Hasil Uji Multikolinearitas Hasil Overall Model Fit Test

41 BAB IV HASIL PENELITIAN DAN PEMBAHASAN

4.1. Hasil Penelitian

4.1.1. Hasil Uji Model Analisis

4.1.1.1. Hasil Uji Multikolinearitas

Uji asumsi klasik yang masih dilakukan untuk menguji variabel dalam teknik analisis regresi logistik adalah uji multikolinearitas. Tujuan uji multikolinearitas menurut Ghozali 2011:105 adalah, “Untuk menguji apakah model regresi ditemukan adanya korelasi antar variabel bebas independen. Model regresi yang baik seharusnya tidak terjadi korelasi di antara variabel independen.” Gejala multikolinearitas dapat dilihat dengan menganalisis matriks korelasi variabel-variabel independen. Indikasi adanya multikolinearitas antar variabel adalah nilai yang tinggi yaitu lebih besar dari 0,90. Hasil uji multikolinearitas disajikan pada tabel 4.1 berikut ini: Tabel 4.1 Hasil Uji Multikolinearitas Correlation Matrix Constant ROA CAR DER Step 1 Constant 1.000 -.231 -.775 -.435 ROA -.231 1.000 .489 -.356 CAR -.775 .489 1.000 -.227 DER -.435 -.356 -.227 1.000 42 Matriks korelasi di atas mengungkapkan bahwa korelasi antar variabel independen yang paling besar 0,775 yang nilainya lebih kecil dari 0,90. Berdasarkan hasil ini, dapat disimpulkan bahwa profitabilitas, capital adequacy ratio, dan leverage bebas dari gejala multikolinieritas.

4.1.1.2. Hasil Overall Model Fit Test

Pengujian dilakukan dengan membandingkan nilai antara -2 log likelihood pada awal block number = 0 dengan nilai -2 log likelihood pada akhir block number = 1. Model dikatakan fit bila nilai -2LogL akhir mengalami penurunan dari nilai -2LogL awal. Ghozali 2011:346 menyatakan bahwa, ”Penurunan ini signifikan atau tidak dapat dibandingkan dengan tabel c2 dengan df selisih df dengan konstan saja dan df dengan 3 variabel independen.” Jika penurunan nilai -2LogL lebih besar daripada nilai yang tertera pada tabel C-2 hal ini berarti penambahan variabel independen ke dalam model akan memperbaiki model fit penelitian ini sehingga model penelitian dinyatakan fit. Nilai -2 log likelihood awal pada block number = 0, dapat dilihat pada tabel 4.2 berikut ini: 43 Tabel 4.2 Nilai -2 Log Likelihood -2 LL awal Iteration History

a,b,c

Iteration -2 Log likelihood Coefficients Constant Step 0 1 49.442 -1.867 2 36.977 -2.734 3 35.166 -3.217 4 35.075 -3.357 5 35.075 -3.367 6 35.075 -3.367 a. Constant is included in the model. b. Initial -2 Log Likelihood: 35.075 c. Estimation terminated at iteration number 6 because parameter estimates changed by less than .001. Nilai -2 log likelihood akhir pada block number = 1, dapat dilihat pada tabel 4.3 berikut ini: Tabel 4.3 Nilai -2 Log Likelihood -2 LL akhir Iteration History

