cx ini kita dapat menyimpulkan bahwa model regresi kedua lebih baik untuk
memprediksi kemungkinan kebangkrutan sebuah bank.
4. Koefisien Cox Snell R Square and Nagelkerke R Square
Koefisien Cox Snell R Square pada tabel model summary dapat diinterpretasikan sama seperti koefisien determinasi R Square pada regresi
linier berganda, tetapi karena nilai maksimum Cox Snell R Square biasanya lebih kecil dari satu sehingga sulit diinterpretasikan seperti R Square dan
jarang digunakan Stanislaus, 2006:236. Tabel 4.17
Koefisien Cox Snell R Square and Nagelkerke R Square
Model Summary
Step -2 Log
likelihood Cox Snell
R Square Nagelkerke R
Square 1
97.291a .347
.475 a Estimation terminated at iteration number 5 because parameter estimates
changed by less than .001.
Sumber : Data diolah, 2008 Koefisien Nagelkerke R Square pada tabel model summary merupakan
modifikasi dari koefisien Cox Snell R Square untuk memastikan bahwa nilainya bervariasi dari 0 sampai 1. Dilihat dari tabel 4.17.
nilai Koefisien Nagelkerke R Square sebesar 0.475 yang berarti kemampuan variabel bebas
menjelaskan variabel tidak bebas sebesar 47.5.
5. Uji Wald
Tabel 4.18 Hasil signifikansi data
Variables in the Equation
B S.E.
Wald df
Sig. ExpB
CAR -.013
.037 .134
1 .715
.987 NPL
-.070 .069
1.050 1
.306 .932
ROA 1.107
.417 7.025
1 .008
3.024 Step
1a
ROE -.021
.018 1.361
1 .243
.979
cxi
BOPO .036
.012 8.506
1 .004
1.037 LDR
.000 .001
.005 1
.942 1.000
Constant -2.791
1.068 6.836
1 .009
.061 a Variables entered on step 1: CAR, NPL, ROA, ROE, BOPO, LDR.
Sumber : Data diolah, 2008 Untuk melihat hasil signifikansi setiap koefisien dalam regresi logistik ini,
digunakan model persamaan yang memasukkan semua variabel independen yang tampak pada tabel Variables in the Equation.
Pada tabel 4.18. terlihat bahwa hanya koefisien variabel ROA dan BOPO yang signifikan dan yang lainnya tidak. Koefisien variabel ROA sig. pada
probabilitas 0.008 α = 0.05 sig. di bawah 0.05, BOPO sig. pada
probabilitas 0.004 α = 0.05 sig. di bawah 0.05.
Untuk menguji signifikansi masing-masing koefisien regresi logistik digunakan uji Wald. Untuk koefisien variabel CAR: uji wald = 0.134, P-value
= 0.715 lebih besar dari α = 0.05 maka koefisien variabel CAR tidak
signifikan. Untuk koefisien variabel NPL : uji wald = 1.050, P-value = 0.306 lebih besar dari
α = 0.05 maka koefisien variabel NPL tidak signifikan. Untuk koefisien variabel ROA : uji wald = 7.025, P-value = 0.008 lebih kecil dari
α = 0.05 maka koefisien variabel ROA signifikan. Untuk koefisien variabel
ROE : uji wald = 1.361, P-value = 0.243 lebih besar dari α = 0.05 maka
koefisien variabel ROE tidak signifikan. Untuk koefisien variabel BOPO : uji wald = 8.506, P-value = 0.004 lebih kecil dari
α = 0.05 maka koefisien variabel BOPO signifikan. Untuk koefisien variabel LDR : uji wald = 0.005,
P-value = 0.942 lebih besar dari α = 0.05 maka koefisien variabel LDR tidak
signifikan.
cxii
G. Interpretasi
