55
3.8.2.3 Uji Heteroskedastisitas
Uji Heterokedastisitas adalah terjadinya varians yang tidak sama untuk variabel independen yang berbeda. Uji ini dimaksudkan untuk menguji apakah
dalam model regresi terjadi ketidaksamaan variance dari residual satu pengamatan ke pengamatan lain. Model regresi yang baik adalah data yang tidak mengandung
situasi Heteroskedastisitas, karena data ini menghimpun data yang mewakili berbagai ukuran Ghozali, 2011. Heterokedastisitas dapat terdeteksi dengan
melihat plot antara nilai taksiran dengan residual. Untuk melihat
heteroskedastisitas adalah dengan melihat ada tidaknya pola tertentu pada grafik scatter plot. Yang mendasari dalam pengambilan keputusan ini adalah:
1. Jika ada pola tertentu seperti titik-titik yang ada membentuk satu pola yang teratur bergelombang, melebar, kemudian menyempit
maka akan terjadi masalah heterokedastisitas. 2. Jika tidak ada pola yang jelas seperti titik-titik yang menyebar
diatas dan dibawah angka nol pada sumbu-sumbu maka tidak terjadi heterokedastisitas.
Uji heterokedastisitas dapat diperkuat dengan menggunakan uji glejser. Uji Glejser adalah meregresikan antara variabel bebas dengan variabel residual
absolute, dimana apabila nilai p 0,05 maka variabel bersangkutan dinyatakan bebas heteroskedastisitas.
56
3.8.2.4 Uji Autokorelasi
Uji Autokorelasi bertujuan untuk menguji apakah dalam model regresi linear terdapat korelasi antara kesalahan pengganggu antara periode t dengan
kesalahan pegganggu pada periode t-1 atau sebelumnya. Jika terjadi korelasi, maka dinamakan ada problem autorelasi. Autokorelasi muncul disebabkan adanya
observasi yang berurutan sepanjang waktu berkaitan satu sama lain. Masalah ini timbul karena residual kesalahan penganggu tidak bebas dari satu observasi ke
observasi yang lainnya. Pendekatan ada atau tidaknya autokorelasi menggunakan uji Durbin-
Watson DW test. Pengambilan keputusan dapat dilihat pada tabel berikut ini:
Tabel 3.2 Autokolerasi
Hipotesis nol Jika
Keputusan Tidak ada autokorelasi positif
0 d dl Tolak
Tidak ada autokorelasi positif dl
≤ d ≤ du No decision
Tidak ada autokorelasi negative 4 – dl d 4
Tolak Tidak ada autokorelasi negative
4 – du ≤ d ≤ 4 - dl
No decision Tidak ada autokorelasi ,positif atau
negative du d 4 - du
Tidak ditolak
3.9 Pengujian Hipotesis
Pengujian hipotesis dalam penelitian ini menggunakan analisis Regresi Berganda Multiple Regression dengan alasan bahwa variabel independennya
lebih dari satu. Analisis ini digunakan untuk menentukan hubungan antara
57
Professional Fee dengan variabel-variabel independen Ghozali, 2009. Persamaan regresinya adalah sebagai berikut :
PFEE = b0 + b1 ADISA + b2 LNTA + b3 SUBSDR + b4
LEV + b5 ROA + b6 BIGF + e Dimana:
PFEE = Logaritma Natural Professional Fee
ADISA = Pengadopsian ISA
LNTA = Logaritma Natural total asset
SUBSDR = Jumlah anak perusahaan
LEV = Leverage
ROA = Return of Asset
BIGF = Auditor Big Four
Kemudian untuk mengetahui pengaruh antara variabel-variabel independen dengan tingkatProfessional Fee maka dilakukan pengujian-pengujian
hipotesis penelitian terhadap variabel-variabel dengan pengujian dibawah ini : a.
