55
yang telah dipublikasikan dan diambil dari database Bursa Efek Indonesia dengan mengunduh data melalui website resmi Bursa Efek Indonesia
www.idx.co.id selama tahun 2011 sampai 2014.
3.7 Metode Pengumpulan Data
Penelitian ini menggunakan dua metode pengumpulan data, yaitu: 1.
Studi Pustaka Mengumpulkan data dan teori yang relevan terhadap permasalahan yang akan
diteliti dengan melakukan studi pustaka terhadap literatur dan bahan pustaka lainnya seperti jurnal, buku, dan penelitian terdahulu.
2. Studi Dokumenter
Pengumpulan data sekunder berupa cara mengumpulkan, mencatat, dan mengkaji laporan keuangan tahunan masing-masing perusahaan. Data yang
digunakan dicari dengan cara mendapatkannya dari luar perusahaan. Data diperoleh dari media internet dengan cara mengunduh melalui Website Bursa
Efek Indonesia yaitu www.idx.co.id
.
3.8 Metode Analisis 3.8.1 Statistik Deskriptif
Statistik deskriptif berhubungan dengan metode pengelompokkan, peringkasan, dan penyajian data dalam cara yang lebih informatif Santosa,
2005. Ukuran-ukuran statistik deskriptif dalam pengolahan data bertujuan untuk mendapatkan gambaran ringkas dari sekumpulan data, sehingga kita
dapat menyimpulkan keadaan data secara mudah dan cepat. Selain itu, melalui ukuran-ukuran statistik deskriptif ini dapat ditentukan jenis
Universitas Sumatera Utara
56
pengolahan statistik lebih lanjut yang sesuai dengan karakteristik data. Analisis deskriptif bertujuan untuk mengetahui gambaran data variabel
penelitian, dengan variabel dependen berupa kecurangan laporan keuangan financial statement fraud dan variabel independen berupa komponen-
komponen yang termasuk dalam perspektif fraud triangle. Tabel statistik deskriptif yang dihasilkan akan memuat nilai rata-rata
mean, standar deviasi, nilai minimum, dan nilai maksimum. Mean digunakan untuk memperkirakan besar rata-rata populasi yang diperkirakan
dari sampel. Standar deviasi digunakan untuk menilai disperse rata-rata dari sampel. Maksimum dan minimum digunakan untuk melihat nilai terendah
dan tertinggi dari sampel.
3.8.2 Regresi Logistik
Menurut Hair et al. dikutip oleh Rahmanti, 2013 ada beberapa alasan mengapa regresi logistik merupakan sebuah alternatif yang atraktif untuk
analisis diskriminan dimana variabel dependen hanya mempunyai dua kategori:
1. Regresi logistik dipengaruhi lebih sedikit dibandingkan analisis
diskriminan oleh ketidaksamaan variancecovariance dalam kelompok, sebuah asumsi dasar dari analisis diskriminan.
2. Regresi logistik dapat menghandel variabel independen secara mudah di
mana pada analisis diskriminan penggunaan variabel dummy menimbulkan masalah dengan kesamaan variance atau covariance.
Universitas Sumatera Utara
57
3. Regresi logistik menghasilkan persamaan regresi berganda berkenaan
interpretasi dan pengukuran diagnosis casewise yang tersedia untuk residual yang diuji.
