BAB IV HASIL ANALISIS DAN PEMBAHASAN 4.1. Deskripsi Data Data yang digunakan dalam penelitian ini adalah data sekunder berupa Laporan Keuangan Pemerintah Daerah (LKPD) tahun 2012, laporan hasil pemeriksaan LKPD pada tahun 2013, data pegawai pemeriksa pada BPK RI pada tahun 2013, dan data daerah otonom baru (DOB) tahun 1999 sampai dengan 2013. Berikut adalah kriteria sampel yang digunakan dalam penelitian ini. Tabel 2 Sampel dan Observasi Penelitian Kriteria Sampel Pemerintah daerah kota/kabupaten di seluruh Indonesia tahun 2012. Pemerintah kota dan kabupaten seluruh Indonesia yang menyusun Laporan Keuangan Pemerintah Daerah (LKPD) tahun 2012, namun tidak diaudit oleh BPK pada tahun 2013. Pemerintah kota dan kabupaten seluruh Indonesia yang menyusun Laporan Keuangan Pemerintah Daerah (LKPD) tahun 2012, namun tidak menyajikan data yang diperlukan dalam penelitian. Pemerintah kota dan kabupaten yang menyajikan data auditor BPK untuk tahun penugasan 2012 dan 2013, namun tidak diperoleh peneliti. Jumlah observasi dalam penelitian. Outlier Jumlah Sampel yang digunakan Jumlah 491 (1) (1) (363) 126 (25) 101 Sumber: BPK-RI 33
34 Populasi dalam penelitian ini adalah Pemerintah Daerah Kota/Kabupaten di seluruh Indonesia. Penelitian menentukan sampel dengan mengunakan metode purposive sampling seperti yang telah diungkapkan pada bab sebelumnya. Jumlah sampel dalam penelitian ini dapat dilihat pada Tabel 2. 4.2. Hasil dan Analisis Data Penelitian ini menerapkan analisis data yang meliputi dua tahapan yaitu uji kualitas data dan uji hipotesis dengan menggunakan model regresi berganda. 4.2.1. Statistik Deskriptif Deskripsi dari data penelitian disajikan dalam tabel berikut. Tabel 3 Hasil Uji Statistik Deskriptif Variabel N Min Max Mean Std. Deviation ADL 126 45 153 74,20 25,23 JPA 126 0,40 1,00 0,82 0,08 PLA 126 7,40 19,33 11,93 2,20 KEP 126 2 28 8,51 4,16 SPI 126 2 19 7,95 3,190 SIZE 126 24,48 30,82 28,06 0,71 STAT 126 0 1 0,83 0,37 Valid N (listwise) 126 Definisi Variabel ADL : Audit delay (jumlah hari) JPA : Jenjang peran auditor PLA : Jumlah tahun bekerja sebagai auditor KEP : Jumlah temuan pemeriksaan atas kepatuhan SPI : Jumlah temuan pemeriksaan atas SPI SIZE : Total aset suatu daerah STAT : Status otonomi suatu daerah Sumber: Hasil Pengolahan Data
35 Statistik deskriptif dalam penelitian ini ditujukan untuk memberikan informasi mengenai karakteristik variabel penelitian meliputi nilai rata-rata (mean), nilai tertinggi (maximum), nilai terendah (minimum) serta nilai standar deviasi untuk menggambarkan penyebaran data penelitian. Dari tabel hasil uji statistik deskriptif di atas diketahui bahwa jumlah sampel (N) dalam penelitian ini adalah 126 Pemerintah Daerah. Tabel 3 menunjukkan variabel rasio audit delay (ADL) memiliki nilai ratarata sebesar 74,20 hari. Angka tersebut menjelaskan bahwa rata-rata audit delay pada LKPD melebihi jangka waktu yang diatur dalam perundang-undangan yaitu 60 hari (dua bulan). Variabel jenjang peran auditor (JPA) memiliki nilai rata-rata sebesar 0,82. Angka tersebut menjelaskan bahwa dalam satu tim pemeriksa lebih banyak auditor yang memiliki jenjang lebih rendah. Variabel pengalaman auditor (PLA) memiliki nilai rata-rata sebesar 11,93. Angka tersebut menjelaskan bahwa dalam satu tim pemeriksa telah memiliki pengalaman yang cukup lama sebagai auditor BPK.. Variabel temuan kepatuhan (KEP) memliki nilai rata-rata sebesar 8,51. Angka tersebut menjelaskan bahwa hasil temuan pemeriksaan kepatuhan terhadap perundang-undangan masih cukup banyak di masing-masing daerah. Variabel temuan sistem pengendalian intern (SPI) memiliki nilai rata-rata sebesar 7,95. Angka tersebut menjelaskan hasil temuan pemeriksaan SPI juga masih banyak ditemukan di masingmasing daerah. Variabel jumlah aset daerah (SIZE) memliki nilai rata-rata sebesar 28,06 atau sebesar Rp 1.535.688.606.564,09 sebelum menggunakan logaritma natural. Angka tersebut menjelaskan bahwa dari nilai rata-rata aset yang besar pada umumya
