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