Model regresi logistik yang dilakukan terhadap model yang diajukan peneliti diuji dengan menggunakan software IBM SPSS Statistics 20 untuk
memprediksi hubungan antara variabel dependen dan variabel independen. Hubungan antara kecurangan pada laporan keuangan financial statement
fraud dengan proksi–proksi dari analisis fraud triangle pressure, opportunity, rationalization diuji menggunakan model penelitian seperti
pada Skousen et al. 2009, yaitu: ����� = � + �
1
������ + �
2
���� + �
3
���� + �
4
��� + �
5
��� + �
6
��� + �
7
∆��� + �
8
���� + � Keterangan :
FRAUD variabel dummy, kode 1 satu untuk perusahaan yang mengalami
penyajian kembali laporan keuangan, kode 0 nol untuk yang tidak
α konstanta
β koefisien variabel
HIGHGR variabel dummy, kode 1 satu untuk tingkat pertumbuhan aset dari perusahaan yang lebih besar dari rata-rata industri, kode 0
nol jika sebaliknya
Universitas Sumatera Utara
58
LOSS variabel dummy, kode 1 satu jika perusahaan melaporkan
kerugian di tahun pertama dan kedua sebelumnya tahun terjadi event year, kode 0 nol jika sebaliknya
NCFO variabel dummy, kode 1 satu jika perusahaan melaporkan arus
kas negatif dari aktivitas operasi pada tahun pertama dan kedua sebelum tahun terjadi, kode 0 nol jika sebaliknya
LEV total kewajiban terhadap total aktiva setelah penyajian kembali
IND proporsi dewan komisaris independen
RPT penjualan mengenai transaksi pihak terkait yang diskalakan
dengan total piutang ΔCPA
variabel dummy, kode 1 satu jika perusahaan melakukan pergantian auditor dalam dua tahun sebelum tindak kecurangan,
kode 0 nol jika tidak melakukan pergantian auditor SIZE
transformasi logaritma natural Ln dari total aset perusahaan i pada waktu t
ε error
Langkah-langkah yang ditempuh dalam regresi logistik menurut Ghozali 2006 adalah sebagai berikut:
3.8.2.1 Uji Kelayakan Model Goodness of Fit Test
Kelayakan model regresi dinilai dengan menggunakan Hosmer and Lemeshow’s Goodnes of Fit Test. Adapun hipotesis untuk menilai
kelayakan model ini adalah: H
: Tidak ada perbedaan antara model dengan data
Universitas Sumatera Utara
59
�
�
: Model yang dihipotesiskan tidak fit dengan data Jika nilai statistic Hosmer and Lemeshow Goodness of fit lebih
besar dari pada 0,05 maka H
tidak dapat ditolak dan berarti model mampu memprediksi nilai observasinya atau dapat dikatakan model
diterima karena sesuai dengan data observasinya Ghozali, 2006
3.8.2.2 Uji Kelayakan Keseluruhan Model Overall Fit Model Test
Langkah pertama adalah menilai overall fit model terhadap data. Beberapa test statistics diberikan untuk menilai hal ini. Hipotesis untuk
menilai model fit adalah: H
: Model yang dihipotesiskan fit dengan data �
�
: Model yang dihipotesiskan tidak fit dengan data Dari hipotesis ini jelas bahwa kita tidak akan menolak hipotesis
nol agar model fit dengan data. Likelihood L adalah probabilitas bahwa model yang dihipotesiskan menggambarkan data input. Untuk menguji
hipotesis nol dan alternatif, L ditransformasikan menjadi -2LogL. Statistik -2LogL juga dapat digunakan untuk menentukan jika variabel
independen ditambahkan ke dalam model, apakah secara signifikan memperbaiki model. Penurunan likelihood -2LogL menunjukkan
model regresi yang lebih baik atau dengan kata lain model yang dihipotesiskan fit dengan data.
Universitas Sumatera Utara
60
3.8.2.3 Koefisien Determinasi Cox and Snell’s R Square dan Nagelkerke’s R Square
Cox dan Snell’s R Square merupakan ukuran yang mencoba meniru ukuran R Square pada multiple regression yang didasarkan pada
teknik estimasi likelihood dengan nilai maksimum kurang dari 1 sehingga sulit diinterpretasikan. Untuk mendapatkan koefisien
determinasi yang dapat diinterpretasikan seperti nilai R2 pada multiple regression, maka digunakan Nagelkereke R Square.
Nagelkereke’s R Square merupakan modifikasi dari koefisien Cox and Snell R Square untuk memastikan bahwa nilainya bervariasi
dari 0 sampai 1. Hal ini dilakukan dengan cara membagi nilai Cox and Snell R Square dengan nilai maksimumnya Ghozali, 2006. Nilai yang
kecil berarti kemampuan variabel-variabel independen dalam menjelaskan variasi variabel dependen amat terbatas. Nilai mendekati
satu berarti variabel-variabel independen memberikan hampir semua informasi yang dibutuhkan untuk memprediksi variasi dependen.
3.8.2.4 Tabel Klasifikasi 2 x 2
Tabel klasifikasi 2 x 2 menghitung nilai estimasi yang benar dan salah. Pada kolom merupakan dua nilai prediksi variabel dependen,
yaitu melakukan kecurangan laporan keuangan 1 dan tidak melakukan kecurangan laporan keuangan 0, sedangkan pada baris menunjukkan
nilai observasi sesungguhnya dari variabel dependen. Apabila model sempurna, semua kasus akan berada pada diagonal dengan tingkat
Universitas Sumatera Utara
61
peramalan 100. Jika model logistik terjadi homoskedastisitas, maka persentase yang benar akan sama untuk kedua baris.
