Deskriptif Penelitian b,c b

51

BAB IV HASIL PENELITIAN DAN PEMBAHASAN

4.1 Deskriptif Penelitian

Penelitian ini menggunakan metode analisis regresi logistik. Analisis dimulai dengan pengolahan data yang tersimpan di dalam Microsoft Excel yang akan digunakan sebagai input data pada program SPSS 20.0 aplikasi software pengolah data. Pada program SPSS akan dilakukan regresi logistik. Proses input data terlebih dahulu dilakukan dengan memasukkan data yang ada di dalam Microsoft Excel yang berfungsi sebagai variabel-variabel yang akan diuji dan menghasilkan output sesuai dengan metode analisis data yang telah ditentukan. Berdasarkan kriteria yang telah ditetapkan, penelitian ini memiliki 20 perusahaan yang memenuhi kriteria dan dijadikan sampel dalam penelitian dan diamati selama periode 2010 -2013 dengan 80 unit analisis.

4.2 Analisis Hasil Penelitian

4.2.1 Statistik Deskriptif

Statistik deskriptif berkaitan dengan pengumpulan dan peringkat data yang menggambarkan karakteristik sampel yang digunakan. Analisis ini digunakan untuk menjelaskan karakteristik sampel terutama mencakup nilai rata rata mean, nilai minimum-maksimum, serta standar deviasi. Berdasarkan data olahan SPSS yang meliputi opini going concern, audit quality, audit tenure, audit report lag, dan profitabilitas. Universitas Sumatera Utara 52 Tabel 4.1 Statistik Deskriptif Variabel-Variabel Penelitian N Minimum Maximum Mean Std. Deviation GCAO 80 1 .44 .499 SPEC 80 1 .46 .502 TENYRS 80 1 3 1.53 .675 ALAG 80 49 149 83.22 17.602 NPMR 80 -939.59 46.58 -41.2934 129.79550 Valid N listwise 80 Sumber : Hasil Output SPSS Berdasarkan tabel diatas dapat dideskripsikan sebagai berikut : 1. Jumlah perusahaan adalah 20 perusahaan, dengan 80 unit analisis, yaitu 20 perusahaan dikalikan dengan 4 tahun pengamatan penelitian. Hasil uji statistik deskriptif terhadap penerimaan opini going concern GCAO menunjukkan nilai minimum sebesar nilai 0, nilai maksimum sebesar nilai 1 dengan rata-rata sebesar 0,44 dan standar deviasi sebesar 0,499. Nilai rata-rata sebesar 0,44 menunjukkan opini going concern dengan kode 1 bahwa sampel penelitian lebih sedikit menerima opini going concern dari 80 sampel yang diteliti. Dari 80 perusahaan terdapat 35,2 perusahaan yang menerima opini going concern dan 44,8 perusahaan yang menerima opini non going concern. 2. Variabel audit quality SPEC yang diproksikan dengan auditor industry specilization memiliki nilai minimum sebesar 0 dan nilai maksimum sebesar 1 dengan rata-rata sebesar 0,46 dengan standar deviasi 0,502. Nilai rata-rata sebesar 0,46 menunjukkan 36,8 perusahaan yang diaudit oleh auditor spesialis industri dan 43,2 perusahaan diaudit oleh auditor non spesialis. Universitas Sumatera Utara 53 3. Variabel audit tenure TENYRS memiliki nilai minimum sebesar 0 dan nilai maksimum sebesar 1. Rata-rata untuk variabel audit tenure sebesar 1,53 dan standar deviasinya 1,043. Nilai rata-rata sebesar 1,53 menunjukkan perikatan audit antara auditor dengan perikatan adalah 1,53 tahun. 4. Variabel audit report lag ALAG memiliki nilai minimum sebesar 49 dan nilai maksimum sebesar 149. Rata-rata untuk variabel audit report lag sebesar 83,22 dan standar deviasinya 17,602. Nilai rata-rata sebesar 83,22 menunjukkan jangka waktu antara tanggal akhir tahun fiscal dengan tanggal penerbitan laporan auditor adalah 83,22 hari. 5. Variabel profitabilitas NPMR yang diproksikan dengan net profit margin ratio memiliki nilai minimum sebesar -939,59 dan nilai maksimum sebesar 46,58 dengan nilai rata-rata sebesar -41,2934 dan standar deviasi sebesar 129,79550. Nilai rata-rata yang sebesar -41,2934 menunjukkan sebagian besar perusahaan yang menjadi sampel mempunyai kemampuan untuk menghasilkan keuntungan bersih rendah. Tabel 4.2 Statistik Frekuensi Variabel Penelitian GCAO SPEC TENYRS ALAG NPMR N Valid 80 80 80 80 80 Missing Sumber : Hasil Output SPSS Berdasarkan tabel 4.2 dapat dideskripsikan bahwa jumlah data yang valid sah untuk diproses adalah 80 buah, tanpa ada data yang hilang missing, artinya semua data telah diproses. Universitas Sumatera Utara 54 Tabel 4.3 Statistik Frekuensi Variabel Opini Going Concern Frequency Percent Valid Percent Cumulative Percent Valid Non Going Concern Audit Opinion 45 56.3 56.3 56.3 Going Concern Audit Opinion 35 43.8 43.8 100.0 Total 80 100.0 100.0 Sumber : Hasil Output SPSS Dari tabel 4.3 dapat dideskripsikan bahwa variabel dependen opini going concern merupakan variabel nominal yang menggunakan variabel dummy dimana perusahaan yang tidak menerima opini going concern diberi kode “0” dan perusahaan yang menerima opini going concern diberi kode “1”, serta memiliki data valid karena seluruh data telah diproses. Tabel 4.4 Statistik Frekuensi Variabel Audit Quality SPEC Frequency Percent Valid Percent Cumulative Percent Valid Non Industry Specialist 43 53.8 53.8 53.8 Industry Specialist 37 46.3 46.3 100.0 Total 80 100.0 100.0 Sumber : Hasil Output SPSS Berdasarkan tabel 4.4 dapat dideskripsikan bahwa variabel independen pertama, yaitu audit quality merupakan skala nominal yang menggunakan variabel dummy diproksikan dengan spesialisasi industri auditor, dimana perusahaan yang diaudit oleh auditor spesialis industri diberi kode “1” sedangkan Universitas Sumatera Utara 55 perusahaan yang diaudit oleh auditor non spesialis industri diberi kode “0”, memiliki nilai valid karena semua data diproses.

