109 Tabel 4.10
Ketepatan model dalam memprediksi bliok number = 0
Iteration History
a,b,c
108.131 .000
Iteration 1
Step 0 -2 Log
likelihood Constant
Coefficients Constant is included in the model.
a. Initial -2 Log Likelihood: 108.131
b. Estimation terminated at iteration number 1 because
parameter estimates changed by less than .001. c.
Kemudian hasil perhitungan nilai -2Loglikelihood pada blok kedua blok number = 1 terlihat nilai -2Loglikelihood sebesar 40.093, terjadi penurunan pada
blok kedua blok number = 1 yang ditunjukan pada tabel berikut :
Tabel 4.11 Ketepatan model dalam memprediksi
bliok number = 1
Iteration History
a,b,c,d
59.697 3.533
-.515 .369 -6.101
3.308-20.429 .744
-.740 -.906
.769 -2.593 -3.633 -.100
1.920 -1.087 -1.021 17.385 3.454 -9.707
48.364 5.895
-.958 .614 -7.482
5.814-39.339 1.692 -1.893 -2.087 1.924 -4.466 -6.163
-.087 3.157 -2.704 -1.966 28.746 16.378-21.762
45.172 7.827 -1.299
.822 -9.029 7.698-55.641
2.375 -3.069 -3.273 3.102 -5.919 -8.966 -.116
4.535 -4.151 -2.786 39.424 25.907-31.314 43.961
8.907 -1.474 .961 -9.952
8.667-63.970 2.720 -5.568 -5.777 5.602 -6.646 -11.013
-.166 5.342 -5.109 -3.323 45.299 29.910-35.325
41.443 10.631 -1.543 1.294 -9.477
9.479-70.065 3.874-25.135 -25.350 25.165 -7.685 -15.202
-.211 4.875 -7.308 -4.628 49.337 31.626-36.894
40.174 11.634 -1.949 1.577-10.293 11.176-80.014
4.578-28.391 -28.637 28.422 -8.441 -17.479 -.406
6.085 -7.896 -5.515 55.625 33.789-38.820 40.096 11.824 -2.067
1.825-11.093 11.660-84.775 5.301-29.359 -29.608 29.388 -8.612 -18.213
-.712 7.340 -7.940 -6.252 59.022 34.824-39.423
40.093 11.848 -2.093 1.899-11.320 11.772-86.047
5.564-29.632 -29.881 29.660 -8.643 -18.351 -.792
7.646 -7.925 -6.473 59.905 35.045-39.546 40.093 11.849 -2.094
1.901-11.328 11.776-86.102 5.579-29.648 -29.898 29.677 -8.644 -18.353
-.794 7.652 -7.922 -6.479 59.933 35.052-39.553
40.093 11.849 -2.094 1.901-11.328 11.776-86.102
5.579-29.648 -29.898 29.677 -8.644 -18.353 -.794
7.652 -7.922 -6.479 59.933 35.052-39.553 Iteration
1 2
3 4
5 6
7 8
9 10
Step 1
-2 Log likelihood
Constant CACL CAS
CATA CCL
CTA CS
CLTE LTDTE TLTE TLTA
OITA NIS
NITA STA
QAS QATA CFTA CFTL
Coefficients
Method: Enter a.
Constant is included in the model. b.
Initial -2 Log Likelihood: 108.131 c.
Estimation terminated at iteration number 10 because parameter estimates changed by less than .001. d.
Penelitian keseluruhan model regresi Overall Fit Model menggunakan nilai -2Loglikelihood, dimana jika terjadi penurunan pada blok kedua dibanding
blok pertama maka dapat disimpulkan bahwa model regresi kedua menjadi lebih
110 baik. Seperti yang ditunjukan pada tabel 4.10 dan 4.11. pada blok pertama blok
number = 0 nilai -2Loglikelihood sebesar 108.131 dan pada blok kedua blok number = 1 nilai -2Loglikelihood sebesar 40.093. dari hasil ini kita dapat
menyimpulkan bahwa model regresi kedua lebih baik untuk memprediksi kemungkinan terjadinya default sebuah perusahaan penerbit obligasi.
4.7.2 Uji Chi Square Hosmer and Lemeshow
Untuk menilai kelayakan model regresi dalam memprediksi digunakan Uji Chi Square Hosmer and Lemeshow.
