15. NIPS Nipress
Tbk 16.
ROTI Nippon Indosari Corporindo Tbk
17. SMCB
Holcim Indonesia Tbk 18.
SMSM Selamat Sampoerna Tbk
19. TCID
Mandom Indonesia Tbk 20. UNVR
Unilever Indonesia
Tbk Sumber : Bursa Efek Jakarta
4.2. Analisis Hasil Penelitian
4.2.1. Pengujian Asumsi Klasik
4.2.1.1.Uji Normalitas
Pengujian terhadap asumsi klasik normalitas bertujuan untuk mengetahui apakah resudial data dari model regresi linear memiliki
distribusi normal ataukah tidak. Jika resudial data tidak terdistribusi dengan normal maka kesimpulan statistik menjadi tidak valid atau
bias. Dalam penelitian ini ada dua cara untuk mendeteksi resudial data yaitu dengan analisis grafik normal probability plot dan grafik
histogram dan uji Kolmogorov-Smirnov. Berikut ini hasil uji normalitas.
Universitas Sumatera Utara
Gambar 4.1. Grafik Normal Probability Plot
Dari grafik normal probability plot di atas dapat dilihat bahwa titik- titik plot menyebar di sekitar garis diagonal. Hal ini dapat
disimpulkan bahwa data yang digunakan terdistribusi normal atau memenuhi asumsi klasik normalitas.
Universitas Sumatera Utara
Gambar 4.2. Grafik Histogram
Dari grafik histogram di atas dapat diketahui bahwa grafik memiliki pola distribusi normal karena bentuknya yang simetris. Namun
demikian dengan melihat grafik normal probability plot dan grafik histogram saja tidaklah cukup. Untuk itu dilakukan uji Kolmogorov-
Smirnov untuk memastikan apakah data normal atau tidak.
Universitas Sumatera Utara
Tabel 4.2. Uji Kolmogorov-Smirnov
One-Sample Kolmogorov-Smirnov Test
Unstandardized Residual
N 60
Normal Parameters
a,b
Mean .0000000
Std. Deviation 13.10126291
Most Extreme Differences Absolute
.155 Positive
.113 Negative
-.155 Kolmogorov-Smirnov Z
1.200 Asymp. Sig. 2-tailed
.112
a. Test distribution is Normal. b. Calculated from data.
Dari hasil uji Kolmogorov-Smirnov di atas diperoleh nilai Asymp. Sig. 2-tailed sebesar 0.112. Karena Asymp. Sig. 2-tailed 0.05,
maka dapat disimpulkan bahwa data terdistribusi normal.
4.2.1.2.Uji Multikolinearitas
Pengujian terhadap asumsi klasik multikolinearitas bertujuan untuk mengetahui apakah ada atau tidaknya korelasi antara variabel
independen dalam model regresi. Cara umum yang digunakan untuk mendeteksi ada tidaknya problem multikolinearitas adalah dengan
melihat nilai Tolerance dan VIF Variance Inflation Factor. Berikut ini hasil uji multikolinearitas.
Universitas Sumatera Utara
Tabel 4.3. Tolerance dan VIF Variance Inflation Factor
Coefficients
a
Model Unstandardized Coefficients
Collinearity Statistics B
Std. Error Tolerance
VIF
1 Constant
68.481 21.623
UkuranPerusahaan 4.568
2.638 .930
1.076
UkuranKAP -14.887
4.510 .926
1.080
JenisOpini -15.405
13.590 .996
1.004
a. Dependent Variable: AuditReportLag
Dari hasil uji multikolinearitas di atas diperoleh nilai Tolarance 0.10 dan nilai VIF 10, maka dapat disimpulkan bahwa data
memenuhi uji asumsi klasik multikolinearitas.
4.2.1.3.Uji Heteroskedastisitas
Uji heteroskedastisitas bertujuan menguji apakah variance dari residual satu pengamatan ke pengamatan yang lainnya berbeda atau
tetap. Ada beberapa cara untuk mendeteksi problem heteroskedastisitas yaitu dengan grafik scatterplot dan uji statistik
glejser. Berikut ini hasil uji heteroskedastisitas.
Universitas Sumatera Utara
Gambar 4.3. Grafik Scatterplot
Dari grafik scatterplot di atas dapat dilihat bahwa titik-titik tidak berkumpul pada satu tempat. Hal ini mengindikasikan bahwa pada
data tidak terjadi problem heteroskedastisitas sehingga memenuhi asumsi klasik heteroskedastisitas. Namun analisis menggunakan
grafik scatterpolt memiliki kelemahan karena tergantung pada jumlah sampel. Oleh karena itu dibutuhkan teknik lain yang lebih akurat
untuk mendeteksi ada atau tidaknya problem heteroskedastisitas yaitu dengan melakukan uji statistik glejser.
Universitas Sumatera Utara
Tabel 4.4. Uji Statistik Glejser
Coefficients
a
Model Unstandardized Coefficients
Standardized Coefficients
t Sig.
B Std. Error
Beta
1 Constant
.042 15.621
.003 .998
UkuranPerusahaan .198
1.906 .014
.104 .917
UkuranKAP -1.363
3.258 -.058
-.418 .677
JenisOpini 8.781
9.818 .119
.894 .375
a. Dependent Variable: Glejser
Dari hasil uji glejser di atas diperoleh nilai signifikansi untuk variabel 0.05. Oleh karena itu, dapat disimpulkan bahwa data
memenuhi asumsi klasik heteroskedastisitas.
4.2.1.4.Uji Autokorelasi
Uji autokorelasi bertujuan untuk mengetahui apakah dalam model regresi linear ada korelasi antara kesalahan pengganggu pada satu
pengamatan ke pengamatan yang lainnya. Ada beberapa cara yang dapat digunakan yaitu dengan melakukan uji statistik Durbin-
Watson, uji Runs Test. Berikut ini hasil uji autokorelasi.
Universitas Sumatera Utara
Tabel 4.5. Uji Durbin-Watson
Model Summary
b
Model R
R Square Adjusted R
Square Std. Error of the
Estimate Durbin-Watson
1 .428
a
.183 .139
13.448 1.778
a. Predictors: Constant, JenisOpini, UkuranPerusahaan, UkuranKAP b. Dependent Variable: AuditReportLag
Dari hasil analisis di atas diperoleh nilai DW statistik sebesar 1.778. Jumlah variabel yang digunakan ada dua k = 4 dengan sampel n =
60, maka diperoleh nilai DW tabel sebesar 1.727. Karena nilai DW statistik lebih besar dari nilai tabel yaitu 1.778 1.727, maka dapat
disimpulkan bahwa data tidak terdapat problem autokorelasi. Selanjutnya dilakukan uji Runs Test untuk memastikan apakah data
terdapat problem autokorelasi atau tidak.
Tabel 4.6. Uji Runs Test
Runs Test
Unstandardized Residual
Test Value
a
-.76493 Cases Test Value
30 Cases = Test Value
30 Total Cases
60 Number of Runs
30 Z
-.260 Asymp. Sig. 2-tailed
.795
a. Median
Dari hasil uji statistik Runs Test di atas diperoleh nilai signifikansi 0.795. Artinya nilai signifikansi 0.795 0.05, maka dapat
Universitas Sumatera Utara
disimpulkan bahwa data tidak terdapat problem autokorelasi atau memenuhi asumsi klasik autokorelasi.
4.2.2. Pengujian Hipotesis