Tampilkan postingan dengan label Regresi Logistik. Tampilkan semua postingan
Tampilkan postingan dengan label Regresi Logistik. Tampilkan semua postingan

Prediksi Kegagalan Usaha Bank dengan Regresi Logistik

Penelitian menggunakan analisis regresi logistik karena variabel terikat (kegagalan usaha bank) menggunakan variabel dummy yaitu 0 (tidak mengalami kegagalan usaha bank) dan 1 (mengalami kegagalan usaha bank).

1. Menilai kelayakan model regresi (goodness of fit)

Nilai -2 Log Likelihood pada Beginning Block adalah sebesar 34,929 pada iterasi ke-5. Nilai tersebut merupakan nilai Chi Square yang dibandingkan dengan nilai Chi Square pada tabel dengan df sebesar N – 1 = 63 – 1 = 62 pada taraf signifikansi 0,05 yaitu sebesar 81,381. Tampak bahwa -2 Log Likelihood < Chi Square tabel (34,929 < 81,381) yang menunjukkan bahwa tidak terdapat perbedaan yang signifikan antara model dengan konstanta saja dengan data. Hal ini menunjukkan bahwa model dengan konstanta saja telah fit. Berikut adalah nilai -2 Log Likelihood dalam penelitian ini:


Tabel 1 Iteration History(a,b,c) dengan Konstanta
Tabel 1 Iteration History(a,b,c) dengan Konstanta

Selanjutnya, pengujian fit atau tidaknya model dengan data dilakukan dengan memasukkan variabel bebas sebanyak 2 buah sehingga mempunyai df sebesar 63 – 2 - 1 = 60 dan mempunyai nilai chi square tabel sebesar 79,0819 pada signifikansi 0,05. Sedangkan nilai -2 Log Likelihood dengan memasukkan variabel bebas adalah sebagai berikut:

Tabel 2 Iteration History (a,b,c) dengan Variabel Bebas
Tabel 2 Iteration History (a,b,c) dengan Variabel Bebas

Tampak bahwa nilai -2 Log Likelihood < Chi Square tabel (19,151 < 79,0819) yang menunjukkan bahwa model dengan memasukkan variabel bebas adalah fit dengan data. Hal ini menunjukkan bahwa model layak untuk dipergunakan.

Jika ingin melihat selisih dari kedua nilai di atas yaitu antara Blok 0 dengan Blok 1, maka dilakukan dengan mengurangkan nilainya yaitu 34,929 – 19,151 = 15,778 dan Program SPSS juga menampilkan selisih tersebut yaitu sebagai berikut:

Tabel 3 Omnibus Test
Tabel 3 Omnibus Test

Tampak bahwa selisihnya adalah sebesar 15,778 dengan signifikansi sebesar 0,000 (< 0,05) yang menunjukkan bahwa penambahan variabel bebas memberikan pengaruh nyata terhadap model, atau dengan kata lain model dinyatakan fit.

Lebih lanjut, untuk melihat apakah data empiris cocok dengan model (tidak ada perbedaan antara model dengan data) dilakukan dengan melihat nilai Hosmer and Lemeshow Test yaitu sebagai berikut:

Tabel 4 Hosmer and Lemeshow Test
Tabel 4 Hosmer and Lemeshow Test

Nilai Chi Square tabel untuk df 8 pada taraf signifikansi 0,05 adalah sebesar 15,5073 sehingga Chi Square hitung < Chi Square tabel (0,334 < 15,5073). Tampak juga bahwa nilai signifikansi adalah sebesar 1,00 (> 0,05) yang menunjukkan bahwa model dapat diterima dan pengujian hipotesis dapat dilakukan.

Untuk melihat kemampuan variabel bebas dalam menjelaskan varians ketepatan penyampaian laporan keuangan, digunakan nilai Cox dan Snell R Square dan Nagelkerke R Square sebagai berikut:

Tabel 5 Model Summary
Tabel 5 Model Summary

Nilai Nagelkerke R Square sebesar 0,521 yang lebih besar dari pada Cox dan Snell R Square, yang menunjukkan bahwa kemampuan kedua variabel bebas dalam menjelaskan varians kegagalan usaha bank adalah sebesar 52,1% dan terdapat 47,9% faktor lain yang menjelaskan varians kegagalan usaha bank. Untuk melihat ketepatan model yang dibentuk dilihat dengan Klasifikasi tabel sebagai berikut:

Tabel 6 Classification Table (a,b)
Tabel 6 Classification Table (a,b)

Sampel yang tidak mengalami kegagalan usaha bank (0) adalah sebanyak 58 perusahaan. Hasil prediksi model pada Tabel di atas adalah 56 perusahaan tidak mengalami kegagalan usaha bank (0) dan 2 perusahaan mengalami kegagalan usaha bank (1). Berarti terdapat 2 prediksi yang salah atau 56 prediksi yang tepat sehingga prediksi yang benar adalah sebanyak 56/58 = 96,6%. Sedangkan untuk perusahaan yang mengalami kegagalan usaha bank, diprediksi salah semua oleh model. Dengan demikian tabel di atas memberikan nilai overall percentage sebesar 56/63 = 88,9% yang berarti ketepatan model penelitian ini adalah sebesar 88,9%.

2. Pengujian Hipotesis

Setelah diperoleh model yang fit terhadap data, maka langkah selanjutnya adalah dilakukan uji hipotesis. Pengujian hipotesis dilakukan untuk menjawab pertanyaan penelitian ini. Berikut adalah hasil pengujian hipotesis dalam penelitian ini:

Tabel 7 Uji Hipotesis
Tabel 7 Uji Hipotesis

Berdasarkan hasil pada tabel tersebut, dapat disusun persamaan regresi logistik sebagai berikut:

Keterangan:
X1 = Altman
X2 = Size
P = Probabilitas

Interpretasi terhadap persamaan tersebut beserta uji hipotesis akan diberikan sebagai berikut:
1) Hipotesis 1
Taraf signifikansi untuk variabel Altman adalah sebesar 0,443. Nilai tersebut di atas 0,05 sehingga diinterpretasikan bahwa variabel Altman tidak mempunyai pengaruh yang signifikan terhadap tingkat kegagalan usaha bank. Dengan demikian hipotesis 1 dalam penelitian ini yang berbunyi “Diduga ada pengaruh Metode Altman terhadap tingkat kegagalan usaha bank” tidak dapat diterima.

2) Hipotesis 2
Taraf signifikansi untuk variabel ukuran perusahaan adalah sebesar 0,042. Nilai tersebut di bawah 0,05 sehingga diinterpretasikan bahwa variabel ukuran perusahaan mempunyai pengaruh yang signifikan terhadap kegagalan usaha bank. Nilai konstanta adalah negatif yang menunjukkan bahwa pengaruh antara ukuran perusahaan terhadap kegagalan usaha bank adalah negatif. Dengan demikian hipotesis 2 dalam penelitian ini yang berbunyi “Diduga ada pengaruh negatif besaran (size) terhadap tingkat kegagalan usaha bank” diterima. Konstanta dari variabel adalah sebesar -2,720. Dengan demikian maka nilai e-2,719= 0,066. Sehingga jika diasumsikan variabel yang lain tetap, maka semakin tinggi ukuran perusahaan maka kemungkinan mengalami kegagalan usaha bank menurun 0,066 kali dibandingkan perusahaan yang mengalami penurunan ukuran perusahaan.
Share:

Simulasi Regresi Logistik dengan SPSS

Simulasi menggunakan populasi perusahaan perbankan pada Bursa Efek Indonesia pada tahun 2006 sampai dengan 2008 yaitu sebanyak 22 perusahaan

1. Statistik Deskriptif

Penelitian ini menggunakan 2 buah variabel bebas dan 1 buah variabel terikat yaitu kegagalan usaha bank. Variabel kegagalan usaha bank diukur menggunakan dummy variabel (0 dan 1) sehingga analisis deskriptifnya dipisahkan karena tidak bisa diukur rata-ratanya.
Tabel 1
Statistik Deskriptif Altman dan Ukuran Perusahaan
Statistik Deskriptif Altman dan Ukuran Perusahaan

Tabel di atas menunjukkan bahwa nilai rata-rata Z score pada Altman adalah antara -4,357 sampai dengan 0,573 dengan rata-rata sebesar 0,2362. Nilai rata-rata tersebut di bawah 1,20 yang menunjukkan bahwa perusahaan sampel berada dalam risiko tinggi untuk mengalami kegagalan usaha. Variabel ukuran perusahaan menunjukkan bahwa ukuran paling kecil adalah sebesar Rp. 972,457 Milliar dan perusahaan terbesar mempunyai assets sebesar Rp. 358,438 Triliun dengan rata-rata sebesar Rp. 63,441 Triliun. Dalam perhitungan selanjutnya nilai asset ditransformasikan ke dalam bentuk logaritma natural agar nilainya tidak jauh dengan variabel yang lain.