36 dimiliki oleh Pemerintah Daerah yang memiliki sumber daya yang banyak. Variabel status otonomi daerah (STAT) memiliki nilai rata-rata 0,83. Angka ini menunjukkan bahwa sampel dalam penelitian ini lebih banyak daerah induk daripada daerah otonomi baru. 4.2.2. Uji Asumsi Klasik Pengujian data dilakukan dengan uji asumsi klasik yang bertujuan memastikan bahwa hasil penelitian valid, dengan data yang digunakan secara teori tidak bias, konsisten, dan penaksiran koefisien regresinya efisien (Ghozali, 2013). Secara toeritis model regresi akan menghasilkan nilai parameter model penduga yang bila dipenuhi asumsi klasik regresi, yaitu uji normalitas, asumsi multikolonieritas, heterokedastis, dan autokorelasi. Hasil uji asumsi klasik dalam penelitian ini adalah sebagai berikut. 4.2.2.1. Uji Normalitas Uji normalitas bertujuan untuk menguji apakah dalam model regresi, variabel pengganggu atau residual memiliki distribusi normal (Ghozal, 2013). Seperti diketahui bahwa uji t dan uji F mengasumsikan bahwa nilai residual mengikuti distribusi normal. Jika asumsi ini dilanggar, maka uji statistik menjadi tidak valid untuk jumlah sampel kecil. Untuk mendeteksi normalitas data, peneliti menggunakan uji statistic non-parametrik Kolmogorov-Smirnov (K-S). Dengan menggunakan uji Kolmogorov-Smirnov, kriteria data dikatakan berdistribusi normal jika Asymp. Sig. (2- tailed) lebih besar dari 0,05. Jika Asymp. Sig. (2-tailed) lebih kecil dari tingkat
37 signifikansi penelitian 5%, maka data variabel terdistribusi secara tidak normal. Hasil uji normalitas dapat dilihat dalam tabel 4. Tabel 4 Hasil Uji Normalitas Data Sebelum Outlier Data Unstandardized Residual N 126 Normal Parameters a,b Mean 0,0000000 Std. Deviation 0,27225911 Absolute 0,179 Most Extreme Differences Positive 0,179 Negative -0,079 Kolmogorov-Smirnov Z 2,014 Asymp. Sig. (2-tailed) 0,001 a. Test distribution is Normal. b. Calculated from data. Sumber: Hasil pengolahan data Hasil uji normalitas di atas menunjukkan bahwa data variabel yang digunakan dalam penelitian ini mempunyai distribusi yang tidak normal, dibuktikan oleh nilai asymp. sig. yang lebih kecil dari tingkat signifikasi penelitian 5% yaitu sebesar 0,001. Untuk memperoleh data yang terdistribusi normal, maka perlu mengeluarkan data yang bernilai ekstrem (outlier) dari data penelitian. Data yang bernilai ekstrem (outlier) dapat diketahui menggunakan dasar casewise diagnostics. Melalui proses outlier, terdapat 25 data ekstrem yang dikeluarkan sehingga data penelitian yang berdistribusi normal sejumlah 101 data. Selanjutnya setelah menghilangkan data outlier maka dilakukan kembali uji normalitas dengan