Koefisien Determinasi Koefisien determinasi merupakan ikhtisar yang menyatakan seberapa baik
garis regresi sampel mencocokkan data. Koefisien determinasi untuk mengukur proporsi variasi dalam variabel dependen yang dijelaskan oleh regresi. Nilai
�
2
berkisar antara 0 sampai 1, apabila �
2
=0 berarti tidak ada hubungan antara variabel independen dengan variabel dependen, sedangkan jika
�
2
=1 berarti suatu
58
hubungan yang sempurna. Untuk regresi dengan variabel bebas lebih dari 2 maka digunakan adjusted
�
2
sebagai koefisien determinasi. b.
Uji F Uji ini dilakukan utuk menguji apakah variabel-variabel independen
terhadap variabel dependen memiliki pengaruh secara bersama-sama. Pengujian dilakukan dengan menggunakan tingkat signifikansi 0,05 α = 5. Penolakan
atau penerimaan hipotesis dilakukan dengan kriteria sebagai berikut : 1.
Jika nilai sigifikansi kurang dari satu atau sama dengan 0,05 maka hipotesis diterima yang berarti secara bersama-sama variabel
ADISA, LNTASSET, SUBSDR, LEV, ROA, BIGF berpengaruh terhadap Professional Fee.
2. Jika nilai sigifikansi lebih dari 0,05 maka hipotesis ditolak yang
berarti secara bersama-sama variabel ADISA, LNTASSET, SUBSDR, LEV, ROA, BIGF tidak berpengaruh terhadap
Professional Fee. c.
Uji t Uji t digunakan untuk mengetahui kemampuan masing-masing variabel
independen secara individu partial dalam menjelaskan perilaku variabel dependen. Pengujian dilakukan dengan menggunakan tingkat signifikansi 0,05
α= 5. Penolakan atau penerimaan hipotesis dilakukan dengan kriteria sebagai berikut :
59
1. Jika nilai sigifikansi kurang dari satu atau sama dengan 0,05 maka hipotesis diterima yang berarti secara partial variabel ukuran
ADISA, LNTASSET, SUBSDR, LEV, ROA, BIGF berpengaruh terhadap Professional Fee.
2. Jika nilai sigifikansi lebih dari 0,05 maka hipotesis ditolak yang
berarti secara partial variabel ADISA, LNTASSET, SUBSDR, LEV, ROA, BIGF tidak berpengaruh terhadap Professional Fee.
60
BAB IV ANALISIS DAN PEMBAHASAN
4.1 Data Penelitian
Pada perhitungan, data berupa angka kemudian dianlisis menggunakan aplikasi spss 22. Objek penelitian ini adalah perusahaan manufaktur yang terdaftar
di Bursa Efek Indonesia dalam periode 2012-2013. Hasil pengolahan data berupa informasi melihat dan menganalisa hubungan dan pengaruh antara Pengadopsian
ISA, ukuran klien audit, kompleksitas audit, risiko litigasi, profitabilitas klien dan jenis KAP terhadap professional fee. Teknik analisis dalam penelitian ini
menggunakan analisis statistik. Analisis statistik merupakan analisis yang mengacu SPSS. Sampel yang
memenuhi kriteria seperti yang telah dijelaskan dalam bab 3 diperoleh sebanyak 48 perusahaan manufaktur. Adapun perusahaan yang menjadi sampel adalah
Tabel 4.1 Daftar Sampel Penelitian
No Kode
Nama Perusahaan 1
ALDO Alkindo naratama Tbk
2 APLI
Asiaplast Industries Tbk 3
ARNA Arwana Citramulia Tbk
4 BTON
Betonjaya Manunggal Tbk 5
CPIN Charoen Pokphand Indonesia Tbk
