Jenis dan Sumber Data Gambaran Umum Hasil Penelitian

3. Perusahaan mempunyai asset lebih dari 500 M. 4. Perusahaan yang memiliki lapora auditor independen dalam laporan keuangan pada tahun 2010 hingga 2012.

3.7. Jenis dan Sumber Data

Jenis data yang digunakan dalam penelitian ini adalah data kuantitatif yaitu data yang diukur dalam bentuk skala numerik dan merupakan data sekunder yaitu data yang diperoleh secara tidak langsung, yang berupa catatan maupun laporan historis yang telah tersimpan dalam arsip, baik yang dipublikasikan maupun yang tidak dipublikasikan Kuncoro, 2003: 124.. Data yang digunakan dalam penelitian ini adalah data sekunder yang berupa laporan keuangan perusahaan selama periode 2010, 2011, dan 2012. Data penelitian bersumber dari situs Bursa Efek Indonesia, www.idx.co.id.

3.8. Teknik Analitis

Metode dan teknik analisis data yang dilakukan dalam penelitian ini adalah dengan analisis statistik yang menggunakan perangkat lunak statistik. Alat analisis data yang digunakan adalah statistik deskriptif, yakni untuk mendeskripsikan variabel-variabel dalam penelitian ini. Alat analisis yang dipakai adalah mean rata-rata dan standar deviasi. Mean dan standar deviasi dipakai untuk mengetahui rata-rata lamanya audit report lag pada perusahaan. Analisis data digunakan dengan bantuan perangkat lunak SPSS 17 Statistical Package for Social Science. Universitas Sumatera Utara Pada penelitian ini, pengujian dilakukan dengan analisis regresi linier berganda. Analisi regresi merupakan salah satu analisis yang menjelaskan tentang yaitu akibat – akibat dan besarnya akibat yang ditimbulkan oleh suatu atau lebih variable bebas terhadap satu variable terikat tidak bebas. Adapun model regresi yang digunakan adalah sebagai berikut: AUD- LAG=β0 + β1 ASSETS + β2 PROFIT + β3 KOMPLEKS + β4 KUALITAS + β5 OPINI + β6 AGE + ε ... 1 Dimana : AUD-LAG = audit lag β0 = Konstanta ASSET = ukuran perusahaan PROFIT = ROA Return On Assets KOMPLEKS = Kompleksitas Perusahaan KUALITAS = Kualitas Audit OPINI = jenis opini AGE = umur Perusahaan β = koefisien regresi ε = standar eror

3.8.1. Statistik Deskriptif

Statistik deskriptif memberikan gambaran atau deskripsi suatu data yang dilihat dari nilai rata-rata mean, standar deviasi, varian, maksimum, minimum, sum, range, kurtosis dan skewness kemencengan distribusi, sehingga secara kontekstual dapat lebih mudah dimengerti oleh pembaca. Universitas Sumatera Utara

3.8.2. Uji Asumsi Klasik

Untuk menguji apakah model regresi yang digunakan dalam penelitian ini layak atau tidak untuk digunakan maka perlu dilakukan uji asumsi klasik. Uji asumsi klasik yang digunakan adalah Uji Normalitas, Uji Heteroskedastisitas, dan Uji Multikolinearitas. 3.8.2.1.Uji Normalitas Uji normalitas bertujuan untuk menguji apakah dalam sebuah model regresi, variabel pengganggu atau residual mempunyai distribusi normal atau tidak. Model regresi yang baik adalah memiliki distribusi data normal atau mendekati normal. Pengujian ini dapat dilakukan melalui analisis grafik dan analisis statistik Ghozali, 2006 : 110.

1. Analisis grafik

Pada prinsipnya normalitas dapat dideteksi dengan melihat penyebaran data titik pada sumbu diagonal dari grafik atau dengan melihat histogram dari residualnya. Dasar pengambilan kesimpulan sebagaimana dikemukakan Ghozali 2006 : 112 • Jika data menyebar di sekitar garis diagonal dan mengikuti arah garis diagonal atau grafik histogramnya menunjukkan pola distribusi normal, maka model regresi memenuhi asumsi normalitas. • Jika data menyebar jauh dari diagonal danatau tidak mengikuti arah garis diagonal atau grafik histogram tidak Universitas Sumatera Utara menunjukkan pola distribusi normal, maka model regresi tidak memenuhi asumsi normalitas.

