cvii Tabel 4.13
Hasil identifikasi prediksi klasifikasi
Classification Table
a
24 16
60.0 4
66 94.3
81.8 Observed
bangkrut sehat
BANGKRUT Overall Percentage
Step 1 bangkrut
sehat BANGKRUT
Percentage Correct
Predicted
The cut value is .500 a.
Sumber : Data diolah, 2008. Menurut prediksi, bank yang mengalami kebangkrutan adalah 40 bank
sedangkan hasil observasi menunjukkan hanya 24 bank, jadi ketepatan klasifikasi yang diamati untuk bank yang mengalami kebangkrutan sebesar
60.0 2440, sedangkan prediksi untuk bank yang tidak mengalami kebangkrutan sehat adalah 70 bank dan hasil observasinya hanya 66, maka
ketepan prediksi klasifikasi yang diamati untuk bank yang tidak mengalami kebangkrutan sehat sebesar 94.3 6670. Secara keseluruhan ketepatan
klasifikasi sebesar 81.8.
2. Uji Chi Square Hosmer and Lemeshow
Untuk menilai kelayakan model regresi dalam prediksi digunakan Uji Chi Square Hosmer and Lemeshow. Pengujian ini digunakan untuk menguji
hipotesis :
cviii H
: Tidak terdapat perbedaan antara klasifikasi yang diprediksi dengan klasifikasi yang diamati.
Ha : Terdapat perbedaan antara klasifikasi yang diprediksi dengan klasifikasi yang diamati.
Tabel 4.14 Hasil identifikasi prediksi klasifikasi
Hosmer and Lemeshow Test
Step Chi-square
df Sig.
1 3.799
7 .803
Sumber : Data diolah, 2008. Hasil pengujian pada tabel 4.14 menunjukkan nilai Chi Square sebesar
3.799 dengan nilai sig. sebesar 0.803. Dari hasil tersebut terlihat bahwa nilai sig.
α = 0.05 sig. diatas 0.05 yang berarti keputusan yang diambil adalah
menerima H : tidak ada perbedaan antara klasifikasi yang diprediksi dengan
klasifikasi yang diamati maka model regresi ini dapat digunakan untuk analisis selanjutnya.
3. Ketepatan Model Prediksi
Untuk melihat model yang lebih baik untuk memprediksi kemungkinan terjadinya kebangkrutan pada bank menggunakan nilai-2 LogLikehood. Dari
hasil perhiitungan -2 LogLikehood pada block pertama block number = 0 terlihat nilai -2 LogLikehood sebesar 144.206 seperti yang terlihat pada tabel
4.15 sebagai berikut: Tabel 4.15
Ketetapan model dalam memprediksi kebangkrutan block number = 0
Iteration Historya,b,c
Iteration -2 Log
Coefficients
cix
likelihood Constant
1 144.211
.545 2
144.206 .560
Step 0 3
144.206 .560
a Constant is included in the model. b Initial -2 Log Likelihood: 144.206
c Estimation terminated at iteration number 3 because parameter estimates changed by less than .001.
Sumber : Data diolah, 2008 Kemudian hasil perhiutngan nilai -2 LogLikehood pada block kedua
block number 1 terlihat nilai -2 LogLikehood sebesar 97.291 terjadi penurunan pada block kedua block number 1 yang ditunjukkan pada tabel
4.16. sebagai berikut : Tabel 4.16
Ketetapan model dalam memprediksi kebangkrutan block number 1
Iteration Historya,b,c,d
Iteration -2 Log
likelihood Coefficients
Constant CAR
NPL ROA
ROE BOPO
LDR Step 1 1
101.443 -1.720
-.004 -.037
.600 -.006
.024 .000
2 97.578
-2.436 -.011
-.063 .971
-.017 .032
.000 3
97.296 -2.742
-.013 -.070
1.096 -.021
.036 .000
4 97.291
-2.790 -.013
-.070 1.106
-.021 .036
.000 5
97.291 -2.791
-.013 -.070
1.107 -.021
.036 .000
a Method: Enter b Constant is included in the model.
c Initial -2 Log Likelihood: 144.206 d Estimation terminated at iteration number 5 because parameter estimates changed by less than
.001.
Sumber : Data diolah, 2008 Penilaian keseluruhan model regresi overall fit model menggunakan nilai
-2 LogLikehood dimana jika terjadi penurunan pada blok kedua dibanding blok pertama maka dapat disimpulkan bahwa model regresi kedua menjadi
lebih baik. Seperti yang ditunjukkan pada tabel 4.15. dan 4.16. Pada blok
pertama block number = 0 nilai -2 LogLikehood sebesar 144.206 dan pada blok kedua block number 1 nilai -2 LogLikehood sebesar 97.291. Dari hasil
cx ini kita dapat menyimpulkan bahwa model regresi kedua lebih baik untuk
memprediksi kemungkinan kebangkrutan sebuah bank.
4. Koefisien Cox Snell R Square and Nagelkerke R Square