Data Penelitian Metode analisis data yang digunakan dalam penelitian ini adalah metode Analisis Hasil Penelitian

BAB IV ANALISIS HASIL PENELITIAN

A. Data Penelitian Metode analisis data yang digunakan dalam penelitian ini adalah metode

analisis statistik yang menggunakan persamaan regresi logistik. Analisis data dimulai dengan mengolah data dengan menggunakan microsoft excel, selanjutnya dilakukan pengujian asumsi klasik dan pengujian menggunakan regresi logistik. Pengujian asumsi klasik dan regresi logistik digunakan dengan menggunakan software SPSS versi 16. Prosedur dimulai dengan memasukkan variabel-variabel penelitian ke program SPSS tersebut dan menghasilkan output-output sesuai metode analisis data yang telah ditentukan. Berdasarkan kriteria yang telah ditetapkan, diperoleh 15 perusahaan yang memenuhi kriteria dan dijadikan sampel dalam penelitian dan diamati selama periode 2006-2008. Tabel 4.1 Sampel Penelitian No. Nama Perusahaan Kode 1. PT Astra Agro Lestari Tbk AALI 2. PT Bakrie Sumatera Plantations Tbk UNSP 3. PT PP London Sumatera Tbk LSIP 4. PT SMART Tbk SMAR 5. PT Tunas Baru Lampung Tbk TBLA 6. PT Cipendawa Agro Industri Tbk CPDW 7. PT Multibreeder Adirama ndonesia Tbk MBAI 8. PT Dharma Samudra Finishing Indonesia Tbk DSFI 9. PT Inti Kapuas Arowana Tbk IIKP 10. PT Bumi Teknokultura Unggul Tbk BTEK 11. PT Tambang Batubara Bukitasam Tbk PTBA 12. PT Energi Mega Persada Tbk ENRG 13. PT Aneka Tambang Tbk ANTM Universitas Sumatera Utara 14. PT Timah Tbk TINS 15. PT Citatah Industri Marmer Tbk CTTH

