commit to user
BAPEPAM-LK. Sisanya sebesar 52 perusahaan belum memiliki komisaris independen. Sementara itu nilai minimal dan maksimal variabel LnGP adalah
22,77 dan 28,78 dengan mean dan standar deviasi sebesar 24,6918 dan 1,53334. Mean variabel rencana kompensasi eksekutif RKE menunjukkan nilai
sebesar 0,25, yang berarti proporsi sebesar 25 perusahaan mempunyai rencana kompensasi eksekutif berupa pemberian bonus atau opsi kepada karyawan,
sedangkan sebesar 75 perusahaan tidak mempunyai rencana kompensasi eksekutif. Nilai minimal dan maksimal variabel leverage Lev adalah 0,01 dan
1,83 dengan mean dan standar deviasi sebesar 0,514545 dan 0,3137430. Variabel terakhir adalah reputasi auditor Aud. Nilai mean variabel reputasi auditor adalah
0,48, yang menunjukkan bahwa proporsi sebesar 48 perusahaan yang melakukan IPO menggunakan jasa audit KAP Big Four dan sisanya 52
menggunakan jasa audit KAP Non Big Four.
B. Uji Asumsi Klasik
Gujarati 2003 menyatakan bahwa sebelum melakukan uji regresi terlebih dahulu dilakukan pengujian asumsi klasik, pengujian ini dilakukan untuk
memperoleh keyakinan bahwa penggunaan model regresi menghasilkan estimator linear yang tidak bias. Asumsi-asumsi tersebut adalah normalitas, autokorelasi,
multikolinieritas, dan heterokedastisitas.
1. Uji Normalitas
Uji normalitas bertujuan untuk menguji apakah dalam model regresi, variabel terikat dan variabel bebas keduanya mempunyai distribusi normal
commit to user
ataukan tidak Ghozali 2002. Model regresi yang baik adalah memiliki distribusi data normal atau mendekati normal.
Dalam penelitian ini pengujian normalitas dilakukan dengan melihat normal probability plot, yang membandingkan distribusi kumulatif dari data
sesungguhnya dengan distribusi kumulatif dari distribusi normal. Distribusi normal akan membentuk garis lurus diagonal, dan ploting data akan dibandingkan
dengan garis diagonal. Dasar pengambilan keputusan: a. Jika data menyebar di sekitar garis diagonal dan mengikuti arah garis
diagonal, maka model regresi memenuhi asumsi normalitas. b. Jika data menyebar jauh dari garis diagonal danatau tidak mengikuti arah
garis diagonal, maka model regresi tidak memenuhi asumsi normalitas. Hasil pengujian normalitas disajikan dalam gambar berikut ini.
Gambar 2
Gambar 2 Hasil Uji Normalitas – Model Regresi 1: Grafik Normal Probability Plot
commit to user
Gambar 3
Gambar 3 Hasil Uji Normalitas – Model Regresi 2 : Grafik Normal Probability Plot
Kedua gambar grafik normal plot di atas gambar 2 dan gambar 3 memperlihatkan titik-titik menyebar di sekitar garis diagonal, serta penyebarannya
mengikuti arah garis diagonal. Oleh karena itu, dapat disimpulkan bahwa asumsi normalitas terpenuhi sehingga model regresi 1 dan model regresi 2 layak dipakai.
Untuk memperkuat hasil pengujian PP Plot, maka dalam penelitian ini dilakukan uji one sample kolmogorov-smirnov. Hasil uji kolmogorov-smirnov
untuk model regresi 1 dapat dilihat pada tabel 4 dan hasil uji kolmogorov-smirnov untuk model regresi 2 dapat dilihat pada tabel 5 berikut.
