Lanjutan halaman 85 39 PT. Polysindo Eka Perkasa, Tbk
2.653845 1.988228 2.034181 40 PT. Selamat Sempurna, Tbk
0.374415 0.341028 0.332929 41 PT. Semen Gresik, Tbk
0.444167 0.378433 0.255488 42 PT. Sepatu Bata, Tbk
0.345273 0.423452 0.299763 43 PT. Sorini Argo Asia Corporindo, Tbk
0.357204 0.380488 0.401738 44 PT. Sumi Indo Kabel, Tbk
0.288327 0.382748 0.367618 45 PT. Surya Intrindo Makmur, Tbk
0.453971 0.55415
0.685399 46 PT. Surya Toto Indonesia, Tbk
0.795056 0.74536
0.69094 47 PT. Tempo Scan Pasific, Tbk
0.176761 0.201416 0.180425 48 PT. Trias Sentosa, Tbk
0.500156 0.544792 0.517199 49 PT. Tunas Baru Lampung, Tbk
0.621471 0.646433 0.577509 50 PT. Unilever Indonesia, Tbk
0.375742 0.431608 0.486248 51 PT. United Tractor, Tbk
0.536133 0.609932 0.58737
Sumber: Lampiran 2 Berdasarkan tabel di atas, dapat diketahui bahwa nilai DR tertinggi
perusahaan sampel selama periode penelitian 2004-2006 adalah PT. Polysindo Eka Perkasa, Tbk yaitu sebesar 2.653845 yang terjadi pada
tahun 2004. Sedangkan nilai DR terendah adalah PT. Mandom Indonesia, Tbk yaitu sebesar 0.102916 yang terjadi pada tahun 2006.
4.3. Analisis dan Pengujian Hipotesis
4.3.1. Analisis Regresi Logistik
Penelitian ini bertujuan untuk menguji pengaruh rasio Likuiditas CR, QR, Efisiensi AT, Profitabilitas ROA, ROI, NPM, GPM, dan
Financial Lavarage DR dalam memprediksi probabilitas munculnya kondisi financial distress pada perusahaan manufaktur yang go public.
Teknik analisis yang digunakan adalah analisis regresi logistik dengan metode Backward Stepwise. Pengolahan data dilakukan dengan
menggunakan program SPSS versi 17.0.
4.3.1.1.Penilaian Model Overall Model Fit
Penilaian model overall model fit dilakukan dengan menggunakan statistik -2 Log Likelihood, Cox and Snell R Square, dan
Nagelkerke R Square. Statistik -2 Log Likelihood digunakan untuk menentukan apakah
penambahan variabel bebas ke dalam model dapat memperbaiki model fit. Apabila terjadi penurunan nilai -2 Log Likelihood dari model awal hanya
konstanta ke model akhir konstanta dan variabel bebas, berarti penambahan variabel bebas ke dalam model mampu memperbaiki model
fit Ghozali, 2006:267. Statistik -2 Log Likelihood dari model adalah probabilitas bahwa model yang dihipotesiskan menggambarkan data input
yang ditransformasikan menjadi -2LogL. Nilai -2LogL sebelum dimasukkan variabel lain hanya memasukkan konstanta dengan df 152
153-1 yaitu sebesar 154,226 dengan nilai signifikansi 0,000. Nilai signifikansi 0,000 jauh dibawah 0,05, yang berarti model dengan hanya
konstanta saja tidak fit Ho ditolak. Nilai -2LogL setelah dimasukkan 8 variabel bebas dengan df 144
153-9 yaitu sebesar 0,000. Selisih -2LogL sebelum dan sesudah variabel bebas dimasukkan adalah 154,226 dengan df 8 152-144, angka ini
signifikan secara statistik sehingga penambahan 8 variabel CR, QR, AT, ROA, ROI, NPM, GPM, dan DR ke dalam model membuat model
menjadi fit cocok pada setiap pengujian dari step 1 sampai step 8. Hasil nilai -2LogL dapat dilihat pada tabel 4.11 di bawah ini:
Tabel 4.11 Tabel Penilaian Model Overall Model Fit
Step -2 Log Likelihood
Cox Snell R Square Nagelkerke R Square
0 154,226 1 0,000
0,635 1,000
2 0,000 0,635
1,000 3 0,000
0,635 1,000
4 0,000 0,635
1,000 5 0,000
0,635 1,000
6 0,000 0,635
1,000 7 0,000
0,635 1,000
8 0,000 0,635
1,000 Sumber: Lampiran 3
Nilai Cox and Snell R Square dan Nagelkerke R Square juga dapat digunakan untuk menilai model. Cox and Snell R Square sulit
diinterpretasikan karena nilai maksimumnya kurang dari 1 satu. Nagelkerke R Square merupakan modifikasi dari Cox and Snell R Square
yang mempunyai nilai antara 0 nol hingga 1 satu. Nilai Nagelkerke R Square dapat diinterpretasikan seperti nilai R Square pada regresi linier
berganda Ghozali, 2006: 267. Berdasarkan tabel di atas, hasil pengujian memberikan nilai Cox and Snell R Square sebesar 0,635 dan nilai
Nagelkerke R Square sebesar 1,000 pada setiap pengujian dari step 1 sampai step 8. Nilai tersebut memberikan arti bahwa variabilitas variabel
dependen yang dapat dijelaskan oleh variabilitas variabel independen sebesar 100.