B. Analisis Hasil Penelitian

1. Uji Data a. Uji Asumsi Klasik 1 Uji Multikolonieritas Regresi yang baik adalah regresi dengan tidak adanya gejala korelasi yang kuat antara variabel bebasnya. Multikolonieritas adalah situasi adanya korelasi antar variabel-variabel independen yang satu dengan yang lainnya, dalam hal ini kita sebut variabel-variabel ini tidak ortogonal. Variabel-variabel yang bersifat ortogonal adalah variabel yang memiliki nilai korelasi diantaranya sama dengan nol. Dalam penelitian ini jejak multikolonieritas dapat dilihat dari nilai korelasi antar variabel yang terdapat dalam matriks korelasi. Hasil uji gejala multikolonieritas disajikan pada tabel 4.2 berikut ini. Universitas Sumatera Utara Tabel 4.2 Hasil Uji Multikolonieritas Const ant LR CR SIZE AGE KAP ARL Step 1 Const ant 1.000 -.134 -.254 -.421 -.360 .495 -.926 LR -.134 1.000 .269 -.267 -.007 -.032 -.100 CR -.254 .269 1.000 .016 .231 -.037 .095 SIZE -.421 -.267 .016 1.000 -.219 -.593 .519 AGE -.360 -.007 .231 -.219 1.000 -.022 .121 KAP .495 -.032 -.037 -.593 -.022 1.000 -.547 ARL -.926 -.100 .095 .519 .121 -.547 1.000 Sumber : Hasil Pengolahan Data Dari hasil pengujian dapat disimpulkan bahwa tidak terdapat gejala multikolonieritas antar variabel independen. Gejala multikolonieritas terjadi apabila nilai korelasi antar variabel independen lebih besar dari 0.90. Matriks korelasi di atas memperlihatkan bahwa korelasi antar variabel independen yang paling besar 0.593 atau lebih kecil dari 0.90. Berdasarkan hasil ini, dapat disimpulkan bahwa variabel laba rugi bersih, likuiditas, ukuran perusahaan, umur perusahaan, reputasi Kantor Akuntan Publik, dan audit report lag lolos uji gejala multikolonieritas. 2. Uji Autokorelasi Uji autokorelasi bertujuan menguji apakah dalam model regresi ada korelasi antara kesalahan pengganggu pada periode t dengan kesalahan pengganggu pada periode t-1 sebelumnya, jika terjadi korelasi maka dinamakan ada problem autokorelasi. Autokorelasi muncul karena Universitas Sumatera Utara observasi yang berurutan sepanjang waktu berkaitan satu sama lainnya. Masalah ini timbul karena residual kesalahan pengganggu tidak bebas dari satu observasi ke observasi lainnya. Run test digunakan untuk menguji ada tidaknya gejala autokorelasi pada penelitian ini, bila hasil output SPSS menunjukkan probabilitas signifikansi di bawah 0.05 disimpulkan terdapat gejala autokorelasi pada model regresi tersebut. Run test digunakan untuk melihat apakah data residual terjadi secara random atau tidak. Ghozali 2005:103. H : residual res_1 random acak H 1 : residual res_1 tidak random. Tabel 4.3 Hasil Uji Autokorelasi Runs Test Difference between observed and predicted probabilities Test Value a .01880 Cases Test Value 22 Cases = Test Value 23 Total Cases 45 Number of Runs 19 Z -1.204 Asymp. Sig. 2- tailed .229 Sumber : Hasil Pengolahan Data Hasil output SPSS menunjukkan bahwa nilai test adalah 0.01880 dengan probabilitas 0.229 tidak signifikan pada 0.05 yang berarti hipotesis nol diterima, sehingga dapat disimpulkan bahwa residual random atau tidak terjadi autokorelasi antar nilai residual. Universitas Sumatera Utara b. Menguji Model Fit Overall Model Fit Test Uji ini digunakan untuk menilai model yang telah dihipotesiskan telah fit atau tidak dengan data. Pengujian dilakukan dengan membandingkan nilai antara -2 log likelihood pada awal block number = 0 dengan nilai -2 log likelihood pada akhir block number = 1. Nilai -2 log likelihood awal pada block number = 0, dapat ditunjukkan melalui tabel berikut ini. Tabel 4.4 Nilai -2 Log Likelihood -2 LL awal Iteration History

a,b,c

Iteration -2 Log likelihood Coefficients Constant Step 0 1 61.290 .311 2 61.290 .314 3 61.290 .314 Sumber : Hasil Pengolahan Data Nilai -2 log likelihood akhir pada block number = 1, dapat ditunjukkan melalui tabel 4.5 berikut ini : Tabel 4.5 Nilai -2 log likelihood -2 LL akhir Iteration History