Berdasarkan kegagalan usaha bank, maka deskriptif variabel penelitian menjadi sebagai berikut:
Tabel 2
Statistik Deskriptif Altman dan Ukuran Perusahaan Berdasarkan Kegagalan Usaha Bank
Statistik Deskriptif Altman dan Ukuran Perusahaan Berdasarkan Kegagalan Usaha Bank

Keterangan:    0 : Bank Tidak Gagal;    1 : Bank Gagal

Tabel di atas menunjukkan bahwa perusahaan yang melakukan mengalami kegagalan usaha (kode 1) mempunyai score Altman yang lebih rendah dibandingkan perusahaan yang tidak mengalami kegagalan usaha bank (0,17525 < 0,24660). Berarti perusahaan yang mengalami kegagalan usaha bank mempunyai tingkat risiko yang tinggi dibandingkan perusahaan yang tidak mengalami kegagalan usaha. Akan tetapi, perusahaan yang mengalami kegagalan usaha bank (kode 1) mempunyai total asset yang lebih tinggi dibandingkan perusahaan yang tidak mengalami kegagalan usaha bank.

2.    Regresi Logistik

Penelitian menggunakan analisis regresi logistik karena variabel terikat (kegagalan usaha bank) menggunakan variabel dummy yaitu 0 (tidak mengalami kegagalan usaha bank) dan 1 (mengalami kegagalan usaha bank). Penggunaan regresi logistik tidak memerlukan uji asumsi klasik data seperti pada regresi linear.

a. Identifikasi Data Outliers

Data outliers adalah data yang menyimpang terlalu jauh dari data lainnya dalam suatu kelompok. Data ini mengakibatkan model menjadi kurang baik sehingga harus dikeluarkan dari model penelitian. Berikut adalah identifikasi data outliers dalam penelitian ini:
Tabel 3
Data Outliers Iterasi 1
Data Outliers Iterasi 1
Data Outliers Iterasi 1
Tabel di atas menunjukkan bahwa terdapat 4 buah data outliers yaitu data ke-11, ke-15, ke-49 dan ke-58. Data ke-11, ke-15 dan ke-49 juga mengalami miss-specification yaitu merupakan anggota kelompok (group) 1 (mengalami kegagalan usaha bank) akan tetapi prediksi model memberikan hasil tidak mengalami kegagalan usaha bank (predicted group = 0). Berarti ketiga data tersebut harus dikeluarkan dari model penelitian. Sedangkan data ke-58, meskipun masuk kategori outlier akan tetapi tidak mengalami miss-specification karena observed sama dengan predicted group yaitu 0 (tidak mengalami kegagalan usaha bank). Untuk analisis selanjutnya, data ke-11, ke-15 dan ke-49 dikeluarkan dari model penelitian.

b.  Menilai kelayakan model regresi (goodness of fit)

Nilai -2 Log Likelihood pada Beginning Block adalah sebesar 34,929 pada iterasi ke-5. Nilai tersebut merupakan nilai Chi Square yang dibandingkan dengan nilai Chi Square pada tabel dengan df sebesar N – 1 = 63 – 1 = 62 pada taraf signifikansi 0,05 yaitu sebesar 81,381. Tampak bahwa -2 Log Likelihood < Chi Square tabel (34,929 < 81,381) yang menunjukkan bahwa tidak terdapat perbedaan yang signifikan antara model dengan konstanta saja dengan data. Hal ini menunjukkan bahwa model dengan konstanta saja telah fit. Berikut adalah nilai -2 Log Likelihood dalam penelitian ini:
Tabel 4
Iteration History(a,b,c) dengan Konstanta
Iteration History(a,b,c) dengan Konstanta

Selanjutnya, pengujian fit atau tidaknya model dengan data dilakukan dengan memasukkan variabel bebas sebanyak 2 buah sehingga mempunyai df sebesar 63 – 2 - 1 = 60 dan mempunyai nilai chi square tabel sebesar 79,0819 pada signifikansi 0,05. Sedangkan nilai -2 Log Likelihood dengan memasukkan variabel bebas adalah sebagai berikut:
Tabel 5
Iteration History (a,b,c) dengan Variabel Bebas
Iteration History (a,b,c) dengan Variabel Bebas

Tampak bahwa nilai -2 Log Likelihood < Chi Square tabel (19,151 < 79,0819) yang menunjukkan bahwa model dengan memasukkan variabel bebas adalah fit dengan data. Hal ini menunjukkan bahwa model layak untuk dipergunakan.

