3.6 Pengujian Hipotesis
1. Menilai Model Fit Langkah pertama adalah menilai overall fit model terhadap data.
Beberapa test statistics diberikan untuk menilai hal ini. Hipotesis ini untuk menilai model fit adalah :
H0 : Model yang dihipotesiskan fit dengan data HA : Model yang dihipotesiskan tidak fit dengan data
Dari hipotesis ini jelas bahwa kita akan menolak hipotesa nol agar supaya model fit dengan data.
2. Menganalisis Nilai Cox Snell R Square dan Nagelkerke R square Nilai cox Snell R square dan Nagelkerke R Square dapat juga
digunakan untuk menilai model fit. Nilai Nagelkerke R square dapat diinterpretasikan seperti nilai R2 pada multiple regression Ghozali,
2011:346 3. Menguji kelayakan untuk Regresi untuk model Regresi Logistik
``Kelayakan regresi dinilai dengan menggunakan Hosmer and Lemeshow’s Goodnes of Fit Test untuk menguji hipotesa nol bahwa
tidak ada perbedaan antara model dengan datanya model yang dihipotesakan fit dengan data. Syaratnya adalah Singgih, 2012:207:
• Jika probabilitas 0,05 maka Ho diterima • Jika probabilitas 0,05 maka Ho ditolak
Universitas Sumatera Utara
BAB IV ANALISIS DAN PEMBAHASAN
4.1 Gambaran Umum Perusahaan Penelitian ini menggunakan data sekunder yang diperoleh dari laporan
keuangan perusahaan manufaktur yang terdaftar di Bursa Efek Indonesia BEI. Sampel yang diperoleh dalam penelitian ini adalah perusahaan manufaktur secara
keseluruhan yang memenuhi syarat sesuai kriteria yang telah ditentukan. Kriteria pengambilan sampel yang telah ditentukan sebelumnya, dari 130 perusahaan
manufaktur yang terdaftar di BEI pada tahun 2010 sampai dengan 2013, maka diperoleh sampel penelitian sebanyak 15 perusahaan. Setelah memperoleh data
yang diperlukan, data tersebut kemudian diolah dengan menggunakan program SPSS Statistical Product and Service Solution Versi 18.0. Penelitian ini
bertujuan untuk mengetahui pengaruh current ratio, net profit margin, debt ratio, cash to current liabilities, current liabilities to total asset, cash to total asset,
sales growth dan inventory turn over terhadap prediksi financial distress. Dalam penelitian ini hipotesis yang diajukan akan diuji dengan menggunakan model
regresi logistik, terlebih dahulu dilakukan pengujian
Universitas Sumatera Utara
4.2 Hasil Penelitian 4.2.1 Analisis Statistik Dekriptif
Tabel 4.1 Statistik Deskriptif
Descriptive Statistics
N Minimum
Maximum Mean
Std. Deviation CR1
520 ,17 9,97
3,3281 1,90039
DR1 520 ,07
8,28 1,7929
1,42404 CLTA1
520 ,01 15,11
3,0073 2,52471
CCL1 520 ,03
24,06 3,9725
3,02606 CTA1
520 ,02 14,02
4,0110 3,65085
NPM 520
-15,2007 69,1666
2,413457 7,3962952
G 520
-,7341 115,4290
8,010454 15,1688723
ITO 520
-,4212 295,7740
22,066870 46,2624899
Valid N listwise 520
Sumber : Data diolah SPSS 18 Tabel statistik deskritif di atas menunjukkan nilai minimum, nilai maksimum,
nilai mean serta nilai standar deviasi dari masing masing variabel yang digunakan dalam penelitian. N menunjukkan jumlah observasi yang digunakan dalam
penelitian ini yaitu 520 observasi untuk semua variabel yang diteliti dalam penelitian ini. Untuk nilai maksimum, minimum dan mean atau rata-rata serta
standar deviasi untuk masing-masing variabel secara jelas dapat dilihat dalam tabel tersebut di atas. Paparan statistik dalam tabel tersebut menunjukkan bahwa
nilai maksimum dari seluruh variabel yang digunakan adalah 295,7740 dan nilai minimumnya adalah sebesar -15,2007. Sementara itu, untuk nilai mean tertinggi
adalah sebesar 22,066870 pada variabel ITO dan rata-rata terendah adalah pada variabel DR1 sebesar 1,7929. Nilai standar deviasi tertinggi adalah deviasi pada
Universitas Sumatera Utara
variabel ITO sebesar 46,2624899 dan standar deviasi terendah adalah pada variabel CR1 yaitu sebesar 1,90039.