a,b,c,d

Iteration -2 Log likelihood Coefficients Constan t LR CR SIZE AGE KAP ARL Step 1 1 43.591 4.324 -.621 -.005 .000 -.044 1.831 -.050 2 40.461 7.160 -.523 -.006 .000 -.062 2.929 -.087 3 40.120 8.399 -.518 -.007 .000 -.069 3.471 -.103 4 40.114 8.577 -.521 -.007 .000 -.070 3.555 -.106 5 40.114 8.580 -.521 -.007 .000 -.070 3.556 -.106 6 40.114 8.580 -.521 -.007 .000 -.070 3.556 -.106 Sumber : Hasil Pengolahan Data Universitas Sumatera Utara Dari tabel 4.4 dan tabel 4.5 dapat dilihat bahwa -2 log likelihood awal pada block number = 0, yaitu model yang hanya memasukkan konstanta yang dapat dilihat pada step 2, memperoleh nilai sebesar 61.290. Kemudian pada tabel selanjutnya dapat dilihat nilai -2 LL akhir dengan block number = 1 nilai -2 log likelihood pada tabel 4.4 mengalami perubahan setelah masuknya beberapa variabel independen pada model penelitian, akibatnya nilai -2 LL akhir pada step 6 menunjukkan nilai 40.114. Adanya pengurangan nilai antara -2LL awal initial -2LL function dengan nilai -2LL pada langkah berikutnya -2LL akhir menunjukkan bahwa model yang dihipotesiskan fit dengan data Ghozali,2005. Penurunan nilai -2 log likelihood menunjukkan bahwa model penelitian ini dinyatakan fit, artinya penambahan-penambahan variabel bebas yaitu laba rugi, likuiditas, ukuran perusahaan, umur perusahaan, reputasi Kantor Akuntan Publik, dan audit report lag ke dalam model penelitian akan memperbaiki model fit penelitian ini. c. Menguji Kelayakan Model Regresi. Pengujian kelayakan model regresi logistik dilakukan dengan menggunakan goodness of fitness test yang diukur dengan nilai chi square pada bagian bawah uji hosmer and lemeshow. Tabel 4.6 Hosmer and Lemeshow Test Step Chi-square df Sig. 1 3.333 7 .853 Sumber : Hasil pengolahan data Universitas Sumatera Utara Hasil pengujian statistik menunjukkan probabilitas signifikansi menunjukkan angka 0.853 nilai signifikansi yang diperoleh lebih besar dari 0.05 maka Ho tidak dapat ditolak diterima. Hal ini berarti model regresi layak untuk digunakan dalam analisis selanjutnya, karena tidak ada perbedaan yang nyata antara klasifikasi yang diprediksi dengan klasifikasi yang diamati. Tabel 4.7 Contingency Table for Hosmer and Lemeshow Test TMLN = 0 TMLN = 1 Total Observed Expected Observed Expected Step 1 1 5 4.559 .441 5 2 4 4.140 1 .860 5 3 3 3.504 2 1.496 5 4 3 2.515 2 2.485 5 5 1 1.716 4 3.284 5 6 1 1.375 4 3.625 5 7 1 .823 4 4.177 5 8 1 .305 4 4.695 5 9 .063 5 4.937 5 Sumber : Hasil Pengolahan Data Dari tabel kontijensi untuk uji hosmer and lemeshow, dapat dilihat bahwa dari sembilan langkah pengamatan untuk pelaporan keuangan dengan tepat waktu 1 maupun tidak tepat waktu 0, nilai yang diamati maupun nilai yang diprediksi, tidak mempunyai perbedaan yang terlalu ekstrim. Ini menunjukkan bahwa model regresi logistik yang digunakan dalam penelitian ini mampu memprediksi nilai observasinya. Universitas Sumatera Utara 2. Hasil Pengujian Hipotesis Hasil pengujian hipotesis bertujuan untuk mengetahui apakah pengaruh dari variabel-variabel bebas terhadap opini audit. Pengujian dengan regresi logistik ditunjukkan dalam tabel-tabel berikut ini. Tabel 4.8 Ikhtisar Pengolahan Data Case Processing Summary Unweighted Cases a N Percent Selected Cases Included in Analysis 45 100.0 Missing Cases .0 Total 45 100.0 Unselected Cases .0 Total 45 100.0 Sumber : Hasil Pengolahan Data Berdasarkan tabel 4.8 di atas dapat diambil analisis sebagai berikut : a. jumlah sampel pengamatan sebanyak 45 sampel, dan seluruh sampel telah diperhitungkan ke dalam pengujian hipotesis; b. tidak ada variabel dependen yang dikeluarkan dengan nilai dummy