2. Analisis Statistik

Untuk mendeteksi normalitas data dapat dilakukan pula melalui analisis statistik yang salah satunya dapat dilihat melalui Kolmogorov-Smirnov K-S. Dasar pengambilan keputusan dalam uji K-S adalah sebagai berikut : a. Apabila nilai signifikansi atau nilai probabilitas 0,05 atau 5 persen maka data terdistribusi secara normal b. Apabila nilai signifikansi atau nilai probabilitas 0,05 atau 5 persen maka data tidak terdistribusi normal. 3.8.2.2.Uji Heteroskedastisitas Uji heteroskedastisitas bertujuan menguji apakah dalam model regresi terjadi ketidaksamaan varians dari residual satu pengamatan ke pengamatan yang lain. Jika varians dari residual satu pengamatan ke pengamatan yang lain tetap, maka disebut homoskedastisitas dan jika berbeda disebut heteroskedastisitas. Model regresi yang baik adalah yang homoskedastisitas atau yang tidak terjadi heteroskedastisitas. Menurut Ghozali 2006 : 105, ada beberapa cara untuk mengetahui ada tidaknya heteroskedastisitas, antara lain : 1. Melihat grafik plot antara nilai prediksi variabel dependen yaitu ZPRED dengan residualnya SRESID. Deteksi ada tidaknya Universitas Sumatera Utara heteroskedastisitas dapat dilakukan dengan melihat ada tidaknya pola tertentu pada grafik scatterplot antara SRESID dan ZPRED dimana sumbu Y adalah Y yang telah diprediksi, dan sumbu X adalah residual Y prediksi – Y sesungguhnya yang telah di- studentized. 2. Dengan menggunakan uji Glejser. Untuk mengetahui tidak adanya heteroskedastisitas ditunjukkan dengan tidak ada satupun variabel independen yang signifikan secara statistik mempengaruhi variabel dependen nilai Absolut Residual AbsRes. Hal ini terlihat dari probabilitas signifikansinya di atas tingkat kepercayaan 5 persen. 3.8.2.3.Uji Multikolinearitas Pengujian ini dilakukan untuk mengetahui apakah terdapatmultikolinearitas dalam model regresi. Multikolinearitas adalah adanya korelasi yang signifikan antar variabel independen dalm model regresi. Untuk menciptakan suatu model regresi yang baik, antar variabel independen dalm model tersebut tidak boleh terdapat multikolinearitas sebab multikolinearitas dapat menyebabkan bias hasil penelitian terutama dalam proses pengambilan kesimpulan mengenai pengaruh pada uji parsial masing – masing variabel independen terhadap variabel dependen. Apabila terjadi korelasi antara variabel-variabel tersebut, berarti terjadi problem multikolonieritas. Model regresi yang baik seharusnya tidak terjadi korelasi diantara variabel bebasnya Ghozali, Universitas Sumatera Utara 2006 : 91. Untuk mendeteksi ada tidaknya multikolinearitas dalam model regresi dapat dilihat dari Tolerance Value atau Variance Inflation Factor VIF. Kedua ukuran ini menunjukkan variabel independen manakah yang dijelaskan oleh variabel independen lainnya. tolerance mengukur variabilitas variable independen yang terpilih yang tidak dijelaskan oleh variabel independen lainnya. Jadi nilai tolerance yang rendah sama dengan nilai VIF yang tinggi. Nilai cut-off yang umum adalah: 1. Jika nilai tolerance 10 persen dan nilai VIF 10, maka dapat disimpulkan bahwa tidak ada multikolinearitas antar variable independen dalam model regresi. 2. Jika nilai tolerance 10 persen dan nilai VIF 10, maka dapa disimpulkan bahwa ada multikolinearitas antar variabel independen dalam model regresi. 3.8.2.4.Uji Autokorelasi Uji Autokorelasi bertujuan menguji apakah dalam suatu model regresi linear ada korelasi antara kesalahan pengganggu pada periode t dengan kesalahan pada periode t-1 sebelumnya. Jika terjadi korelasi maka dinamakan ada problem autokorelasi. Model regresi yang baik adalah regresi yang bebas dari autokorelasi Uji autokorelasi dilakukan dengan menggunakan uji Durbin-Watson D-W, dengan tingkat kepercayaan = 5. Apabila D-W terletak antara -2 sampai +2 maka tidak ada autokorelasi Universitas Sumatera Utara Santoso. 2002 : 219 . Persamaan regresi yang baik adalah tidak memiliki masalah autokorelasi. Jika terjadi autokorelasi maka perasamaan tersebut menjadi tidak baik atau tidak layak dipakai prediksi. Ukuaran dalam menentukan ada tidaknya masalah autokorelasi dengan uji Durbin-Watson DW, dengan ketentuan sebagai berikut: a. Terjadi autokorelasi positif jika DW di bawah -2 DW -2. b. Tidak terjadi autokorelasi jika DW berada di antara -2 dan +2 atau -2 DW +2.

