Hasil Uji Asumsi Klasik

68 keuangan kepada KAP yang telah berafiliasi yang dianggap dapat meningkatkan kepercayaan atas hasil laporan keuangan. Hasil analisis statistik deskriptif untuk variabel dependen integritas laporan keuangan LnILK menunjukan nilai minimum 21,38 dan nilai maksimum 32,43. Ini menunjukan bahwa perusahaan Asuransi Ramayana Tbk pada tahun 2013 memiliki nilai terendah 21,38 dalam penerapan integritas laporan keuangan sehingga dapat diartikan bahwa penerapan yang besar dalam konservatisme. Sedangkan perusahaan Bank Rakyat Indonesia Persero Tbk tahun 2014 memiliki nilai tertinggi 32.43 yang mengindikasikan bahwa penerapan yang kecil dalam konservatisme dengan nilai rata-rata 27,903 dan standar deviasi 2,64702. Nilai rata-rata mengindikasikan bahwa sebagain besar perusahaan menerapkan prinsip konservatisme dalam nilai yang kecil dalam laporan keuangan.

2. Hasil Uji Asumsi Klasik

Analisis data uji asumsi klasik dalam penelitian ini antara lain uji multikolinearitas, uji autokorelasi, uji heterokedastisitas, dan uji normalitas. a. Uji Multikolinearitas Uji multikolinieritas diperlukan untuk menguji dalam model regresi ditemukan adanya korelasi antar variabel independen. Untuk melihat adanya multikolinearitas dapat dilihat dari nilai 69 tolerance dan variance inflation factor VIF. Berikut ini hasil uji multikolinearitas yang disajikan dalam tabel dibawah ini. Tabel 4.3 Hasil Uji Multikolinearitas Pada tabel 4.3 menunjukan nilai tolerance sebesar 0,969 dan nilai VIF sebesar 1,032 untuk variabel komisaris independen KI terhadap integritas laporan keuangan. Nilai tolerance sebesar 0,963 dan nilai VIF sebesar 1,032 untuk variabel komite audit KA terhadap integritas laporan keuangan. Selanjutnya, untuk variabel spesialisasi industri auditor terhadap integritas laporan keuangan memiliki nilai tolerance sebesar 0,945 dan nilai VIF 2,058. Dan untuk variabel audit brand name KAPBN terhadap integritas laporan keuangan memiliki nilai tolerance senilai 0,953 dan VIF sebesar 1,049. Coefficients a Model Collinearity Statistics Tolerance VIF 1 KI .969 1.032 KA .963 1.039 SPEC .945 1.058 KAPBN .953 1.049 a. Dependent Variable: LnILK Sumber: Data sekunder yang diolah, 2016. 70 Dapat disimpulkan bahwa masing-masing variabel independen memiliki nilai tolerance lebih besar dari 0,1 dan VIF lebih kecil dari 10 yang berarti tidak ada multikolinearitas antara variabel independen dalam model regresi sehingga dapat digunakan dalam penelitian ini.

b. Uji Autokorelasi

Uji autokorelasi diperlukan dalam penelitian ini untuk mengetahui apakah model regresi terdapat korelasi antara kesalahan pengganggu pada periode t dengan kesalahan pengganggu pada periode t-1 sebelumnya. Pengujian autokorelasi menggunakan uji Run-Test yang merupakan bagian dari statistik non-parametrik dan dapat juga digunakan untuk menguji apakah antar residual terdapat korelasi yang tinggi. Model regresi yang baik adalah terbebas dari masalah autokorelasi. Berikut ini adalah hasil uji autokorelasi yang dapat dilihat pada tabel 4.4 71 Tabel 4.4 Hasil Uji Autokorelasi Pada tabel 4.4 menunjukan bahwa nilai test 0,20295 dengan nilai signifikansinya sebesar 0,093. Sehingga dapat disimpulkan bahwa residual tidak menolak H yang menunjukan bahwa data residual random acak atau tidak terdapat korelasi antara periode t dengan periode t-1 sebelumnya. Hal ini dikarenakan nilai signifikansinya lebih besar dari 5 sehingga tidak terjadi masalah autokorelasi.