3.8.2.5 Pengujian Koefisien Regresi
Pengujian koefisien regresi dilakukan untuk menguji seberapa jauh semua variabel independen yang dimasukkan dalam model
mempunyai pengaruh terhadap variabel dependen. Koefisien regresi logistik dapat ditentukan dengan menggunakan p-value probability
value , yaitu membandingkan nilai p dengan α.
a. Tingkat signifikansi α yang digunakan sebesar 5.
b. Kriteria penerimaan dan penolakan hipotesis didasarkan pada
signifikansi p-value. Jika p- value α, maka hipotesis alternatif
ditolak. Sebaliknya jika p- value α, maka hipotesis alternatif
diterima.
3.8.3 Uji Multikolinearitas
Uji multikolinearitas digunakan untuk menguji apakah model regresi ditemukan adanya korelasi antar variabel bebas Ghozali, 2006. Antar
variabel independen dalam sebuah model regresi sebaiknya tidak memiliki korelasi yang tinggi. Jika variabel independen saling berkorelasi, maka
variabel-variabel ini tidak orthogonal. Variabel orthogonal adalah variabel independen yang nilai korelasi antar sesama variabel independen sama
dengan nol. Untuk mendeteksi ada atau tidaknya multikolinearitas dalam model regresi adalah dengan cara sebagai berikut:
Universitas Sumatera Utara
62
a. Nilai R2 yang dihasilkan oleh suatu estimasi model regresi empiris
sangat tinggi, tapi secara individual variabel-variabel independen banyak yang tidak signifikan mempengaruhi variabel dependen.
b. Menganalisis matrik korelasi variabel-variabel independen. Jika antar
variabel independen ada korelasi yang cukup tinggi umumnya diatas 0.9 maka hal tersebut menjadi indikasi adanya multikolinearitas.
c. Selain itu dapat juga dilihat 1 nilai tolerance dan lawannya 2 variance
inflation factor VIF. Kedua ukuran ini menunjukkan setiap variabel independen manakah yang dijelaskan oleh variabel independen lainnya.
Universitas Sumatera Utara
63
BAB IV HASIL DAN PEMBAHASAN
4.1 Gambaran Umum
Metode analisis data yang digunakan dalam penelitian ini adalah analisis statistik yang menggunakan regresi logistik. Analisis data dimulai dengan
mengolah data dengan menggunakan Microsoft excel, selanjutnya dilakukan pengujian menggunakan regresi logistik. Pengujian analisis statistic inferensial
dan pengujian hipotesis dilakukan dengan menggunakan software program SPSS. Prosedur dimulai dengan memasukkan variabel-variabel penelitian ke program
SPSS tersebut dan menghasilkan output-output sesuai metode analisis yang telah ditentukan. Berdasarkan kriteria yang telah ditentukan, penelitian ini memperoleh
44 perusahaan yang memenuhi kriteria yang teridiri dari 22 perusahaan yang menlakukan restatement dan 22 perusahaan yang tidak melakukan restatement
sebagai pembanding, dan kemudian dijadikan sampel pada penelitian ini dengan tahun pengamatan selama periode 2011-2014 dan dengan 176 unit analisis.
4.2 Analisis Hasil Penelitian 4.2.1 Statistik Deskriptif
Statistik deskriptif berfungsi untuk mengetahui karakteristik sampel yang digunakan dalam penelitian. Untuk melihat data statistik secara umum,
peneliti menggunakan descriptive untuk variabel yang diukur dengan skala rasio dan frequency untuk variabel yang diukur dengan skala nominal.
Universitas Sumatera Utara
64
Tabel 4.1 Statistik Deskriptif Variabel Leverage, IND dan RPT
Descriptive Statistics
N Minimum
Maximum Mean
Std. Deviation LEVERAGE
176 .0786
4.3015 .605820
.5362950 IND
176 .1667
.7500 .396847
.1049589 RPT
176 .0000
.9734 .212278
.2836245 SIZE
176 25.8024
32.0847 28.773382
1.4469568 Valid N listwise
176
Sumber: Hasil pengolahan IBM SPSS Statistic 20
Berdasarkan tabel 4.1 dapat disimpulkan hal berikut: a.