a,b,c,d

Iteration -2 Log likelihood Coefficients Constant ROA CAR DER Step 1 1 47.418 -1.926 -.033 -.017 .048 2 31.364 -2.502 -.097 -.064 .111 3 24.577 -1.180 -.203 -.203 .150 4 19.605 3.092 -.221 -.529 .129 5 16.677 7.118 -.264 -.894 .147 6 15.339 9.961 -.351 -1.231 .224 7 14.934 11.682 -.433 -1.491 .318 8 14.886 12.279 -.470 -1.605 .369 9 14.885 12.351 -.475 -1.622 .378 10 14.885 12.352 -.476 -1.622 .378 11 14.885 12.352 -.476 -1.622 .378 a. Method: Enter 44 b. Constant is included in the model. c. Initial -2 Log Likelihood: 35.075 d. Estimation terminated at iteration number 11 because parameter estimates changed by less than .001. Tabel 4.2 menunjukkan bahwa -2 log likelihood awal pada block number = 0, yaitu model yang hanya memasukkan konstanta saja, memperoleh nilai sebesar 35,075 dan memiliki distribusi x 2 dengan degree of freedom sebesar 120 – 1 = 119. Kemudian pada tabel 4.3 dapat dilihat nilai -2 Log Likelihood akhir dengan block number = 1 nilai -2 log likelihood mengalami penurunan setelah masuknya beberapa variabel independen pada model penelitian, akibatnya nilai -2 Log Likelihood akhir menunjukkan nilai 14,885 dan memiliki distribusi x 2 dengan degree of freedom sebesar 120 – 3 = 117. Penurunan nilai -2 Log Likelihood sebesar 35,075 – 14,885 = 20,190 dengan selisih degree of freedom sebesar 119 – 117 = 2. Tabel C-2 dengan degree of freedom 2 menunjukkan angka 5.99146. Oleh karena 20,190 lebih besar dari nilai yang ditunjukkan tabel maka dapat dikatakan bahwa penurunan -2 Log Likelihood menunjukkan bahwa model penelitian ini dinyatakan fit, artinya penambahan-penambahan variabel bebas yaitu profitabilitas, capital adequacy ratio , dan leverage ke dalam model penelitian akan memperbaiki model fit penelitian ini. 45

4.1.1.3. Hasil Hosmer and Lemeshow’s Goodness of Fit Test

Hosmer and Lemeshow’s Goodness of Fit Test memastikan tidak ada perbedaan antara model dengan data atau data empiris cocok dengan model yang digunakan. Nilai statistik yang lebih besar dari α = 0,05 berarti model mampu memprediksi nilai observasinya sehingga model dinyatakan fit. Sebaliknya nilai statistik yang lebih kecil dari α = 0,05 berarti model tidak mampu memprediksi nilai observasinya sehingga model dinyatakan tidak fit untuk digunakan dalam penelitian. Tabel 4.4 berikut ini menunjukkan hasil pengujian goodness of fit model regresi: Tabel 4.4 Hosmer and Lemeshow’s Goodness of Fit Test Hosmer and Lemeshow Test Step Chi-square df Sig. 1 .327 8 1.000 Hasil perhitungan SPSS di atas menunjukkan bahwa besarnya nilai statistik Hosmer and Lemeshow’s Goodness of Fit Test sebesar 0,327 dengan probabilitas signifikansi 1,00 yang nilainya jauh di atas 0,05 sehingga dapat disimpulkan bahwa model mampu memprediksi nilai observasinya sehingga model diterima dan dinyatakan fit untuk digunakan dalam penelitian.

4.1.1.4. Hasil Nagelkerke’s R Square

Cox Snell R Square merupakan ukuran yang mencoba meniru ukuran R 2 pada regresi berganda sedangkan Nagelkerke’s R 46 Square merupakan modifikasi dari Cox Snell R Square untuk memastikan bahwa nilai variabel dependen bervariasi dari nol sampai satu. Hasil perhitungan Nagelkerke’s R Square dapat dilihat pada tabel 4.5 berikut ini: Tabel 4.5 Nagelkerke’s R Square Model Summary Step -2 Log likelihood Cox Snell R Square Nagelkerke R Square 1 14.885 a .155 .611 a. Estimation terminated at iteration number 11 because parameter estimates changed by less than .001. Ghozali 2011:341 menyatakan, “Nilai Nagelkerke’s R Square dapat diinterpretasikan seperti nilai R 2 pada multiple regression .” Kemudian Ghozali 2011:97 juga menjelaskan arti nilai koefisien determinasi R 2 yaitu, “Nilai yang mendekati satu berarti variabel-variabel independen memberikan hampir semua informasi yang dibutuhkan untuk memprediksi variasi variabel dependen.” Hasil perhitungan SPSS di atas menunjukkan nilai Cox Snell R Square sebesar 0,155 dan nilai Nagelkerke’s R Square sebesar 0,611 yang berarti variabilitas variabel dependen yang dapat dijelaskan oleh variabilitas variabel independen sebesar 61,1 sedangkan sisanya sebesar 38,9 dijelaskan oleh variabel-variabel lain di luar model penelitian. 47

4.1.2. Hasil Uji Hipotesis Penelitian