38 menggunakan uji Kolmogorov-Smirnov. Hasil uji normalitas setelah dilakukan proses outlier data dapat dilihat pada tabel 5. Tabel 5 Hasil Uji Normalitas Data Setelah Outlier Data Unstandardized Residual N 101 Normal Parameters a,b Mean 0,0000000 Most Extreme Differences Std. Deviation 0,05936324 Absolute 0,063 Positive 0,063 Negative -0,048 Kolmogorov-Smirnov Z 0,631 Asymp. Sig. (2-tailed) 0,820 a. Test distribution is Normal. b. Calculated from data. Sumber: Hasil pengolahan data Hasil uji normalitas pada tabel di atas menunjukkan bahwa data penelitian telah terdistribusi normal yang dibuktikan dengan nilai asymp. sig. lebih besar dari tingkat signifikansi penelitian 5% yaitu sebesar 0,820. Oleh karena data penelitian telah terdistribusi normal, maka data dapat digunakan untuk pengujian dengan model regresi berganda. 4.2.2.2.Uji Autokorelasi Pengujian ini dilakukan untuk menguji apakah dalam suatu model regresi linier ada korelasi antara kesalahan pengguna pada periode t dengan kesalahan pada periode t-1 (Ghozali, 2013). Autokorelasi muncul karena observasi yang berurutan sepanjang waktu berkaitan satu sama lain. Masalah ini timbul karena
39 residual tidak bebas dari satu observasi ke observasi lainnya. Model regresi yang baik adalah regresi yang bebas dari autokorelasi. Pendeteksian gejala ini dilakukan dengan menggunakan Run Test. Run Test digunakan untuk melihat apakah data residual terjadi secara random atau tidak (sistematis). Jika Asymp. Sig. (2-tailed) < 0,05 maka data residual tidak random atau terjadi autokorelasi antar nilai residual. Namun, jika Asymp. Sig. (2-tailed) > 0,05 maka data residual bebas dari autokorelasi. Hasil uji autokorelasi dapat dilihat pada tabel berikut. Tabel 6 Hasil Uji Autokorelasi Unstandardized Residual Test Value a -0,00547 Cases < Test Value 50 Cases >= Test Value 51 Total Cases 101 Number of Runs 43 Z -1,699 Asymp. Sig. (2-tailed) 0,089 Sumber: Hasil pengolahan data Berdasarkan hasil pengujian dengan Run Test dapat disimpulkan bahwa model regresi dalam penelitian ini bebas dari autokorelasi atau data residual random (acak). Hal ini dikarenakan nilai Asymp. Sig. (2-tailed) lebih besar dari 5% yaitu sebesar 0,089. 4.2.2.3.Uji Heteroskedastisitas Pengujian ini bertujuan apakah dalam model regresi terjadi ketidaksamaan varian dari residual satu pengamatan ke pengamatan lain. Jika varian dari residual
40 satu pengamatan ke pengamatan lain tetap, maka disebut homokedastisitas dan jika berbeda disebut heteroskedastisitas. Uji glejser dilakukan dengan meregresi nilai absolut residual terhadap variabel independen signifikan secara statistik mempengaruhi variabel dependen maka ada indikasi terjadi heteroskedastisitas. Apabila nilai signifikansi > 0,05, maka model tersebut bebas dari heteroskedastisitas. Namun, jika nilai signifikansi < 0,05, maka terdapat heteroskedasitas. Berdasarkan Tabel 7, hasil uji heterokedastisitas menunjukkan nilai probabilitas (sig.) dalam tiap model regresi yang digunakan dalam penelitian ini lebih besar dari 5%. Hal ini dapat dinyatakan bahwa tidak terjadi gejala heteroskedastisitas dalam model regresi penelitian ini. Tabel 7 Hasil Uji Heteroskedastisitas Model Unstandardized Standardized t Sig. Coefficients Coefficients B Std. Beta Error 1 (Constant) -0,028 0,157-0,180 0,857 JPA 0,000 0,050-0,001-0,006 0,995 PLA 0,000 0,002-0,034-0,298 0,766 KEP -0,006 0,008-0,076-0,667 0,507 SPI -0,013 0,009-0,154-1,509 0,135 SIZE 0,005 0,006 0,102 0,866 0,389 STAT -0,021 0,011-0,215-1,802 0,075 a. Dependent Variable: ABS_RES Definisi Variabel JPA : Jenjang peran auditor PLA : Jumlah tahun bekerja sebagai auditor KEP : Jumlah temuan pemeriksaan atas kepatuhan SPI : Jumlah temuan pemeriksaan atas SPI SIZE : Total aset suatu daerah STAT : Status otonomi suatu daerah Sumber: Hasil pengolahan data
