64 sehingga kondisi bermasalah suatu bank dapat diprediksi secara tepat.
Hasil dari fungsi diskriminan Zscore akan dibandingkan dengan nilai Zcu yang telah terbentuk. Apabila nilai Zscore Zcu, maka bank akan
dikategorikan ke dalam bank tidak bermasalah dan apabila nilai Zscore Zcu, maka perusahaan akan dikategorikan ke dalam bank
bermasalah. Dari model prediksi yang terbentuk oleh program SPSS akan dapat diketahui tingkat ketepatan model prediksi tersebut.
4. Analisis Regresi Binari Logistik
Pengujian hipotesis dalam penelitian ini dilakukan dengan analisis multivariate
dengan menggunakan
regresi logistik
logistic regression
, dimana analisis ini digunakan untuk menguji variabel bebas yang terdiri dari CAR, ATTM, NIM, LDR, PM, APB, NPLg,
NPLn terhadap kondisi bank. Model binary logistic adalah model yang memiliki variabel
dependen berupa kategori, sedangkan variabel independennya berupa data numeric. Data kategori pada variabel independen kemudian di
beri nilai 0 dan 1. Setiap nilai dugaan dari variabel independen terhadap variabel dependen dinyatakan dalam nilai probabilitas.
Dalam penelitian ini, model regresi logistik yang digunakan adalah model binary logistic regression yaitu model yang variabel
dependennya berupa data kategori, dimana bank yang bermasalah diberi kode 0 dan bank yang tidak bermasalah diberi kode 1.
65 Penggunaan regresi logistik ini tidak mensyaratkan adanya
multivariate normal distribution karena tidak memerlukan asumsi
normalitas data pada variabel bebasnya Ghozali, 2005:211. Model Regresi Logistik yang digunakan untuk menguji hipotesis
dalam penelitian ini adalah sebagai berikut :
Gambar 3.2 Model Regresi Logistik
P
1
Ln = β
+ β
1
X
1
+ β
2
X
2
+ β
3
X
3
+ β
4
X
4
+ β
5
X
5
+ β
6
X
6
+ β
7
X
7
+ β
8
X
8
1 – P
1
Notasi:
P
1
Ln 1
– P
1
= Dummy variabel kondisi bank P
1
=
1 untuk bank
tidak bermasalah dan 1 – P
1
= 0 untuk bank yang
bermasalah β
= Konstanta β
1-8
= Koefisien
X
1
X
2
X
3
X
4
X
5
X
6
X
7
X
8
= Capital Adequency Ratio CAR = Aktiva Tetap terhadap Modal ATTM
= Net Interest Margin NIM = Loan To Deposit Ratio LDR
= Profit Margin PM = Aktiva Produktif Bermasalah APB
= Non Performing Loan Gross NPLg = Non Performing Loan
Net NPLn
a. Menilai Model Fit
Penilaian keseluruhan model menggunakan nilai -2 Loglikelihood untuk melihat model yang lebih baik dalam memprediksi kondisi
bermasalah, Loglikelihood
ditransformasikan menjadi
-2 Loglikelihood
dimana output SPSS 17.0 memberikan dua nilai, yaitu
66 : pertama, untuk model pertama hanya terdapat konstanta dan nilai -2
Loglikelihood serta kedua, untuk model dengan konstanta dan
variabel bebas. Jika terjadi penurunan dalam nilai -2 Loglikelihood pada blok kedua jika dibandingkan dengan blok pertama maka dapat
disimpulkan bahwa model kedua regresi menjadi lebih baik
Ghozali, 2005:218. b.
Koefisien Cox Snell R Square dan Nagelkerke’s R Square
Cox Snell’s R Square merupakan ukuran yang mencoba
meniru ukuran R
2
pada multiple ragression yang didasarkan pada teknik estimasi -2 Loglikelihood dengan nilai maksimum kurang dari
1 sehingga sulit di interpretasikan. Negelkerke’s R Square
merupakan modifikasi dari koefisien Cox Snell R Square untuk memastikan bahwa nilainya bervariasi dari 0-1. Hal ini dilakukan
dengan cara membagi nilai Cox Snell R Square dengan nilai maksimumnya. Nilai N
agelkerke’s R Square dapat diinterpretasikan seperti nilai R
2
pada multiple regression Ghozali, 2005:219. Nilai koefisien Nagelkerke R Square umumnya lebih besar dari
nilai koefisien Cox Snell R Square tapi cenderung lebih kecil dibandingkan dengan nilai koefisien determinasi R
2
pada regresi linear berganda Uyanto, 2006:236.
67
c. Hosmer and Lemeshow’s Goodness of Fit Test
Kelayakan model regresi dinilai dengan menggunakan Hosmer and Lemeshow’s Goodness of Fit Test. Hosmer and Lemeshow’s
Goodness of Fit Test menguji H
yang menyatakan bahwa data empiris yang digunakan sesuai dengan model tidak ada perbedaan
antara model dengan data sehingga model dapat dikatakan fit. Hipotesis yang digunakan adalah sebagai berikut :
H =
Tidak terdapat perbedaan antara klasifikasi yang diprediksi dengan klasifikasi yang diamati.
H
a
= Terdapat perbedaan antara klasifikasi yang diprediksi dengan
klasifikasi yang diamati. Jika nilai
Hosmer and Lemeshow’s Goodness of Fit Statistic sama dengan atau kurang dari 0.05 maka H
ditolak, artinya ada perbedaan signifikansi antara model dengan nilai observasinya
sehingga Goodness Fit Model tidak baik, karena model tidak dapat memprediksi nilai observasinya. Jika nilai Statistics Hosmer and
Lemeshow’s Goodness of Fit lebih besar dari 0.05 maka H diterima,
artinya model mampu memprediksi nilai observasinya atau dapat dikatakan model dapat diterima karena cocok dengan data
observasinya Ghozali, 2005:219.