6 CTBN
Citra Tubindo Tbk 7
EKAD Ekadharma International Tbk
8 ETWA
Eterindo Wahanatama Tbk 9
IGAR Champion Pacific Indonesia Tbk
10 INKP
Indah Kiat Pulp Paper Tbk 11
INTP Indocement Tunggal Prakasa Tbk
12 IPOL
Indopoly Swakarsa Industry Tbk
61
13 JPFA
JAPFA Comfeed Indonesia Tbk 14
JPRS Jaya Parl Steel Tbk
15 MAIN
Malindo Feedmill Tbk 16
PICO Pelangi Indah Canindo Tbk
17 SIPD
Sierad Produce Tbk 18
SMCB Holcim Indonesia Tbk
19 SRSN
Indo Acidatama Tbk 20
TKIM Pabrik Kertas Tjiwi Kimia Tbk
21 TOTO
Surya Toto Indonesia Tbk 22
TRST Trias Sentosa Tbk
23 UNIC
Unggul Indah Cahaya Tbk 24
BATA Sepatu Bata Tbk
25 BRAM
Indo Kordsa Tbk 26
ERTX Eratex Djaja Tbk
27 IMAS
Indomobil Sukses International Tbk 28
JECC Jembo Cable Company Tbk
29 KBLI
KMI Wire and Cable Tbk 30
KBLM Kabelindo Murni Tbk
31 LPIN
Multi Prima Sejahtera Tbk 32
PRAS Prima Alloy Steel Universal Tbk
33 SMSM
Selamat Sempurna Tbk 34
VOKS Voksel Electric Tbk
35 AISA
Tiga Pilar Sejahtera Food Tbk 36
ALTO Tri Banyan Tirta Tbk
37 DLTA
Delta Djakarta Tbk 38
DVLA Darya-Varia Laboratoria Tbk
39 KLBF
Kalbe Farma Tbk 40
MBTO Martina Berto Tbk
41 MERK
Merc Tbk 42
MLBI Multi Bintang Indonesia Tbk
43 MYOR
Mayora Indah Tbk 44
ROTI Nippon Indosari Corpindo Tbk
45 SIDO
Sido Muncul Tbk 46
SKBM Sekar Bumi Tbk
47 SQBB
Taisho Pharmaceutical Indonesia Tbk 48
WIIM Wismilak Inti Makmur Tbk
62
4.2 Statistik Deskriptif
Peneliti menggunakan metode statistik deskriptif dalam penelitian ini, yaitu penelitian yang dilakukan untuk memperoleh gambaran yang sebenarnya
tentang kondisi perusahaan dalam analisis. Statistik deskriptif memberikan penjelasan mengenai nilai minimum, nilai maksimum, nilai rata-rata mean, dan
nilai standar deviasi dari variabel-variabel independen dan variabel dependen.
Tabel 4.2 Statistik Deskriptif
Descriptive Statistics
N Minimum
Maximum Mean
Std. Deviation PFEE
96 18,827
25,739 21,92513
1,476667 ADISA
96 ,0
1,0 ,500
,5026 LNTA
96 25,701
32,052 28,10726
1,438453 SBSDR
96 ,0
70,0 5,917
10,6184 LEV
96 ,037
,881 ,43818
,187664 ROA
96 ,000
,885 ,13627
,137377 BIGF
96 ,0
1,0 ,417
,4956 Valid N listwise
96
Sumber : Data diolah dengan menggunakan SPSS 22
Dari Tabel 4.2 diatas dapat dijelaskan beberapa hal berikut: 1. Variabel PFEE Professional Fee memiliki nilai minimum 18,827 dan nilai
maksimum 25,739 dengan rata-rata 21,92513 dan standar deviasi 1,476667 dengan jumlah pengamatan sebanyak 96 data.
2. Variabel ADISA Pengadopsian ISA memiliki nilai minimum 0 dan niali maksimum 1 dengan nialai rata-rata 0,5 dan standar deviasi 0,5026 dengan
jumlah pengamatan sebanyak 96 data.
63
3. Variabel LNTA Ukuran Klien Audit memiliki nilai minimum 25,071 dan nilai maksimum 32,052, dengan nilai rata-rata 28,10726 dan standar deviasi
1,438453 dengan jumlah pengamatan sebanyak 96 data. 4. Variabel SBSDR Kompleksitas Audit memiliki nilai minimum 0 dan
maksimum 70, dengan nilai rata-rata 5,917 dan standar deviasi 10,6184 dengan jumlah pengamatan sebanyak 96 data.