Pengujian ini digunakan untuk menguji hipotesis :
H : Tidak terdapat perbedaan antara klasifikasi yang diprediksi dengan
klasifikasi yang diamati. H
1
: Terdapat perbedaan antara klasifikasi yang diprediksi dengan klasifikasi yang diamati.
Tabel 4.12 Hasil identifikasi prediksi klasifikasi
Hosmer and Lemeshow Test
1.065 8
.998 Step
1 Chi-square
df Sig.
Hasil pengujian pada tabel 4.12 menunjukan nilai Chi Square sebesar 1.065 dengan nilai sig. Sebesar 0.998. Dari hasil tersebut terlihat bahwa nilai sig.
= 0.05 Sig. diatas 0.05 yang berarti keputusan yang diambil adalah menerima H
yang berarti data empiris sama dengan model atau model dikatakan fit, maka model regresi ini bisa digunakan untuk analisis selanjutnya.
111
4.7.3 Koefisien Cox Snell R Square dan Nagelkarke R Square
Koefisien Cox Snell R Square pada tabel model summary dapat diinterpretasikan sama seperti koefisien determinasi R Square pada regresi linear
berganda, tetapi karena nilai maksimum Cox Snell R Square biasanya lebih kecil dari satu 1 sehingga sulit diinterpretasikan seperti R Square dan jarang
digunakan Stainlaus, 2006 : 236
Tabel 4.13 Koefisien Cox Snell R Square dan Nagelkerke R Square
Model Summary
40.093
a
.582 .776
Step 1
-2 Log likelihood
Cox Snell R Square
Nagelkerke R Square
Estimation terminated at iteration number 10 because parameter estimates changed by less than .001.
a.
Koefisien Nagelkerke R Square pada tabel model summary merupakan modifikasi dari koefisien Cox Snell R Square untuk memastikan bahwa nilainya
bervariasi dari 0 sampai 1. Dilihat dari tabel 4.13 nilai koefisien Nagelkerke R Square
sebesar 0.776 yang berarti bahwa kemampuan variabel independen menjelaskan variabel dependen sebesar 77.6.
4.7.4 Ketepatan prediksi klasifikasi
Untuk melihat ketepatan prediksi klasifikasi yang diamati ditunjukan dengan bantuan tabel berupa predicted values dari variabel dependen dan baris
merupakan data aktual yang amati seperti yang ditunjukan pada tabel 4.14 berikut:
112 Tabel 4.14
ketepatan prediksi klasifikasi
Menurut prediksi, perusahaan yang mengalami default adalah 39 perusahaan sedangkan hasil observasi menunjukan hanya 34 perusahaan, jadi
ketepatan klasifikasi yang diamati untuk perusahaan yang mengalami default sebesar 87.2 3439. Sedangkan prediksi untuk perusahaan non default adalah
39 perusahaan dan hasil observasinya adalah 35 perusahaan, jadi ketepatan klasifikasi yang diamati untuk perusahaan non default adalah sebesar 89.7 35
39. Secara keseluruhan ketepatan klasifikasi sebesar 88.5.
4.7.5 Uji Wald
Untuk melihat hasil signifikasi setiap koefisien dalam regresi logistik ini, digunakan model persamaan yang memasukkan semua variabel independen yang
tampak tabel variables in the equation. Pada tabel 4.15 terlihat bahwa dari 18 rasio keuangan hanya koefisien variabel CACL, CCL, CTA, CLTE, LTDTE,
TLTE, TLTA, STA, QATA, CFTA, CFTL yang signifikan dan lainnya tidak.
Classification Table
a
35 4
89.7 5
34 87.2
88.5 Observed
Non default default
KONDISI Overall Percentage
Step 1 1
KONDISI Percentage
Correct Predicted
The cut value is .500 a.
113 Tabel 4.15
Hasil signifikansi data
Untuk menguji signifikansi prediksi variabel masing-masing koefisien regresi logistik digunakan uji Wald. Yaitu :
1. Untuk koefisien variabel CACL : uji Wald = 7.683, P-value = 0.006 lebih kecil dari = 0.05 maka koefisien variabel CACL signifikan.
2. Untuk koefisien variabel CAS : uji Wald = 1.006, P-value = 0.316 lebih besar dari = 0.05 maka koefisien variabel CAS tidak signifikan.