4.3.1.2.Uji Kesesuaian Model
Pengujian kesesuaian model dilakukan dengan Hosmer and Lemeshow Goodness-of-fit test statistic. Hipotesis nol yang diuji adalah
data empiris sesuai dengan model. Jika Hosmer and Lemeshow Goodness- of-fit test statistic menghasilkan nilai signifikansi tingkat signifikan
α 0,05, maka hipotesis nol diterima, dan disimpulkan bahwa data empiris
sesuai dengan model, artinya tidak ada perbedaan antara model dengan data Ghozali, 2006:267. Berikut adalah tabel 4.12 hasil Hosmer and
Lemeshow Goodness-of-fit test statistic yang diperoleh dari pengolahan data:
Tabel 4.12 Tabel Uji Kesesuaian Model Hosmer and Lemeshow Test
Step Chi-Square Signifikansi
1 0,000 1,000
2 0,000 1,000
3 0,000 1,000
4 0,000 1,000
5 0,000 1,000
6 0,000 1,000
7 0,000 1,000
8 0,000 1,000
Sumber: Lampiran 3 Tabel di atas menunjukkan bahwa model terakhir step 8, Hosmer
and Lemeshow Goodness-of-fit test statistic menghasilkan nilai Chi- Square sebesar 0,000 dengan nilai signifikansi sebesar 1,000 jauh di atas
0,05. Sehingga dapat disimpulkan bahwa model mampu memprediksi nilai
observasinya atau dapat dikatakan model dapat diterima karena cocok dengan data observasinya.
4.3.1.3.Estimasi Parameter
Estimasi parameter dari model regresi logistik dengan metode Backward Stepwise berakhir pada step 8 lihat “variable in the equation”,
lampiran 3. Pada step 8, hanya terdapat 1 satu variabel bebas yang masuk dalam persamaan regresi logistik yaitu ROI. Berdasarkan hasil
tersebut dapat dibuat persamaan regresi logistik sebagai berikut:
Koefisien variabel ROI bernilai negatif yaitu sebesar -2.713,640 dengan nilai signifikansi 0,948 tingkat signifikansi
α 0,05. Hal ini menunjukkan bahwa pengaruh variabel ROI terhadap peluang munculnya
kondisi financial distress pada perusahaan manufaktur yang go public adalah negatif dan tidak signifikan. Artinya jika variabel ROI naik sebesar
satu satuan, peluang perusahaan akan mengalami financial distress adalah 0 e
-2.713,640
kali peluang perusahaan tidak mengalami financial distress non-financial distress.
4.3.2. Pengujian Hipotesis
Analisis model regresi logistik di atas, digunakan untuk menguji dan mengetahui kebenaran mengenai hipotesis dalam penelitian ini yang
menduga bahwa rasio keuangan Likuiditas CR, QR, Efisiensi AT, Profitabilitas ROA, ROI, NPM, GPM, dan Financial Lavarage DR
dapat digunakan untuk memprediksi kondisi financial distress pada perusahaan manufaktur yang go public. Hipotesis tersebut secara statistik
dituliskan sebagai berikut: H
o
: Σ
hasil observasi
≠ Σ
hasil prediksi
H
1
: Σ
hasil observasi
= Σ
hasil prediksi
Dimana: H
: Rasio keuangan Likuiditas CR, QR, Efisiensi AT, Profitabilitas ROA, ROI, NPM, GPM, dan Financial Lavarage DR tidak dapat
digunakan untuk memprediksi kondisi financial distress perusahaan manufaktur yang go public.
