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