41 4.2.2.4.Uji Multikoliniearitas Pengujian ini bertujuan untuk menguji apakah di dalam model analisis regresi ditemukan adanya korelasi antar variabel independen (Ghozali, 2013). Model regresi yang baik seharusnya tidak terjadi korelasi diantara variabel bebas. Untuk mendeteksi ada tidaknya multikolinieritas di dalam regresi dapat dilihat dari tolerance value dan nilai variance inflation factor (VIF). Model regresi yang bebas multikolinieritas adalah yang mempunyai nilai tolerance di atas 0,1 atau VIF di bawah 10 (Ghozali, 2013). Hasil uji multikolinearitas dapat dilihat pada tabel berikut ini. Tabel 8 Hasil Uji Multikoliniearitas Variabel Tolerance VIF (Constant) JPA 0,904 1,106 PLA 0,772 1,295 KEP 0,771 1,296 SPI 0,959 1,043 SIZE 0,711 1,406 STAT 0,701 1,427 Definisi Variabel JPA : Jenjang peran auditor PLA : Jumlah tahun bekerja sebagai auditor KEP : Jumlah temuan pemeriksaan atas kepatuhan SPI : Jumlah temuan pemeriksaan atas SPI SIZE : Total aset suatu daerah STAT : Status otonomi suatu daerah Sumber: Hasil pengolahan data
42 Berdasarkan Tabel 8 dapat diketahui bahwa nilai tolerance untuk semua variabel dalam model regresi lebih besar dari 0,1 dan nilai variance inflation factor (VIF) untuk masing-masing variabel lebih kecil dari 10. Hal ini mengindikasikan bahwa model regresi dalam penelitian ini tidak terjadi gejala multikolonieritas. 4.3. Hasil Pengujian Hipotesis Model yang digunakan untuk menguji hipotesis dalam penelitian ini adalah model regresi berganda. Analisis regresi berganda dilakukan untuk mengetahui pengaruh variabel independen terhadap variabel dependen. Ketepatan fungsi regresi sampel dalam menaksir nilai actual dapat diukur dari goodness of fit-nya. Secara statistic, goodness of fit dapat diukur dari nilai koefisien determinasi (R 2 ), nilai statistik F, dan nilai statistik t. Perhitungan statistik dikatakan signifikan apabila nilai uji statistiknya berada dalam daerah kritis (daerah dimana H0 ditolak). Sebaliknya, disebut tidak signifikan bila nilai uji statistiknya berada dalam daerah dimana H0 diterima (Ghozali, 2013). 4.3.1. Uji Signifikansi Simultan (Uji Statistik F) Uji statistik F pada dasarnya menunjukkan apakah semua variabel independen yang dimasukkan dalam model mempunyai pengaruh secara bersama-sama terhadap variabel dependen/terikat (Ghozali, 2013). Uji statistik F juga dilakukan guna menentukan good of fit test atau uji kelayakan model regresi untuk digunakan dalam melakukan analisis hipotesis dalam penelitian. Kriteria yang digunakan dalam pengujian ini adalah probability value (p-value). Apabila p-value dalam hasil
43 pengujian lebih kecil dari 5%, maka dapat dinyatakan bahwa model layak (fit) untuk digunakan sebagai model regresi dalam penelitian. Sebaliknya, jika p-value lebih besar dari 5%, maka dapat dinyatakan bahwa model tidak layak untuk digunakan dalam pengujian hipotesis penelitian. Hasil Uji Signifikansi Simultan (Uji Statistik F) disajikan dalam Tabel 9. Tabel 9 Hasil Uji Signifikansi Simultan (Uji Statistik F) Model Sum of df Mean Square F Sig. Squares 1 Regression 0,586 6 0,098 4,444 0,001 b Residual 2,066 94 0,022 Total 2,652 100 a. Predictors: (Constant), STAT, SPI, PLA, JPA, KEP, SIZE Sumber: Hasil pengolahan data Tabel di atas menunjukkan bahwa probability value dari model regresi yang digunakan dalam penelitian lebih kecil dari tingkat signifikansi penelitian 5% sebesar 0,001. Hasil ini mengindikasikan bahwa model regresi yang digunakan dalam penelitian ini layak (fit) untuk digunakan sebagai model regresi pengujian hipotesis. 4.3.2. Uji Signifikansi Parsial (Uji Statistik t) Uji signifikansi-t dalam penelitian ini menggunakan tingkat signifikansi 5%. Kriteria pengambilan kesimpulan adalah hipotesis penelitian diterima jika p-value < 0,05, yang dapat diartikan bahwa masing-masing variabel independen berpengaruh terhadap variabel dependen. Sebaliknya, hipotesis penelitian ditolak jika probability