3.8.3. Pengujian Hipotesis

Menurut Sugiyono 2006:250 analisis regresi ganda digunakan untuk meramalkan bagaimana keadaan naik turunnya variabel dependen, jika dua atau lebih variabel independen sebagai faktor prediktor dimanipulasi dinaik turunkan nilainya. Model analisis ini dipilih karena penelitian ini dirancang untuk meneliti variabel bebas yang berpengaruh terhadap variabel tidak bebas. Persamaan regresi linear berganda dapat dirumuskan sebagai berikut: Y= a + b1X1 + b2X2 + b3X3 + b4X4 + b5X5 + b6X6 + e Keterangan : Y = Audit Report Lag X1 = Ukuran perusahaan X2 = Profitabilitas ROA X3 = Kompleksitas Perusahaan Universitas Sumatera Utara X4 = Kualitas Audit X5 = Jenis Opini X6= Umur Perusahaan B = Koefisien regresi a = Konstanta e = Faktor pengganggu

3.8.3.1. Pengujian Koefisien Regresi Parsial Uji t

Uji statistik t pada dasarnya menunjukkan seberapa jauh pengaruh satu variabel independen secara individual dalam menerangkan variasi variabel dependen. Uji t digunakan untuk menguji signifikansi pengaruh variabel independen secara parsial terhadap variabel dependen. Hipotesis statistik yang diajukan adalah : Ha : bi ≠ 0 : ada pengaruh Signifikan atau tidaknya pengaruh variabel indepoenden terhadap veriabel dependen dilihat dari nilai probabilitas nilai Sig. dari t rasio masing-masing variabel independ en pada taraf uji α = 5 0,05. Kesimpulan dapat diterima atau tidaknya Ha sebagai pembuktian adalah : • Jika probabilitas 0,05 maka Ha dapat diterima • Jika probabilitas 0,05 maka Ha tidak dapat diterima Universitas Sumatera Utara Selain itu, dapat juga dilihat dari signifikansinya yang dibandingkan dengan thitung, dengan ketentuan : • Jika thitung ttabel α = 5 maka Ha dapat diterima • Jika thitung ttabel α = 5 maka Ha tidak dapat diterima 3.8.3.2.`Uji Hipotesis Analisis Simultan Uji F Uji F digunakan untuk menguji apakah model regresi dapat digunakan untuk memprediksi variabel dependen. Hipotesis akan diuji dengan menggunakan tingkat signifikansi a sebesar 5 persen atau 0.05. Kriteria penerimaan atau penolakan hipotesis akan didasarkan pada nilai probabilitas signifikansi. Jika nilai probabilitas signifikansi 0.05, maka hipotesis diterima. Hal ini berarti model regresi dapat digunakan untuk memprediksi variabel independen. Jika nilai probabilitas signifikansi 0.05, maka hipotesis ditolak. Hal ini berarti model regresi tidak dapat digunakan untuk memprediksi variabel dependen. Universitas Sumatera Utara BAB IV HASIL PENELITIAN DAN PEMBAHASAN

4.1. Gambaran Umum

Di dalam bab ini disajikan analisis terhadap data yang telah diperoleh selama pelaksanaan penelitian. Data yang digunakan dalam penelitian adalah perusahaan manufaktur yang terdaftar di BEI. Jumlah perusahaan manufaktur yang terdaftar di BEI pada tahun 2010 hingga tahun 2012 adalah sebanyak 135 perusahaan. Keseluruhan data tersebut kemudian diambil sesuai kriteria yang telah dipilih berdasarkan metode purposive sampling sehingga data yang terkumpul sebanyak 25 perusahaan. Berdasarkan 25 perusahaan manufaktur tersebut, kemudian dilakukan pengujian-pengujian meliputi statistik deskriptif, uji asumsi klasik dan uji hipotesis penelitian.

