49
Tabel 4.4 Nilai -2 Log likelihood -2 LL Awal
Nilai -2 log likelihood akhir pada block number = 1, dapat dilihat pada Tabel 4.5. Dari Tabel 4.4 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 94,184.
Kemudian pada Tabel 4.5 dapat dilihat nilai -2 LL akhir dengan block number =1, nilai -2log likelihood pada step 1 iterasi 5 adalah 79,750.
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, 2006. Penurunan nilai -2 log likelihood menunjukkan bahwa model penelitian ini
dinyatakan fit, artinya penambahan-penambahan variabel bebas yaitu financial stability, personal financial need, ineffective monitoring,
leverage dan pengalaman pra komite audit, ke dalam model penelitian akan memperbaiki model fit dalam penelitian ini.
Iteration History
a,b,c
Iteration -2 Log likelihood
Coefficients Constant
Step 0 1
94,188 -,556
2 94,184
-,571 3
94,184 -,571
a. Constant is included in the model. b. Initial -2 Log Likelihood: 94,184
c. Estimation terminated at iteration number 3 because parameter estimates changed by less than ,001.
Universitas Sumatera Utara
50
Tabel 4.5 Nilai -2 Log likelihood -2 LL Akhir
Iteration Historya,b,c,d
Iteration -2Log
likelihood Coefficients
Constant ACHANGE
OSHIP AUDSIZE LEVERAGE
PENGALAMAN
Step 1
1 80,914
-1,228 1,373
,156 ,417
-2,150 -,111
2 79,798
-1,652 1,775
,222 ,619
-2,965 -,189
3 79,750
-1,863 1,893
,242 ,699
-3,133 -,212
4 79,750
-1,877 1,900
,243 ,704
-3,141 -,213
5 79,750
-1,877 1,900
,243 ,704
-3,141 -,213
a. Method: Enter b. Constant is included in the model.
c. Initial -2 Log Likelihood: 94,184 d. Estimation terminated at iteration number 5 because parameter estimates changed by less than
,001.
4.1.3.3 Koefisien Determinasi
�
�
Dalam regresi logistik, dapat digunakan statistik Nagelkerke’s �
� 2
untuk mengukur kemampuan model regresi logistik dalam mencocokkan atau menyesuaikan data. Dengan kata lain, nilai statistik dari Nagelkerke’s
�
� 2
dapat diinterpretasikan sebagai suatu nilai yang mengukur kemampuan variabel-variabel bebas dalam menjelaskan atau menerangkan variabel tak
bebas. Tabel 4.6 menyajikan nilai statistik dari Nagelkerke’s �
� 2
.
Tabel 4.6 Nagelkerke R Square
Model Summary
Step -2 Log
likelihood Cox Snell R
Square Nagelkerke R
Square 1
79,750
a
,182 ,249
a. Estimation terminated at iteration number 5 because parameter estimates changed by less than ,001.
Berdasarkan Tabel 4.6 nilai statistik Nagelkerke R Square 0,249. Nilai tersebut diinterpretasikan sebagai kemampuan variabel financial
Universitas Sumatera Utara
51
stability, personal financial need, ineffective monitoring , leverage dan pengalaman pra komite audit dalam mempengaruhi financial statement
fraud Y sebesar 24,9, sisanya 75,1 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 4.7.
Tabel 4.7 Matriks Klasifikasi
Classification Table
a
Observed Predicted
RESTATEMENT Percentage
Correct 1
Step 1 RESTATEMENT
42 4
91,3 1
16 10
38,5 Overall Percentage
72,2 a. The cut value is ,500
Berdasarkan Tabel 4.7 diketahui perusahaan yang tidak mengungkapkan Restatement sebanyak 46 perusahaan. Dari 46 perusahaan
tersebut, diprediksi 4 0,09 perusahaan tidak mengungkapkan Restatement, sedangkan 16 perusahaan diprediksi mengungkapkan
Restatement. Diketahui perusahaan yang mengungkapkan Restatement sebanyak 26 perusahaan. Dari 26 perusahaan tersebut, diprediksi 16 62
Universitas Sumatera Utara
52
perusahaan mengungkapkan Restatement, sedangkan perusahaan diprediksi tidak mengungkapkan Restatement. Diketahui angka ketepatan prediksi
sebesar 63,9 hal ini menandakan tingkat keakuratan model regresi logistik dalam memprediksi sebesar 63,9, 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 4.8.
Tabel 4.8 Uji Multikolinearitas dengan Matriks Korelasi
Correlation Matrix
Constant ACHANGE
OSHIP AUDSIZE
LEVERAGE PENGALAMAN
Step 1
Constant 1,000
-,229 -,306
-,911 -,125
-,107 ACHANGE
-,229 1,000
,239 ,151
-,088 ,022
OSHIP -,306
,239 1,000
,190 ,072
,000 AUDSIZE
-,911 ,151
,190 1,000
-,199 -,165
LEVERAGE -,125
-,088 ,072
-,199 1,000
,181 PENGALAMAN
-,107 ,022
,000 -,165
,181 1,000
Berdasarkan Tabel 4.8 dapat dilihat bahwa korelasi antara financial stability dan personal fiancial need sebesar 0,239, korelasi antara financial
stability dan ineffective monitoring sebesar 0,151, korelasi antara ineffective
Universitas Sumatera Utara
53
monitoring dan leverage sebesar -1,99, dan seterusnya. Dari hasil pengujian pada Tabel 4.8 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, 2006. Berdasarkan hasil ini
dapat disimpulkan bahwa lolos dari uji gejala multikolinieritas.
