean .0000000
Std. Deviation 5.15711795
Most Extreme Differences Absolute
.095 Positive
.095 Negative
-.088 Kolmogorov-Smirnov Z
.637 Asymp. Sig. 2-tailed
.811 a. Test distribution is Normal.
b. Calculated from data.
Sumber : Hasil Olahan Data SPSS 17
4.6.2. Uji Heteroskedastisitas Tujuan dari pengujian heteroskedastisitas ini adalah untuk menguji
apakah dalam model regresi terjadi ketidaksamaan variabel dari residual satu pengamatan ke pangamatan yang lain. Jika varians dari residual
dari suatu pengamatan ke pengamatan lainnya tetap, maka disebut homokedastisitas, dan jika varians berbeda, maka disebut
heteroskedastisitas Erlina, 2011. Uji heteroskedastisitas dapat dilakukan dengan melihat ada tidaknya pola tertentu pada grafik
scatterplot antara SRESID residual dan ZPRED variabel dependen. Dasaar analisinya adalah: 1 jika ada pola tertentu, seperti titik-titik
yang membentuk pola tertentu yang teratur, bergelombang. Melebar kemudian menyempit, maka telah terjadi heteroskedastisitas, dan 2
Universitas Sumatera Utara
jika tidak ada pola yang jelas, serta titik-titik menyebar diatas dan dibawah angka 0 pada sumbu Y, maka tidak terjadi heteroskedastisitas.
Hasil penujian heteroskedastisitas terlihat pada gambar 4.3 berikut yang menunjukkan bahwa titik-titik menyebar secara acak serta tersebar baik
di atas maupun di bawah angka 0 pada sumbu Y. Hal ini menunjukkan bahwa tidak terjadi gejala heteroskedastisitas pada model regresi,
sehingga model regresi layak dipakai untuk memprediksi penerapa variabel dependen berdasarkan masukan variabel independen.
Gambar 4.3 Grafik Scatterplot
Sumber : Hasil Olahan Data SPSS 17 4.6.3. Uji Multikolinearitas
Uji multikolinearitas dilakukan bertujuan untuk menguji apakah model regresi ditemukan adanya korelasi di antara variabel independen
Universitas Sumatera Utara
Erlina, 2011. Metode yang digunakan untuk mendekteksi multikolinieritas dalam penelitian ini adalah dengan menggunakan nilai
toleransi dan menggunakan variance inflation factor VIF. Jika nilai variance inflation factor VIF tidak lebih dari 10 dan nilai tolerance
tidak kurang dari 0,1 maka model dapat dikatakan terbebatas dari multikolinearitas.
Berdasarkan tabel 4.13 dibawah diperoleh hasil bahwa bahwa tiga variabel independen yaitu audit internal, dewan direksi dan komite audit
menunjukkan nilai tolerance mendekati 1 dan variance inflation factor diatas 1, sehingga data pada penelitian ini tidak terjadi problem
multikolinearitas. Nilai tolerance dan variance inflation factor dapat dilihat pada tabel 4.13 dibawah ini.
Tabel 4.13 Hasil Uji Multikolinearitas
Coefficients
a
Model Unstandardized
Coefficients Standardized
Coefficients T
Sig. Collinearity
Statistics B
Std. Error Beta
Tolerance VIF
1 Constant
-6.339 19.325
-.328 .745
X1 1.105
.431 .362
2.563 .014
.643 1.556
X2 .349
.343 .120
1.018 .315
.927 1.079
X3 1.246
.447 .381
2.786 .008
.685 1.461
a. Dependent Variable: Y
Sumber : Hasil Olahan Data SPSS 17
Universitas Sumatera Utara
4.6.4. Uji Autokorelasi Pada dasarnya autokorelasi merupakan gejala dimana error term pada
suatu periode waktu secara sistematik tergantung kepada error term pada periode-periode yang lain. Uji autokorelasi bertujuan untuk
melihat apakah dalam suatu model regresi linear ada korelasi antar kesalahan pengganggu pada periode t dengan kesalahan pada periode t-
1. Ada beberapa cara yang dapat digunakan untuk mendeteksi masalah autokorelasi di antaranya dengan uji Durbin Watson, karena uji ini yang
umum digunakan Erlina, 2011. Hasil analisis menunjukkan nilai d sebesar 1,470. Dengan variabel
sebanyak tiga buah dan sampel 45, nilai dL sebesar 1,383 dan nilai dU sebesar 1,666. Dengan demikian, nilai d hasil analisis terletak diantara
dL dan dU. Jika nilai d terletak diantara dL dan dU, maka hasil uji autokorelasi terletak pada daerah tanpa keputusan atau tidak dapat
disimpulkan. Dengan kata lain ada, ada atau tidaknya masalah autokorelasi pada model penelitian tidak dapat ditentukan. Nilai Durbin
Watson dapat dilihat pada tabel 4.14 dibawah ini.
Tabel 4.14 Hasil Uji Autokorelasi
Model Summary
b
Model R
R Square Adjusted R
Square Std. Error of the
Estimate Durbin-Watson
1 .689
a
.474 .436
5.34246 1.470
a. Predictors: Constant, X3, X2, X1 b. Dependent Variable: Y
Universitas Sumatera Utara
Sumber : Hasil Olahan Data SPSS 17
4.7. Hasil Pengujian Hipotesis