Analisis Regresi Logistik - METODE PENELITIAN

BAB III METODE PENELITIAN

F. Analisis Regresi Logistik

Regresi binary logistik adalah regresi yang digunakan untuk melakukan pemodelan suatu kemungkinan kejadian dengan variabel Y (respons) bertipe kategorial dua pilihan (Cornelius Trihendrati, 2007:63).

Dalam penelitian ini variabel dependen (respons) Y bertipe kategorik / dua pilihan yaitu: perbankan yang mengalami kebangkrutan diberi nilai = 0 dan perbankan yang tidak mengalami kebangkrutan (sehat) diberi nilai = 1. keterangan ini dapat dilihat dalam tabel identifikasi data :

Tabel 4.11 Identifikasi data Dependent Variable Encoding

Original Value Internal Value

Bangkrut ₀

Sehat ₁

Sumber : Data diolah, 2008.

Dalam penelitian ini jumlah data yang diproses sebanyak 110 atau N = 110. Untuk melihat kelengkapan data yang diproses dalam penelitian ini dan tidak adanya missing case ditunjukkan oleh tabel Case Processing Summary :

Tabel 4.12 Data yang diproses Case Processing Summary

Unweighted Cases(a) N Percent

Included in Analysis ₁₁₀ _100.0 Missing Cases ₀ _.0 Selected Cases Total ₁₁₀ _100.0 Unselected Cases ₀ _.0 Total ₁₁₀ _100.0

a If weight is in effect, see classification table for the total number of cases.

Sumber : Data diolah, 2008.

1. Ketetapan Prediksi Klasifikasi

Untuk melihat ketetapan prediksi klasifikasi yang diamati ditunjukkan dengan bantuan tabel berupa predicted values dari variabel dependen dan baris merupakan data aktual yang diamati seperti yang ditunjukkan pada tabel 4.13 berikut ini :

Tabel 4.13

Hasil identifikasi prediksi klasifikasi Classification Table^a 24 16 60.0 4 66 94.3 81.8 Observed bangkrut sehat BANGKRUT Overall Percentage Step 1 bangkrut sehat BANGKRUT _Percentage Correct Predicted

The cut value is .500 a.

Sumber : Data diolah, 2008.

Menurut prediksi, bank yang mengalami kebangkrutan adalah 40 bank sedangkan hasil observasi menunjukkan hanya 24 bank, jadi ketepatan klasifikasi yang diamati untuk bank yang mengalami kebangkrutan sebesar 60.0% (24/40), sedangkan prediksi untuk bank yang tidak mengalami kebangkrutan (sehat) adalah 70 bank dan hasil observasinya hanya 66, maka ketepan prediksi klasifikasi yang diamati untuk bank yang tidak mengalami kebangkrutan (sehat) sebesar 94.3% (66/70). Secara keseluruhan ketepatan klasifikasi sebesar 81.8%.

2. Uji Chi Square Hosmer and Lemeshow

Untuk menilai kelayakan model regresi dalam prediksi digunakan Uji Chi Square Hosmer and Lemeshow. Pengujian ini digunakan untuk menguji

H₀ : Tidak terdapat perbedaan antara klasifikasi yang diprediksi dengan klasifikasi yang diamati.

Ha : Terdapat perbedaan antara klasifikasi yang diprediksi dengan klasifikasi yang diamati.

Tabel 4.14

Hasil identifikasi prediksi klasifikasi Hosmer and Lemeshow Test

Step Chi-square df Sig.

1 _3.799 ₇ _.803

Sumber : Data diolah, 2008.

Hasil pengujian pada tabel 4.14 menunjukkan nilai Chi Square sebesar 3.799 dengan nilai sig. sebesar 0.803. Dari hasil tersebut terlihat bahwa nilai sig. > α = (0.05)(sig. diatas 0.05) yang berarti keputusan yang diambil adalah menerima H₀ : tidak ada perbedaan antara klasifikasi yang diprediksi dengan klasifikasi yang diamati maka model regresi ini dapat digunakan untuk analisis selanjutnya.

3. Ketepatan Model Prediksi

Untuk melihat model yang lebih baik untuk memprediksi kemungkinan terjadinya kebangkrutan pada bank menggunakan nilai-2 LogLikehood. Dari hasil perhiitungan -2 LogLikehood pada block pertama (block number = 0) terlihat nilai -2 LogLikehood sebesar 144.206 seperti yang terlihat pada tabel 4.15 sebagai berikut:

Tabel 4.15

Ketetapan model dalam memprediksi kebangkrutan (block number = 0)

Iteration History(a,b,c)

likelihood Constant 1 _144.211 _.545 2 _144.206 _.560 Step 0 3 _144.206 _.560

a Constant is included in the model. b Initial -2 Log Likelihood: 144.206

c Estimation terminated at iteration number 3 because parameter estimates changed by less than .001.