commit to user
Tabel 4 Tabel 4
Hasil Uji Normalitas – Model Regresi 1 : Kolmogorov-Smirnov One-Sample Kolmogorov-Smirnov Test
Unstandardized Predicted Value
N 44
Normal Parameters
a
Mean ,2688636
Std. Deviation ,06891601
Most Extreme Differences
Absolute ,106
Positive ,106
Negative -,086
Kolmogorov-Smirnov Z ,706
Asymp. Sig. 2-tailed ,701
a. Test distribution is Normal
Tabel 5 Tabel 5
Hasil Uji Normalitas – Model Regresi 2 : Kolmogorov-Smirno v
One-Sample Kolmogorov-Smirnov Test Unstandardized Predicted Value
N 44
Normal Parameters
a
Mean ,2688636
Std. Deviation ,07201586
Most Extreme Differences
Absolute ,099
Positive ,099
Negative -,084
Kolmogorov-Smirnov Z ,660
Asymp. Sig. 2-tailed ,777
a. Test distribution is Normal.
commit to user
Hasil uji
normalitas residual
dengan uji
kolmogorov-smirnov menunjukkan nilai sebesar 0,701 untuk model regresi 1 dan sebesar 0,777 untuk
model regresi 2. Oleh karena angka signifikansi 0,05, maka dapat disimpulkan bahwa data residual terdistribusi normal. Dengan kata lain, model regresi yang
digunakan telah memenuhi asumsi normalitas.
2. Uji Multikolinieritas
Uji multikolinieritas bertujuan untuk mengetahui apakah di dalam model regresi terdpat korelasi antar variabel bebas independen. Uji multikolinieritas
dapat diamati dengan membandingkan nilai variance inflation factor VIF dan nilai tolerance. Kedua ukuran ini menunjukkan setiap variabel bebas manakah
yang dijelaskan oleh variabel bebas lainnya. Dalam pengertian sederhana setiap variabel bebas menjadi variabel terikat dan diregres terhadap variabel bebas
lainnya Ghozali 2002. Nilai cutoff tolerance yang umum digunakan adalah 0,10 dan VIF 10.
Jika terjadi hal demikian, berarti tidak terjadi multikolinieritas pada model regresi. Selain itu untuk mendeteksi ada atau tidaknya multikolinieritas dalam model
regresi penelitian ini dilakukan dengan menganalisis matrik korelasi variabel- variabel bebas. Jika antar variabel bebas terdapat korelasi yang cukup tinggi
umumnya di atas 0,90, maka hal ini merupakan indikasi adanya multikolinieritas Ghozali 2002. Hasil uji multikolinieritas untuk model regresi 1 dapat dilihat
pada tabel 6, sedangkan hasil uji multikolinieritas untuk model regresi 2 dapat dilihat pada tabel 7.
commit to user
Tabel 6 Tabel 6
Hasil Uji Multikolinieritas – Model Regresi 1 Variabel
Tolerance VIF
Kesimpulan
LnOwnRet 0,705
1,419 Tidak multikolinieritas
Undw 0,847
1,181 Tidak multikolinieritas
LnUP 0,795
1,258 Tidak multikolinieritas
KomInd 0,565
1,770 Tidak multikolinieritas
LnGP 0,488
2,051 Tidak multikolinieritas
RKE 0,673
1,485 Tidak multikolinieritas
Lev 0,935
1,069 Tidak multikolinieritas
Aud 0,796
1,256 Tidak multikolinieritas
Sumber : Data sekunder, diolah
Dari tabel 6 menunjukkan bahwa tidak ada variabel yang memiliki nilai tolerance kurang dari 0,10 10, sedangkan nilai VIF juga menunjukkan bahwa
tidak ada satu pun variabel yang memiliki VIF lebih dari 10. Sementara itu, hasil besaran korelasi antar variabel dalam penelitian ini lampiran 4 menunjukkan
bahwa tidak ada korelasi antar variabel yang nilainya lebih dari 90, sehingga dapat diambil kesimpulan bahwa tidak ada multikorelasi antar variabel dalam
model regresi 1 atau dengan kata lain semua variabel independen tersebut layak digunakan sebagai prediktor.