Jika ingin melihat selisih dari kedua nilai di atas yaitu antara Blok 0 dengan Blok 1, maka dilakukan dengan mengurangkan nilainya yaitu 34,929 – 19,151 = 15,778 dan Program SPSS juga menampilkan selisih tersebut dalam Omnibus test yaitu sebagai berikut:
Tabel 6
Omnibus Test
Omnibus Test

Tampak bahwa selisihnya adalah sebesar 15,778 dengan signifikansi sebesar 0,000 (< 0,05) yang menunjukkan bahwa penambahan variabel bebas memberikan pengaruh nyata terhadap model, atau dengan kata lain model dinyatakan fit. Penting dicatat, istilah Omnibus Test di sini tidak berkaitan sama sekali dengan Omnibus Law Undang-undang Cipta Kerja ya... :)

Lebih lanjut, untuk melihat apakah data empiris cocok dengan model (tidak ada perbedaan antara model dengan data) dilakukan dengan melihat nilai Hosmer and Lemeshow Test yaitu sebagai berikut:
Tabel 7
Hosmer and Lemeshow Test
Hosmer and Lemeshow Test
Nilai Chi Square tabel untuk df 8 pada taraf signifikansi 0,05 adalah sebesar 15,5073 sehingga Chi Square hitung < Chi Square tabel (0,334 < 15,5073). Tampak juga bahwa nilai signifikansi adalah sebesar 1,00 (> 0,05) yang menunjukkan bahwa model dapat diterima dan pengujian hipotesis dapat dilakukan.
Untuk melihat kemampuan variabel bebas dalam menjelaskan varians ketepatan penyampaian laporan keuangan, digunakan nilai Cox dan Snell R Square dan Nagelkerke R Square sebagai berikut:
Tabel 8
Model Summary
Model Summary
Nilai Nagelkerke R Square sebesar 0,521 yang lebih besar dari pada Cox dan Snell R Square, yang menunjukkan bahwa kemampuan kedua variabel bebas dalam menjelaskan varians kegagalan usaha bank adalah sebesar 52,1% dan terdapat 47,9% faktor lain yang menjelaskan varians kegagalan usaha bank. Untuk melihat ketepatan model yang dibentuk dilihat dengan Klasifikasi tabel sebagai berikut:
Tabel 9
Classification Table (a,b)
Classification Table (a,b)
Sampel yang tidak mengalami kegagalan usaha bank (0) adalah sebanyak 58 perusahaan. Hasil prediksi model pada Tabel di atas adalah 56 perusahaan tidak mengalami kegagalan usaha bank (0) dan 2 perusahaan mengalami kegagalan usaha bank (1). Berarti terdapat 2 prediksi yang salah atau 56 prediksi yang tepat sehingga prediksi yang benar adalah sebanyak 56/58 = 96,6%. Sedangkan untuk perusahaan yang mengalami kegagalan usaha bank, diprediksi salah semua oleh model. Dengan demikian tabel di atas memberikan nilai overall percentage sebesar 56/63 = 88,9% yang berarti ketepatan model penelitian ini adalah sebesar 88,9%.

c. Pengujian Hipotesis

Setelah diperoleh model yang fit terhadap data, maka langkah selanjutnya adalah dilakukan uji hipotesis. Pengujian hipotesis dilakukan untuk menjawab pertanyaan penelitian ini. Berikut adalah hasil pengujian hipotesis dalam penelitian ini:
Tabel 10
Uji Hipotesis
Uji Hipotesis

Interpretasi terhadap persamaan tersebut beserta uji hipotesis akan diberikan sebagai berikut:

1)  Hipotesis 1

Taraf signifikansi untuk variabel Altman adalah sebesar 0,443. Nilai tersebut di atas 0,05 sehingga diinterpretasikan bahwa variabel Altman tidak mempunyai pengaruh yang signifikan terhadap tingkat kegagalan usaha bank. Dengan demikian hipotesis 1 dalam penelitian ini yang berbunyi “Diduga ada pengaruh Metode Altman terhadap tingkat kegagalan usaha bank” ditolak.

