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