Statistik Deskriptif Uji Normalitas

Atas landasan teori tersebut, maka peneliti menggunakan uji statistika parametrik di dalam penelitian ini. Teknik analisis data dilakukan dengan menggunakan software SPSS. Dalam penggunaan model analisis regresi berganda tentang pengujian hipotesis, terlebih dahulu diuji apakah model tersebut memenuhi asumsi klasik atau tidak.

3.8.1 Statistik Deskriptif

Statistik deskriptif dalam penelitian pada dasarnya merupakan proses transformasi data penelitian dalam bentuk tabulasi sehingga mudah dipahami dan diinterpretasikan Indriantoro et al, 1999:170. Statistik deskriptif memberikan gambaran atau deskripsi tentang 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.

3.8.2 Uji Asumsi Klasik

Uji asumsi klasik dilakukan untuk memastikan bahwa sampel yang diteliti terbebas dari gangguan normalitas, multikolinearitas, heteroskedastisitas dan autokorelasi.

3.8.2.1 Uji Normalitas

Uji normalitas bertujuan untuk menguji apakah dalam model regresi, variable penganggu atau residual memiliki distribusi normal Ghozali, 2006:110. Model regresi yang baik memiliki distribusi data yang normal atau mendekati normal. Pengujian normalitas ini dapat dilakukan melalui :

1. Analisis Grafik

Universitas Sumatera Utara Salah satu cara termudah untuk melihat normal residual adalah dengan melihat grafik histogram yang membandingkan antara data observasi dengan distribusi yang mendekati normal. Apabila grafik histogram menunjukkan kemiringan garis diagonal yang cenderung seimbang, baik sisi kiri maupun kanan, ataupun tidak condong ke kiri maupun ke kanan maka data dapat dikatakan telah terdistribusi secara normal.

2. Analisis Statistik

Untuk mendeteksi normalitas data, dapat pula dilakukan melalui analisis statistik Kolmogorov-Smirnov Test K-S. Uji K-S dilakukan dengan membuat hipotesis : H = Data residual terdistribusi normal. H 1 = Data residual tidak terdistribusi normal. Dasar pengambilan keputusan dalam uji K-S adalah apabila nilai signifikansi 0.05 maka H o diterima dan H a ditolak, hal ini berlaku sebaliknya, apabila nilai signifikansi 0.05 maka H o ditolak dan H a diterima.

3.8.2.2 Uji Multikolinearitas

Menurut Umar, 2003:132 sebelum melakukan analisis regresi berganda, perlu diperiksa beberapa aspek, salah satunya adalah tidak terdapat multikolinearitas atas data dari variabel-variabel independennya. Maksudnya adalah tidak adanya korelasi yang sempurnaatau korelasi yang tidak sempurna namun relatif tinggi pada variabel-variabel bebasnya. Adanya multikolinearitas sempurna akan berakibat bahwa koefisien regresi tidak dapat ditentukan, serta standar deviasi akan menjadi tak terhingga. Universitas Sumatera Utara 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 variabel independen 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 0.10 persen dan nilai VIF 10, maka dapat disimpulkan bahwa tidak ada multikolinearitas antar variable independen dalam model regresi. 2. Jika nilai tolerance 0.10 persen dan nilai VIF 10, maka dapa disimpulkan bahwa ada multikolinearitas antar variabel independen dalam model regresi.

3.8.2.2 Uji Heterokedastisitas

Uji heteroskedastisitas dilakukan untuk menguji apakah dalam model regresi terjadi ketidaksamaan variance dari residual satu pengamatan ke pengamatan lainnya. Jika variance dari residual satu pengamatan ke pengamatan lain tetap, maka disebut homokedastisitas dan jika berbeda disebut heteroskedastisitas. Model regresi yang baik adalah yang homokedastisitas atau tidak terjadi heteroskedastisitas. Untuk mendeteksi ada atau tidaknya heterokedastisitas dilakukan dengan melihat grafik scatterplot antara nilai prediksi variabel dependen yaitu ZPRED dengan residualnya SRESID. Sumbu Y menjadi sumbu yang telah diprediksi dan sumbu X adalah residual Y prediksi-Y Universitas Sumatera Utara sesungguhnya yang telah di studentized. Deteksi ada tidaknya heterokedastisitas dapat dilakukan sebagai berikut Ghozali, 2006:105 : a. Jika ada pola tertentu, seperti titik-titik yang ada membentuk pola tertentu yang teratur, mengidentifikasikan telah terjadi heterokedastisitas. b. Jika tidak ada pola yang jelas, serta titik-titik menyebar di atas dan di bawah angka 0 pada sumbu Y, maka tidak terjadi heterokedastisitas. Jika variabel independen signifikan secara statistik mempengaruhi variable dependen, maka ada indikasi heteroskedastisitas. Sebaliknya, jika tidak ada satu pun variabel independen yang signifikan secara statistik mempengaruhi variable dependen, maka dapat disimpukan model regresi tidak mengandung heteroskedastisitas.

