commit to user
4.4 Hasil Pengujian Asumsi Klasik
4.4.1 Uji normalitas
Uji normalitas bertujuan untuk mengetahui apakah distribusi sebuah data mengikuti atau mendekati distribusi normal. Data yang baik adalah
data yang memiliki pola seperti distribusi normal. Pada penelitian ini, uji normalitas dilakukan dengan melihat histogram yang membandingkan
antara data observasi dengan distribusi yang mendekati distribusi normal. Namun demikian dengan hanya melihat histogram hal ini bisa
menyesatkan khususnya untuk jumlah sample yang kecil. Selain menggunakan histogram, penelitian ini juga menambahkan metode analisis
Kolmogorov Smirnov. Kriteria pengujian yang digunakan apabila angka signifikansi Sig. lebih dari 0,05 maka data berdistribusi normal,
sedangkan apabila angka signifikansi Sig. kurang dari 0,05 maka data tidak berdistribusi normal. Berikut Grafik 4.1 menyajikan hasil uji
normalitas dengan histogram.
Grafik 4.1 Uji Normalitas Data
commit to user
Pada Grafik 4.1 Uji Normalitas Data, dengan metode histogram dapat dilihat bahwa gambar grafik menunjukkan pola distribusi normal. Hal ini
menandakan bahwa model regresi layak dipakai untuk memprediksi professional judgment auditor berdasarkan variabel independen.
Pengujian normalitas selanjutnya dengan metode analisis Kolmogorov- Smirnov yang akan disajikan pada Tabel 4.6 dibawah ini dimana
berdasarkan hasil pengujian diperoleh nilai signifikansi untuk masing- masing variabel pengalaman auditor sebesar 0,108, kompetensi auditor
sebesar 0,102, dan professional judgment sebesar 0,291. Nilai signifikansi ketiga variabel tersebut lebih dari 0,05 sehingga dapat disimpulkan data
berdistribusi normal. Tabel 4.6
Hasil Uji Normalitas Data One-Sample Kolmogorov-Smirnov Test
commit to user
Pengalaman Kompetensi Professional
Judgment
N 91
91 91
Normal Parameters
a,b
Mean 46,00
28,48 28,637
Std. Deviation
26,41 3,686
4,03 Most Extreme
Differences Absolute
,127 ,168
,114 Positive
,101 ,168
,102 Negative
-,127 -,085
-,114 Kolmogorov-Smirnov Z
1,207 1,598
1,091 Asymp. Sig. 2-tailed
,108 ,102
,291
a. Test distribution is Normal. b. Calculated from data.
4.4.2 Uji multikolinearitas
Multikolinearitas menunjukkan adanya hubungan linear yang “sempurna” atau pasti, diantara beberapa atau semua variabel yang
menjelaskan model regresi. Istilah multikolinearitas berkenaan dengan terdapatnya lebih dari satu hubungan linear pasti, dan istilah kolinearitas
dengan derajatnya satu hubungan linear. Multikolinearitas dapat juga diihat dari nilai Tolerance dan lawannya
Variance Inflation Factor VIF. Kedua ukuran ini menunjukkan setiap variabel bebas manakah yang disajikan oleh variabel bebas lainnya. Dalam
pengertian sederhana setiap variabel bebas menjadi variabel terikat dan diregres terhadap variabel bebas lainnya. Tolerance mengukur variabilitas
variabel bebas terpilih yang tidak dapat dijelaskan oleh variabel bebas lainnya. Jadi nilai tolerance rendah sama dengan nilai VIF tinggi karena
VIF = 1tolerance dan menunjukkan adanya kolinearitas yang tinggi. Nilai cut off yang umum dipakai adalah nilai tolerance 0,10 atau sama
commit to user
dengan nilai VIF di atas 10. Setiap analisis harus menentukan tingkat kolinearitas yang masih dapat ditolerir. Pengujian multikolinearitas
dilakukan dengan menggunakan nilai VIF. Berikut Tabel 4.7 menyajikan hasil uji multikolinearitas.
