Pengujian Asumsi Klasik .1 Uji Normalitas

1. Variabel Independensi X 1 memiliki nilai minimum terkecil adalah 0 dan nilai maksimum terbesar adalah 1 dengan mean nilai rata-rata independensi adalah 0.4200. Standar deviasi yang dihasilkan sebesar 0.34213 artinya standar penyimpangan dalam regresi sebesar 0.34213. 2. Variabel Ukuran_KA X 2 memiliki nilai minimum terkecil adalah 0 dan nilai maksimum terbesar adalah 1 dengan mean nilai rata-rata Ukuran_KA adalah 0.70. Standar deviasi yang dihasilkan sebesar 0.463 artinya standar penyimpangan dalam regresi sebesar 0.463. 3. Variabel Kompetensi X 3 memiliki nilai minimum terkecil adalah 0.33 dan nilai maksimum terbesar adalah 0.80 dengan mean nilai rata-rata Kompetensi adalah 0.6368. Standar deviasi yang dihasilkan sebesar 0.11674 artinya standar penyimpangan dalam regresi sebesar 0.11674. 4. Variabel Frekue nsi X 4 memiliki nilai minimum terkecil adalah 0 dan nilai maksimum terbesar adalah 1 dengan mean nilai rata-rata Frekuensi adalah 0.27. Standar deviasi yang dihasilkan sebesar 0.447 artinya standar penyimpangan dalam regresi sebesar 0.447. 5. Variabel Manjemen LabaLn_Manlaba Y memiliki nilai minimum terkecil adalah 18.8093 dan nilai maksimum terbesar adalah 29.2137 dengan mean nilai rata-rata Ln_MANLABA adalah 2.424677E1.Standar deviasi yang dihasilkan sebesar 2.0172109 artinya standar penyimpangan dalam regresi sebesar 2.0172109. 4.3 Pengujian Asumsi Klasik 4.3.1 Uji Normalitas Uji Normalitas bertujuan untuk mengetahui apakah dalam model regresi ada variabel pengganggu atau residual memiliki distribusi normal. Universitas Sumatera Utara Pengujian ini diperlukan karena melakukan uji t dan uji F mengasumsikan bahwa nilai residual mengikuti distribusi normal Erlina, 2008. Dasar pengambilan keputusannya, bila grafik histogram menunjukkan pola distribusi normal dan grafik normal plot menyebar teratur mengikuti garis diagonal, maka data terdistribusi dengan normal. Gambar 4.1 Histogram Universitas Sumatera Utara Gambar 4.1 menyatakan bahwa data berditribusi normal karena grafik histogram menunjukkan distribusi data mengikuti garis diagonal yang tidak menceng skewness ke kiri maupun ke kanan. Gambar 4.2 Grafik Normal P-Plot Universitas Sumatera Utara Gambar 4.2 Grafik Normal P-Plot memperlihatkan titik-titik menyebar disekitar garis diagonal sehingga dapat disimpulkan bahwa data dalam model regresi terdistribusi normal. Uji Normalitas juga dapat dilakukan dengan Kolmogrov Smirnov untuk mengetahui apakah Independensi Komite Audit, Ukuran Komite Audit, Kompetensi Komite Audit, Frekuensi Pertemuan Komite Audit dan Manajemen Laba berdistribusi normal atau tidak. Apabila nilai signifikannya lebih besar dari 0.05 maka data berdistribusi normal, sedangkan jika nilai signifikansinya lebih kecil dari 0.05 maka data tidak berdistribusi normal. Tabel 4.2 berikut menyajikan tabel hasil uji Kolmogorov Smirnov : One-Sample Kolmogorov-Smirnov Test Unstandardized Residual N 63 Normal Parameters a Mean .0000000 Std. Deviation 1.90560633 Most Extreme Differences Absolute .076 Positive .076 Negative -.076 Kolmogorov-Smirnov Z .605 Asymp. Sig. 2-tailed .858 a. Test distribution is Normal. Hasil pengolahan data menunjukkan besar nilai Kolmogorov-Smirnov adalah 0.605 dan signifikansi pada 0.858 maka disimpulkan data terdistribusi secara normal karena asymp. Sig. adalah 0.858 berada diatas nilai signifikan 0.05. Universitas Sumatera Utara