commit to user
Tabel 7 Tabel 7
Hasil Uji Multikolinieritas – Model Regresi 2 Variabel
Tolerance VIF
Kesimpulan
LnOwnRet 0,184
5,422 Tidak multikolinieritas
Undw 0,820
1,220 Tidak multikolinieritas
LnUP 0,722
1,385 Tidak multikolinieritas
KomInd 0,544
1,837 Tidak multikolinieritas
HerfIndCon 0,165
6,045 Tidak multikolinieritas
LnOwnRet. HerfIndCon
0,074 13,568
Multikolinieritas
LnGP 0,478
2,093 Tidak multikolinieritas
RKE 0,623
1,605 Tidak multikolinieritas
Lev 0,898
1,114 Tidak multikolinieritas
Aud 0,789
1,267 Tidak multikolinieritas
Sumber : Data sekunder, diolah
Dari tabel 7 menunjukkan terdapat multikolinieritas pada variabel interaksi LnOwnRet. HerfIndCon, karena nilai tolerance kurang dari 0,10 dan
nilai VIF lebih dari 10. Meskipun terdapat multikolinearitas, hasil penelitian ini tidak akan berkurang tingkat kepercayaannya karena analisis penelitian dilakukan
menggunakan regresi interaksi. Dalam hal ini multikolinieritas tidak berbahaya Gudono dan Mardiyah 2000 dalam Prasetyo 2002, karena model yang dianalisis
memang mengkombinasikan dua variabel independen model interaksi yang
commit to user
memang cenderung menyebabkan terjadinya multikolinieritas Kleinbaum et al. 1987 dalam Muawanah dan Indriantoro 2001. Di samping hal tersebut,
multikolinieritas tidak menjadi masalah yang serius apabila tujuan analisis hanya untuk memprediksi adanya pengaruh, bukan menghitung besarnya parameter
variabel independen Gujarati 1995 dalam Muawanah dan Indriantoro 2001.
3. Uji Autokorelasi
Autokorelasi terjadi karena observasi yang berurutan sepanjang waktu berkaitan satu sama lain. Masalah ini timbul karena residual kesalahan
pengganggu tidak bebas dari satu observasi ke observasi yang lainnya. Uji autokorelasi bertujuan untuk menguji apakah dalam suatu model regresi linier ada
korelasi antara kesalahan pengganggu pada periode t dengan periode t-1 sebelumnya. Untuk mendeteksi autokorelasi digunakan uji Breusch-Godfrey
BG test. Data akan lolos uji ini jika signifikansi lebih dari 5. Hasil pengujian autokorelasi dapat dilihat pada tabel 8.
Tabel 8 Tabel 8
Hasil Uji Autokorelasi – BG test
Model Sig
Res_2 model regresi 1 0,249
Res_2 model regresi 2 0,135
Sumber : Data sekunder, diolah
Hasil pengujian autokorelasi model regresi 1 pada tabel 8 menunjukkan bahwa koefisien parameter untuk variabel residual Res_2 memberikan
commit to user
probabilitas signifikan 0,249. Sementara itu hasil pengujian autokorelasi model regresi 2 pada tabel 8 menunjukkan bahwa koefisien parameter untuk variabel
residual Res_2 memberikan probabilitas signifikan 0,135. Dengan demikian menunjukkan kedua model regresi tersebut tidak terdapat autokorelasi.
4. Uji Heterokedastisitas
Uji heterokedastisitas bertujuan untuk menguji apakah dalam model regresi terjadi ketidaksamaan varians dari residual satu pengamatan ke
pengamatan lain. Jika varians dari residual satu pengamatan ke pengamatan lain tetap maka disebut homokedastisitas dan jika berbeda disebut heterokedastisitas.
Pengujian asumsi ini dilakukan dengan melihat grafik plot antara nilai prediksi variabel terikat ZPRED dengan residualnya SRESID. Hasil pengujian
heterokedastisitas untuk model regresi 1 dapat dilihat pada gambar 4, sedangkan hasil pengujian heterokedastisitas untuk model regresi 2 dapat dilihat pada gambar
5. Hasil pengujian heterokedastisitas pada gambar 4 dan gambar 5
menunjukkan bahwa titik-titik tersebar di atas dan di bawah angka nol. Titik-titik menyebar dan tidak membentuk pola tertentu sehingga dapat disimpulkan bahwa
dalam model regresi 1 dan model regresi 2 tidak terjadi heterokedastisitas.
commit to user
Gambar 4
Gambar 4 Hasil Uji Heterokedastisitas – Model 1
Gambar 5
Gambar 5 Hasil Uji Heterokedastisitas – Model 2
commit to user
C. Pengujian Hipotesis
