53
4.2.2.2 Menilai Keseluruhan Model Overall Model Fit
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
Hasil dari -2 LogLikehood dengan block number 0 dapat dilihat pada Tabel 4.5 berikut ini :
Tabel 4.5 Likelihood L Block Pertama
Iteration History
a,b,c
Iteration -2 Log likelihood
Coefficients Constant
Step 0 1
565.291 -1.235
2 561.337
-1.430 3
561.325 -1.442
4 561.325
-1.442 a. Constant is included in the model.
b. Initial -2 Log Likelihood: 561.325 Estimation terminated at iteration number 4 because
parameter estimates changed by less than .001.
Sumber: Hasil Penelitian, 2016 Data Diolah
Iteration History
a,b,c,d
Iteration -2 Log likelihood
Coefficients Constant
ROA CR
DR Step 1
1 423.885
-1.606 -.047
.000 1.225
2 346.355
-2.108 -.114
.000 1.939
3 310.482
-2.327 -.204
.000 2.340
Universitas Sumatera Utara
54
Dari output diatas terlihat bahwa nilai -2Log Likelihood pada block number 0 sebesar 561,325 dan pada block number 1 sebesar 300,737. Dari hasil tersebut
dapat disimpulkan bahwa model regresi logistik kedua lebih baik dalam memprediksi kemungkinan suatu perusahaan mengalami kondisi financial
distress.
4.2.2.3 Koefisien Determinasi
Koefisien determinasi digunakan untuk mengetahui seberapa besar variabilitas variabel-variabel independen mampu menjelaskan variabilitas variabel
dependen.koefisien determinasi pada regresi logistik dapat dilihat pada Nagelker R Square. Nilai Nagelker R square dapat diinterpretasikan seperti nilai R Square
pada regresi berganda Ghozali,2006.
Tabel 4.6 Koefisien Determinasi
4 301.423
-2.398 -.278
.000 2.447
5 300.742
-2.436 -.306
.000 2.505
6 300.737
-2.440 -.308
.000 2.512
7 300.737
-2.440 -.308
.000 2.512
a. Method: Enter b. Constant is included in the model.
c. Initial -2 Log Likelihood: 561.325 d. Estimation terminated at iteration number 7 because parameter estimates changed by less than
.001.
Model Summary
Step -2 Log likelihood
Cox Snell R Square
Nagelkerke R Square
1 300.737
a
.364 .585
Universitas Sumatera Utara
55
Tabel 4.6 menunjukkan nilai Nagelker R Square. Dilihat dari hasil output pengolahan data, nilai Nagelker R Square adalah sebesar 0,585 yang berarti
variabilitas variabel independen adalah sebesar 58,2, sisanya sebesar 41,8 100-58,2 dijelaskan oleh variabilitas variabel-variabel lain diluar model
penelitian.
4.2.2.4 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
FD Percentage
Correct 1
Step 1 FD
454 11
97.6 1
48 62
56.4 Overall Percentage
89.7 a. The cut value is .500
Sumber : Hasil Penelitian, 2016 Data Diolah
Pada Tabel 4.7 tersebut, dari 465 sampel data keuangan perusahaan kategori non financial distress yang diteliti, sebanyak 454perusahaan atau 97,6 yang
secara tepat dapat diprediksi oleh model regresi logistik ini sebagai perusahaan
a. Estimation terminated at iteration number 7 because parameter estimates changed by less than .001.
Sumber: Hasil Penelitian, 2016 Data Diolah
Universitas Sumatera Utara
56
yang tidak mengalami financial distress dan sisanya sebanyak 11 perusahaan gagal diprediksi oleh model. Sedangkan dari 110 sampel data keuangan
perusahaan kategori financial distress yang diteliti, dinyatakan sebanyak 62 perusahaan atau 56,4 yang secara tepat dapat diprediksi oleh model regresi
logistik ini sebagai perusahaan yang mengalami financial distress dan sisanya sebanyak 48 perusahaan gagal diprediksi oleh model. Secara keseluruhan, tingkat
akurasi model dalam memprediksi kondisi kesehatan perusahaan adalah 89,7 yang berarti hasil penelitian ini cukup baik karena mendekati ketepatan 100.
4.2.2.5 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
B S.E.
Wald df
Sig. ExpB
Step 1
a
ROA -.308
.038 64.894
1 .000
.735 CR
.000 .000
.064 1
.801 1.000
DR 2.512
.586 18.407
1 .000
12.330 Constant
-2.440 .392
38.716 1
.000 .087
a. Variables entered on step 1: ROA, CR, DR.
Sumber : Hasil Penelitian, 2016 Data Diolah
Berdasarkan hasil pengolahan regresi logistik di atas maka model analisis regresi logistik dapat ditransformasikan dalam model persamaan sebagai berikut :
Ln=
� 1
−�
= -2,440 - 0,308ROA + CR + 2,512DR
Universitas Sumatera Utara
57
Dari Tabel 4.8, masing-masing variabel independen dapat diinterpretasikan pengaruhnya terhadap financial distress sebagai berikut :
1. Konstanta sebesar -2,440; artinya jika koefisien variabel bebasnya diabaikan
maka probabibilitas suatu perusahaan mengalami kondisi financial distress akan turun sebesar 2,440.
2. Koefisien variabel ROA sebesar -0,308; artinya jika ROA naik sebesar satu
persen, maka probabilitas suatu perusahaan mengalami financial distress akan turun sebesar 0,308.
3. Koefisien variabel CR sebesar 0,000; artinya jika current ratio naik sebesar
satu persen, maka tidak terdapat pengaruh pada probabilitas suatu perusahaan mengalami financial distress.
4. Koefisien variabel DR sebesar 2,512; artinya jika DR naik sebesar satu kali,
maka probabilitas suatu perusahaan mengalami financial distress akan naik sebesar 2,512.
4.3 Pengujian Hipotesis 4.3.1 Uji Secara Simultan