64
bahwa model regresi logistik dapat digunakan untuk analisis selanjutnya.
4.1.2.2 Menilai Keseluruhan Model Overall Model Fit
Uji keseluruhan model digunakan untuk melihat model yang telah dihipotesiskan telah fit atau tidak dengan data. Penilaian
keseluruhan model regresi logistik dapat dilihat dengan menggunakan nilai -2 Log Likelihood. Dimana, apabila terjadi
penurunan dalam nilai -2 Log Likelihood pada block number 1 dibandingkan dengan block number 0, maka dapat disimpulkan
bahwa model yang kedua block number 1 dari regresi logistik tersebut baik. Hasil dari -2 Log Likehood dengan block number
0 dapat dilihat pada Tabel 4.4 berikut ini:
Tabel 4.4 Likelihood L Block Nol
Sumber: Output SPSS 2016, Data Diolah
Iteration History
a,b,c
Iteration -2 Log likelihood
Coefficients Constant
Step 0 1
148.611 -.609
2 148.601
-.629 3
148.601 -.629
a. Constant is included in the model. b. Initial -2 Log Likelihood: 148.601
c. Estimation terminated at iteration number 3 because parameter estimates changed by less than
.001.
Universitas Sumatera Utara
65
Hasil dari -2 Log Likehood dengan block number 1 dapat dilihat pada Tabel 4.5 berikut ini :
Tabel 4.5 Likelihood L Block Satu
Iteration History
a,b,c,d
Iteration -2 Log
likelihood Coefficients
Constant JUMLAH
DEWAN DIREKSI
JUMLAH DEWAN
KOMISA RIS
JUMLAH KOMITE
AUDIT JUMLAH
DIREKSI MASUK
JUMLAH DIREKSI
KELUAR KUALITAS
AUDIT Step 1 1
102.770 2.398
-.445 .075
-.194 .106
-.119 -1.573
2 96.285
3.879 -.707
.143 -.438
.189 -.206
-2.100 3
95.368 4.802
-.819 .179
-.652 .242
-.266 -2.389
4 95.333
5.015 -.841
.188 -.707
.255 -.283
-2.466 5
95.333 5.024
-.842 .188
-.709 .255
-.283 -2.470
6 95.333
5.024 -.842
.188 -.709
.255 -.283
-2.470 a. Method: Enter
b. Constant is included in the model. c. Initial -2 Log Likelihood: 148.601
d. Estimation terminated at iteration number 6 because parameter estimates changed by less than .001.
Sumber: Output SPSS 2016, Data Diolah
Dari Tabel 4.4 terlihat bahwa nilai -2Log Likelihood pada block number 0 sebesar 148,601 dan pada Tabel 4.5 block
number 1 sebesar 95,333. Dari hasil tersebut dapat disimpulkan bahwa model regresi logistik kedua lebih baik dalam
memprediksi kemungkinan suatu perusahaan mengalami kondisi financial distress.
Universitas Sumatera Utara
66
4.1.2.3 Koefisien Determinasi Nagelkerke R Square
Dalam regresi logistik, nilai statistik dari Nagelkerke R. Square dapat diinterpretasikan sebagai suatu nilai yang mengukur
kemampuan variabel-variabel independen dalam menjelaskan atau menerangkan variabel dependen. Hasil pengujian
koefisien determinasi Nagelkerke R. Square dapat dilihat pada Tabel 4.6 berikut ini:
Tabel 4.6 Hasil Uji Koefisien Determinasi
Model Summary
Step -2 Log likelihood
Cox Snell R Square
Nagelkerke R Square
1 95.333
a
.371 .511
a. Estimation terminated at iteration number 6 because parameter estimates changed by less than .001.
Sumber: Output SPSS 2016, Data Diolah
Tabel 4.6 menunjukkan nilai Nagelkerke R Square. Dilihat dari hasil output pengolahan data, nilai
Nagelker R Square adalah sebesar 0,511 yang berarti variabilitas variabel independen adalah sebesar
51,1, sisanya sebesar 48,9 100-51,1 dijelaskan oleh variabilitas variabel-variabel lain
diluar model penelitian.
