distribusi suatu data secara normal. Uji Kolmogorov Smirnov menggunakan tingkat signifikansi 5, maka nilai asymp.sig 2-
tailed di atas nilai signifikan 5 artinya variabel residual
berdistribusi normal.
Tabel 4.2 Hasil Uji Kolmogorov Smirnov
One-Sample Kolmogorov-Smirnov Test
Unstandardized Residual
N 165
Normal Parameters
a
Mean .0000000
Std. Deviation .01727556
Most Extreme Differences
Absolute .104
Positive .104
Negative -.068
Kolmogorov-Smirnov Z 1.330
Asymp. Sig. 2-tailed .058
a. Test distribution is Normal. Sumber: Data sekunder yang diolah, 2015
Hasil analisis metode One Sample Kolmogorov-Smirnov, menunjukkan bahwa nilai Kolmogorov-Smirnov dengan sampel
N 165 sebesar 1,330 dan berada di atas signifikan 0,05 karena Asymp. Sig
. 2-tailed 0,058 0,05, maka dapat disimpulkan data terdistribusi secara normal.
4.2.2.2. Uji Multikolinearitas
Uji multikolinearitas bertujuan untuk menguji apakah model regresi ditemukan adanya korelasi antar variabel bebas
independen. Model regresi yang baik seharusnya tidak terjadi
korelasi di antara variabel independen. Uji multikolinearitas dapat dilihat dari 1 nilai tolerance dan lawannya 2 variance inflation
factor VIF. Kedua ukuran ini menunjukkan setiap variabel
independen manakah yang dijelaskan oleh variabel independen lainnya. Tolerance mengukur variabilitas variabel independen yang
terpilih yang tidak dijelaskan oleh variabel independen. Jadi nilai tolerance
yang rendah sama dengan nilai VIF tinggi karena VIF = 1Tolerance. Untuk mendeteksi adanya multikolinearitas dapat
dilihat dari Value Inflation Factor VIF dan nilai Tolerance. Apabila nilai VIF 10, terjadi multikolinearitas. Sebaliknya, jika
VIF 10, tidak terjadi multikolinearitas dan apabila nilai Tolerance
0,10 tidak terjadi multikolinearitas dan sebaliknya jika nilai Tolerance 0,10, maka terjadi multikolinearitas.
Tabel 4.3 Hasil Uji Multikolinearitas
Coefficients
a
Model Collinearity Statistics
Tolerance VIF
1 Constant
X1 .997
1.003 X2
.987 1.013
X3 .988
1.012
a. Dependent Variable: Y Sumber: Data sekunder yang diolah, 2015
Masing-masing variabel independen memiliki nilai tolerance
yang lebih besar dari 0,1 yaitu variabel komisaris independen X1 dengan nilai tolerance 0,997; variabel komite
audit X2 memiliki nilai tolerance 0,987; variabel struktur kepemilikan X3 memiliki nilai tolerance 0,988. Jika dilihat dari
VIF, masing-masing variabel independen memiliki nilai lebih kecil dari 10 yaitu untuk VIF komisaris independen 1,003; VIF komite
audit 1,013; dan VIF struktur kepemilikan 1,012. Dengan demikian dapat disimpulkan bahwa tidak terjadi gejala multikolinearitas.
4.2.2.3 Uji Heteroskedastisitas
Uji heteroskedastisitas bertujuan untuk menguji apakah dalam model regresi terjadi ketidaksamaan variance dari residual
satu pengamatan ke pengamatan yang lain. Jika variance dari residual suatu pengamatan ke pengamatan lain tetap, maka disebut
homoskedastisitas dan jika berbeda disebut heteroskedastisitas. Model regresi yang baik adalah yang homoskedastisitas atau tidak
terjadi heteroskedastisitas. Dasar pengambilan keputusannya adalah:
1. Jika ada pola tertentu, seperti titik-titik yang membentuk pola tertentu yang teratur bergelombang, melebar kemudian
menyempit, mengindikasikan telah terjadi heteroskedastisitas.
