57
Berdasakan tabel 4.8 dapat dideskripsikan bahwa variabel dependen Y, yaitu opini audit going concern GCO merupakan variabel nominal yang
menggunakan variabel dummy, dimana perusahaan yang menerima opini audit wajar dengan bahasa penjelas going concern diberi kode “1” sedangkan
perusahaan yang menerima opini audit selain dengan bahasa penjelas going concern diberi kode “0”. Semua data diproses valid. Dapat dilihat bahwa
perusahaan yang menerima opini audit wajar dengan bahasa penjelas going concern GCO berjumlah 12 perusahaan atau 26,7 dari total, sedangkan
perusahaan yang menerima opini audit selain dengan bahasa penjelas going cocern NGCO berjumlah 33 perusahaan atau 73,3 dari total.
4.2.2. Uji Asumsi Klasik 1 Uji Multikolinearitas
Uji ini digunakan untuk situasi dimana adanya korelasi variabel-variabel independen antara satu dengan yang lainnya. Tujuannya adalah untuk mengetahui
apakah dalam model regresi ditemukan adanya korelasi antara variabel bebas independen. Apabila terjadi korelasi antarvariabel tersebut berarti terjadi
problem multikolinearitas. Sedangkan variabel yang baik adalah variabel yang tidak memiliki problem multikolinearitas. Uji multikolinearitas dalam penelitian
ini dilakukan dengan melihat besaran VIF Variance Inflatin Factor dan tolerance serta melihat besaran korelasi antarvariabel independen.
Universitas Sumatera Utara
58
Tabel 4.9
Coefficient Correlations
a
Model PO
man_own Block
OS Komite
Def KA
1 Correlations PO
1.000 -.110
.114 -.046
-.153 -.094
-.157 man_own
-.110 1.000
-.310 .195
.306 .152
.504 Block
.114 -.310
1.000 -.056
-.163 .189
-.479 OS
-.046 .195
-.056 1.000
.093 -.053
.128 Komite
-.153 .306
-.163 .093
1.000 -.006
.381 Def
-.094 .152
.189 -.053
-.006 1.000
.061 KA
-.157 .504
-.479 .128
.381 .061
1.000 Covariances
PO .016
-5.479E-5 5.197E-5
.000 -.002
-.001 -.003
man_own -5.479E-5
1.575E-5 -4.468E-6
.000 .000
7.354E-5 .000
Block 5.197E-5
-4.468E-6 1.322E-5
-2.671E-5 -6.492E-5
8.413E-5 .000
OS .000
.000 -2.671E-5
.017 .001
.000 .003
Komite -.002
.000 -6.492E-5
.001 .012
-8.014E-5 .006
Def -.001
7.354E-5 8.413E-5
.000 -8.014E-5
.015 .001
KA -.003
.000 .000
.003 .006
.001 .023
a. Dependent Variable: OGC
Deteksi adanya multikolinearitas: a Multikolinearitas dapat dilihat dari koefisien korelasi antarvariabel independen
haruslah lemah dan tidak cukup tinggi di bawah 95 , maka antarvariabel tersebut tidak terjadi multikolinearitas. Tidak adanya korelasi yang tinggi bukan
berarti bebas dari gejalah multikolinearitas. Multikolinearitas dapat disebabkan oleh adanya efek kombinasi dua atau lebih variabel independen Ghozali, 2006.
Analisis :
Universitas Sumatera Utara
59
Berdasarkan tabel 4.9 tampak bahwa antarvariabel independen tersebut tidak ada korelasi yang besar. Tabel tersebut menunjukkan bahwa korelasi di bawah 0,95
atau 95. Jadi dapat disimpulkan bahwa antarvariabel tersebut tidak terjadi multikolinearitas.
b Multikolinearitas dapat dilihat dari :
i Nilai VIF 10 ii Nilai Tolerance 0,10
Kedua ukuran ini menunjukkan setiap variabel independen manakah yang dijelaskan variabel independen lainnya. Dalam pengertian sederhana setiap
variabel independen menjadi variabel dependen dan diregres terhadap variabel independen lainnya. Tolerance mengukur variabilitas variabel independen yang
terpilih yang dijelaskan oleh variabel independen lainnya. Jadi nilai tolerance yang rendah sama dengan nilai VIF yang tinggi Ghozali, 2006.
Tabel 4.10
Coefficients
a
Model Collinearity Statistics
Tolerance VIF
1 Constant
OS .951
1.052 Komite
.823 1.215
Block .703
1.423 man_own
.683 1.464
Def .886
1.129 KA
.576 1.736
PO .952
1.051 a. Dependent Variable: OGC
Sumber : Hasil Pengolahan SPSS
Universitas Sumatera Utara
60
Analisis : Berdasarkan tabel 4.10 dapat dilihat bahwa nilai tolerance dari ketujuh
variabel lebih besar dari 0,10, begitu juga dengan nilai VIFnya lebih kecil dari 10. Nilai ini menunjukkan tidak adanya korelasi antarvariabel independen.
2 Uji Autokorelasi
Uji autokorelasi bertujuan untuk menguji apakah dalam model regresi ada korelasi pengganggu pada periode t dengan kesalahan pengganggu pada periode t-
1 sebelumnya. Jika terjadi korelasi maka terjadi problem autokorelasi. Autokorelasi muncul karena observasi yang berurutan sepanjang waktu
berkaitan satu sama lainnya. Masalah ini muncul karena residual
kesalahan pengganggu
tidak bebas dari satu observasi ke observasi lainnya. Hal ini sering ditemukan pada data runtut waktu time series karena gangguan pada seorang
individualkelompok cenderung mempengaruhi gangguan pada individukelompok yang sama pada periode berikutnya. Pada data cross section
masalah autokorelasi relatif jarang terjadi karena gangguan pada observasi yang berbeda berasal dari indiidukelompok yang berbeda. Maka regresi logistik yang
baik adalah regresi yang bebas dari autokorelasi Ghozali : 2006 Uji yang digunakan untuk melihat autokorelasi dalam penelitian ini adalah
dengan menggunakan run test. Run test dapat digunakan untuk menguji apakah antarresidual adalah acak atau random. Run test digunakan untuk melihat apakah
data residual terjadi secara random atau tidak. Hipotesis yang akan diuji adalah :
H0 : residual res_1 random acak H1 : residual res_1 tidak random
Universitas Sumatera Utara
61
Tabel 4.11
Runs Test
Unstandardized Residual
Test Value
a
-.08909 Cases Test Value
21 Cases = Test Value
24 Total Cases
45 Number of Runs
22 Z
-.273 Asymp. Sig. 2-tailed
.785 a. Median
Sumber : Hasil Pengolahan SPSS
4.2.3 Menilai Keseluruhan Model Overall Model Fit