c. Uji Heterokedastisitas

Untuk menguji apakah dalam model regresi terjadi ketidaksamaan varians dari satu pengamatan ke pengamatan lain diperlukan uji heterokedastisitas dengan melihat ada tidaknya pola Runs Test Unstandardized Residual Test Value a .20295 Cases Test Value 46 Cases = Test Value 46 Total Cases 92 Number of Runs 39 Z -1.677 Asymp. Sig. 2-tailed .093 a. Median Sumber: Data sekunder yang diolah, 2016. 72 tertentu pada gambar scatterplot. Jika terdapat pola tertentu yang teratur bergelombang, melebar kemudian menyempit, maka mengindikasi terjadi heterokedastisitas. Sedangkan jika tidak terdapat pola yang jelas dan titik-titik menyebar diatas maupun dibawah angka 0 pada sumbu Y maka tidak terjadi heterokedastisitas. Hasil uji heterokedastisitas dalam penelitian ini dapat dilihat pada gambar 4.1. Gambar 4.1 Hasil Uji Scatterplot Berdasarkan gambar 4.1 diatas dapat disimpulkan bahwa titik-titik menyebar secara acak serta tersebar baik diatas maupun di bawah angka 0 pada sumbu Y. Sehingga dapat disimpulkan bahwa tidak terjadi heterokedastisitas pada model regresi. Analisis dengan grafik scatterplot memiliki kelemahan yang cukup Sumber: Data sekunder yang diolah, 2016. 73 signifikan oleh karena jumlah pengamatan mempengaruhi hasil ploting. Semakin sedikit jumlah pengamatan maka semakin sulit untuk menginterpretasikan hasil grafik scatterplot. Sehingga diperlukan uji statistik untuk mendeteksi adanya heterokedastisitas yaitu uji glejser. Berikut ini hasil uji glejser yang dijelaskan pada tabel 4.5. Tabel 4.5 Hasil Uji Glejser Pada tabel 4.5 ditunjukan bahwa tidak ada satupun variabel independen yang signifikan secara statistik mempengaruhi variabel dependen nilai Absolut UT AbsUT. Hal ini terlihat dari probabilitas signifikansinya diatas tingkat kepercayaan 5. Coefficients a Model Unstandardized Coefficients Standardized Coefficients T Sig. B Std. Error Beta 1 Constant 1.527 .950 1.606 .112 KI -.506 1.096 -.050 -.462 .645 KA .102 .248 .044 .412 .682 SPEC .439 .300 .159 1.466 .146 KAPBN .145 .718 .022 .203 .840 a. Dependent Variable: AbsUT Sumber: Data sekunder yang diolah, 2016. 74 Sehingga dapat disimpulkan bahwa model regresi tidak terdapat adanya heterokedastisitas.

d. Uji Normalitas

Uji normalitas menguji apakah dalam model regresi, variabel dependen dan independen terdistribusi normal atau tidak. Model regresi yang baik memiliki distribusi normal atau mendekati normal. Hasil pengujian normalitas dalam penelitian ini sebagai berikut. Gambar 4.2 Hasil Uji Normalitas Menggunakan Grafik P-Plot Sumber: Data sekunder yang diolah, 2016. 75 Berdasarkan gambar 4.2 grafik normal P-Plot terlihat bahwa titik-titik menyebar disekitar garis diagonal dan mengikuti arah garis diagonal, hal ini menunjukan bahwa model regresi memenuhi asumsi normalitas. Selain pengujian normalitas menggunakan grafik P-Plot, dapat juga dilihat dari gambar histogramnya. Berikut ini hasil uji normalitas menggunakan grafik histogram. Gambar 4.3 Hasil Uji Normalitas Menggunakan Grafik Histogram Pada gambar 4.3 dapat dilihat bahwa data terdistribusi secara normal dan berbentuk simetris tidak melenceng ke kanan maupun ke kiri. Pengujian normalitas menggunakan grafik P-plot dan histogram dapat menyesatkan jika tidak hati-hati, meskipun Sumber: Data sekunder yang diolah, 2016. 76 secara visual kelihatan normal, pada hal secara statistik dapat sebaliknya. Sehingga disamping melihat grafik P-Plot dan histogram perlu juga dilengkapi uji statistik. Pengujian secara statistik dalam penelitian ini menggunakan uji kolmogorov- smirnov K-S test. Berikut ini hasil pengujian menggunakan uji statistik kolmogorov-smirnov. Tabel 4.6 Hasil Uji Kolmogorov-Smirnov One-Sample Kolmogorov-Smirnov Test Unstandardiz ed Residual N 92 Normal Parameters a,b Mean .0000000 Std. Deviation 2.24492534 Most Extreme Differences Absolute .049 Positive .033 Negative -.049 Test Statistic .049 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 sekunder yang diolah, 2016. 77 Pada tabel 4.6 dapat dilihat bahwa nilai kolmogorov- smirnov adalah 0,049 dengan signifikansi 0,200, yang berarti data residual terdistribusi secara normal. Hal ini terlihat dari probabilitas signifikansinya diatas 5. Dalam pengujian statistik kolmogorov-smirnov memiliki hasil yang konsisten dengan pengujian menggunakan grafik P-Plot dan histogram yaitu data terdistribusi secara normal.

3. Koefisien Determinasi