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