2)  Hipotesis 2

Taraf signifikansi untuk variabel ukuran perusahaan adalah sebesar 0,042. Nilai tersebut di bawah 0,05 sehingga diinterpretasikan bahwa variabel ukuran perusahaan mempunyai pengaruh yang signifikan terhadap kegagalan usaha bank. Nilai konstanta adalah negatif yang menunjukkan bahwa pengaruh antara ukuran perusahaan terhadap kegagalan usaha bank adalah negatif. Dengan demikian hipotesis 2 dalam penelitian ini yang berbunyi “Diduga ada pengaruh negatif besaran (size) terhadap tingkat kegagalan usaha bank” tidak dapat ditolak. Konstanta dari variabel adalah sebesar -2,720. Dengan demikian maka nilai e-2,719= 0,066. Sehingga jika diasumsikan variabel yang lain tetap, maka semakin tinggi ukuran perusahaan maka kemungkinan mengalami kegagalan usaha bank menurun 0,066 kali dibandingkan perusahaan yang mengalami penurunan ukuran perusahaan.
Share:

Simulasi Multikolinearitas pada Regresi Logistik

Uji asumsi klasik yang sering dipergunakan dalam analisis regresi linear berganda adalah uji normalitas, uji heteroskedastisitas, uji autokorelasi dan uji multikolinearitas. Dari keempat uji tersebut, jika kita simak maka uji normalitas, uji heteroskedastisitas dan uji autokorelasi berkaitan dengan nilai residualnya, sedangkan uji multikolinearitas berkaitan dengan variabel bebasnya. Regresi logistik adalah regresi di mana variabel terikatnya adalah dummy, yaitu 1 dan 0. Dengan demikian, residualnya yang merupakan selisih antara nilai prediksi dengan nilai sebenarnya tidak perlu dilakukan ketiga uji tersebut. Akan tetapi untuk uji multikolinearitas, karena hanya melibatkan variabel bebas, maka masih diperlukan uji tersebut. Mannual book SPSS menuliskan ‘Preferably, your predictors should not be highly correlated’. Sedangkan untuk autokorelasi pada time series akan dibahas belakangan.

1.    Objek penelitian

Penelitian menggunakan populasi seluruh perusahaan consumer goods, food and beverages dan tobacco pada Bursa Efek Indonesia pada periode tahun 2006 sampai dengan tahun 2008, di mana berdasarkan ICMD terdapat 25 perusahaan. Penelitian ini menggunakan 7 buah variabel bebas dan 1 buah variabel terikat yaitu financial distress. Adapun variabel bebasnya adalah NPM, CR, TATO, ROE, DTA, Posisi Kas dan Pertumbuhan.


2.    Menilai kelayakan model regresi (goodness of fit)

Penelitian menggunakan analisis regresi logistik karena variabel terikat (financial distress) menggunakan variabel dummy yaitu 0 (tidak mengalami financial distress) dan 1 (mengalami financial distress). Jumlah data yang dipergunakan adalah sebanyak 25 x 3 tahun = 75 data dengan mengeluarkan 1 buah data karena tidak memenuhi kriteria. Dengan demikian data yang dipergunakan adalah sebanyak 74 buah.

Nilai -2 Log Likelihood pada Beginning Block adalah sebesar 102,369 pada iterasi ke-2. Nilai tersebut merupakan nilai Chi Square yang dibandingkan dengan nilai Chi Square pada tabel dengan df sebesar N – 1 = 74 – 1 = 73 pada taraf signifikansi 0,05 yaitu sebesar 93,945. Tampak bahwa -2 Log Likelihood > Chi Square tabel (102,369 > 93,945) yang menunjukkan bahwa terdapat perbedaan yang signifikan antara model dengan konstanta saja dengan data.