H1: Rasio keuangan Likuiditas CR, QR, Efisiensi AT, Profitabilitas ROA, ROI, NPM, GPM, dan Financial Lavarage DR dapat
digunakan untuk memprediksi kondisi financial distress perusahaan manufaktur yang go public.
Berdasarkan hasil overall classification rate step 8 dengan nilai cut value 50, diketahui bahwa pengelompokkan munculnya kondisi
financial distress pada perusahaan manufaktur yang go public yang
menjadi objek penelitian adalah menunjukkan hasil yang sempurna, dimana semua kasus memiliki tingkat peramalanprediksi 100 pada
setiap pengujian dari step 1 sampai step 8.
Tabel 4.13 Tabel Klasifikasi Pengelompokkan
Munculnya Kondisi Financial Distress Classification Table
Predicted Kondisi Financial Distress
Observed Non-Financial
Distress Financial
Distress Percentage
Correct Non-Financial Distress
122 0 100,0
Financial Distress 0 31
100,0 Overall Percentage
100,0 Sumber: Lampiran 3
Tabel klasifikasi di atas menunjukkan bahwa dari 122 sampel perusahaan yang diobservasi tidak mengalami financial distress non-
financial distress, tidak terdapat perusahaan yang diprediksi mengalami financial distress dengan prosentase keakuratan sebesar 100. Sedangkan
dari 31 sampel perusahaan yang diobservasi mengalami financial distress, juga tidak terdapat perusahaan yang diprediksi tidak mengalami financial
distress non-financial distress dengan prosentase keakuratan sebesar 100.
Secara umum hasil penelitian ini tidak dapat membuktikan bahwa rasio keuangan tersebut dapat digunakan untuk memprediksi kondisi
financial distress pada perusahaan manufaktur yang go public. Tingkat
keakuratannya didasarkan pada hasil overall classification rate yaitu sebesar 100.
Dalam penelitian ini terbentuk 8 step persamaan regresi logistik, dimana dalam step persamaan logistik selalu mengkombinasikan rasio-
rasio likuiditas, efisiensi, profitabilitas dan financial lavarage. Nilai Negelkerke dan Hosmer and Lemeshow Goodness-of-fit test untuk setiap
step dapat dilihat pada tabel 4.11 dan 4.12. Berdasarkan output SPSS “variables in the equation” dan “variables not in the equition” lampiran
3 dapat diketahui semua variabel rasio keuangan menyatakan tidak signifikan pada setiap step.
Dalam step regresi logistik pertama, variabel bebas yang dimasukkan dalam model adalah rasio CR, QR, AT, ROA, ROI, NPM,
GPM dan DR. Step ini menunjukkan nilai CR sebesar 17,432 dengan tingkat signifikansi 0,998 0,05, nilai QR sebesar -25,248 dengan tingkat
signifikansi 0,998 0,05, nilai AT sebesar 12,748 dengan tingkat signifikansi 0,997 0,05, nilai ROA sebesar -554,998 dengan tingkat
signifikansi 0,998 0,05, nilai ROI sebesar -444,484 dengan tingkat signifikansi 0,997 0,05, nilai NPM sebesar -8,067 dengan tingkat
signifikansi 1,000 0,05, nilai GPM sebesar -18,425 dengan tingkat signifikansi 0,997 0,05, dan nilai DR sebesar 9,804 dengan tingkat
signifikansi 0,998 0,05, maka diputuskan untuk menerima H yang
menyatakan bahwa variabel CR, QR, AT, ROA, ROI, NPM, GPM, dan
DR tidak dapat memprediksi kondisi financial distress pada perusahaan manufaktur yang go public.