44 value (p-value) > 0,05, yang dapat diartikan bahwa masing-masing variabel independen tidak berpengaruh terhadap variabel dependen. Model Tabel 10 Hasil Uji Signifikansi Parsial (Uji Statistik t) Unstandardized Coefficients Standardized Coefficients t Sig. Hipotesis B Std. Error Beta 1 (Constant) 5,732 0,661 8,666 0,.000 JPA 0,524 0,208 0,241 2,519 0,013 b Ditolak PLA -0,012 0,007-0,182-1,759 0,082 c Diterima KEP -0,052 0,035-0,152-1,470 0,145 Ditolak SPI -0,102 0,037-0,255-2,743 0,007 b Ditolak SIZE -0,055 0,024-0,251-2,322 0,022 b Diterima STAT -0,025 0,048-0,055-0,510 0,611 Ditolak Definisi Variabel ADL : Audit Delay JPA : Jenjang peran auditor PLA : Jumlah tahun bekerja sebagai auditor KEP : Jumlah temuan pemeriksaan atas kepatuhan SPI : Jumlah temuan pemeriksaan atas SPI SIZE : Total aset suatu daerah STAT : Status otonomi suatu daerah a : signifikan pada level 0.01 (2-tailed) b : signifikan pada level 0.05 (2-tailed) c : signifikan pada level 0.1 (2-tailed). Sumber: Hasil pengolahan data Dari tabel hasil uji statistik t diatas menunjukkan bahwa JPA, SPI, dan SIZE menunjukkan p-value < 0,05, sedangkan PLA menunjukkan p-value < 0,1. JPA memiliki p-value sebesar 0,013 dengan tanda koefisien regresi positif yang menunjukkan jenjang peran mempunyai hubungan yang searah dengan audit delay. Hal ini menunjukkan bahwa semakin tinggi jenjang peran auditor maka akan mengakibatkan lamanya audit delay, sehingga hipotesis yang menyatakan jenjang
45 peran auditor berpengaruh negatif terhadap audit delay ditolak. Variabel PLA memiliki p-value sebesar 0,082 dengan tanda koefisien regresi negatif yang menunjukkan pengalaman mempunyai hubungan yang berlawanan arah dengan audit delay. Hal ini menunjukkan bahwa semakin lama pengalaman auditor maka akan mengurangi audit delay, sehingga hipotesis yang menyatakan pengalaman bekerja sebagai auditor BPK berpengaruh negatif terhadap audit delay diterima. Variabel SPI memiliki p-value sebesar 0,022 dengan tanda koefisien regresi negatif yang menunjukkan temuan pemeriksaan SPI mempunyai hubungan yang berlawanan arah dengan audit delay. Hal ini menunjukkan bahwa semakin sedikit temuan SPI maka akan mengakibatkan lamanya audit delay, sehingga hipotesis yang menyatakan temuan pemeriksaan atas SPI berpengaruh positif terhadap audit delay ditolak. Variabel SIZE memiliki p-value sebesar 0,007 dengan tanda koefisien regresi negatif yang menunjukkan total aset mempunyai hubungan yang berlawanan arah dengan audit delay. Hal ini menunjukkan bahwa semakin besar total jumlah aset maka akan mengurangi audit delay, sehingga hipotesis yang menyatakan size daerah berpengaruh negatif terhadap audit delay diterima. 4.3.3. Pengujian Koefisien Determinasi (Adjusted R 2 ) Koefisien determinasi adalah nilai yang menunjukkan seberapa besar variabel independen dapat menjelaskan variabel dependennya. Nilai koefisien determinasi (R 2 ) dilihat pada hasil pengujian regresi berganda untuk variabel independen dan