4.2.2 Analisis Regresi Logistik

Pengujian hipotesis penelitian menggunakan model logistic regression dengan metode enter pada tingkat signifikansi α 5 0,05 karena variabel dependennya bersifat dummy menerima atau tidak menerima opini going concern. Apabila tingkat signifikansi 0,05, maka β1- β4 diterima, jika tingkat signifikansi 0,05, maka β1- β4 tidak dapat diterima. Logistic regression digunakan untuk menguji pengaruh audit quality SPEC, audit tenure TENYRS, audit report lag ALAG dan profitabilitas NPMR terhadap opini going concern GCAO. Tabel 4.5 Regresi Logistik Variables in the Equation B S.E. Wald df Sig. ExpB 95 C.I.for EXPB Lower Upper Step 1 a SPEC1 1.617 .532 9.228 1 .002 5.037 1.775 14.297 TENYRS -.155 .383 .163 1 .686 .857 .405 1.814 ALAG .040 .018 4.844 1 .028 1.040 1.004 1.078 NPMR -.002 .002 .489 1 .484 .998 .994 1.003 Constant -4.318 1.626 7.048 1 .008 .013 a. Variables entered on step 1: SPEC, TENYRS, ALAG, NPMR. Sumber : Hasil Output SPSS Dari hasil persamaan regresi logistik tersebut, maka diperoleh model regresi logistik sebagai berikut : Universitas Sumatera Utara 56 GCAO = -4,318 + 1,617SPEC – 0,155TENYRS + 0,040ALAG – 0,002NPMR + ε Berdasarkan tabel 4.5 dapat dideskripsikan hal sebagai berikut : 1. SPEC mempunyai tingkat signifikansi 0,002 dan lebih kecil dari tingkat signifikansi 0,05, sehingga audit quality yang diproksikan dengan SPEC dapat diterima, artinya audit quality berpengaruh terhadap opini going concern. 2. TENYRS mempunyai tingkat signifikansi sebesar 0,686, sehingga variabel audit tenure tidak dapat diterima, artinya audit tenure tidak berpengaruh signifikan terhadap opini going concern. 3. ALAG mempunyai tingkat signifikansi sebesar 0,028, sehingga variabel audit report lag dapat diterima, artinya audit report lag berpengaruh terhadap opini going concern. 4. NPMR mempunyai tingkat signifikansi sebesar 0,484, sehingga variabel profitabilitas yang diproksikan dengan net profit margin ratio tidak dapat diterima, artinya profitabilitas tidak berpengaruh terhadap opini going concern.