4.3.2 Uji Heteroskedastisitas

Uji Heteroskedastisitas bertujuan untuk menguji apakah dalam model regresi terjadi ketidaksamaan variance dari residual satu pengamatan ke pengamatan lain Ghozali, 2006. Jika variance dari suatu pengamatan ke pengamatan yang lain tetap, maka disebut homokedasitas dan jika berbeda disebut heteroskedastisitas. Model regresi yang baik adalah tidak terjadi heterokedastisitas. Cara mendeteksi ada tidaknya gejala heteroskedastisitas adalah dengan melihat grafik scatterplot yang dihasilkan dari pengolahan data menggunakan program SPSS. Dasar pengambilan keputusan Pratisto, 2009 adalah sebagai berikut : a. Jika terdapat pola tertentu,sepertititik-titik yang adamembentukpolatertentu yang teraturmakamenunjukkanterjadiheteroskedastisitas. . b. Jika tidak adapola yang jelas, sertatitik- titikmenyebardiatasdandibawahangka 0 padasumbu Y, makatidakterjadiheteroskedastisitas. Berikut ini adalah grafik scatterplot untuk menganalisis apakah terjadi gejala heteroskedastisitas atau tidak dengan mengamati penyebaran titik-titik pada grafik. Universitas Sumatera Utara Gambar 4.3 Uji Heteroskedastisitas Dari grafik scatterplot terlihat bahwa titik-titik menyebar secara acak dengan tidak adanya pola yang jelas serta tersebar baik diatas maupun dibawah angka 0 pada sumbu Y. Dengan demikian, dapat disimpulkan bahwa tidak terjadi heterokedastisitas pada model regresi. Universitas Sumatera Utara

4.3.3 Uji Autokorelasi

Uji autokolerasi bertujuan untuk menguji apakah dalam model regresi linear ada korelasi antara kesalahan pengganggu pada periode t-1 sebelumnya. Jika terjadi korelasi, maka dinamakan ada problem autokolerasi. Autokorelasi muncul karena observasi yang berurutan sepanjang waktu berkaitan satu sama lainnya. Model regresi yang baik adalah regresi yang bebas dari autokorelasi. Cara yang dapat digunakan untuk mendeteksi masalah autokorelasi adalah dengan menggunakan uji Durbin Watson dengan ketentuan sebagai berikut Sunyoto, 2009: a. Angka D-W dibawah -2 berarti ada autokorelasi positif. b. Angka D-W diantara -2 samapi +2 berarti tidak ada korelasi. c. Angka D-W diatas +2 berarti ada autokorelasi negatif. Hasil dari pengujian autokorelasi dapat dilihat dalam Tabel 4.3 berikut ini : Tabel 4.3 Uji Autokorelasi Model Summary b Model R R Square Adjusted R Square Std. Error of the Estimate Durbin-Watson 1 .328 a .108 .046 1.9702214 1.857 a. Predictors: Constant, FREKUENSI, INDEPENDENSI, KOMPETENSI, UKURAN_KA b. Dependent Variable: Ln_MANLABA Universitas Sumatera Utara Tabel 4.3 memperlihatkan nilai statistik D-W sebesar 1,857. Angka ini terletak diantara -2 dan +2, dari pengamatan ini dapat disimpulkan bahwa tidak terjadi autokorelasi positif maupun autokorelasi negatif.

4.3.4 Uji Multikolinieritas

Uji multikolinieritas bertujuan untuk menguji apakah model regresi ditemukan adanya korelasi antar variabel bebas independen. Model regresi yang baik seharusnya tidak terjadi korelasi diantara variabel independen. Untuk mendeteksi ada atau tidaknya multikolinieritas didalam model regresi dapat dilihat dari nilai tolerance dan Variance Inflation Factor VIF. Nilai cut off yang umum dipakai untuk menunjukkan adanya multikolinearitas adalah nilai tolerance 0,10 atau sama dengan nilai VIF 10. Tabel 4.4 Hasil Uji Multikolinieritas Coefficients a Model Unstandardized Coefficients Standardized Coefficients t Sig. Collinearity Statistics B Std. Error Beta Tolerance VIF 1 Constant 28.029 1.522 18.415 .000 INDEPENDENSI -.048 .745 -.008 -.065 .948 .965 1.037 UKURAN_KA -.881 .563 -.202 -1.565 .123 .922 1.084 KOMPETENSI -4.919 2.164 -.287 -2.273 .027 .966 1.035 FREKUENSI -.051 .581 -.011 -.087 .931 .928 1.078 Universitas Sumatera Utara Coefficients a Model Unstandardized Coefficients Standardized Coefficients t Sig. Collinearity Statistics B Std. Error Beta Tolerance VIF 1 Constant 28.029 1.522 18.415 .000 INDEPENDENSI -.048 .745 -.008 -.065 .948 .965 1.037 UKURAN_KA -.881 .563 -.202 -1.565 .123 .922 1.084 KOMPETENSI -4.919 2.164 -.287 -2.273 .027 .966 1.035 FREKUENSI -.051 .581 -.011 -.087 .931 .928 1.078 a. Dependent Variable: Ln_MANLABA Tabel 4.4 menunjukkan bahwa tidak terjadi gejala multikolinearitas dalam model regresi yang digunakan. Hal ni terlihat dari nilai tolerance-nya yang kurang dari 0,10. Nilai VIF juga menunjukkan hal tersebut, bahwa tidak ada satupun variabel independennya yang memiliki nilai VIF yang lebih besar dari 10.

4.4 Analisis Regresi