34
3.6 Metode Analisis Data
1. Statistik Deskriptif
Statistik deskriptif merupakan metode-metode statistik yang digunakan untuk menggambarkan data yang telah dikumpulkan. Statistik deskriptif
digunakan untuk mendeskripsikan dan memberikan gambaran tentang distribusi frekuensi variabel-variabel dalam penelitian ini, nilai maksimum,
minimum, rata-rata mean, standar deviasi, varian, maksimum, minimum, range, kurtois, dan skewness Ghozali, 2006: 19. Statistik deskriptif
memberikan gambaran mengenai variabel dependen yaitu Kualitas Auditdan variabel independen yaitu Audit Tenure, Ukuran KAP, Ukuran Perusahaan
klien, dan Spesialisasi Audit. Dengan statistik deskriptif, kumpulan data yang diperoleh akan tersaji
dengan ringkas dan rapi serta dapat memberikan informasi inti dari kumpulan data yang ada. Informasi yang diperoleh dari statistik deskriptif lebih jelas
dan mudah dipahami. Statistik deskriptif berhubungan dengan pengumpulan dan peringkasan data serta penyajian hasil peringkasan tersebut Ghozali,
2006: 19. 2.
Uji Multikolinieritas Uji multikolinieritas bertujuan untuk menguji ada atau tidaknya korelasi
antar variabel independen dalam model regresi. Cara untuk mengetahui ada atau tidaknya multikolinieritas dengan melihat nilai tolerance dan Variance
Inflation Factor VIF. Kedua ukuran ini menunjukkan setiap variable independen manakah yang dijelaskan oleh variabel independen lainnya.
35 Dalam pengertian sederhana setiap variabel independen menjadi variable
dependen dan diregresi variabel independen lainnya. Tolerance mengukur variabilitas variabel independen yang tidak dijelaskan oleh variabel
independen lainnya. Nilai tolerance yang rendah sama dengan nilai VIF tinggi karena VIF = 1tolerance. Nilai cutoff yang umum digunakan untuk
menunjukkan adanya multikolinieritas adalah nilai Tolerance ≤ 0,10 atau
sama dengannilai VIF ≥ 10.
3. Uji Autokolerasi
Uji autokorelasi bertujuan untuk menguji ada atau tidaknya kesalahan pengganggu pada periode t dengan kesalahan pengganggu pada periode t-1
sebelumnya dalam model regresi linier. Cara untuk mengetahui terjadinya autokorelasi atau tidak dengan menggunakan Run Test. Run Test sebagai
bagian dari statistic non parametrik dapat digunakan untuk menguji apakah antar residual terdapat korelasi yang tinggi. Jika antar residual tidak memiliki
korelasi, maka dikatakan bahwa residual acak atau random. Run test digunakan untuk melihat data residual terjadi secara random atau tidak
sistematis. Autokorelasi tidak terjadi apabila probabilitas signifikan lebih besar dari α = 0,05.
4. Analisis Regresi Logistik
Regresi logistik merupakan regresi yang digunakan untuk menguji sampai sejauh mana probabilitas terjadinya variabel dependen dapat
diprediksi oleh variabel independen. Teknik analisis regresi logistik tidak memerlukan asumsi normalitas data pada variabel bebasnya Ghozali,
36 2006 : 211. Regresi logistik menghasilkan rasio peluang yang
dinyatakan dengan transformasi fungsi logaritma log, ataupun ln diperlukan untuk p-value, dengan demikian dapat dinyatakan bahwa logit
p merupakan log dari peluang odds ratio atau likelihood ratio dengan
kemungkinan terbesar nilai peluang adalah 1, dengan demikian persamaan regresi logistik menjadi:
logitp = log p1-p = ln p1-p dimana p bernilai antara 0-1.
Model regresi logistik yang digunakan untuk menguji hipotesis adalah:
Lnp1- p = α + β1 AT +β2 UK + β3 UPK+ β4SA
Keterangan: Lnp1-p = Kualitas Audit
α = Konstanta
AT = Audit Tenure
UK = Ukuran KAP
UPK = Ukuran Perusahaan klien
SA = Spesialisasi Audit
37 5.
Menilai Keseluruhan Model Overall Model Fit Uji ini digunakan untuk menilai apakah model yang telah
hipotesiskan telah fit dengan data atau tidak. Hipotesis untuk menilai model fit adalah:
H = Model yang dihipotesiskan fit dengan data
H
a
= Model yang dihipotesiskan tidak fit dengan data Berdasarkan hipotesis tersebut jelas bahwa kita tidak mungkin
menolak hipotesis nol agar model fit dengan data. Statistik yang digunakan berdasarkan pada fungsi Likelihood. Likelihood L dari model
adalah probabilitas bahwa model yang dihipotesiskan menggambarkan data input. Untuk menguji hipotesis nol dan alternatif, L
ditransformasikan menjadi -2LogL. Penurunan Likelihood -2LL menunjukkan model regresi yang lebih baik atau dengan kata lain model
yang dihipotesiskan fit dengan data. Log Likelihood dalam regresi logistik mirip dengan pengertian ”sum of squared error” pada model
regresi, sehingga penurunan log likelihood menunjukkan model regresi yang baik Ghozali, 2006 : 105.
6. Menguji Kelayakan model regresi
Kelayakan model regresi dapat dinilai dengan menggunakan Hosmer and Lemeshow’s Goodness of Fit Test. Model ini menguji hipotesis nol
apakah data empiris yang digunakan sesuai atau cocok dengan model tidak ada perbedaan antara model dan data empiris sehingga model
38 dapat dikatakan fit Ghozali, 2006: 106. Untuk menilai Hosmer and
Lemeshow’s Goodness of Fit Test:
a.
jika nilai Hosmer and Lemeshow’s Goodness of Fit Test kurang dari atau sama dengan 0.05, maka hipotesis nol ditolak yang berarti ada
perbedaan signifikan antara model dengan nilai observasinya. Sehingga Goodness fit model menjadi tidak baik karena model tidak
dapat memprediksi nilai observasinya,
b.
Jika nilai Hosmer and Lemeshow’s Goodness of Fit Test lebih besar dari 0.05, maka hipotesis nol diterima yang berarti model dapat
menjelaskan nilai observasinya atau bisa dikatakan model dapat diterima karena cocok dengan data observasinya.
7. Pengujian Hipotesis
Pengujian hipotesis dalam penelitian ini untuk menguji pengaruh variabel–variable bebas yaitu Audit Tenure, Ukuran KAP, Ukuran
Perusahaan klien, dan Spesialisasi Audit terhadap Kualitas Audit dengan menggunakan hasil uji regresi yang ditunjukkan dalam
variabel in the equation. Dalam uji hipotesis dengan regresi logistik cukup dengan melihat Variables in the Equation, pada kolom
Significant dibandingkan dengan tingkat kealphaan 0.05 5. Apabila tingkat signifikansi 0.05, maka Ha diterima.
39
BAB IV HASIL PENELITIAN
4.1 Data Penelitian