Definisi Regresi Logistik Tahapan Regresi Logistik

67

1. Definisi Regresi Logistik

Regresi logistik adalah bentuk khusus dimana variabel dependennya terbagi menjadi dua bagian atau kelompok biner. Walaupun formulanya dapat saja lebih dari dua kelompok. Regresi logistik adalah regresi yang digunakan untuk mencari persamaan regresi jika variabel dependennya merupakan variabel yang berbentuk skala. Regresi logistik binari adalah regresi logistik dimana variabel dependenya berupa variabel dikotomi atau variabel biner. Contoh: Variabel dikotomi atau variabel biner adalah sukses – gagal, ya – tidak, benar – salah, hadir – bolos, pria – wanita dan seterusnya.

2. Tahapan Regresi Logistik

Tahapan dalam pengujian dengan menggunakan uji regresi logistik logistic regression adalah statistik deskriptif dan pengujian hipotesis penelitian, adapun penjelasannya diuraikan dalam paragraf di bawah ini:

a. Statistik Deskriptif

Statistik deskriptif digunakan untuk memberikan deskripsi suatu data yang dilihat dari rata-rata mean, standar deviasi standard deviation, dan maksimum-minimum. Mean digunakan untuk memperkirakan besar rata-rata populasi yang diperkirakan dari sampel. Standar deviasi digunakan untuk menilai dispersi rata-rata dari sampel. Maksimum-minimum digunakan untuk melihat nilai minimum dan maksimum dari populasi. Hal ini perlu dilakukan untuk melihat 68 gambaran keseluruhan dari sampel yang berhasil dikumpulkan dan memenuhi syarat untuk dijadikan sampel penelitian.

b. Pengujian Hipotesis Penelitian

Estimasi parameter menggunakan Maximum Likehood Estimation MLE. H o = β 1 = β 2 = β 3 = ... = β i = 0 H o ≠ β 1 ≠ β 2 ≠ β 3 ≠ ... ≠ β i ≠ 0 Hipotesis nol menyatakan bahwa variabel independen x tidak mempunyai pengaruh terhadap variabel respon yang diperhatikan dalam populasi. Pengujian terhadap hipotesis dilakukan dengan menggunakan α = 5. Nilai α dinyatakan sebagai besarnya tingkat kesalahan yang dapat ditolerir. Umumnya, besarnya α adalah 5. Kaidah pengambilan keputusan adalah: a Jika nilai probabilitas sig. α = 5, maka hipotesis alternatif didukung. b Jika nilai probabilitas sig. α = 5, maka hipotesis alternatif tidak didukung. 1 Menilai Keseluruhan Model Overall Model Fit. Langkah pertama adalah menilai overall model fit terhadap data. Beberapa uji statistik diberikan untuk menilai hal ini. Hipotesis untuk menilai model fit adalah: H : Model yang dihipotesiskan fit dengan data H a : Model yang dihipotesiskan tidak fit dengan data 69 Hipotesis ini tidak akan menolak hipotesis nol agar model fit dengan data. Statistik yang digunakan berdasarkan pada fungsi likelihood. Log Likelihood dari model adalah probabilitas bahwa model yang dihipotesiskan menggambarkan data input. Pengujian hipotesis nol dan alternatif dilakukan dengan cara L ditransformasikan menjadi -2LogL. Penurunan Likelihood -2LL menunjukkan model regresi yang lebih baik atau dengan kata lain model yang dihipotesiskan fit dengan data Ghozali, 2012:340. 2 Koefisien Determinasi Nagelkerke R Square Cox and 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 satu sehingga sulit diinterpretasikan. Nagelkerke’s R Square merupakan modifikasi dari koefisien Cox and Snell untuk memastikan bahwa nilainya bervariasi dari 0 nol sampai 1 satu. Hal ini dilakukan dengan cara membagi nilai Cox and Snell’s R 2 dengan nilai maksimumnya. Nilai Nagelkerke’s R 2 dapat diinterpretasikan seperti nilai R 2 pada multiple regression. Nilai yang kecil berarti kemampuan variabel-variabel independen dalam menjelaskan variasi variabel dependen amat terbatas. Nilai yang mendekati satu berarti variabel-variabel independen memberikan hampir semua informasi yang dibutuhkan untuk memprediksi variasi variabel dependen Ghozali, 2012:341. 70 3 Menguji Kelayakan Model Regresi Kelayakan model regresi dinilai dengan menggunakan Hosmer and Lemeshow’s Goodness of Fit Test. Hosmer and Lemeshow’s Goodness of Fit Test menguji hipotesis nol bahwa data empiris cocok atau sesuai dengan model tidak ada perbedaan antara model dengan data sehingga model dapat dikatakan fit. Jika nilai statistik Hosmer and Lemeshow’s Goodness of Fit Test sama dengan atau kurang dari 0,05, maka hipotesis nol ditolak yang berarti ada perbedaan signifikan antara model dengan nilai observasinya sehingga Goodness fit model tidak baik karena model tidak dapat memprediksi nilai observasinya. Jika nilai statistik Hosmer and Lemeshow’s Goodness of Fit Test lebih besar dari 0,05, maka hipotesis nol tidak dapat ditolak dan berarti model mampu memprediksi nilai observasinya atau dapat dikatakan model dapat diterima karena cocok dengan data observasinya Ghozali, 2012:341. 4 Uji Multikolinieritas Model regresi yang baik seharusnya tidak terjadi korelasi di antara variabel bebasnya. Jika variabel saling berkorelasi, maka variabel-variabel ini tidak ortogonal. Variabel ortogonal adalah variabel independen yang nilai korelasi antar sesama variabel independen sama dengan nol. Pengujian ini menggunakan matrik korelasi antar variabel bebas untuk melihat besarnya korelasi antar 71 variabel independen. Jika antar variabel independen ada korelasi yang cukup tinggi umumnya diatas 0,90, maka hal ini merupakan indikasi adanya multikolinearitas Ghozali, 2012:105. 5 Matriks Klasifikasi Matriks klasifikasi menunjukkan kekuatan prediksi dari model regresi. Tahap ini dilakukan untuk memprediksi kemungkinan Integritas laporan keuangan pada perusahaan Ghozali, 2011:276.