Tabel 1
Iteration History Tanpa Variabel Bebas
Iteration History Tanpa Variabel Bebas

Hal ini menunjukkan bahwa model dengan konstanta saja belum fit. Sehingga diperlukan pengujian lain yaitu dengan memasukkan variabel bebas sebanyak 7 buah sehingga mempunyai df sebesar 74 – 7 - 1 = 66 dan mempunyai nilai chi square tabel sebesar 85,965 pada signifikansi 0,05. Sedangkan nilai -2 Log Likelihood dengan memasukkan variabel bebas adalah sebagai berikut:

Tabel 2
Iteration History dengan Variabel Bebas
Iteration History dengan Variabel Bebas

Tampak bahwa nilai -2 Log Likelihood < Chi Square tabel (46,443 < 85,965) yang menunjukkan bahwa model dengan memasukkan variabel bebas adalah fit dengan data. Hal ini menunjukkan bahwa model layak untuk dipergunakan. Jika ingin melihat selisih dari kedua nilai di atas yaitu antara Blok 0 dengan Blok 1, maka dilakukan dengan mengurangkan nilainya yaitu 102,369 – 46,443 = 55,926 dan Program SPSS juga menampilkan selisih tersebut yaitu sebagai berikut:

Tabel 3
Omnibus Test
Omnibus Test
Tampak bahwa selisihnya adalah sebesar 55,926 dengan signifikansi sebesar 0,000 (< 0,05) yang menunjukkan bahwa penambahan variabel bebas memberikan pengaruh nyata terhadap model, atau dengan kata lain model dinyatakan fit. Lebih lanjut, untuk melihat apakah data empiris cocok dengan model (tidak ada perbedaan antara model dengan data) dilakukan dengan melihat nilai Hosmer and Lemeshow Test yaitu sebagai berikut:

Tabel 4
Hosmer and Lemeshow Test
Hosmer and Lemeshow Test
Nilai Chi Square tabel untuk df 8 pada taraf signifikansi 0,05 adalah sebesar 15,507 sehingga Chi Square hitung < Chi Square tabel (2,692 < 15,507). Tampak juga bahwa nilai signifikansi adalah sebesar 0,952 (> 0,05) yang menunjukkan bahwa model dapat diterima dan pengujian hipotesis dapat dilakukan.

Untuk melihat kemampuan variabel bebas dalam menjelaskan varians financial distress, digunakan nilai Cox dan Snell R Square dan Nagelkerke R Square. Nilai Nagelkerke R Square sebesar 0,708 yang lebih besar dari pada Cox dan Snell R Square, yang menunjukkan bahwa kemampuan ketujuh variabel bebas dalam menjelaskan varians financial distress adalah sebesar 70,8% dan terdapat 29,2% faktor lain yang menjelaskan varians financial distress.

Tabel 5
Model Summary
Model Summary

Untuk melihat ketepatan model yang dibentuk dilihat dengan Klasifikasi tabel sebagai berikut:

Tabel 6
Classification Table
Classification Table

Sampel yang tidak mengalami financial distress (0) adalah sebanyak 35 perusahaan. Hasil prediksi model pada Tabel di atas adalah 30 perusahaan tidak mengalami financial distress (0) dan 5 mengalami financial distress (1). Berarti terdapat 5 prediksi yang salah sehingga prediksi yang benar adalah sebanyak 30/35 = 85,7%. Sedangkan untuk perusahaan yang melakukan mengalami financial distress, dari 39 sampel hanya 3 perusahaan yang diprediksi tidak sesuai oleh model penelitian sehingga kebenaran model untuk perusahaan yang mengalami financial distress adalah sebesar 36/39 = 92,3%. Dengan demikian tabel di atas memberikan nilai overall percentage sebesar (30+36)/74 = 89,2% yang berarti ketepatan model penelitian ini adalah sebesar 89,2%.

3.    Pengujian Hipotesis

Setelah diperoleh model yang fit terhadap data, maka langkah selanjutnya adalah dilakukan uji hipotesis. Pengujian hipotesis dilakukan untuk menjawab pertanyaan penelitian ini.
Tabel 7
Pengujian Hipotesis
Pengujian Hipotesis

Dengan menggunakan tingkat kepercayaan 90% maka yang dinyatakan signifikan adalah NPM (Sig. 0,001) dan ROA (Sig. 0,000) terhadap financial distress. Jika dilihat dari koefisiennya (B) maka tampak bahwa koefisien NPM adalah positif yang berarti bahwa semakin tinggi NPM berarti semakin tinggi pula kemungkinan mengalami distress. Sedangkan ROA mempunyai koefisien negatif yang menunjukkan bahwa semakin tinggi ROA maka semakin rendah kemungkinan perusahaan mengalami distress.