5. Variabel LEV Risiko Litigasi memiliki nilai minimum 0,037 dan nilai maksimum 0,881, dengan nilai rata-rata 0,43818 dan standar deviasi
0,187664 dengan jumlah pengamatan sebanyak 96 data. 6. Variabel ROA Profitabilitas Klien memiliki nilai minimum 0,00005 dan
niali maksimum 0,885, dengan nilai rata-rata 0,13627 dan standar deviasi 0,137377 dengan jumlah pengamatan sebanyak 96 data.
7. Variabel BIGF Jenis KAP memiliki nilai minimum 0 dan nilai maksimum 1, dengan nilai rata-rata 0,417 dan standar deviasi 0,4956 dengan jumlah
pengamatan sebanyak 96 data.
4.3 Pengujian Asumsi Klasik 4.3.1 Uji Normalitas
Uji normalitas dilakukan untuk melihat apakah variabel independen maupun variabel dependen terdistribusi secara normal atau tidak. Pertama sekali,
data di dalam penelitian harus memenuhi asumsi kenormalan data. Data penelitian yang baik adalah data yang memenuhi asumsi kenormalan data. Untuk melihat
apakah data normal atau tidak dari grafik histogram dan normal probability plot.
64
Data yang normal akan membentuk atau mengikuti garis diagonal pada normal probability plot. Data yang normal juga akan terlihat dari grafik histogram yang
seimbang, tidak condong ke kiri maupun ke kanan. Data yang tidak normal tidak akan mengikuti garis diagonal pada normal probability plot dan memiliki grafik
histogram yang tidak seimbang. Berikut ini ditampilkan grafik histogram dan normal probability plot dari variabel penelitian.
Gambar 4.1 Histogram Variabel Dependen PFEE Professional Fee - Normal
Sumber: Data Diolah menggunakan SPSS 22
65
Berdasarkan gambar 4.1 terlihat bahwa pola distribusi normal, akan tetapi jika kesimpulan normal atau tidaknya data hanya dilihat dari grafik histogram,
maka hal ini dapat menyesatkan khususnya untuk jumlah sampel yang kecil. Metode lain yang digunakan dalam analisis grafik adalah dengan melihat normal
probability plot yang membandingkan distribusi kumulatif dan distribusi normal. Jika distribusi data residual normal, maka garis yang akan menggambarkan data
sesungguhnya akan mengikuti garis diagonalnya. Uji normalitas dengan melihat normal probability plot dapat dilihat dalam gambar 4.2 berikut:
Gambar 4.2 Normal P-Plot of Regression Standarized Residual – Normal
Sumber: Data Diolah menggunakan SPSS 22
66
Berdasarkan grafik profitabilitas pada gambar 4.2 di atas menunjukkan bahwa data telah terdistribusi secara normal karena distribusi data residualnya
mengikuti arah garis diagonal garis normal. Peneliti membuat uji Kolmogorov-Smirnov yang membuktikan
kenormalan suatu data penelitian dengan angka. Dengan menggunakan uji Kolmogorov-Smirnov, suatu data dikatakan normal apabila nilai Asymp. Sig. 2-
tailed 0,05 dan apabila nilai Asymp. Sig. 2-tailed 0,05 maka data tidak terdistribusi normal. Berikut hasil pengujian dengan uji Kolmogorov-Smirnov.
Tabel 4.3 Uji Kolmogrov-Smirnov
One-Sample Kolmogorov-Smirnov Test
Unstandardized Residual N
96 Normal Parameters
a,b
Mean ,0000000
Std. Deviation ,70155010 Most Extreme Differences Absolute
,065 Positive
,065 Negative
-,055 Test Statistic
,065 Asymp. Sig. 2-tailed
,200
c,d
a. Test distribution is Normal. b. Calculated from data.
c. Lilliefors Significance Correction. d. This is a lower bound of the true significance.
Sumber: Data Diolah Menggunakan SPSS 22
Dari Tabel Kolmogorov-Smirnov di atas, nilai Asymp. Sig. 2-tailed nya sebesar 0,200 yang berarti 0,05 sehingga dapat ditarik kesimpulan bahwa
data sudah terdistribusi dengan normal
67
4.3.2 Uji Multikolinieritas