Universitas Sumatera Utara
67
4.1.1.4 Matriks Klasifikasi
Matriks klasifikasi ini digunakan untuk menganalisis tingkat akurasi model regresi logistik dalam memprediksi perusahaan
financial distress dengan non financial distress dibandingkan dengan kondisi yang sesungguhnya. Hasil uji yang dihasilkan
dapat dilihat pada Tabel 4.7 berikut ini:
Tabel 4.7 Matriks Klasifikasi
Classification Table
a
Observed Predicted
FINANCIAL DISTRESS Percentage
Correct 1
Step 1 FINANCIAL DISTRESS 0 61
14 81.3
1 10
30 75.0
Overall Percentage 79.1
a. The cut value is .500
Sumber: Output SPSS 2016, Data Diolah Dari Tabel 4.7 dapat dilihat bahwa dari 75 sampel data
perusahaan kategori non financial distress yang diteliti, sebanyak 61 data atau 81,3 yang secara tepat dapat diprediksi
oleh model regresi logistik ini sebagai perusahaan yang tidak mengalami kesulitan keuangan financial distressdan sisanya
sebanyak 14 perusahaan gagal diprediksi oleh model. Sedangkan dari 40 sampel data perusahaan kategori financial
distress yang diteliti, dinyatakan sebanyak 30 data atau 75,0 yang secara tepat dapat diprediksi oleh model regresi logistik
Universitas Sumatera Utara
68
ini sebagai perusahaan yang mengalami kesulitan keuangan financial distressdan sisanya sebanyak 10 perusahaan gagal
diprediksi oleh model. Secara keseluruhan, tingkat akurasi model dalam memprediksi kondisi kesehatan perusahaan
adalah 79,1 yang berarti hasil penelitian ini cukup baik karena mendekati ketepatan 100.
4.1.1.5 Hasil Analisis Regresi Logistik
Untuk mengetahui koefisien pada masing-masing variabel dapat dilihat pada Tabel 4.8 berikut ini :
Tabel 4.8 Hasil Regresi Logistik
Variables in the Equation
a. Variables entered on step 1: JUMLAHDEWANDIREKSI, JUMLAHDEWANKOMISARIS, JUMLAHKOMITEAUDIT, JUMLAHDIREKSIMASUK, JUMLAHDIREKSIKELUAR,
KUALITASAUDIT.
Sumber: Output SPSS 2016, Data Diolah
B S.E.
Wald df
Sig. ExpB
Step 1
a
JUMLAHDEWANDIREKSI -.842
.273 9.480
1 .002 .431
JUMLAHDEWANKOMISARIS .188
.157 1.434
1 .231 1.207
JUMLAHKOMITEAUDIT -.709
.528 1.806
1 .179 .492
JUMLAHDIREKSIMASUK .255
.338 .572
1 .450 1.291
JUMLAHDIREKSIKELUAR -.283
.387 .536
1 .464 .753
KUALITASAUDIT -2.470
.741 11.106 1 .001
.085 Constant
5.024 1.949
6.647 1 .010 152.007
Universitas Sumatera Utara
69
Berdasarkan hasil pengolahan regresi logistik pada Tabel 4.8 maka model analisis regresi logistik dapat ditransformasikan
dalam model persamaan sebagai berikut :
Y = 5,024 – 0,842X
1
+ 0,188X
2
– 0,709X
3
+ 0,255X
4a
- 0,283X
4b
- 2,470X
5
Dari Tabel 4.8, masing-masing variabel independen dapat diinterpretasikan pengaruhnya terhadap financial distress
sebagai berikut: 1.
Konstanta sebesar 5,024; artinya jika koefisien variabel bebasnya diabaikan maka probabilitas suatu perusahaan
mengalami kondisi financial distress akan naik sebesar 5,024.
2. Koefisien variabel jumlah dewan direksi sebesar -0,842;
artinya jika jumlah dewan direksi naik sebesar satu persen, maka probabilitas suatu perusahaan mengalami financial
distress akan turun 0,842. 3.
Koefisien variabel jumlah dewan komisaris sebesar 0,188; artinya jika jumlah dewan komisaris naik sebesar
satu persen, maka probabilitas suatu perusahaan mengalami financial distress akan naik sebesar 0,188.
4. Koefisien variabel jumlah komite audit sebesar -0,709;
artinya jika jumlah komite audit naik sebesar satu persen,
Universitas Sumatera Utara
70
maka probabilitas suatu perusahaan mengalami financial distress akan naik sebesar 0,709.
5. Koefisien variabel turn over dari direksi terdiri dari:
a. Jumlah direksi masuk, koefisiennya 0,255; artinya jika
jumlah direksi masuk naik sebesar satu persen, maka probabilitas suatu perusahaan mengalami financial
distress akan naik sebesar 0,255. b.
Jumlah direksi keluar, koefisiennya -0,283; artinya jika jumlah direksi keluar naik sebesar satu persen, maka
probabilitas suatu perusahaan mengalami financial distress akan turun sebesar0,283.
6. Koefisien kualitas audit sebesar -2,470; artinya jika kualitas
audit naik sebesar satu persen, maka probabilitas suatu perusahaan mengalami financial distress akan turun sebesar
2,470.
4.2 Pengujian Hipotesis