variabel. Variabel dependen bernilai 0 untuk tidak tepat waktu dan bernilai 1 untuk tepat waktu; c. metode yang digunakan untuk memasukkan data adalah metode enter di mana apabila menggunakan metode ini seluruh variabel bebas independen disertakan dalam pengolahan analisis data untuk mengetahui variabel mana yang berpengaruh terhadap variabel dependen. Universitas Sumatera Utara Selanjutnya variabilitas antara variabel dependen dengan variabel independen dapat dilihat pada tabel 4.9 berikut ini. Tabel 4.9 Model Summary Step -2 Log likelihood Cox Snell R Square Nagelkerke R Square 1 40.114 a .375 .505 Sumber : Hasil Pengolahan Data Berdasarkan tabel 4.9 di atas, maka dapat dilihat bahwa hasil analisis regresi logistik secara keseluruhan menunjukkan nilai Cox Snell R Square sebesar 0.375. Cox Snell R Square merupakan ukuran yang mencoba meniru ukuran R 2 pada multiple regression yang didasarkan pada teknik estimasi likelihood dengan nilai maksimum kurang dari satu, sehingga sulit untuk diinterpretasikan. Nagelerke’s R square merupakan modifikasi dari koefisien Cox dan Snell. Untuk memastikan bahwa nilainya bervariasi dari 0 nol sampai 1 satu hal ini dilakukan dengan cara membagi nilai Cox dan Snell’s R square dengan nilai maksimumnya. Nilai Nagelerke R 2 dapat diinterpretasikan seperti nilai R 2 pada multiple regression. Dilihat dari hasil output pengolahan data nilai Nagalerke R Square adalah sebesar 0.505 yang berarti variabilitas variabel dependen yang dapat dijelaskan oleh variabel independen adalah sebesar 50.5 , sisanya sebesar 49.5 dijelaskan oleh variabel-variabel lain di luar model. Universitas Sumatera Utara a. Matriks Klasifikasi Matriks klasifikasi akan menunjukkan kekuatan prediksi dari model regresi untuk memprediksi kemungkinan ketepatan waktu pelaporan keuangan pada perusahaan. Tabel 4.10 Matrik Klasifikasi Observed Predicted TMLN Percentage Correct 1 Step 1 TMLN 0 14 5 73.7 1 3 23 88.5 Overall Percentage 82.2 Sumber : Hasil Pengolahan Data Tabel 4.10 menunjukkan kekuatan prediksi dari model regresi untuk memprediksi kemungkinan pelaporan keuangan yang tepat waktu sebesar 88.5. Hal ini berarti bahwa dengan menggunakan model regresi yang digunakan ada 14 perusahaan yang diprediksi akan tepat waktu dari 17 perusahaan yang tepat waktu. Kekuatan prediksi model untuk pelaporan keuangan tidak tepat waktu adalah sebesar 73.7 yang berarti bahwa dengan model regresi yang diajukan ada 23 auditee 73.7 yang diprediksi akan melaksanakan pelaporan keuangan tidak tepat waktu dari total 28 perusahaan yang melaksanakan pelaporan keuangan tidak tepat waktu. Universitas Sumatera Utara b. Menguji Koefisien Regresi Tabel 4.11 menunjukkan hasil pengujian dengan regresi logistik. Tabel 4.11 Hasil Uji Koefisien Regresi B S.E. Wald df Sig. ExpB 95.0 C.I.for EXPB Lower Upper Step 1 a LR -.521 1.040 .251 1 .616 .594 .077 4.562 CR -.007 .007 .866 1 .352 .993 .979 1.007 SIZE .000 .000 1.612 1 .204 1.000 1.000 1.000 AGE -.070 .092 .570 1 .450 .933 .779 1.118 KAP 3.556 1.313 7.341 1 .007 35.034 2.674 458.969 ARL -.106 .038 7.524 1 .006 .900 .834 .970 Constant 8.580 3.072 7.799 1 .005 5.327E3 Sumber : Hasil pengolahan data Dari pengujian persamaan regresi logistik diatas maka diperoleh model regresi logistik sebagai berikut : T = 8.580 - 0.521 LR - 0.007 CR + 0.000 S - 0.070 A + 3.556 KAP - 0.106 ARL Konstanta sebesar 8.580 menyatakan bahwa jika tidak memperhitungkan nilai laba rugi, likuiditas, ukuran perusahaan, umur perusahaan, reputasi Kantor Akuntan Publik, dan audit report lag, maka kemungkinan ketepatan waktu pelaporan keuangan adalah sebesar 8.580.

C. Pembahasan Hasil Penelitian