3.8.2.3 Uji Autokorelasi

Uji autokorelasi dilakukan untuk menguji apakah dalam model regresi linear ada korelasi antara kesalahan penganggu pada periode t dengan kesalahan penganggu pada periode t-1 sebelumnya Ghozali, 2006:95. Terdapat beberapa cara untuk menguji ada atau tidaknya autokorelasi dan p ada penelitian ini akan digunakan uji Durbin – Watson DW Test. Hipotesis yang akan diuji adalah : H o : tidak ada autokorelasi H a : ada autokorelasi Pengambilan keputusan ada tidaknya autokorelasi ditunjukkan pada Tabel 3.4 di bawah ini Tabel 3.4 Pengambilan Keputusan Autokorelasi Universitas Sumatera Utara Hipotesis Nol Keputusan Jika Tidak ada autokorelasi positif Tolak 0 d dl Tidak ada autokorelasi positif Tidak ada keputusan dl ≤ d ≤ du Tidak ada korelasi negatif Tolak 4 – dl d 4 Tidak ada korelasi negatif Tidak ada keputusan 4 – du ≤ d ≤ 4 – dl Tidak ada autokorelasi positif atau negatif Tidak ditolak du d 4 – du Sumber : Aplikasi Analisis Multivariate Dengan Program SPSS Imam Ghozali, 2006

3.8.3 Pengujian Hipotesis

Menurut Sugiyono 2006:250 analisis regresi linear berganda digunakan untuk meramalkan bagaimana keadaan naik turunnya variabel dependen, jika dua atau lebih variabel independen sebagai faktor prediktor dimanipulasi dinaik turunkan nilainya. Model analisis regresi linear berganda dipilih karena penelitian ini dirancang untuk meneliti variabel bebas yang berpengaruh terhadap variabel tidak bebas. Persamaan regresi linear berganda dapat dirumuskan sebagai berikut : � = � + �1�1 + �2�2 + �3�3 + �4�4 + � Keterangan : Y = Audit delay X1 = Total Assets X2 = Return on AssetsROA X3 = Debt to Equity Ratio DER X4= Opini audit Universitas Sumatera Utara b1...b3 = Koefisien regresi a = Konstanta e = Faktor pengganggu

3.8.3.1 Uji Signifikansi Parameter Penelitian Uji Statistik t

Pengujian hipotesis untuk masing-masing variabel ukuran perusahaan, ROA, DER, dan opini audit, terhadap jangka waktu pelaporan keuangan audit delay menggunakan uji signifikansi parameter penelitian uji t. Uji signifikansi parameter penelitianpada dasarnya menunjukkan seberapa jauh pengaruh satu variabel penjelasindependen secara individual dalam menerangkan variasi variabel independen Ghozali, 2006:84. Adapun mengenai hipotesis-hipotesis yang dilakukan dalam penelitian ini dirumuskan sebagai berikut: 1 Jika prob 0.05 atau t-hitung t-tabel maka variabel X secara individu Parsial memiliki pengaruh yang signifikan terhadapvariabel Y. 2 Jika prob 0.05 atau t-hitung t-tabel maka variabel X secara individu Parsial tidak memiliki pengaruh yang signifikan terhadap variabel Y.

3.8.3.2 Uji Signifikansi 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 Universitas Sumatera Utara 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. BAB 1V HASIL PENELITIAN DAN PEMBAHASAN

