BAB III METODE PENELITIAN
G. Metode Analisis Data
2. Analisis Z-Score
Selain statistik deskriptif juga digunakan analisis Z Score yang sering disebut
model prediksi kebangkrutan (bankruptcy prediction models). Z Score
menggunakan teknik statistik (analisis diskriminan multipel – multiple
discriminant analysis) untuk menghasilkan alat prediksi yang merupakan fungsi
linear dari beberapa variabel penjelas. Alat prediksi ini menggolongkan atau
memprediksi kemungkinan bangkrut atau tidak bangkrutnya perusahaan. Dalam
variabel dengan kelima rasio yang sudah dihitung terlebih dahulu berdasarkan
neraca dan laporan laba/rugi masing – masing perusahaan. Rumus yang digunakan
adalah sebagai berikut :
Z = 1,2 Z1 + 1,4 Z2 + 3,3 Z3 + 0,6 Z4 + 99,9 Z5
Dimana :
Z1 = working capital/total asset
Z2 = retained earnings/total asset
Z3 = earnings before interest and taxes/total asset
Z4 = market capitalization/book value of debt
Z5 = sales/total asset dengan
Kemudian nilai dari Z Score tersebut dianalisis dan dikelompokkan kedalam
3 kelompok dengan kriteria sebagai berikut :
Tabel 3.2
Kriteria titik cut off Model Z Score
Kriteria Nilai Z Kategori
Tidak bangkrut jika Z > Bangkrut jika Z <
Daerah rawan bangkrut (grey area)
2,99 1,81 1,81 – 2,99 Sehat Bangkrut Rawan Bangkrut
Tabel 3.2 tersebut dapat dideskripsikan sebagai berikut :
a. Jika perusahaan memperoleh nilai Z > 2,99 maka perusahaan masuk
dalam kategori perusahaan sehat. Hal tersebut dapat diartikan perusahaan
dalam keadaan baik tanpa ada masalah keuangan.
b. Jika perusahaan memperoleh nilai Z < 1,81 maka perusahaan masuk
sedang mengalami kesulitan keuangan dan diindikasikan menghadapi
ancaman kebangkrutan yang serius.
c. Jika perusahaan memperoleh nilai Z = 1,81 – 2,99 maka perusahaan
masuk dalam kategori rawan bangkrut. Perusahaan dalam kategori ini
menunjukkan indikasi sedikit masalah dan apabila perusahaan tidak
segera melakukan tindakan yang radikal, perusahaan mungkin akan
mengalami ancaman kebangkrutan dalam jangka waktu dua tahun.
3. Analisis regresi logistik
Pengujian hipotesis dilakukan dengan analisis multivariat dengan
menggunakan regresi logistik (logistic regression), yang variabel bebasnya
merupakan kombinasi antara metric dan non metric (nominal). Regresi logistik
adalah regresi yang digunakan untuk menguji apakah probabilitas terjadinya
variabel terikat dapat diprediksi dengan variabel bebasnya (Ghozali, 2002 :
120). Pengujian dilakukan pada tingkat signifikasi (α) 5 persen. Teknik analisis ini tidak memerlukan lagi uji normalitas dan uji asumsi klasik pada variabel
bebasnya (Ghozali, 2006). Gujarati (2003) menyatakan bahwa regresi logistik
mengabaikan heteroscedasitiy, artinya variabel dependen tidak memerlukan
homoscedacity untuk masing-masing variabel independennnya.
Pengujian regresi logistik dilakukan dengan tahapan sebagai berikut:
a. Menilai Kelayakan Model Regresi
Kelayakan model regresi dinilai dengan menggunakan Hosmer and
Lemeshow’s Goodness of Fit Test. Hipotesis untuk menilai kelayakan model
H0 : Tidak ada perbedaan antara model dengan data
Ha : Ada perbedaan antara model dengan data
Jika nilai statistik Hosmer and Lemeshow Goodness of fit lebih besar
dari pada 0,05 maka hipotesis nol tidak dapat ditolak dan berarti model
mampu memprediksi nilai observasinya atau dapat dikatakan model dapat
diterima karena sesuai dengan data observasinya (Ghozali, 2006).