Tabel 4.7 Hasil Uji Multikolinearitas
Variabel Tolerance
VIF
Pengalaman Auditor 0,929
1,076 Kompetensi Auditor
0,929 1,076
Berdasarkan Tabel 4.7 Hasil Uji Multikolinearitas diketahui bahwa semua variabel independen mempunyai nilai VIF yang berada jauh di
bawah angka 10 sehingga dapat dikatakan semua konsep pengukur variabel-variabel
yang digunakan
tidak mengandung
masalah multikolinieritas. Maka model regresi yang ada layak untuk dipakai dalam
memprediksi professional judgment dalam evaluasi bukti audit. 4.4.3
Uji heteroskedastisitas Uji heteroskedastisitas bertujuan menguji apakah dalam model regresi
terjadi ketidaksamaan variance dari residual satu pengamatan ke pengamatan yang lain. Jika variance dari residual satu pengamatan ke
pengamatan lain tetap, maka disebut homoskedastisitas dan jika berbeda disebut heterokedastisitas. Model regresi yang baik adalah yang
homokedastisitas atau tidak terjadi heteroskedastisitas. Pada penelitian ini, deteksi adanya heterokedastisitas dilakukan dengan
melihat ada tidaknya pola tertentu pada grafik, dimana sumbu X adalah Y
commit to user
yang telah diprediksi, dan sumbu X adalah residual Y prediksi – Y
sesungguhnya yang telah distudentized. Grafik 4.2 berikut ini menyajikan scatter plot hasil uji heteroskedastisitas.
Grafik 4.2 Hasil Uji Heteroskedastisitas
Berdasarkan Grafik 4.2 Scatterplot di atas, terlihat titik-titik yang menyebar secara acak, tidak membentuk suatu pola tertentu yang jelas,
serta tersebar baik di atas maupun di bawah angka 0 nol pada sumbu Y. Hal ini berarti tidak terjadi heteroskedastisitas pada model regresi,
sehingga model regresi layak dipakai untuk memprediksi Y. 4.4.4
Uji autokorelasi Uji autokorelasi bertujuan menguji apakah dalam model regresi linear
ada korelasi antara kesalahan pengganggu pada periode t dengan kesalahan pengganggu pada periode t-1 sebelumnya. Autokorelasi terjadi karena
observasi yang berurutan sepanjang waktu berkaitan satu sama lainnya. Pada penelitian ini, metode yang dilakukan dengan uji Durbin-Watson
commit to user
DW test. Berikut Tabel 4.8 akan menyajikan hasil uji autokorelasi dengan metode Durbin-Watson.
Tabel 4.8 Hasil Uji Durbin-Watson
Mode l
R R Square
Adjusted R Square
Std. Error of the Estimate
Durbin- Watson
1 .548
a
,300 ,284
3,414 2,127
a. Predictors: Constant, Kompetensi Auditor, Pengalaman Auditor b. Dependent Variable: Professional Judgment
Berdasarkan Tabel 4.8 Hasil Uji Durbin Watson diperoleh nilai DW sebesar 2,127 dengan menggunakan nilai signifikansi 5, jumlah sampel
91, dan jumlah variabel independen sebanyak dua k=2, maka berdasarkan tabel Durbin Watson dapat diketahui nilai batas atas du
sebesar 1,7040. Oleh karena nilai DW sebesar 2,127 lebih besar dari du 1,7040 dan kurang dari 4 - 1,7040 4
– du atau 1,7040 2,127 2,296, maka dapat disimpulkan bahwa tidak terjadi permasalahan autokorelasi
positif atau negatif pada data. 4.4.5
Uji outlier Outlier merupakan kasus dimana data yang memiliki karakteristik unik
terlihat sangat berbeda jauh dari observasi lainnya dan muncul dalam bentuk nilai ekstrim baik untuk sebuah variabel tunggal atau variabel
kombinasi. Penelitian dengan sampel besar lebih dari 80, standar skor dinyatakan outlier jika nilainya pada kisaran 3 sampai 4 Hair, 2008 dalam
commit to user
Ghozali, 2013. Pada penelitian ini, setelah melakukan deteksi outlier terhadap data responden tidak ditemukan adanya outlier.
4.5 Pengujian Hipotesis