Sampai di sini, kita punya pertanyaan penting, Apakah benar semakin tinggi NPM berarti semakin tinggi perusahaan mengalami financial distress. Silahkan Anda rujuk kepada teori yang ada. Jika Anda tidak yakin akan hal itu, silahkan lihat tabel di bawah:

Tabel 8
Korelasi antar Variabel Bebas dengan ROA
Korelasi antar Variabel Bebas dengan ROA

Tampak jelas bahwa korelasi antara ROA dengan NPM adalah 0,970 (tanda minus kita abaikan) yang berarti bahwa terdapat korelasi yang tinggi antara kedua variabel tersebut sehingga mengganggu model penelitian. Anda dapat melakukan modifikasi terhadap model, tentunya dengan justifikasi teori atau rujukan yang kuat. Karena ini hanya simulasi, maka modifikasi dilakukan dengan mengganti variabel ROA dengan ROE yang keduanya mengukur profitabilitas. Sehingga tabulasi korelasinya adalah sebagai berikut:

Tabel 9
Korelasi antar Variabel Bebas dengan ROE
Korelasi antar Variabel Bebas dengan ROE

Tampak bahwa tidak ada variabel bebas yang saling mempunyai korelasi yang tinggi sehingga tidak ada gangguan multikolinearitas pada model penelitian. Secara singkat, hasil estimasi model adalah sebagai berikut:

Tabel 10





Output tanpa Korelasi Tinggi antar Variabel Bebas
Output tanpa Korelasi Tinggi antar Variabel Bebas
   
Tampak bahwa semua asumsi yang diperlukan tetap terpenuhi pada model dengan ROE yang menggantikan ROA. Selain itu, NPM dan TATO mempunyai pengaruh negatif terhadap financial distress.

Penting untuk dicatat, bahwa simulasi ini hanya bertujuan untuk menunjukkan bahwa asumsi multikolinearitas masih diperlukan pada regresi logistik.
Share:

Regresi Logistik

Regresi logistik (logistic regression) sebenarnya sama dengan analisis regresi berganda, hanya variabel terikatnya merupakan variabel dummy (0 dan 1). Sebagai contoh, pengaruh beberapa rasio keuangan terhadap keterlambatan penyampaian laporan keuangan. Maka variabel terikatnya adalah 0 jika terlambat dan 1 jika tidak terlambat (tepat). Regresi logistik tidak memerlukan asumsi normalitas, meskipun screening dataoutliers tetap dapat dilakukan. Untuk asumsi multikolinearitas pada regresi logistik silahkan simak di sini.

Interpretasi regresi logistik menggunakan odd ratio atau kemungkinan. Sebagai contoh, jika rasio keuangan ROA meningkat sebesar 1% maka kemungkinan ketepatan menyampaikan laporan keuangan meningkat sebesar 1,05 kali. Berarti semakin tinggi ROA kemungkinan tepat semakin tinggi. Atau jika rasio keuangan DER meningkat sebesar 2% maka kemungkinan ketepatan penyampaian laporan keuangan meningkat sebesar 0,98 kali atau bisa dikatakan menurun karena lebih kecil dari 1 yang berarti kemungkinan terlambat semakin tinggi.

Berikut adalah simulasi aplikasi regresi logistik (logistic regression) dengan SPSS Versi. 11.5. Tampilannya pada SPSS Versi 11.5 kurang lebih seperti ini
tabulasi data untuk simulasi analisis regresi logistik dengan SPSS Versi 11
Tabulasi Data Regresi Logistik dengan SPSS Versi 11

Simulasi adalah untuk melihat pengaruh antara variabel profitabilitas, kompleksitas perusahaan, opini auditor, likuiditas dan ukuran perusahaan terhadap ketepatan penyampaian laporan keuangan tahunan perusahaan. Profitabilitas diukur dengan ROA; kompleksitas diukur dengan 1 jika mempunyai anak perusahaan dan 0 jika perusahaan tidak mempunyai anak perusahaan; opini auditor diukur dengan 1 jika mendapatkan opini wajar tanpa pengecualian dan 0 untuk opini yang lain; likuiditas diukur dengan Current Ratio; dan kompleksitas diukur dengan logaritma natural market value. Nah variabel terikatnya adalah ketepatan penyampaian laporan keuangan dengan kode 1 untuk perusahaan yang tepat waktu dan 0 untuk perusahaan yang terlambat.