4.2.3 Pengujian Model

4.2.3.1 Menguji Model Fit dan Keseluruhan Model Overall Fit Model

Menilai keseluruhan model dilakukan dengan cara memperhatikan angka pada -2 Log Likelihood -2LL Block Number = 0 dan -2 Log Likelihood -2LL Block Number = 1. Jika terjadi penurunan angka -2 Log Likelihood block Number Universitas Sumatera Utara 57 = 0 – block Number = 1 menunjukkan model regresi yang baik. Nilai -2 Log Likelihood -2LL Block Number = 0 dapat dilihat pada tabel 4.6 sebagai berikut. Tabel 4.6 Hasil Uji Overall Fit Model -2 Log Likelihood Awal Iteration History

a,b,c

Iteration -2 Log likelihood Coefficients Constant Step 0 1 109.650 -.250 2 109.650 -.251 3 109.650 -.251 a. Constant is included in the model. b. Initial -2 Log Likelihood: 109.650 c. Estimation terminated at iteration number 3 because parameter estimates changed by less than .001. Sumber : Hasil Output SPSS Nilai -2 Log Likehood -2LL Block number = 1dapat dilihat pada tabel 4.7 sebagai berikut. Tabel 4.7 Hasil Uji Overall Fit Model -2 Log Likelihood Akhir Iteration History

a,b,c,d

Iteration -2 Log likelihood Coefficients Constant SPEC1 TENYRS ALAG NPMR Step 1 1 89.531 -3.175 1.367 -.137 .028 -.001 2 88.778 -4.168 1.589 -.154 .038 -.002 3 88.767 -4.315 1.616 -.155 .040 -.002 4 88.767 -4.318 1.617 -.155 .040 -.002 5 88.767 -4.318 1.617 -.155 .040 -.002 a. Method: Enter b. Constant is included in the model. c. Initial -2 Log Likelihood: 109.650 d. Estimation terminated at iteration number 5 because parameter estimates changed by less than .001. Sumber : Hasil Output SPSS Universitas Sumatera Utara 58 Pada tabel 4.6 dan 4.7 terlihat bahwa angka -2 LL Block Number = 0 adalah 109,650. Dari model tersebut ternyata overall model fit pada -2LL Block Number = 0 menunjukan adanya penurunan pada -2LL Block Number = 1 sebesar 20,883. Penurunan Likehood ini menunjukan bahwa keseluruhan model regresi logistik yang digunakan merupakan model yang baik atau dengan kata lain model yang dihipotesiskan fit dengan data. Penurunan nilai Log Likehood menunjukan model regresi yang semakin baik.

4.2.3.2 Menguji Kelayakan Model Regresi

Menilai kelayakan model regresi dilakukan dengan menilai nilai signifikan pada tabel Hosmer and Lemeshow Goodness of FitTest. Model dikatakan mampu memprediksi nilai observasi karena cocok dengan data observasinya apabila nilai Hosmer and Lemeshow Goodness of FitTest 0,05 Ghozali,2011. Tabel 4.8 Hosmer and Lemeshow Test Step Chi-square df Sig. 1 9.197 8 .326 Sumber : Hasil Output SPSS Contingency Table for Hosmer and Lemeshow Test GCAO = Non Going Concern Audit Opinion GCAO = Going Concern Audit Opinion Total Observed Expected Observed Expected Step 1 1 8 7.203 .797 8 2 7 6.798 1 1.202 8 3 6 6.338 2 1.662 8 4 6 5.845 2 2.155 8 5 6 4.850 2 3.150 8 6 1 3.862 7 4.138 8 Universitas Sumatera Utara 59 7 2 3.476 6 4.524 8 8 3 3.082 5 4.918 8 9 4 2.409 4 5.591 8 10 2 1.139 6 6.861 8 Sumber : Hasil Output SPSS Dari tampilan tabel Hosmer and Lemeshow di atas pada tabel 4.8 ditunjukan bahwa besarnya nilai statistik Hosmer and Lemeshow Goodness of Fit Chi-square sebesar 9,197 dengan probabilitas signifikansi 0,326 dimana 0,326 0,05 maka hipotesis nol tidak dapat ditolak H0 diterima. Hal ini berarti model regresi yang dipergunakan dalam penelitian ini layak dipakai untuk analisis selanjutnya, karena tidak ada perbedaan yang nyata antara klasifikasi yang diprediksi dan klasifikasi yang diamati.