Jumlah seluruh sampel penelitian adalah 44 perusahaan dengan 176 unit analisis yaitu 44 dikali empat tahun penelitian. Dengan 4 variabel yang
memiliki skala rasio yaitu kemampuan perusahaan dalam memenuhi kewajiban LEV, efektivitas pengawasan IND, transaksi pihak
istimewa RPT dan ukuran perusahaan. b.
Variabel independen kemampuan perusahaan dalam memenuhi kewajiban perusahaan LEV memiliki nilai minimum 0,0786 dan nilai
maksimum sebesar 4,3015 dengan rata-rata adalah 0,605820. Hal ini menunjukkan bahwa kebanyakan perusahaan yang menjadi sampel
mempunyai nilai leverage positif yang menunjukkan perusahaan tidak mengalami kerugian. Nilai standar deviasi sebesar 0,5362950
menunjukkan bahwa tidak ada sampel yang memiliki nilai leverage yang bersifat ekstrim.
c. Variabel independen efektivitas pengawasan IND yang diproksikan
dengan proporsi komisaris independen di dalam perusahaan memiliki nilai minimum 0,1667 dan nilai maksimum sebesar 0,7500 dengan rata-
Universitas Sumatera Utara
65
rata 0,396847. Nilai standar deviasi sebesar 0,1049589 dengan jumlah sampel 176.
d. Variabel independen transaksi pihak istimewa RPT yang dihitung
dengan total piutang pada pihak yang memiliki hubungan istimewa terhadap total piutang perusahaan keseluruhan memiliki nilai minimum
0,0000 dan nilai maksimum sebesar 0,9734 dengan rata-rata 0,212278 Nilai standar deviasi sebesar 0,2836245 dengan jumlah sampel 176.
e. Variabel kontrol ukuran perusahaan yang merupakan transformasi
logaritma natural Ln dari total aset memiliki nilai minimum 25,8024 dan nilai maksimum sebesar 32,0847 dengan rata-rata 28,773382. Nilai
standar deviasi sebesar 1,4469568 dengan jumlah sampel 176.
Tabel 4.2 Statistik Frekuensi Variabel HIGHGR, LOSS, NCFO, ΔCPA dan Fraud
Statistics
HIGHGR LOSS
NCFO CPA
FRAUD N
Valid 176
176 176
176 176
Missing
Sumber: Hasil Pengolahan IBM SPSS Statistic 20
Berdasarkan tabel 4.2 dapat dideskripsikan bahwa jumlah data yang valid sah untuk diproses adalah 176 buah sedangkan data yang hilang
missing adalah 0, artinya semua sudah diproses.
Tabel 4.3 Statistik Frekuensi Variabel HIGHGR
HIGHGR
Frequency Percent
Valid Percent Cumulative
Percent Valid
Pertumbuhan aset perusahaan tidak lebih
besar dari rata-rata industri 47
26.7 26.7
26.7
Universitas Sumatera Utara
66
Pertumbuhan aset perusahaan lebih besar dari
rata-rata industri 129
73.3 73.3
100.0 Total
176 100.0
100.0
Sumber: Hasil pengolahan IBM SPSS Statistic 20
Berdasarkan tabel 4.3 dapat dideskripsikan bahwa variabel independen pertumbuhan tinggi yang menggunakan variabel nominal yang menggunakan
variabel dummy, dimana perusahaan yang memiliki pertumbuhan aset lebih besar dari rata-rata industri diberi kode “1” sedangkan perusahaan yang
memiliki pertumbuhan aset tidak lebih besar dari rata-rata industri diberi kode “0”, memiliki data valid karena telah seluruhnya diproses. Perusahaan yang
memiliki pertumbuhan aset lebih besar dari rata-rata industri sebanyak 129 perusahaan atau 73,3 sedangkan perusahaan yang memiliki pertumbuhan
aset tidak lebih besar dari rata-rata indsutri sebanyak 47 perusahaan atau 26,7.
