64 Berdasarkan Tabel 4.8, diketahui nilai Chi-Square Tabel bernilai 15,507. Perlu
dilakukan pembandingan antara nilai statistik Chi-Square Tabel dan nilai statistik Chi-Square agar dapat ditentukan apakah model layak atau tidak layak.
�����
������ −����� ℎ�� 2
≤ �
������ 2
, ��������������.
�����
������ −����� ℎ�� 2
�
������ 2
, ��������������������.
Diketahui bahwa nilai statistik Chi-Square 9,194 lebih kecil dibandingkan nilai Chi-Square Tabel 15,507, maka dapat disimpulkan bahwa model cukup
layak dalam mencocokkan fit data. Untuk menentukan apakah model layak atau tidak juga dapat diketahui dengan membandingkan nilai probabilitas dari uji
Hosmer – LameshowPearson Chi-Square terhadap tingkat signifikansi yang digunakan.
��������������������� ≥ �������������������, ��������������. ��������������������� �������������������, ��������������������.
Berdasarkan Tabel 4.7, diketahui nilai probabilitas sebesar 0.326. perhatikan bahwa karena nilai probabilitas0.326 lebih besar dibandingkan tingkat
signifikansi0.05, maka dapat disimpulkan bahwa model cukup layak dalam mencocokkan data.
4.6 Koefisien Determinasi Nagelkerke R Square
Statistik Nagelkerke’sdalam regresi logistik dapat digunakan untuk mengukur kemampuan model regresi logistik dalam mencocokkan atau menyesuaikan data.
65 Dengan kata lain, nilai statistik dari Nagelkerke’s dapat diinterpretasikan sebagai
suatu nilai yang mengukur kemampuan variabel-variabel bebas dalam menjelaskan atau menerangkan variabel tak bebas. Tabel 4.9 menyajikan nilai
statistik dari Nagelkerke’s �
� 2
.
Tabel 4.9 Nagelkerke R Square
Model Summary
Step -2 Log
likelihood Cox Snell
R Square Nagelkerke R
Square 1
44.961
a
.217 .339
a. Estimation terminated at iteration number 6 because parameter estimates changed by less than
.001.
Sumber: hasil olahan software SPSS
Berdasarkan Tabel 4.9, dapat dilihat nilai statistika Nagelkerke R Square 0,039. Nilai tersebut diinterpretasikan sebagai kemampuan variabel size, umur
listing, leverage, reputasi auditor, struktur kepemilikan pihak asing, likuiditas, dan profitabilitas dalam mempengaruhi IFR sebesar 33,9 , dan sisanya 66,1
dijelaskan oleh variabel atau faktor lain.
4.7Uji Signifikansi Model secara Simultan
Untuk uji ini, diperlukan Tabel Omnibus Test of Model Coefficients Tabel 4.10. Tabel ini berfungsi untuk melihat hasil pengujian secara simultan pada
regresi logistik, yaitu melihat pengaruh variabel bebas independen secara bersama – sama simultaneously terhadap variabel dependen. Berdasarkan Tabel
4.10, diperoleh nilai Sig atau probabilitas 0,048. Karena nilai probabilitas 0,048 lebih kecil dari 0,05 maka disimpulkan bahwa variabel bebas yang digunakan
secara bersama-sama berpengaruh signifikan secara statistik terhadap IFR.
66
Tabel 4.10 Uji Signifikansi Model secara Simultan Omnibus Test of Model Coefficients
Chi-square df
Sig. Step 1 Step
14.178 7
.048 Block
14.178 7
.048 Model
14.178 7
.048
Sumber: hasil olahan software SPSS 4.8 Uji Signifikansi Koefisien Regresi Logistik Secara Individu Uji Wald
Dalam regresi linier, baik sederhana maupun berganda, uji t digunakan untuk menguji signifikansi dari koefisien regresi populasi
�
�
secara individu. Pada regresi logistik, uji signifikansi koefisien regresi populasi secara individu dapat
diuji dengan uji Wald. Dalam uji Wald, statistik yang diuji adalah statistik Wald Wald Statistic . Nilai statistik dari uji Wald berdistribusi chi-kuadrat. Hipotesis
nol dari uji Wald menyatakan koefisien regresi populasi signifikan secara statistik bernilai nol. Hal ini berarti pengaruh variabel bebas terhadap variabel tak bebas
tidak signifikan secara statistik. Hipotesis alternatif menyatakan koefisien regresi populasi signifikan secara statistik berbeda dari nol. Dengan kata lain, pengaruh
variabel bebas terhadap variabel tak bebas signifikan secara statistik. Pengambilan keputusan terhadap hipotesis dapat dilakukan dengan menggunakan
pendekatan nilai probabilitas dari uji Wald. Yang perlu diperhatikan dalam pengambilan keputusan berdasarkan pendektan nilai probabilitas:
�������������������� ≥ �������������������, � ������������
1
�������. �������������������� �������������������, �
�����������
1
��������.
Tabel 4.11 Uji Signifikansi Koefisien Regresi Logistik Variables in the Eqation
67 B
S.E. Wald
Df Sig.
ExpB Step 1
a
SIZE .000
.000 .891
1 .345
1.000 UMUR
-.028 .058
.240 1
.624 .972
LEV -.232
.441 .276
1 .599
.793 AUD
.994 .951
1.091 1
.296 2.701
FO 3.166
1.450 4.768
1 .029
23.714 LIKUID
.126 .226
.311 1
.577 1.134
PROF 14.768
6.899 4.582
1 .032 2591238.265
Constant -.200
1.070 .035
1 .852
.819 a. Variables entered on step 1: SIZE, UMUR, LEV, AUD, FO, LIKUID, PROF.
Sumber: hasil olahan software SPSS
Dari hasil penelitian uji Wald pada Tabel 4.11 diatas, maka dapat diketahui bahwa dari tujuh variabel bebas, hanya ada dua variabel yang berpengaruh secara
signifikan terhadap IFR, yaitu struktur kepemilikan pihak asing Foreign Ownership dan profitabilitas, sedangkan variabel size ukuran perusahaan, umur
listing perusahaa, leverage, reputasi auditor, dan likuiditas tidak berpengaruh secara signifikan terhadap IFR. Hal ini dapat dilihat dari nilai Sig. dari dua
variebel yang berpengaruh terhadap IFR yaitu Foreign Ownership Sig.0,029 dan Profitabilitas Sig. 0,032 lebih kecil dari 0,05 yang merupakan tingkat
signifikansi. Sedangkan nilai Sig. dari variabel Size, Umur Listing, Leverage, reputasi auditor, dan likuiditas berada diatas 0,05, yang berarti variabel-variabel
ini tidak berpengaruh terhadap IFR.
4.9 Pembahasan Hasil Penelitian