4.1 Data Penelitian

Objek di dalam penelitian ini adalah perusahaan minyak dan gas bumi yang go public, dimana perusahaan-perusahaan tersebut terdaftar menjadi emiten di Bursa Efek Indonesia BEI selama periode 2010 – 2012. Jumlah perusahaan minyak dan gas bumi yang tercatat adalah 8 perusahaan, dan setelah dilakukan proses penyeleksian berdasarkan kriteria maka diperoleh 7 perusahaan yang dapat menjadi sampel dalam penelitian ini. Metode analisis yang digunakan adalah metode analisis statistik yaitu dengan persamaan analisis regresi berganda. Analisis data dimulai dengan mengolah data menggunakan Microsoft Excel, kemudian akan dilakukan pengujian asumsi klasik, dan pengujian hipotesis dengan analisis regresi berganda. Uji asumsi klasik dan analisis regresi berganda dilakukan dengan menggunakan software SPSS versi 20.0 Tabel 4.1 Daftar Sampel Perusahaan Minyak dan Gas Bumi di Bursa Efek Indonesia Universitas Sumatera Utara No Kode Saham Nama Perusahaan Listing Date 1 ARTI PT Ratu Prabu Energi Tbk 30 April 2003 2 APEX PT Apexindo Pratama Duta Tbk 10 Juli 2002 3 BIPI PT Benakat Petroleum Energy Tbk 11 Februari 2010 4 ELSA PT Elnusa Tbk 6 Februari 2008 5 ENRG PT Energi Mega Persada Tbk 7 Juni 2004 6 MEDC PT Medco Energi International Tbk 12 Oktober 1994 7 RUIS PT Radiant Utama Interinsco Tbk 12 Juli 2006 Tabel 4.2 Daftar Variabel Penelitian No Kode Tahun SIZE ROA DER OPINI 1 ARTI 2010 14.13 1.94 0.72 1 2011 14.19 0.96 0.81 1 2012 14.16 2.24 0.69 1 2 APEX 2010 15.36 -1.80 0.40 1 2011 15.13 -2.53 0.19 2012 15.3 0.44 0.18 1 3 BIPI 2010 15.12 2.56 0.89 2011 15.30 14.67 1.30 2012 15.27 4.91 1.10 1 4 ELSA 2010 16.28 -0.31 1.00 2011 16.67 1.87 1.83 2012 16.75 1.64 1.97 5 ENRG 2010 16.83 9.47 1.86 1 2011 16.97 14.05 2.02 2012 17.08 4.94 2.24 2010 13.30 3.44 1.78 Universitas Sumatera Utara 6 MEDC 2011 13.80 1.19 3.65 2012 13.93 4.10 3.93 7 RUIS 2010 15.19 -17.75 0.63 2011 15.39 7.22 1.62 1 2012 15.66 2.40 2.05 1 Data : Hasil Olahan Peneliti

4.2 Metode Statistik Deskriptif

Statistik deskriptif adalah jenis statistik yang berfungsi untuk memberikan deskripsi atau gambaran terhadap objek yang diteliti melalui data sampel atau populasi yang masih berupa data mentah, tanpa melakukan analisis dan membuat kesimpulan yang berlaku untuk umum. Statistik deskriptif memberikan gambaran atau deskripsi suatu data yang dilihat dari rata-rata mean, standar deviasi, nilai maksimum, dan nilai minimum dari variabel-variabel independen dan variabel dependen. Statistik deskriptif dalam penelitian ini dapat dilihat pada Tabel 4.3 di bawah ini. Tabel 4.3 Statistik Deskriptif Data Penelitian N Minimum Maximum Mean Std. Deviasi Audit Delay 21 58.00 153.00 88.2857 19.29286 Total Assets 21 13.30 17.08 15.3242 1.12847 Return on Assets 21 -17.75 14.67 2.6500 6.47578 Debt to Equity Ratio 21 0.18 3.93 1.4695 1.00421 Opini Audit 21 0.00 1.00 0.4286 0.50709 Valid N 21 Universitas Sumatera Utara listwise Sumber : Hasil Output SPSS, diolah peneliti 2014 Lampiran 4 Tabel 4.3 menunjukkan bahwa : 1. Variabel Audit Delay Y memiliki nilai minimum 58.00 dan nilai maksimum 153.00. Nilai rata-rata dari variabel ini adalah 88.2857 dengan nilai standar deviasi sebesar 19.29286. Jumlah data yang diobservasi adalah sebanyak 21. 2. Variabel Total Assets X 1 memiliki nilai minimum 13.30 dan nilai maksimum 17.08. Nilai rata-rata dari variabel ini adalah 15.3242 dengan nilai standar deviasi sebesar 1.12847. Jumlah data yang diobservasi adalah sebanyak 21. 3. Variabel Return on Assets X 2 memiliki nilai minimum -17.75 dan nilai maksimum 14.67. Nilai rata-rata dari variabel ini adalah 2.6500 dengan nilai standar deviasi sebesar 6.47578. Jumlah data yang diobservasi adalah sebanyak 21. 4. Variabel Debt to Equity Ratio X 3 memiliki nilai minimum 0.18 dan nilai maksimum 3.93. Nilai rata-rata dari variabel ini adalah 1.4695 dengan nilai standar deviasi sebesar 1.00421. Jumlah data yang diobservasi adalah sebanyak 21. 5. Variabel Opini Audit X 4 memiliki nilai minimum 0.00 dan nilai maksimum 1.00. Nilai rata-rata dari variabel ini adalah 0.4286 dengan nilai Universitas Sumatera Utara standar deviasi sebesar 0.50709. Jumlah data yang diobservasi adalah sebanyak 21.