2. Jika tidak ada pola yang jelas, serta titik-titik menyebar di atas dan di bawah angka 0 pada sumbu Y, maka tidak terjadi
heteroskedastisitas. Hasil pengujian heteroskedastisitas dapat dilihat dari
scatterplot pada gambar 4.3.
Gambar 4.3 Grafik Scatterplot
Sumber: Data sekunder yang diolah, 2015
Dari grafik scatterplot di atas dapat disimpulkan bahwa titik-titik tidak membentuk pola tertentu dan menyebar di atas dan
dibawah angka 0 pada sumbu Y. dengan demikian, dpat disimpulkan bahwa tidak terjadi heteroskedastisitas pada model
regresi.
4.2.2.4 Uji Autokorelasi
Uji autokorelasi bertujuan untuk menguji apakah dalam model regresi linear ada korelasi antara kesalahan pengganggu
pada periode t dengan kesalahn pengganggu pada periode t-1 sebelumnya Ghozali, 2006. Jika terjadi korelasi, maka
dinamakan ada masalah autokorelasi. Uji yang digunakan untuk melihat autokorelasi dalam penelitian ini adalah Uji Durbin-
Watson DW. Hasil uji Durbin Watson dapat dilihat pad atabel di
bawah ini.
Tabel 4.4 Hasil Uji Autokorelasi
Model Summary
b
Model R R Square
Adjusted R Square
Std. Error of the Estimate
Durbin- Watson
1 .391
a
.153 .137
.017436 1.830
a. Predictors: Constant, X3, X1, X2 b. Dependent Variable: Y
Sumber: Data sekunder yang diolah, 2015
Pada tabel 4.4 menunjukkan hasil Durbin-Watson sebesar 1,830. Pada signifikansi 0,05 5 dengan jumlah sampel 165 dan
jumlah variabel independen 3 k=3, maka diperoleh nilai batas atas du 1,7825 dan nilai batas bawah dl 1,7085. Sesuai dengan
syarat yang dikatakan data yang baik adalah data yang tidak mempunyai gejala autokorelasi dengan syarat du d 4 – du
1,7825 1,830 2,2175, maka dapat disimpulkan bahwa tidak ada korelasi positif atau negatif.
4.3 Analisis Koefisien Determinasi
Koefisien determinasi R square menunjukkan seberapa besar variabel independen menjelaskan variabel dependennya. Apabila nilai R Square berada di
atas 0,5 dan mendekati 1 maka variabel-variabel independen memberikan semua informasi yang dibutuhkan. Sebaliknya, semakin kecil nilai R square, maka
kemampuan variabel-variabel independen dalam menjelaskan variasi variabel dependen semakin terbatas. Hasil koefisien determinasi dapat dilihat pada tabel
berikut:
Tabel 4.5 Hasil Uji Koefisien Determinasi
Model Summary
b
Model R
R Square Adjusted R
Square Std. Error of the
Estimate 1
.391
a
.153 .137
.017436 a. Predictors: Constant, X3, X1, X2
b. Dependent Variable: Y
Sumber: Data sekunder yang diolah, 2015 Nilai R pada tabel di atas menunjukkan tingkat hubungan antara variabel
independen dengan variabel dependen. Dari hasil olah data yang dilakukan, diperoleh koefisien korelasi sebesar 0,391 atau 39,1, artinya hubungan antara
komisaris independen, komite audit, dan struktur kepemilikan adalah kurang kuat karena di bawah 50.
Koefisien determinasi R square menggambarkan seberapa besar variabel independen menjelaskan variabel dependennya. Dari hasil perhitungan diperoleh
R Square sebesar 15,3, artinya seberapa besar variabel independen menjelaskan
variabel dependennya hanya sebesar 15,3 sedangkan sisanya sebesar 84,7 dijelaskan oleh variabel lain yang tidak diteliti dalam penelitian ini. Nilai R square
sebesar 15,3 menunjukkan kemampuan variabel-variabel independen dalam menjelaskan variasi variabel dependen sangat terbatas.
4.4 Analisis Regresi
Untuk menguji hipotesis, peneliti menggunakan analisis regresi berganda. Berikut ini merupakan hasil pngolahan data dengan program SPSS 16.
4.4.1 Analisis Regresi Linier Berganda