4.1.5 Uji Hiptesis 4.1.5.1 Uji f-Statistik
Tabel Omnibus Tests of Model Coefficients Tabel 4.9 berfungsi untuk melihat hasil pengujian secara simultan pada regresi logistik, yakni
melihat pengaruh variabel bebas independen secara bersama-sama simultaneously terhadap variabel dependen. Berdasarkan Tabel 4.9
diperoleh nilai probabilitas Sig. 0,013. Karena nilai probabilitas 0,013 lebih kecil dari 0,05, maka disimpulkan bahwa variabel bebas yang
digunakan secara bersama-sama berpengaruh signifikan secara statistik, terhadap Financial statement frau
Tabel 4.9 Uji Signifikansi Model secara Simultan
Omnibus Tests of Model Coefficients
Chi-square Df
Sig. Step 1
Step 14,434
5 ,013
Block 14,434
5 ,013
Model 14,434
5 ,013
Universitas Sumatera Utara
54
4.1.5.2. Uji t-Statistik
Dalam regresi linear, baik sederhana maupun berganda, uji �
digunakan untuk menguji signifikansi dari pengaruh parsial. Pada regresi logistik, uji signifikansi pengaruh parsial dapat diuji dengan uji Wald.
Dalam uji Wald, statistik yang diuji adalah statistik Wald Wald statistic. Nilai statistik dari uji Wald berdistribusi chi-kuadrat. Pengambilan
keputusan terhadap hipotesis dapat dilakukan dengan menggunakan pendekatan nilai probabilitas dari uji Wald. Berikut aturan pengambilan
keputusan berdasarkan pendekatan nilai probabilitas. ���� ����� ����������� ≥ ������� ������������, �
�������� ��� �
1
�������. ���� ����� ����������� ������� ������������, �
������� ��� �
1
��������.
Tabel 4.10 Uji Signifikansi Pengaruh Parsial
Variables in the Equation
B S.E.
Wald df
Sig. ExpB
Step 1
a
ACHANGE 1,900
1,586 1,435
1 ,231
6,688 OSHIP
,243 ,125
3,785 1
,052 1,275
AUDSIZE ,704
,815 ,747
1 ,388
2,022 LEVERAGE
-3,141 1,577
3,967 1
,046 ,043
PENGALAMAN -,213
1,022 ,043
1 ,835
,808 Constant
-1,877 2,631
,509 1
,476 ,153
a. Variables entered on step 1: ACHANGE, OSHIP, AUDSIZE, LEVERAGE, PENGALAMAN.
�
��
: Financial stability berpengaruh signifikan terhadap financial statement
fraud
Berdasarkan Tabel 4.10, nilai probabilitas Sig. dari financial stability adalah
0,231, yakni lebih besar dari 0,05, maka financial stability tidak berpengaruh signifikan tidak signifikan secara statistika terhadap financial statement fraud
pada tingkat signifikansi 5.
Universitas Sumatera Utara
55
�
��
: Personal financial need berpengaruh signifikan terhadap financial
statement fraud Berdasarkan Tabel 4.10, nilai probabilitas Sig. dari Personal financial need
adalah 0,052, yakni lebih besar dari 0,05, maka Personal financial need tidak
berpengaruh signifikan tidak signifikan secara statistika terhadap financial statement fraud, pada tingkat signifikansi 5.
�
��
: Ineffective monitoring berpengaruh signifikan terhadap financial
statement fraud Berdasarkan Tabel 4.10, nilai probabilitas Sig. dari Ineffective monitoring adalah
0,388, yakni lebih besar dari 0,05, maka Ineffective monitoring tidak berpengaruh
signifikan tidak signifikan secara statistika terhadap financial statement fraud, pada tingkat signifikansi 5.
�
��
: Leverage berpengaruh signifikan terhadap Financial statement fraud
Berdasarkan Tabel 4.10, nilai probabilitas Sig. dari leverage adalah 0,046, yakni lebih kecil dari 0,05, maka leverage berpengaruh secara signifikan terhadap
Financial statement fraud, pada tingkat signifikansi 5. �
��
: Pengalaman pra komite audit berpengaruh signifikan terhadap financial statement fraud
Berdasarkan Tabel 4.10, nilai probabilitas Sig. dari pengalaman pra komite
audit adalah 0,835 yakni lebih besar dari 0,05, maka pengalaman pra komite audit tidak berpengaruh signifikan tidak signifikan secara statistika terhadap financial
statement fraud, pada tingkat signifikansi 5.
Universitas Sumatera Utara
56
4.2 Pembahasan
