3.6 Teknik Analisis Data
Alat analisis yang digunakan dalam penelitian ini adalah analisis regresi logistik logistic regression dengan menggunakan SPSS versi 22. Penggunaan
alat regresi logistik logistic regression adalah karena variabel dependen yaitu ketepatan waktu pelaporan keuangan audit timelines bersifat dummy. Asumsi
normal distribution tidak dapat dipenuhi karena variabel bebas merupakan campuran antara variabel kontinyu metrik dan katagorial non-metrik. Dalam
hal ini dapat dianalisis dengan regresi logistik logistic regression karena tidak perlu asumsi normalitas data pada variabel bebasnya Ghozali, 2013.Adapun
yang menjadi teknik analisis data dalam penelitian ini yaitu:
3.6.1 Analisis Statistik Deskriptif
Statistik deskriptif digunakan untuk mendeskriptifkan variabel- variabel dalam penelitian ini, yaitu audit timeliness, ukuran perusahaan,
kualitas auditor, opini audit, audit report lag pada perusahaan perbankan yang terdaftar di BEI. Statistik deskriptif akan memberikan gambaran
umum dari setiap variabel penelitian. Alat analisis yang digunakan adalah nilai rata-rata mean, distribusi frekuensi, nilai minimum dan maksimum
serta standar deviasi standard deviation.
3.6.2 Pengujian Model
3.6.2.1 Menilai Keseluruhan Model Overall Fit Model
Dalam penelitian ini pertama kali akan dilakukan penilaian terhadap keseluruhan model fit terhadap data. Beberapa
tes statistik digunakan untuk menilai hal ini. Hipotesis untuk menilai model ini adalah:
H0 : Model yang dihipotesiskan fit dengan data H1 : Model yang dihipotesiskan tidak fit dengan data
Dari hipotesis tersebut hipotesis nol harus ditolak agar model fit dengan data. statistik yang digunakan menggunakan
statistik Likelihood. Likelihood L dari model adalah probabilitas bahwa model yang dihipotesiskan menggambarkan data input.
Untuk menguji hipotesis nol dan alternatif, L ditransformasikan menjadi - 2 Log Likelihood atau -2LL. Penurunan likehood -2LL
menunujukkan model regresi yang lebih baik atau dengan kata lain model yang dihipotesiskan fit dengan data.Log Likelihood
pada regresi logistik mirip dengan pengertian “Sum of Square Error” pada model regresi, sehingga penurunan Log Likelihood
menunjukkan model regresi yang semakin baik Ghozali, 2013.
3.6.2.2 Menguji Kelayakan Model Regresi Hosmer and
Lemeshow’s Goodness of Fit Test
Kelayakan model regresi dinilai dengan menggunakan Hosmer and Lemeshow’s Goodness of Fit Test. Hosmer and
Lemeshow’s Goodness of Fit Test menguji hipotesis nol bahwa data empiris cocok atau sesuai dengan model tidak ada perbedaan
antara model dengan data sehingga model dapat dikatakan fit. Jika nilai statistic Hosmer and Lemeshow’s Goodness of Fit Test
sama dengan atau kurang dari 0,05, maka hipotesis nol ditolak yang berarti ada perbedaan signifikan antara model dengan nilai
observasinya sehingga Goodness fit model tidak baik karena model tidak dapat memprediksi nilai observasinya. Jika nilai
statistik Hosmer andLemeshow’s Goodness of Fit Test lebih besar dari 0,05, maka hipotesis nol tidak dapat ditolak dan berarti model
mampu memprediksi nilai observasinya atau dapat dikatakan model dapat diterima karena cocok dengan data
observasinya.Ghozali, 2013.
3.6.2.3 Koefisien Determinasi Negelkerke R Square
Cox and Snell R Square dan Nagelkerke R Square merupakan ukuran yang mencoba meniru ukuran R
2
dalam multiple regression yang didasarkan pada teknik estimasi Likelihood.
Nagelkerke R Square lebih mudah diinterpretasikan daripada Cox and Snell R Square sehingga untuk mengetahui seberapa besar
variabilitas variabel dependen yang dapat dijelaskan oleh variabel independen dapat dilihat dari nilai Nagelkerke R Square.
Nagelkerke’s R Square merupakan modifikasi dari koefisien Cox dan Snell untuk memastikan bahwa nilainya bervariasi dari 0 nol
sampai 1 satu. Hal ini dilakukan dengan cara membagi nilai Cox dan Snell
‟s R
2
dengan nilai maksimumnya. Nilai Nagelkerke’s R Square dapat diinterpretasikan seperti nilai R
2
pada multiple regression. Nilai yang kecil berarti kemampuan variabel-variabel
independen dalam menjelaskan variasi variabel dependen amat terbatas. Nilai yang mendekati satu variabel-variabel independen
memberikan hampir semua informasi yang dibutuhkan untuk memprediksi variasi variabel dependen.
3.6.2.4 Matriks Klasifikasi
Matriks klasifikasi menunjukkan kekuatan prediksi dari model regresi untuk memprediksi kemungkinan prinsip
konservatismeyang digunakan oleh perusahaan. Pada kolom merupakan dua nilai prediksi dari variabel dependen dalam hal ini
Tepat waktu 0 dan tidak tepat waktu 1, sedangkan pada baris menunjukkan nilai observasi sesungguhnya dari variabel dependen
Tepat waktu 0 dan tidak tepat waktu 1. Pada model yang sempurna, maka semua kasus akan berada pada diagonal dengan
tingkat ketepatan peramalan 100.. Dalam output regresi logistik, angka ini dapat dilihat pada Classification Table Ghozali, 2013.