Klik menu Analyze, pilih Binary Logistic, seperti ini:
menu regresi logistik pada SPSS versi 11 yang juga sering disebut dengan binary logistic
Menu Regresi Logistik pada SPSS Versi 11

memasukkan variabel ke dalam box regresi logistik lalu klik pada options untuk menampilkan pilihan pada regresi logistik pada SPSS Versi 11
Sub Menu Regresi Logistik pada SPSS Versi 11
Jika anda benar, maka akan keluar menu box untuk regresi logistik. Masukkan variabel ketepatan ke dalam box dependend, dan masukkan variabel bebas ke dalam box covariate. Lalu klik pada options, sehingga akan keluar box seperti ini:

Beri tanda centang seperti pada gambar di atas lalu klik continue sehingga akan dikembalikan pada menu box logistik dan tekan OK. Program akan melakukan perhitungan secara otomatis, dan hasil selengkapnya dapat anda bandingkan dengan data yang telah anda download.
output iteration history pada regresi logistik untuk menentukan apakah model layak atau tidak untuk dianalisis dengan regresi logistik
Output Iteration History pada Regresi Logistik

Interpretasinya adalah sebagai berikut: Pertama-tama adalah dengan melihat kelayakan model dengan menginterpretasikan output berikut ini:
Nilai -2 Log Likelihood adalah sebesar 96,607 yang akan dibandingkan dengan nilai Chi Square pada taraf signifikansi 0,05 dengan df sebesar N-1 dengan N adalah jumlah sampel, berarti 84 – 1 = 83. Dari tabel Chi Square, diperoleh nilainya adalah 100,744. Jadi -2 Log Likelihood < Chi Square (96,607 < 100,74);

output goodness of fit untuk melihat apakah model layak atau tidak dianalisis dengan regresi logistik dengan beberapa parameter, seperti omnibus, chi square dan lain-lain
Output Goodness of Fit
Jika konstanta saja dimasukkan tidak layak, semua variabel bebas dimasukkan juga tidak layak, tapi kan ada penurunan -2 Log Likelihood. Yup penurunannya adalah sebesar 96,607 – 84,877 = 11,73. Atau kalau males ngitung manual, Output SPSS juga telah memberikan nilai itu yaitu sebagai berikut:

Nah kelihatan kan kalau output selisihnya adalah sebesar 11,729 dan mempunyai signifikansi 0,039 < 0,05.

Kalau masih kurang puas, bisa dilihat nilai Hosmer and Lemeshow Test. Hosmer dan Lemeshow Test adalah untuk melihat apakah data empiris cocok atau tidak dengan model atau dengan kata lain diharapkan tidak ada perbedaan antara data empiris dengan model. Model akan dinyatakan layak jika signifikansi di atas 0,05 atau -2 Log Likelihood di bawah Chi Square Tabel. Hati-hati, ini berkebalikan dengan uji yang lain sebelumnya. Tampak kan bahwa nilai Hosmer and Lemeshow Test adalah sebesar 9,778 dengan signifikansi 0,281 > 0,05. Berarti model adalah fit dan model dinyatakan layak dan boleh diinterpretasikan. Gambar di atas memberikan nilai Nagelkerke R Square sebesar 0,191 yang berarti bahwa kelima variabel bebas mampu menjelaskan varians ketepatan penyampaian laporan keuangan sebesar 19,1% dan sisanya yaitu sebesar 80,9% dijelaskan oleh faktor lain.
output pengujian hipotesis berdasarkan nilai signifikansi pada analisis regresi logistik dengan SPSS Versi 11
Output pengujian hipotesis

Pengujian hipotesis penelitian dilihat dengan output berikut ini:

Lihat saja signifikansinya, yang di bawah 0,10 (10%) berarti signifikan berpengaruh atau hipotesis diterima. Pembahasannya silahkan dikaitkan dengan teori yang dikembangkan di awal.
Share:

Artikel Terbaru

Translate

Instagram

Instagram
Gabung Instagram Kami

Artikel Terbaru

Jual Data Laporan Keuangan Perusahaan yang Listing di BEI Tahun 2020

Setiap perusahaan yang telah go public wajib untuk menyerahkan laporan keuangan ke badan otoritas, sebagai salah satu bentuk pertanggungjawa...

Artikel Populer Seminggu Terakhir

Komentar Terbaru

`

Ingin menghubungi kami untuk kerja sama?

Nama

Email *

Pesan *