c. Model Regresi Logistik yang Terbentuk

Analisis yang digunakan dalam penelitian ini adalah analisis regresi logistik logistic regression, yaitu dengan melihat faktor-faktor yang mempengaruhi integritas laporan keuangan. Model yang digunakan dalam penelitian ini adalah sebagai berikut: Logit KSVT it = β + β 1 INST it + β 2 MNJ it + β 3 KOMAUD it + β 4 KOMIND it + β 5 TEN it + β 6 REP it + β 7 SIZE it + € Dimana: Logit KSVT it : Konservatisme yang diukur dengan menggunakan variable dummy dan diberi nilai 1 jika Acr Disc negatif dan nilai 0 jika Acr Disc positif β0 : Konstanta INST it : Persentase kepemilikan saham oleh institusi. MNJ it : Persentase kepemilikan saham oleh manajemen. KOMAUD it : Jumlah anggota komite audit perusahaan. 72 KOMIND it : Proporsi komisaris independen terhadap keseluruhan jumlah dewan komisaris perusahaan. TEN it : Tenur audit menggunakan variabel dummy, tenur lama 3 tahun atau lebih diberi angka 1 dan tenur singkat kurang dari 3 tahun diberi angka 0 REP it : Reputasi auditor yang diukur dengan menggunakan variable dummy dan diberi nilai 1 jika KAP merupakan KAP big four dan nilai 0 jika sebaliknya SIZE it : Ukuran perusahaan diukur dengan menggunakan variable dummy dan diberi nilai 1 jika jumlah saham yang beredar lebih dari 100 milyar rupiah dan nilai 0 jika sebaliknya € : error

E. Operasionalisasi Variabel Penelitian

Pada bagian ini diuraikan definisi dari masing-masing variabel yang digunakan berikut dengan operasional dan cara pengukurannya.

1. Variabel dependen