Tabel 4.4 Statistik Frekuensi Variabel LOSS
LOSS
Frequency Percent
Valid Percent Cumulative
Percent
Valid Perusahaan yang tidak
mengalami kerugian selama 2 tahun sebelum tahun
terjadi 157
89.2 89.2
89.2
Perusahaan yang mengalami kerugian selama
2 tahun sebelum tahun terjadi
19 10.8
10.8 100.0
Total 176
100.0 100.0
Sumber: Hasil pengolahan IBM SPSS Statistic 20
Universitas Sumatera Utara
67
Berdasarkan tabel 4.4 dapat dideskripsikan bahwa variabel independen kerugian perusahaan LOSS merupakan skala nominal yang menggunakan
variabel dummy, dimana perusahaan yang melaporkan kerugian selama 2 tahun sebelum tahun terjadi diberi kode “1” sedangkan perusahaan yang tidak
melaporkan kerugian selama 2 tahun diberi kode “0”, memiliki nilai valid karena semua data telah diproses. Perusahaan yang melaporkan mengalami
kerugian selama 2 tahun sebelum tahun terjadi sebanyak 19 perusahaan atau 10,8, sedangkan perusahaan yang tidak melaporkan kerugian sebanyak 157
perusahaan atau sebanyak 89,2.
Tabel 4.5 Statistik Frekuensi Variabel NCFO
NCFO
Frequency Percent
Valid Percent Cumulative
Percent
Valid Perusahaan yang tidak
melaporkan arus kas operasi negatif selama 2
tahun sebelum tahun terjadi 162
92.0 92.0
92.0
Perusahaan yang melaporakan arus kas
negatif selama 2 tahun sebelum tahun terjadi
14 8.0
8.0 100.0
Total 176
100.0 100.0
Sumber: Hasil pengolahan IBM SPSS Statistic 20
Berdasarkan tabel 4.5 dapat dideskripsikan bahwa variabel independen, yaitu arus kas negatif NCFO merupakan skala nominal yang menggunakan
variabel dummy, dimana perusahaan yang melaporkan arus kas operasi negatif selama 2 tahun sebelum tahun terjadi diberi kode “1” sedangkan
perusahaan yang tidak melaporkan arus kas operasi negatif selama 2 tahun
Universitas Sumatera Utara
68
diberi kode “0”, memiliki nilai data valid karena semua data diproses. Perusahaan yang melaporkan arus kas operasi negatif selama 2 tahun sebelum
tahun terjadi sebanyak 14 perusahaan atau 8,0, sedangkan perusahaan yang tidak melaporkan arus kas negatif selama 2 tahun sebanyak 162 perusahaan
atau 92,0.
Tabel 4.6 Statistik Frekuensi Variabel ΔCPA
Δ
CPA
Frequency Percent
Valid Percent Cumulative
Percent
Valid Perusahaan yang tidak
melakukan pergantian auditor
139 79.0
79.0 79.0
Perusahaan yang melakukan pergantian
auditor 37
21.0 21.0
100.0 Total
176 100.0
100.0
Sumber: Hasil pengolahan IBM SPSS Statistic 20
Berdasarkan tabel 4.6 dapat dideskripsikan bahwa variabel independen, yaitu pergantian auditor
ΔCPA merupakan skala nominal yang menggunakan variabel dummy, dimana perusahaan yang melakukan
pergantian auditor diberi kode “1” sedangkan perusahaan yang tidak melakukan pergantian auditor diberi kode “0”, memiliki nilai data valid
karena semua data diproses. Perusahaan yang melakukan pergantian auditor sebanyak 37 perusahaan atau 21,0, sedangkan perusahaan yang tidak
melakukan pergantian auditor sebanyak 139 perusahaan atau 79,0.
Universitas Sumatera Utara
69
Tabel 4.7 Statistik Frekuensi Variabel Fraud
FRAUD
Frequency Percent
Valid Percent Cumulative
Percent
Valid Perusahaan yang tidak
melakukan penyajian kembali laporan keuangan
150 85.2
85.2 85.2
Perusahaan yang melakukan penyajian
kembali laporan keuangan 26
14.8 14.8
100.0 Total
176 100.0
100.0
Sumber: Hasil pengolahan IBM SPSS Statistic 20
Berdasarkan tabel 4.7 dapat dideskripsikan bahwa variabel dependen, yaitu kecurangan laporan keuangan FRAUD yang diproksikan dengan
penyajian kembali laporan keuangan restatement merupakan skala nominal yang menggunakan variabel dummy, dimana perusahaan yang melakukan
penyajian kembali laporan keuangan diberi kode “1” sedangkan perusahaan yang tidak melakukan penyajian kembali laporan keuangan diberi kode “0”,
memiliki nilai data valid karena semua data diproses. Perusahaan yang melakukan penyajian kembali laporan keuangan sebanyak 26 perusahaan atau
14,8 sedangkan perusahaan yang tidak melakukan penyajian kembali laporan keuangan sebanyak 150 perusahaan atau 85,2.