4.2. Hasil Penelitian

4.2.1 Analisis Statistik Deskriptif

Informasi yang dibutuhkan dalam penelitian ini adalah data sekunder yang di peroleh dari www.idx.co.id berupa data keuangan perusahaan manufaktur dari tahun 2010-2012 yang dijabarkan dalam bentuk statistik. Variabel yang digunakan dalam penelitian ini adalah ukuran perusahaan total asset, profitabilitas ROA, kompleksitas perusahaan, kualitas audit, dan umur perusahaan sebagai variabel independen dan audit report lag sebagai variabel dependennya. Statistik deskriptif dari variabel tersebut dari sampel perusahaan manufaktur go Universitas Sumatera Utara publik yang terdaftar di BEI selama 2010 hingga 2012 disajikan dalam tabel dibawah ini: Tabel 4.1 Hasil Analisis Statistik Deskriptif Descriptive Statistics N Minimum Maximum Mean Std. Deviation TOTAL ASSETS 75 26.72 34.45 28.9587 1.75151 ROA 75 -.05 .42 .1108 .10783 KOMPLEKSITAS 75 .00 1.00 .7200 .45202 KUALITAS 75 .00 1.00 .5200 .50296 OPINI 75 .000 1.000 .28000 .452022 AGE 75 18.00 95.00 40.2000 16.76708 ARL 75 37.00 110.00 73.5067 12.84878 Valid N listwise 75 Sumber : SPSS 17, data diolah 2013 Berikut ini adalah perincian deskriptif dari data yang telah diolah: 1. Variabel ukuran perusahaan total assets memiliki nilai minimum 26,72, nilai maksimum 34,45 dan rata-rata 28,95 dengan jumlah sampel 75. 2. Variabel ROA memiliki nilai minimum -0.05, nilai maksimum 0,42 dan rata-rata 0.11 dengan jumlah sampel 75. 3. Variabel Kompleksitas perusahan memiliki nilai minimum 0, nilai maksimum 1 dan rata-rata 0,72 dengan jumlah sampel 75. 4. Variabel kualitas audit memiliki nilai minimum 0, nilai maksimum 1 dan rata-rata 0,52 dengan jumlah sampel 75. Universitas Sumatera Utara 5. Variabel opini audit memiliki nilai minimum 0, nilai maksimum 1 dan rata-rata 0,28 dengan jumlah sampel 75. 6. Variabel umur perusahan memiliki nilai minimum 18, nilai maksimum 95 dan rata-rata 40,20 dengan jumlah sampel 75. 7. Variabel audit report lag memiliki nilai minimum 37, nilai maksimum 110 dan rata-rata 73,50 dengan jumlah sampel 75. 4.2.2. Asumsi Klasik 4.2.2.1 Uji Normalitas

1. Grafik

Pengujian dengan grafik histogram dengan kriteria pola distribusi yang tidak menceng ke kiri dan kekanan maka dapat dinyatakan bahwa distribusi data berasal dari populasi yang terdistribusi normal.Pengujian normalitas menggunakan P-P Plot, dengan kriteria, apabila titik-titik pada P-P Plot berada pada garis lurus, maka dapat dinyatakan bahwa distribusi data berasal dari populasi yang terdistribusi normal. Universitas Sumatera Utara Berdasarkan hasil histogram dan diagram P-P Plot diatas dapat diketahui bahwa grafik histogram mmeberikan pola distribusi yang normal dan titik-titik menyebar di sekitar garis lurus, seperti tampak pada gambar p-plot di atas. Hal ini berarti bahwa data penelitian ini telah diambil dari populasi yang terdistribusi normal.