46 variabel dependen. Kelemahan mendasar penggunaan koefisien determinasi adalah bias terhadap jumlah variabel independen yang dimasukkan ke dalam model. Setiap tambahan satu variabel independen, maka R 2 pasti meningkat tidak peduli apakah variabel tersebut berpengaruh signifikan terhadap variabel dependen. Hasil uji koefisien determinasi untuk model regresi yang digunakan dalam penelitian ini disajikan dalam tabel 11. Tabel 11 Hasil Uji Koefisien Determinasi (Adjusted R 2 ) Model R R Square Adjusted R Square Std. Error of the Estimate 1 0,470 a 0,221 0,171 0,148 a. Predictors: (Constant), STAT, SPI, PLA, JPA, KEP, SIZE Sumber: Hasil Pengolahan Data Berdasarkan tabel di atas diketahui bahwa nilai Adjusted R 2 adalah 0,171 (17,1%) mengindikasikan bahwa variabel audit delay (AUDEL) mampu dijelaskan oleh variabel independen berupa JPA, SPI, dan SIZE sebesar 17,1% dan sisanya sebesar 82,9% dijelaskan oleh variabel lain di luar model penelitian ini. 4.4. Pembahasan Hasil pengujian menunjukkan bahwa variabel jenjang peran auditor berpengaruh positif terhadap audit delay, sehingga hipotesis H1 ditolak. Hal ini disebabkan semakin tinggi jenjang peran auditor, maka akan bersikap lebih hati-hati
47 dan semakin banyak hal yang perlu ditimbangkan sehingga membutuhkan waktu dalam pengambilan keputusan. Hasil ini sejalan dengan Chung dan Monroe (2000), Nishii et al., (2007), Gusti dan Syahrir (2008), dan Noviyani dan Bandi (2002) yang menyatakan bahwa auditor senior memiliki sikap skeptisme serta kehati-hatian. Variabel pengalaman bekerja sebagai auditor di BPK berpengaruh terhadap audit delay, sehingga hipotesis H2 diterima. Hal ini disebabkan dengan semakin sering auditor melakukan tugas pemeriksaan maka akan menambah kualitas kerjanya. Hasil penelitian ini sejalan dengan Knapp dan Knapp (2001) yang menjelaskan bahwa auditor yang memiliki pengalaman dalam melakukan audit akan berbeda hasilnya dengan auditor yang belum memiliki banyak pengalaman, serta Mabruri dan Winarna (2010) yang menjelaskan bahwa semakin banyak pengalaman kerja seorang auditor maka semakin meningkat kualitas hasil audit yang dilakukan. Variabel temuan pemeriksaan atas kepatuhan tidak berpengaruh terhadap audit delay, sehingga hipotesis H3 ditolak. Hal ini disebabkan temuan pemeriksaan atas kepatuhan didapatkan berdasarkan kesesuaian penyajian laporan keuangan dengan peraturan perundang-undangan yang berlaku sehingga tidak membutuhkan waktu yang lama dalam melakukan proses auditnya. Hasil ini penelitian ini tidak sejalan dengan Cohen dan Leventis (2012) yang menyatakan bahwa remarks berpengaruh terhadap audit delay. Variabel temuan pemeriksaan atas SPI berpengaruh negatif terhadap audit delay, sehingga hipotesis H4 ditolak. Hal ini disebabkan temuan pemeriksaan atas SPI menunjukkan lemahnya kinerja pemerintah daerah tersebut sehingga mengakibatkan
48 audit delay berkurang karena auditor tidak membutuhkan waktu lama dalam mengambil keputusan. Hasil ini penelitian ini sejalan dengan Cohen dan Leventis (2012) yang menyatakan bahwa remarks berpengaruh terhadap audit delay. Variabel size daerah berpengaruh negatif terhadap audit delay, sehingga hipotesis H5 diterima. Hal ini disebabkan pemerintah daerah dengan jumlah aset yang besar biasanya memiliki sumber daya manusia yang banyak, sehingga pengelolaan asetnya akan lebih baik. Hasil ini sejalan dengan Suhardjanto dan Yuliningtyas (2011) yang membuktikan bahwa daerah dengan total aset yang lebih besar akan lebih kompleks dalam menjaga dan mengelola asetnya. Variabel status otonomi daerah tidak berpengaruh terhadap audit delay, sehingga hipotesis H6 ditolak. Hasil ini sejalan dengan penelitian Adhayanti (2014) yang menjelaskan bahwa baik DOB maupun daerah induk memiliki permasalahan yang sama terkait dengan pengelolaan serta pelaporan keuangan karena Sumber Daya Manusia (SDM) yang dimiliki oleh pemerintah yang berstatus DOB maupun induk berkualitas sama. Hal ini disebabkan banyak pegawai pemerintah dari kabupaten induk pindah ke pemerintah yang berstatus DOB.