b. Menilai keseluruhan model (overall model fit)
Analisis pertama yang dilakukan adalah menilai overall fit model
terhadap data. Hipotesis untuk menilai model fit adalah :
H0 : Model yang dihipotesiskan fit dengan data
Ha : Model yang dihipotesiskan tidak fit dengan data
Dari hipotesis ini supaya model fit dengan data maka H0 harus diterima
atau Ha harus ditolak. Statistik yang digunakan berdasarkan pada fungsi
Likelihood. Likelihood (L) dari model adalah probabilitas bahwa model
yang dihipotesiskan menggambarkan data input. Untuk menguji hipotesis
nol dan hipotesis alternatif, L ditransformasikan menjadi -2LogL.
Dengan degree of freedom n – q, dimana q adalah parameter dalam
model, output SPSS akan memberikan dua nilai -2LogL, yaitu satu untuk
model yang hanya memasukkan konstanta dan yang kedua untuk model
dengan konstanta dan variabel bebas. Dengan alpha 5%, cara menilai
modelfit ini adalah sebagai berikut :
1) Jika nilai -2LogL < 0,05 maka H0 ditolak dan Ha diterima, yang
2) Jika nilai -2LogL > 0,05 maka H0 diterima dan Ha ditolak, yang
berarti bahwa model tidak fit dengan data.
Adanya pengurangan nilai antara - 2LogL awal (initial - 2LL function)
dengan nilai - 2LogL pada langkah berikutnya menunjukkan bahwa model
yang dihipotesiskan fit dengan data (Ghozali, 2006). Log Likelihood pada
regresi logistik mirip dengan pengertian "Sum of Square Error" pada model
regresi, sehingga penurunan Log Likelihood menunjukkan model regresi
yang semakin baik.
c. Koefisien Determinasi
Koefisien determinasi digunakan untuk mengetahui seberapa besar
variabilitas variabel–variabel independen mampu memperjelas variabilitas
variabel dependen. Koefisien determinasi pada regresi logistik dapat dilihat
pada nilai Nagelkerke R Square. Nilai Nagelkerke R Square dapat
diinterpretasikan seperti nilai R Square pada regresi berganda (Ghozali,
2006). Nilai ini didapat dengan cara membagi nilai Cox & Snell R Square
dengan nilai maksimumnya.
d. Matrik Klasifikasi
Matrik klasifikasi akan menunjukkan kekuatan prediksi dari model
regresi untuk memprediksi kemungkinan penerimaan opini audit going
concern pada auditee. Dalam output regresi logistik, angka ini dapat
e. Pengujian Hipotesis Penelitian
Hasil pengujian hipotesis dapat dilihat melalui koefisien regresi.
Koefisien regresi dari tiap variabel-variabel yang diuji menunjukkan bentuk
hubungan antara variabel. Pengujian hipotesis dilakukan dengan cara
membandingkan antara nilai probabilitas (sig) dengan tingkat signifikasi
(5%). Jika nilai asymtotik signifikan < dari 0,05 (tingkat signifikansi /5%)
maka Ha dapat diterima, yang berarti bahwa variabel bebas berpengaruh
secara signifikan terhadap terjadinya variabel terikat. Begitu pula
sebaliknya, bila asymtotik signifikan > dari 0,05 (tingkat signifikansi /)
maka Ha tidak dapat diterima, yang berarti bahwa variabel bebas tidak
berpengaruh secara signifikan terhadap terjadinya variabel terikat. Adapun
rumus dari regresi linier berganda (multiple liner regresion) adalah sebagai
berikut :
Y = a + b1 X1 + b2 X2 + b3 X3 + b4 X4+ b5 x5+ e
Dimana :
Y = Opini Audit Going Concern
Variabel dummy dimana
1= opini audit going concern
0= opini audit non going concern
X1 = Kualitas Audit
X2 = Kondisi Keuangan Perusahaan
X3 = Opini Audit Tahun Sebelumnya
X5 = Pertumbuhan Perusahaan
a = Konstanta
b1,b2,b3,b4,b5 = Koefisien regresi dari setiap variabel
independen