3.6.3 Pengujian Data
Pengujian data dalam penelitian ini menggunakan uji asumsi klasik sedangkan pengujian model dan pengujian hipotesis menggunakan regresi
logistik. Regresi logistik yaitu regresi yang digunakan sejauh mana probabilitas terjadinya variabel dependen dapat diprediksi dengan variabel
independen. Teknik analisis regresi logistik tidak lagi memerlukan uji normalitas dan uji asumsi klasik seperti uji autokorelasi pada variabel
bebasnya Ghozali, 2013. Dengan demikian tujuan regresi logistik adalah pembuatan sebuah model regresi untuk memprediksi besar variabel
dependen yang berupa sebuah variabel binary menggunakan data variabel independen yang sudah diketahui besarnya Santoso,2014.Regresi Logistik
juga mengabaikan uji heteroscedary, tetapi
menggunakan uji multikolonieritas.
3.6.3.1 Uji Multikolonieritas
Pengujian multikolonieritas bertujuan untuk menguji apakah pada model regresi ditemukan adanya korelasi antar
variabel independen. Jika terjadi korelasi, maka dinamakan terdapat problem multikoliniearitas. Model regresi yang baik
seharusnya tidak terjadi korelasi di antara variabel independen. Pengujian terhadap ada tidaknya multikolinearitas dilakukan
dengan melihat toleransi variabel dan Variance Inflation Factor VIF dengan membandingkan sebagai berikut:
a. Bila VIF 10 terdapat masalah multikolinearitas. b. Bila VIF 10 tidak terdapat masalah multikolinearitas.
c. Tolerance 0,1 maka diduga mempunyai persoalan multikolinearitas.
d. Tolerance0,1 maka tidak terdapat multikolinearitas.
3.6.4 Pengujian Hipotesis
Untuk menguji kecocokan model dengan menggunakan keseluruhan variabel penjelas secara bersama-sama digunakan Likelihood
Ratio Test atau uji simultan.Untuk melihat pengaruh seluruh variabel bebas terhadap variabel tidak bebas secara bersama-sama simultan
digunakan uji statistik G2 Likelihood Ratio Test. Adapun Hipotesis yang digunakan adalah:
H0 : Tidak ada pengaruh antara variabel penjelas terhadap variabel respon
H1 : Minimal ada satu variabel penjelas yang berpengaruh terhadap variabel respon
Pengujian hipotesis dapat dilakukan melalui koefisien regresi. Koefisien regresi dari setiap variabel yang diuji menunjukkan bentuk
hubungan antara variabel. Pengujian secara parsial dilakukan dengan cara membandingkan antara nilai probabilitas sig dengan tingkat signifikasi
α. Jika nilai asymtotik signifikan dari 0,05 tingkat signifikansi α maka berarti H0 ditolak dan Ha diterima yang berarti bahwa variabel
independen berpengaruh secara signifikan terhadap terjadinya variabel dependen. Begitu pula sebaliknya, bila asymtotik signifikan dari 0,05
tingkat signifikansiα maka berarti H0 diterima dan Ha ditolak yang berarti bahwa variabel independen tidak berpengaruh secara signifikan
terhadap terjadinya variabel dependen.
Pengujian hipotesis dalam penelitian ini menggunakan analisis multivariate dengan menggunakan regresi logistik logistic regression,
dengan variabel bebasnya merupakan kombinasi antara metrik dan non metrik nominal.. Model regresi logistik yang digunakan untuk menguji
hipotesis pada penelitian ini yaitu :
TIME = β0 + β1 SIZE + β2 KAUD + β3 ARLAG + e
Keterangan :
β0 :
Konstanta
TIME :
Audit timeliness yang diukur dengan menggunakan variabel dummy
SIZE :
Total aset
KAUD :
Kualitas Auditor yang diukur dengan menggunakan variabel dummy
ARLAG :
Audit Report Lag
β1,β2,β3, β4 :
Koefisien Regresi
e :
Error Kesalahan Residual
BAB IV ANALISIS HASIL PENELITIAN
4.1 Data Penelitian
Metode analisis data yang digunakan dalam penelitian ini adalah metode analisis regresi logistik Logistic Regression. Analisis data dimulai dengan
mengolah data dengan menggunakan Microsoft excel , selanjutnya dilakukan pengujian asumsi klasik dan pengujian regresi logistik. Pengujian asumsi klasik
dan regresi logistik digunakan dengan menggunakan software SPSS versi 22. Prosedur dimulai dengan memasukkan variabel-variabel penelitian ke program
SPSS tersebut dan menghasilkan output-output sesuai dengan metode analisis data yang telah ditentukan.
Berdasarkan kriteria yang telah ditetapkan, diperoleh 30 perusahaan yang memenuhi kriteria dan dijadikan sampel dalam penelitian dan diamati selama
periode 2010-2012.
TABEL 4.1 DAFTAR SAMPEL PENELITIAN
No Nama Perusahaan
KODE 1
Bank Rakyat Indonesia Argo Niaga Tbk AGRO
2 Bank ICB Bumi Putera Tbk
BABP
3 Bank Capital Indonesia Tbk
BACA
4 Bank Ekonomi Raharja Tbk
BAEK
5 Bank Central Asia Tbk
BACA