Statistik deskriptif untuk variabel CR dapat dipaparkan bahwa dengan jumlah 520 didapatkan bahwa nilai minimum adalah 0,17 dan nilai maksimum adalah
9,97. Dengan nilai tersebut, diperoleh nilai rata-rata mean sebesar 3,3281 dan nilai standar deviasi sebesar 1,90039. Sementara itu untuk variabel DR nilai
maksimum adalah sebesar 8,28 dan nilai minimum adalah sebesar 0,07. Nilai rata- rata mean adalah sebesar 1,7929 dan nilai standar deviasi adalah sebesar
1,42404. Untuk variabel CLTA nilai maksimum adalah sebesar 15,11 dan nilai minimum adalah sebesar 0,01. Nilai rata-rata mean adalah sebesar 3,0073 dan
nilai standar deviasi adalah sebesar 2,52471. Untuk variabel CCL nilai maksimum adalah sebesar 24,06 dan nilai minimum adalah sebesar 0,03. Nilai rata-rata
mean adalah sebesar 3,9725 dan nilai standar deviasi adalah sebesar 3,02606. Untuk variabel CTA nilai maksimum adalah sebesar 14,02 dan nilai minimum
adalah sebesar 0,02. Nilai rata-rata mean 4,0110 dan nilai standar deviasi adalah 3,65085. Untuk variabel NPM nilai maksimum adalah sebesar 69,1666 dan nilai
minimum adalah sebesar -15,2007. Nilai rata-rata mean adalah sebesar 2,413457 dan nilai standar deviasi adalah sebesar 7,3962952. Untuk variabel G GROWTH
niali maksimum adalah sebesar 115,4290 dan nilai minimum adalah sebesar - 0,7341. Nilai rata-rata mean adalah sebesar 8,010454 dan nilai standar deviasi
adalah sebesar 15,1688723. Untuk variabel ITO nilai maksimum adalah sebesar 295,7740 dan nilai minimum -0,4212. Nilai rata-rata mean adalah sebesar
22,066870 dan nilai standar deviasi adalah sebesar 46,2624899.
Universitas Sumatera Utara
4.2.2 Analisis regresi logistik . 4.2.2.1 Pengujian kelayakan model
Untuk menilai kelayakan model regresi logistik dalam memprediksi kondisi perusahaan mengalami financial distress digunkan uji Chi
Square Hosmer and Lemeshow.
Tabel 4.2
Hosmer and Lemeshow Test
Step Chi-square
df Sig.
1 1,242
8 ,996
Sumber : Data diolah SPSS 18 Dari output di atas terlihat bahwa nilai Chi Square adalah sebesar 1,242
dengan nilai sig sebesar 0,996. Dari hasil tersebut terlihat bahwa nilai sig lebih besar daripada 0,05 sehingga berarti tidak ada perbedaan antara
klasifikasi yang diprediksi dengan klasifikasi yang diamati. sehingga dapat disimpulkan bahwa model regresi logistik dapat digunakan untuk analisis
selanjutnya. penilaian keseluruhan model regresi logistik menggunakan nilai -2 Log
Likelihood dimana jika terjadi penurunan dalam nilai -2 Log Likelihood pada blok kedua dibandingkan dengan blok pertama, maka dapat
disimpulkan bahwa model kedua dari regresi logistik menjadi lebih baik. hasilnya dapat di lihat pada tabel 4.3
Universitas Sumatera Utara
Tabel 4.3 -2LOG Likelihood
Iteration History
a,b,c
Kategori