4.2.2 Uji Kelayakan Model Goodness of Fit
Pengujian kelayakan model regresi dilakukan dengan menggunakan Hosmer and Lamershow’s Goodness of Fit Test yang diukur dengan nilai
Chi-Square, probabilitas signifikan yang diperoleh kemudian dibandingkan dengan
tingkat signifikan α 5.
Universitas Sumatera Utara
70
Hipotesis untuk menilai kelayakan model regresi : Ho : Tidak ada perbedaan antara model dengan data
Ha : Ada perbedaan model dengan data observasinya
Tabel 4.8 Hasil Uji Kelayakan Model Regresi
Omnibus Tests of Model Coefficients
Chi-square df
Sig. Step 1
Step 16.247
8 .039
Block 16.247
8 .039
Model 16.247
8 .039
Hosmer and Lemeshow Test
Step Chi-square
df Sig.
1 4.619
8 .797
Contingency Table for Hosmer and Lemeshow Test
FRAUD = Perusahaan yang tidak melakukan penyajian kembali
laporan keuangan FRAUD = Perusahaan yang
melakukan penyajian kembali laporan keuangan
Total
Observed Expected
Observed Expected
Step 1 1
17 17.422
1 .578
18 2
17 16.986
1 1.014
18 3
15 16.736
3 1.264
18 4
17 16.352
1 1.648
18 5
17 15.779
1 2.221
18 6
15 15.476
3 2.524
18 7
15 15.231
3 2.769
18 8
16 14.855
2 3.145
18 9
14 13.776
4 4.224
18 10
7 7.388
7 6.612
14
Sumber: Hasil pengolahan IBM SPSS Statistic 20
Tabel diatas menunjukkan hasil pengujian Hosmer and Lameshow. Dengan probabilitas signifikan yang menunjukkan angka 0,797, nilai
Universitas Sumatera Utara
71
signifikan yang diperoleh ini jauh lebih besar dari pada 0,05 α 5. Hal ini berarti model regresi layak untuk digunakan dalam analisis selanjutnya,
karena tidak ada perbedaan yang nyata antara klasifikasi yang diprediksi dengan klasifikasi yang diamati, atau dapat dikatakan bahwa model mampu
mengamati nilai observasinya. Selain itu pada output omnibus test menyatakan bahwa hasil uji chi-square goodness of fit lebih kecil dari 0,05,
ini mengindikasikan bahwa model adalah signifikan.
4.2.3 Uji Kelayakan Keseluruhan Model Overall Fit Model Test
Langkah pertama adalah menilai overall model fit terhadap data. Hipotesis untuk menilai model fit adalah :
Ho : model yang dihipotesiskan fit dengan data Ha : model yang dihipotesiskan tidak fit dengan data
Pengujian ini dilakukan untuk mengetahui apakah model fit dengan data baik sebelum maupun sesudah variabel bebas dimasukkan kedalam model.
Dari hipotesis ini jelas bahwa kita tidak akan menolak hipotesis nol agar model fit dengan data. Likehood L dari model adalah probabilitas bahwa
model yang dihipotesiskan menggambarkan data input Ghozali, 2006
Tabel 4.9 Hasil Uji Overall Fit Model -2 Log Likehood Awal Block 0
Iteration History
a,b,c
Iteration -2 Log
likelihood Coefficients
Constant
Step 0 1
150.229 -1.409
2 147.426
-1.717 3
147.399 -1.752
4 147.399
-1.753 a. Constant is included in the model.
Universitas Sumatera Utara
72
b. Initial -2 Log Likelihood: 147.399 c. Estimation terminated at iteration number 4
because parameter estimates changed by less than .001.
Sumber: Hasil pengolahan IBM SPSS Statistic 20 Tabel 4.10
Hasil Uji Overall Fit Model -2 Log Likehood Akhir Block 1
Iteration History
a,b,c,d