4.2.3.3 Koefisien Determinasi

Besarnya nilai koefisien determinasi pada model regresi logistik ditunjukkan oleh nilai Cox Snell R Square dan Nagelkerke R Square. Cox Snell R Square merupakan ukuran yang mencoba meniru ukuran R2 pada multiple regression sehingga sulit diintepretasikan. Kelemahan mendasar yang dimiliki adalah bias terhadap jumlah variabel independen yang dimasukkan kedalam model. Setiap tambahan satu variabel independen, maka baik nilai R2 maupun Cox Snell R Square akan mengalami peningkatan tidak peduli apakah variabel tersebut berpengaruh atau tidak berpengaruh secara signifikan terhadap variabel dependen. Oleh karena itu, Nagelkerke R Square digunakan dalam mengevaluasi mana model regresi yang terbaik karena nilai yang dihasilkan dapat naik atau turun apabila satu variabel independen ditambahkan kedalam model Ghozali, 2011. Universitas Sumatera Utara 60 Tabel 4.9 Nagelkerke R Square Model Summary Step -2 Log likelihood Cox Snell R Square Nagelkerke R Square 1 88.767 a .230 .308 a. Estimation terminated at iteration number 5 because parameter estimates changed by less than .001. Sumber : Hasil Output SPSS Tabel 4.9 di atas menunjukkan nilai Nagelkerke R Square adalah sebesar 0,308 yang berarti variabilitas variabel dependen yang dapat dijelaskan oleh variabel independen adalah sebesar 30,8 , sisanya sebesar 69,2 100- 30,8 dijelaskan variabilitas variabel-variabel lain di luar model penelitian.

4.2.3.4 Matriks Klasifikasi

Matriks klasifikasi akan menunjukkan kekuatan prediksi dari model regresi untuk memprediksi kemungkinan penerimaan opini audit going concern pada auditee. Tabel 4.10 Matriks Klasifikasi Classification Table

a,b

Observed Predicted GCAO Percentage Correct Non Going Concern Audit Opinion Going Concern Audit Opinion Step 0 GCAO Non Going Concern Audit Opinion 45 100.0 Going Concern Audit Opinion 35 .0 Overall Percentage 56.3 a. Constant is included in the model. Universitas Sumatera Utara 61 b. The cut value is .500 Classification Table a Observed Predicted GCAO Percentage Correct Non Going Concern Audit Opinion Going Concern Audit Opinion Step 1 GCAO Non Going Concern Audit Opinion 33 12 73.3 Going Concern Audit Opinion 9 26 74.3 Overall Percentage 73.8 a. The cut value is .500 Sumber : Hasil Output SPSS Kekuatan prediksi dari model regresi untuk memprediksi kemungkinan perusahaan menerima opini going concern adalah sebesar 74,3. Hal ini menunjukkan bahwa dengan menggunakan model regresi yang digunakan, terdapat sebanyak 26 perusahaan 74,3 yang diprediksi akan menerima opini going concern dari total 35 perusahaan yang menerima opini going concern. Kekuatan prediksi dari model regresi untuk memprediksi kemungkinan perusahaan menerima opini non going concern adalah 73,3. Hal ini berarti bahwa dengan model regresi tersebut, terdapat sebanyak 33 perusahaan 73,3 yang diprediksi menerima opini non going concern dari total 45 perusahaan yang menerima opini non going concern. Universitas Sumatera Utara 62

4.3 Pembahasan Hasil Penelitian