2. Uji Statistik

Untuk mendeteksi normalitas data, dapat pula dilakukan melalui analisis statistik Kolmogorov-Smirnov Test K-S. Uji K-S dilakukan dengan membuat hipotesis : H0 = Data residual terdistribusi normal. H1 = Data residual tidak terdistribusi normal. Dasar pengambilan keputusan dalam uji K-S adalah sebagai berikut: Universitas Sumatera Utara a. Apabila probabilitas nilai Z uji K-S signifikan secara statistik ditolak, yang berarti data terdistribusi tidak normal. b. Apabila probabilitas nilai Z uji K-S tidak signifikan secara statik maka H0 diterima, yang berarti data terdistribusi normal. Tabel 4.2 Hasil Uji Normalitas Data Dengan Statistik One-Sample Kolmogorov-Smirnov Test Unstandardized Residual N 75 Normal Parameters a,,b Mean .0000000 Std. Deviation 11.93636840 Most Extreme Differences Absolute .098 Positive .091 Negative -.098 Kolmogorov-Smirnov Z .850 Asymp. Sig. 2-tailed .465 a. Test distribution is Normal. b. Calculated from data. Sumber: SPSS 17, Data diolah 2013 Dari hasil pengolahan data tersebut, besar nilai Kolmogorov-Smirnov adalah 0,850 dan signifikansi pada 0,485 maka disimpulkan data terdistribusi secara normal karena p=0,4650,05 yang menunjukkan Ho diterima. Hal ini sejalan dengan hasil yang didapatkan dari uji grafik normal diagram dan plot data. Universitas Sumatera Utara 4.2.2.2.Uji Heteroskedastisitas Dalam penelitian ini untuk mendeteksi ada tidaknya gejala heterokedastisitas adalah dengan melihat pola grafik scatterplot. Dasar pengambilan keputusannya adalah : 1 Jika ada pola tertentu, seperti titik –titik yang ada membentuk pola tertentu yang teratur bergelombang, melebar kemudian menyempit, maka mengindikasikan telah terjadi heterokedastisitas. 2 Jika tidak ada pola yang jelas, seperti titik yang menyebar di atas dan di bawah angka 0 pada sumbu Y, maka tidak terjadi heterokedastisitas. Berikut ini dilampirkan grafik scatterplot untuk menganalisis apakah terjadi heterokedastisitas atau terjadi homokedastisitas dengan mengamati penyebaran titik-titik pada gambar berikut . Uji Heterokedesitas Data Universitas Sumatera Utara Dari gambar diatas terlihat titik – titik menyebar secara acak tidak membentuk sebuah pola tertentu yang jelas serta tersebar baik diatas maupun dibawah sumb Y. Hal ini berarti tidak terjadi heteroskedastisitas pada model regresi, sehingga layak dipakai untuk memprediksi audit report lag, berdasarkan masukan variable independennya. 4.2.2.3.Uji Multikolinearitas Pengujian multikolinearitas dilakukan untuk membuktikan apakah ubahan atau variabel bebas pada penelitian ini dapat diasumsikan tidak saling berintervensi ketika dibuat pemodelan dengan variabel terikat. Kriteria dinyatakan bahwa variabel bebas tidak saling intervensi satu sama lain ketika 1. Jika nilai tolerance 10 persen dan nilai VIF 10, maka dapat disimpulkan bahwa tidak ada multikolinearitas antar variabel independen dalam model regresi. 2. Jika nilai tolerance 10 persen dan nilai VIF 10, maka dapa disimpulkan bahwa ada multikolinearitas antar variabel independen dalam model regresi. Universitas Sumatera Utara Pengujian multikoleniaritas dapat ditunjukkan sebagai berikut : Tabel 4.3 Hasil Uji Multikolinearitas Coefficients a Model Unstandardized Coefficients Standardiz ed Coefficient s Collinearity Statistics B Std. Error Beta Tolerance VIF 1 Constant 103.128 27.747 TOTAL ASSETS -1.215 .983 -.166 .706 1.416 ROA 9.936 16.079 .083 .697 1.435 KOMPLEKSITAS 2.312 3.795 .081 .712 1.405 KUALITAS -5.511 3.464 -.216 .690 1.449 OPINI 3.408 3.405 .120 .884 1.131 AGE .117 .097 .153 .790 1.266 a. Dependent Variable: ARL Sumber: SPSS 17, Data diolah 2013 Dari Tabel dapt dilihat bahwa VIF 10, maka tidak terjadi multikolineritas dan Tolerence 0,1 maka tidak terjadi multikolinearitas. 4.2.2.4.Uji Autokorelasi Pengujian autokorelasi bertujuan untuk menguji apakah terdapat korelasi antara kesalahan pengganggu pada suatu periode dengan kesalahan pengganggu periode sebelumnya dalam model regresi. Jika terjadi autokorelasi dalam model regresi berarti koefisien korelasi yang diperoleh menjadi tidak akurat, sehingga model regresi yang baik adalah model regresi yang bebas dari Universitas Sumatera Utara autokorelasi. Cara yang dapat dilakukan untuk mendeteksi ada tidaknya autokorelasi adalah dengan melakukan pengujian Durbin- Watson D-W. Kriteria untuk penilaian terjadinya autokorelasi yaitu: 1. Nilai D-W lebih kecil dari -2 berarti ada korelasi positif, 2. Nilai D-W di antara -2 sampai +2 berarti tidak ada autokorelasi, 3. Nilai D-W lebih besar dari +2 berarti ada autokorelasi negatif. Tabel 4.4 berikut menyajikan hasil uji D-W dengan menggunakan program SPSS Versi 17.0. Tabel 4.4 Hasil Uji Autokorelasi Data Model Summary b Mo del R R Squ are Adjusted R Square Std. Error of the Estimate Durbin-Watson 1 .370 a .137 .061 12.45184 2.406 a. Predictors: Constant, AGE, TOTAL ASSETS, OPINI, ROA, KOMPLEKSITAS, KUALITAS b. Dependent Variable: ARL Sumber: SPSS 17 Data diolah 2013 Dari hasil pengolahan data diperoleh nilaiDurbin-Watson 2,406, karena nilai Durbin-Watson sebesar 2,406 diatas +2 sehingga dapat disimpulkan bahwa terjadi autokorelasi negative. Universitas Sumatera Utara

4.3. Analisis Regresi