64 memiliki nilai besar, maka probabilitas perusahaan akan mengalami
financial distress akan menurun.
F. Hasil Analisis Perbandingan Pada Model Comparative Analysis
Hasil analisis perbandingan pada model diskriminan dan model logit didasarkan pada ketepatan klasifikasi kedua model dan ketepatan akurasi
prediksi kedua model.
1. Ketepatan Klasifikasi Pada Model Analisis
Tabel 4. 21 Ketepatan Klasifikasi Pada Model Diskriminan
Prediksi Kelompok Perusahaan
Non-failed kode 0 Failed kode 1
Total Non-failed kode 0
6085.71 1014.28
70 Failed kode 1
1510 13590
150
Sumber: Lampiran pada Output SPSS hal.95 b. 88.6 original grouped cases correctly classified
Ketepatan klasifikasi pada model diskriminan tabel 4.21 pada perusahaan failed dan non-failed sebesar 88.6 persen. Ketepatan klasifikasi
tersebut diperoleh dari perusahaan failed sebesar 90 persen dan perusahaan non-failed sebesar 85.71 persen. Kesalahan klasifikasi pada perusahaan failed
sebesar 15 atau sebesar 10 persen yang masuk kelompok non-failed Type I
65 Errors. Sedangkan kesalahan klasifikasi pada perusahaan non-failed sebesar
10 atau sebesar 14.28 persen yang masuk kelompok failed Type II Errors.
Tabel 4. 22 Ketepatan Klasifikasi Pada Model
Logit
Prediksi Kelompok Perusahaan
Non-failed kode 0 Failed kode 1
Total Non-failed kode 0
5477.14 1622.9
70 Failed kode 1
64 14496
150
Sumber: Lampiran pada Output SPSS hal. 99 Clasification Table
Ketepatan klasifikasi pada model diskriminan tabel 4.22 pada perusahaan failed dan non-failed sebesar 90 persen. Ketepatan klasifikasi tersebut
diperoleh dari perusahaan failed sebesar 96 persen dan perusahaan non-failed sebesar 77.14 persen. Kesalahan klasifikasi pada perusahaan failed sebesar 6 atau
sebesar 4 persen yang masuk kelompok non-failed Type Errors 1. Sedangkan kesalahan klasifikasi pada perusahaan non-failed sebesar 16 atau sebesar 22.9
persen yang masuk kelompok failed Type Errors II. Perbandingan kesalahan klasifikasi model diskriminan dan model logit
tabel 4.23 terlihat pada Type I Error untuk perusahaan non-failed dan Type II Error untuk perusahaan failed. Model diskriminan memiliki kesalahan prediksi
sebesar 25 kesalahan prediksi pada kelompok perusahaan failed dengan Type I Error sebanyak 10 dan perusahaan non-failed dengan Type II error sebanyak 15.
66 Sedangkan model logit memiliki kesalahan prediksi sebesar 22 kesalahan prediksi
pada kelompok perusahaan failed dengan Type I Error sebanyak 6 dan perusahaan non-failed dengan Type II Error sebanyak 16. Berarti model logit lebih baik
dalam memprediksi kondisi financial distress daripada model diskriminan karena kesalahan prediksi pada model logit lebih kecil yang dilihat pada diskriminan
lebih besar dibandingkan dengan model logit yang dilihat pada Type Erorrs.
Tabel 4. 23 Kesalahan Klasifikasi Prediksi
Financial distress Pada Model Analisis
Type Error Discriminan
Logistic Regression Type I Error failed
10 16
Type II Error non-failed 15
6
Sumber: Lampiran pada Output SPSS hal. 95, 99.
2. Ketepatan Prediksi Pada Model Analisis
Kategori