4.3 Uji Asumsi Klasik

Dasar yang menjadi salah satu syarat saat menggunakan metode analisis regresi berganda dengan metode estimasi Ordinary Least Square OLS adalah dipenuhinya semua asumsi klasik, agar hasil pengujian bersifat tidak bias, alias BLUE Best Linier Unbiased Estimator. Ghozali 2005:123 dalam Theresia 2013 menyatakan bahwa asumsi klasik yang harus dipenuhi adalah : 1. Memiliki distribusi data yang normal. 2. Non-multikoloniearitas, dimana antara variabel independen dalam model regresi tidak memiliki korelasi atau hubungan secara sempurna ataupun mendekati sempurna. 3. Non-heterokedastisitas, artinya variance variabel independen dari satu pengamatan ke pengamatan lain bersifat konstan atau sama. 4. Non-autokorelasi, artinya tidak ada korelasi kesalahan pengganggu dalam model regresi. Untuk menghasilkan suatu metode regresi yang baik, analisis regresi memerlukan pengujian asumsi klasik sebelum melakukan pengujian hipotesis. Hasil uji asumsi klasik akan dipaparkan secara mendetail pada poin-poin di bawah ini. Universitas Sumatera Utara

4.3.1 Uji Normalitas

Uji normalitas bertujuan untuk menguji apakah dalam model regresi, variabel pengganggu atau residual memiliki distribusi normal. Ada dua cara untuk mendeteksi apakah residual berdistribusi normal atau tidak yaitu dengan analisis grafik dan uji statistik.

1. Analisis Grafik

Data yang berdistribusi normal dapat dilihat melalui grafik histogram di bawah ini Gambar 4.1 Uji Normalitas 1 Histogram Universitas Sumatera Utara Grafik histogram di atas menunjukkan pola berdistribusi normal, karena grafik histogram menunjukkan kemiringan garis diagonal yang cenderung seimbang, baik sisi kiri maupun kanan, ataupun tidak condong ke kiri maupun ke kanan.

2. Analisis Statistik

Uji normalitas dengan grafik dapat menyesatkan kalau tidak hati-hati secara visual kelihatan normal, padahal secara statistik bisa sebaliknya. Oleh sebab itu dianjurkan disamping uji grafik dilengkapi dengan uji statistik Ghozali, 2006:112. Uji statistik yang dapat digunakan untuk menguji normalitas residual adalah uji statistik non-parametrik Kolmogorov-Smirnov K-S. Uji K-S dilakukan dengan membuat hipotesis : H o = Data residual terdistribusi normal. H a = Data residual tidak terdistribusi normal. Apabila nilai signifikansi 0.05 maka H o diterima dan H a ditolak, hal ini berlaku sebaliknya, apabila nilai signifikansi 0.05 maka H o ditolak dan H a diterima. Hasil uji normalitas dengan menggunakan model uji ini ditampilkan sebagai berikut Tabel 4.4 Uji Normalitas 2 One-Sample Kolmogorov-Smirnov Test Unstandardized Residual N 17 Normal Parameters a,b Mean -.0367420 Std. Deviation .24270834 Most Extreme Absolute .185 Universitas Sumatera Utara Differences Positive .185 Negative -.096 Kolmogorov-Smirnov Z .761 Asymp. Sig. 2-tailed .608 a. Test distribution is Normal. b. Calculated from data. Sumber : Hasil Output SPSS, diolah peneliti 2014 Lampiran 4 Dari tabel di atas dapat diketahui besarnya nilai Kolmogorov-Smirnov adalah 0.761 dengan probabilitas signifikansi 0.608 dan dapat disimpulkan bahwa data dalam regresi telah terdistribusi secara normal dimana nilai signifikansinya lebih besar daripada 0.05 0.608 0.05. Hasil pengujian grafik histogram yang sejalan dengan model uji Kolmogorov-Smirnovmenyatakan bahwa data telah terdistribusi secara normal. Oleh karena itu, pengujian asumsi klasik yang lain dapat dilanjutkan karena telah diuji normalitas datanya.

4.3.2 Uji Multikolinearitas