Dalam step regresi logistik kedua, variabel bebas yang dimasukkan dalam model adalah rasio CR, QR, AT, ROA, ROI, GPM dan DR. Step ini
menunjukkan nilai CR sebesar 16,785 dengan tingkat signifikansi 0,997 0,05, nilai QR sebesar -24,009 dengan tingkat signifikansi 0,997 0,05,
nilai AT sebesar 12,690 dengan tingkat signifikansi 0,997 0,05, nilai ROA sebesar -579,211 dengan tingkat signifikansi 0,994 0,05, nilai ROI
sebesar -431,600 dengan tingkat signifikansi 0,996 0,05, nilai GPM sebesar -17,897 dengan tingkat signifikansi 0,997 0,05, dan nilai DR
sebesar 9,790 dengan tingkat signifikansi 0,998 0,05, maka diputuskan untuk menerima H
yang menyatakan bahwa variabel CR, QR, AT, ROA, ROI, GPM dan DR tidak dapat memprediksi kondisi financial distress
pada perusahaan manufaktur yang go public. Dalam step regresi logistik ketiga, variabel bebas yang dimasukkan
dalam model adalah rasio CR, QR, AT, ROA, ROI, dan DR. Step ini menunjukkan nilai CR sebesar 12,988 dengan tingkat signifikansi 0,998
0,05, nilai QR sebesar -17,044 dengan tingkat signifikansi 0,998 0,05, nilai AT sebesar 12,102 dengan tingkat signifikansi 0,998 0,05, nilai
ROA sebesar -695,302 dengan tingkat signifikansi 0,992 0,05, nilai ROI sebesar -343,123 dengan tingkat signifikansi 0,996 0,05, dan nilai DR
sebesar 11,891 dengan tingkat signifikansi 0,997 0,05, maka diputuskan untuk menerima H
yang menyatakan bahwa variabel CR, QR, AT, ROA,
ROI, dan DR tidak dapat memprediksi kondisi financial distress pada perusahaan manufaktur yang go public.
Dalam step regresi logistik keempat, variabel bebas yang dimasukkan dalam model adalah rasio QR, AT, ROA, ROI, dan DR. Step
ini menunjukkan nilai QR sebesar -17,044 dengan tingkat signifikansi 0,999 0,05, nilai AT sebesar 18,626 dengan tingkat signifikansi 0,993
0,05, nilai ROA sebesar -792,102 dengan tingkat signifikansi 0,992 0,05, nilai ROI sebesar -284,853 dengan tingkat signifikansi 0,996 0,05, dan
nilai DR sebesar 13,325 dengan tingkat signifikansi 0,999 0,05, maka diputuskan untuk menerima H
yang menyatakan bahwa variabel QR, AT, ROA, ROI, dan DR tidak dapat memprediksi kondisi financial distress
pada perusahaan manufaktur yang go public. Dalam step regresi logistik kelima, variabel bebas yang
dimasukkan dalam model adalah rasio AT, ROA, ROI, dan DR. Step ini menunjukkan nilai AT sebesar 16,999 dengan tingkat signifikansi 0,992
0,05, nilai ROA sebesar -863,651 dengan tingkat signifikansi 0,987 0,05, nilai ROI sebesar -242,100 dengan tingkat signifikansi 0,996 0,05, dan
nilai DR sebesar 22,326 dengan tingkat signifikansi 0,996 0,05, maka diputuskan untuk menerima H
yang menyatakan bahwa variabel AT, ROA, ROI, dan DR tidak dapat memprediksi kondisi financial distress
pada perusahaan manufaktur yang go public. Dalam step regresi logistik keenam, variabel bebas yang
dimasukkan dalam model adalah rasio AT, ROA, dan ROI. Step ini
menunjukkan nilai AT sebesar 18,425 dengan tingkat signifikansi 0,989 0,05, nilai ROA sebesar -1.123,538 dengan tingkat signifikansi 0,975
0,05, dan nilai ROI sebesar -531,598 dengan tingkat signifikansi 0,983 0,05, maka diputuskan untuk menerima H
yang menyatakan bahwa variabel AT, ROA, dan ROI tidak dapat memprediksi kondisi financial
distress pada perusahaan manufaktur yang go public. Dalam step regresi logistik ketujuh, variabel bebas yang
dimasukkan dalam model adalah rasio ROA, dan ROI. Step ini menunjukkan nilai ROA sebesar -1.088,442 dengan tingkat signifikansi
0,973 0,05, dan nilai ROI sebesar -95,055 dengan tingkat signifikansi 0,981 0,05, maka diputuskan untuk menerima H
yang menyatakan bahwa variabel ROA, dan ROI tidak dapat memprediksi kondisi financial
distress pada perusahaan manufaktur yang go public. Dalam step regresi logistik kedelapan, variabel bebas yang
dimasukkan dalam model adalah rasio ROI. Step ini menunjukkan nilai ROI sebesar -2.713,640 dengan tingkat signifikansi 0,948 0,05, maka
diputuskan untuk menerima H yang menyatakan bahwa variabel ROI
tidak dapat memprediksi kondisi financial distress pada perusahaan manufaktur yang go public.
4.4. Pembahasan Hasil Penelitian