3. Untuk koefisien variabel CATA : uji Wald = 1.640, P-value = 0.200 lebih besar dari = 0.05 maka koefisien variabel CATA tidak signifikan.
Variables in the Equation
-2.094 .756
7.683 1
.006 .123
1.901 1.896
1.006 1
.316 6.694
-11.328 8.845
1.640 1
.200 .000
-11.776 4.698
6.284 1
.012 130105.5
-86.102 35.283
5.955 1
.015 .000
5.579 5.767
.936 1
.333 264.782
29.648 14.990
3.912 1
.048 .000
29.898 15.027
3.959 1
.047 .000
29.677 14.987
3.921 1
.048 8E+012
8.644 2.708
10.188 1
.001 .000
-18.353 10.831
2.871 1
.090 .000
-.794 1.918
.171 1
.679 .452
7.652 8.295
.851 1
.356 2105.391
-7.922 3.891
4.145 1
.042 .000
-6.479 5.600
1.339 1
.247 .002
-59.933 26.111
5.268 1
.022 1E+026
-35.052 15.871
4.878 1
.027 2E+015
-39.553 13.348
8.781 1
.003 .000
11.849 3.537
11.220 1
.001 139905.2
CACL CAS
CATA CCL
CTA CS
CLTE LTDTE
TLTE TLTA
OITA NIS
NITA STA
QAS QATA
CFTA CFTL
Constant Step
1
a
B S.E.
Wald df
Sig. ExpB
Variables entered on step 1: CACL, CAS, CATA, CCL, CTA, CS, CLTE, LTDTE, TLTE, TLTA, OITA, NIS, NITA, STA, QAS, QATA, CFTA, CFTL.
a.
114 4. Untuk koefisien variabel CCL : uji Wald = 6.284, P-value = 0.012 lebih
kecil dari = 0.05 maka koefisien variabel CCL signifikan. 5. Untuk koefisien variabel CTA : uji Wald = 6.955, P-value = 0.015 lebih
kecil dari = 0.05 maka koefisien variabel CTA signifikan. 6. Untuk koefisien variabel CS : uji Wald = 0.936, P-value = 0.333 lebih
besar dari = 0.05 maka koefisien variabel CS tidak signifikan. 7. Untuk koefisien variabel CLTE : uji Wald = 3.912, P-value = 0.048 lebih
kecil dari = 0.05 maka koefisien variabel CLTE signifikan. 8. Untuk koefisien variabel LTDTE : uji Wald = 3.959, P-value = 0.047
lebih kecil dari = 0.05 maka koefisien variabel LTDTE signifikan. 9. Untuk koefisien variabel TLTE : uji Wald = 3.921, P-value = 0.048 lebih
kecil dari = 0.05 maka koefisien variabel TLTE signifikan. 10. Untuk koefisien variabel TLTA : uji Wald = 10.188, P-value = 0.001 lebih
kecil dari = 0.05 maka koefisien variabel TLTA signifikan. 11. Untuk koefisien variabel OITA : uji Wald = 2.871, P-value = 0.090 lebih
besar dari = 0.05 maka koefisien variabel OITA tidak signifikan. 12. Untuk koefisien variabel NIS : uji Wald = 0.171, P-value = 0.679 lebih
besar dari = 0.05 maka koefisien variabel NIS tidak signifikan. 13. Untuk koefisien variabel NITA : uji Wald = 0.851, P-value = 0.356 lebih
besar dari = 0.05 maka koefisien variabel NITA tidak signifikan. 14. Untuk koefisien variabel STA : uji Wald = 4.145, P-value = 0.042 lebih
kecil dari = 0.05 maka koefisien variabel STA signifikan.
115 15. Untuk koefisien variabel QAS : uji Wald = 1.339, P-value = 0.247 lebih
besar dari = 0.05 maka koefisien variabel QAS tidak signifikan. 16. Untuk koefisien variabel QATA : uji Wald = 5.268, P-value = 0.022 lebih
kecil dari = 0.05 maka koefisien variabel QATA signifikan. 17. Untuk koefisien variabel CFTA : uji Wald = 4.878, P-value = 0.027 lebih
kecil dari = 0.05 maka koefisien variabel CFTA signifikan. 18. Untuk koefisien variabel CFTL : uji Wald = 8.781, P-value = 0.003 lebih
kecil dari = 0.05 maka koefisien variabel CFTL signifikan.
4.8. Interpretasi