Sumber : Data diolah, 2008

Kemudian hasil perhiutngan nilai -2 LogLikehood pada block kedua (block number 1) terlihat nilai -2 LogLikehood sebesar 97.291 terjadi penurunan pada block kedua (block number 1) yang ditunjukkan pada tabel 4.16. sebagai berikut :

Tabel 4.16

Ketetapan model dalam memprediksi kebangkrutan (block number 1)

Iteration History(a,b,c,d)

Iteration

-2 Log

likelihood Coefficients

Constant CAR NPL ROA ROE BOPO LDR

Step 1 1 _101.443 _-1.720 _-.004 _-.037 _.600 _-.006 _.024 _.000 2 _97.578 _-2.436 _-.011 _-.063 _.971 _-.017 _.032 _.000 3 _97.296 _-2.742 _-.013 _-.070 _1.096 _-.021 _.036 _.000 4 _97.291 _-2.790 _-.013 _-.070 _1.106 _-.021 _.036 _.000 5 _97.291 _-2.791 _-.013 _-.070 _1.107 _-.021 _.036 _.000 a Method: Enter

b Constant is included in the model. c Initial -2 Log Likelihood: 144.206

d Estimation terminated at iteration number 5 because parameter estimates changed by less than .001.

Sumber : Data diolah, 2008

Penilaian keseluruhan model regresi (overall fit model) menggunakan nilai -2 LogLikehood dimana jika terjadi penurunan pada blok kedua dibanding blok pertama maka dapat disimpulkan bahwa model regresi kedua menjadi lebih baik. Seperti yang ditunjukkan pada tabel 4.15. dan 4.16. Pada blok

ini kita dapat menyimpulkan bahwa model regresi kedua lebih baik untuk memprediksi kemungkinan kebangkrutan sebuah bank.

4. Koefisien Cox & Snell R Square and Nagelkerke R Square

Koefisien Cox & Snell R Square pada tabel model summary dapat diinterpretasikan sama seperti koefisien determinasi R Square pada regresi linier berganda, tetapi karena nilai maksimum Cox & Snell R Square biasanya lebih kecil dari satu sehingga sulit diinterpretasikan seperti R Square dan jarang digunakan (Stanislaus, 2006:236).

Tabel 4.17

Koefisien Cox & Snell R Square and Nagelkerke R Square

Model Summary

Step

-2 Log likelihood

Cox & Snell R Square

Nagelkerke R Square

1 _97.291(a) _.347 _.475

a Estimation terminated at iteration number 5 because parameter estimates changed by less than .001.

Sumber : Data diolah, 2008

Koefisien Nagelkerke R Square pada tabel model summary merupakan modifikasi dari koefisien Cox & Snell R Square untuk memastikan bahwa nilainya bervariasi dari 0 sampai 1. Dilihat dari tabel 4.17. nilai Koefisien Nagelkerke R Square sebesar 0.475 yang berarti kemampuan variabel bebas menjelaskan variabel tidak bebas sebesar 47.5%.

5. Uji Wald

Tabel 4.18 Hasil signifikansi data

Variables in the Equation

B S.E. Wald df Sig. Exp(B)

CAR _-.013 _.037 _.134 ₁ _.715 _.987

NPL _-.070 _.069 _1.050 ₁ _.306 _.932

ROA _1.107 _.417 _7.025 ₁ _.008 _3.024

Step 1(a)

BOPO _.036 _.012 _8.506 ₁ _.004 _1.037

LDR _.000 _.001 _.005 ₁ _.942 _1.000

Constant _-2.791 _1.068 _6.836 ₁ _.009 _.061

a Variable(s) entered on step 1: CAR, NPL, ROA, ROE, BOPO, LDR.

Sumber : Data diolah, 2008

Untuk melihat hasil signifikansi setiap koefisien dalam regresi logistik ini, digunakan model persamaan yang memasukkan semua variabel independen yang tampak pada tabel Variables in the Equation.

Pada tabel 4.18. terlihat bahwa hanya koefisien variabel ROA dan BOPO yang signifikan dan yang lainnya tidak. Koefisien variabel ROA sig. pada probabilitas 0.008 < α = 0.05 (sig. di bawah 0.05), BOPO sig. pada probabilitas 0.004 < α = 0.05 (sig. di bawah 0.05).

Untuk menguji signifikansi masing-masing koefisien regresi logistik digunakan uji Wald. Untuk koefisien variabel CAR: uji wald = 0.134, P-value

= 0.715 lebih besar dari α = 0.05 maka koefisien variabel CAR tidak signifikan. Untuk koefisien variabel NPL : uji wald = 1.050, P-value = 0.306 lebih besar dari α = 0.05 maka koefisien variabel NPL tidak signifikan. Untuk koefisien variabel ROA : uji wald = 7.025, P-value = 0.008 lebih kecil dari α = 0.05 maka koefisien variabel ROA signifikan. Untuk koefisien variabel ROE : uji wald = 1.361, P-value = 0.243 lebih besar dari α = 0.05 maka koefisien variabel ROE tidak signifikan. Untuk koefisien variabel BOPO : uji wald = 8.506, P-value = 0.004 lebih kecil dari α = 0.05 maka koefisien variabel BOPO signifikan. Untuk koefisien variabel LDR : uji wald = 0.005,

Dalam dokumen Analisis rasio camel dalam memprediksi kondisi kebangkrutan pada lembaga perbankan yang go public di Indonesia periode 2002-2006 (Halaman 105-112)