82
discriminating power. Prosedur ini terus diulang sampai tidak ada lagi variabel yang dikeluarkan dari fungsi diskriminan.
c. Stepwise Selection
Stepwise Selection merupakan kombinasi antara forward dan backward. Mula-mula tidak ada satupun variabel yang
dimasukkan dalam fungsi diskriminan, kemudian satu variabel ditambahkan atau dikeluarkan dari fungsi diskriminan dan
seterusnya Imam Ghozali, 2012:302. Menurut Maholtra, dalam analisis diskriminan terdiri dari
lima tahap yaitu : 1 merumuskan masalah, 2 mengestimasi koefisien fungsi diskriminan, 3 mememastikan signifikansi determinan, 4
mengintrepretasikan hasil, 5 menguji signifikansi analisis diskriminan Simamora, 2005:147.
4. Analisis Regresi Logistik
Pengujian hipotesis dilakukan dengan menggunakan metode analisis regresi logistik logistic regression karena memiliki satu
variabel dependen terikat yang non metrik nominal dan serta memiliki variabel independen bebas lebih dari satu. Ghozali 2009 menjelaskan
bahwa logistic regression sebetulnya mirip dengan analisis diskriminan yaitu untuk menguji apakah probabilitas terjadinya variabel terikat dapat
diprediksi dengan variabel bebasnya.Namun, dalam hal ini di analisis
83
dengan logistic regression karena tidak perlu asumsi normalitas data pada variabel bebasnya. Jadi logistic regression umumnya jika dipakai
jika asumsi multivariate normal distribution tidak dipenuhi Andhito, 2011 : 57.
Model logit menggunakan koefisien dari variabel independen untuk memprediksi probabilitas variabel dependen gagal atau non-gagal.
Teknik bobot independen variabel dan menciptakan skor untuk masing- masing perusahaan untuk mengklasifikasikan sebagai gagal atau tidak
gagal. Fungsi dipertimbangkan dalam regresi logistik disebut fungsi logistik. Ukuran goodness of fit akan ditentukan melalui Pearson dan
nilai-nilai yang Deviance Chi-Square dan signifikansi dari variabel yang digunakan. Jika nilai p 0,05 maka nilai tidak signifikan dan model fit
yang baik Yap, et.al 2012:337. Sebuah uji rasio kemungkinan digunakan untuk melihat apakah
variabel yang dimasukkan dalam model akhir yang signifikan dalam menjelaskan beberapa variabilitas dalam data. Chi Square statistik adalah
perbedaan -2 Log Likelihood -2LL antara model akhir dan model berkurang. Menurunnya Model dibentuk dengan menghilangkan efek
dari model akhir. Hipotesis nol adalah bahwa semua parameter efek yang 0. Tes ini sebanding dengan uji F keseluruhan untuk regresi analisis.
Dalam regresi, R² merupakan ukuran intuitif seberapa baik model memprediksi nilai-nilai dari variabel dependen. Namun, dalam regresi
logistik, tidak ada tindakan serupa yang mudah ditafsirkan. The pseudo
84
Rsquare Cox dan Snell dan Nagelkerke merupakan upaya untuk mengukur proporsi variasi dijelaskan dalam variabel dependen. Cox dan
Snell tindakan biasanya 1.0 dan sulit untuk menafsirkan. Berkisar mengukur Nagelkerke ini dari 0 ke 1 dan nilai-nilai biasanya lebih tinggi
dari Cox dan Snell Yap, et.al 2012:337. Regresi logistik akan membentuk variabel prediktorrespon log
p1-p yang merupakan kombinasi linier dari variabel independen. Nilai variabel prediktor ini kemudian ditransformasikan menjadi
probabilitas dengan fungsi logit. Asumsi-asumsi dalam regresi logistik:
1.
Tidak mengasumsikan hubungan linier antar variabel dependen dan independen.
2.
Variabel dependen harus bersifat dikotomi 2 variabel.
3.
Variabel independent tidak harus memiliki keragaman yang sama antar kelompok variabel.
4.
Kategori dalam variabel independent harus terpisah satu sama lain atau bersifat eksklusif.
5.
Sampel yang diperlukan dalam jumlah relatif besar, minimum dibutuhkan hingga 50 sampel data untuk sebuah variabel prediktor
bebas.
Berdasarkan data bivariat X,Y, dimana X adalah variabel numeric atau variabel satu-nol dan Y adalah variabel respon satu-nol, dapat
85
disajikan model regresi logistik dengan bentuk umum sebagai berikut Igusti Ngurah, 2002:154 :
Dimana p = pY=1 menyatakan proporsi skornilai Y=1 di dalam populasi diantara semua skornilai satu-nol yang mungkin. Besaran p =
pY=1 kerapkali juga dinyatakan sebagai peluang atau probabilitas peristiwakasus yang ditentukan oleh skor Y=1. Oleh karena itu,
sebenarnya pY=1 menyatakan proporsi atau peluang bersyarat, yang secara lengkap seharusnya ditulis seperti :
a. Menilai Model Fit
Langkah pertama adalah menilai over all fit model terhadap data. Beberapa test statistics diberikan untuk menilai hal ini.
Hipotesis untuk menilai model fit adalah: H0 : Model yang dihipotesiskan fit dengan data
HA : Model yang dihipotesiskan tidak fit dengan data Model fit dapat juga diuji dengan Hosmer and Lemeshow`s
Goodness of fit yang menguji hipotesis nol bahwa data empiris p = pY=1 =
x β + β1X 1+ x β + β1X
p = PY=1| X
86
cocok atau sesuai dengan model. Jika nilai Hosmer and Lemeshow`s signifikan atau lebih kecil dari 0.05 maka hipotesis ditolak dan
model dikatakan fit. Sebaliknya jika tidak signifikan maka hipotesis nol tidak dapat ditolak yang berarti data empiris Imam Ghozali,
2012:340.
b. Cox dan Snell`s R Square
Cox dan Snell`s R Square merupakan ukuran yang mencoba meniru ukuran R
2
pada multiple regression yang didasarkan pada teknik estimasi likelihood dengan nilai maksimum kurang dari 1
maka sulit diinterpretasikan. Negelkerke`s R Square merupakan modifikasi dari koefisien cox dan snell`s r square untuk memastikan
nilainya bervariasi dari 0 sampai 1 Imam Ghozali, 2012:341.
c. Nilai
Odds Ratio
Probabilitas kadang-kadang dinyatakan dalam istilah odss. Model log dari odss merupakan fungsi linear dari variabel bebas dan
ekivalen dengan persamaan multiple regression dengan log dari odss sebagai variabel terikat. Hubungan antara probabilitas P dan
variabel bebas X adalah non linear sedangkan hubungan antara log dari odss dan variabel bebas adalah linear X. Dengan demikian
interpretasi terhadap koefisien variabel bebas X harus dilihat
87
pengaruhnya terhadap log dari odds dan bukan terhadap probabilitas P Imam Ghozali, 2006:264.
E. Operasional Variabel
1. Variabel Dependen