111
Tabel 4.11 Pengelompokan Faktor
Sumber: Data diolah Dari tabel di atas, dapat diketahui bahwa:
1 Faktor 1 F1 atau Kelompok 1, terdiri dari rasio LTDTE, TLTA dan TLTE. Kelompok ini merupakan cerminan dari
rasio utang atau leverage 2 Faktor 2 F2 kelompok 2, terdiri dari rasio CACL, CAICL,
CCL dan NITA. kelompok ini mencerminkan rasio likuiditas dan profitabilitas.
Pada tabel Component Transformation Matrix di atas, angka-angka yang ada pada diagonal antara Component 1 dengan
Faktor 1 LTDTE
TLTA TLTE
Faktor 2 CACL
CAICL CCL
NITA
Tabel 4.12 Component Transformation Matrix
Componen t
1 2
1 -.709
.705 2
.705 .709
Extraction Method: Principal Component Analysis.
Rotation Method: Varimax with Kaiser Normalization.
112 1, Component 2 dengan 2. Terlihat bahwa angka keduanya berada
di atas 0,5. Tanda “-“ hanya menunjukkan arah korelasi. Hal tersebut cukup membuktikan bahwa kedua faktor yang terbentuk
cukup tepat, karena memiliki korelasi yang cukup tinggi.
4. Analisis Regresi Logistik
Analisis regresi logistik dilakukan karena setelah dilakukan pengujian normalitas dengan One Sample Kolmogorov-Smirnov Test,
diketahui bahwa semua data tidak terdistribusi dengan normal sehingga penulis lebih memilih untuk menggunakan regresi logistik
daripada diskriminan. Proses analisis regresi logistik dalam penelitian ini ialah dengan melanjutkan proses analisis faktor yang telah
dilakukan. Variabel independen yang digunakan ialah variabel yang telah dihasilkan pada analisis sebelumnya, yaitu F1 Kelompok Rasio
Leverage dan F2 Kelompok Rasio Likuiditas dan Profitabilitas. Dengan metode regresi logistik, akan diuji apakah kedua faktor
tersebut mampu membentuk model dan dapat digunakan untuk memprediksi obligasi atau tidak.
a Menilai Model Fit
Berikut ini adalah tabel yang menjelaskan nilai kecocokan model model fit:
113
Tabel 4.13 Model Fit
-2 LL Block Number -2 LogL block 0
126.967 -2 LogL block 1
66.240 Pseudo R-Square
Cox Snell R Square .432
Nagelkerke R Square .622
Hosmer and Lemeshow Test
Chi-Square 5.311
Sig. 0.622
Sumber: Output SPSS, 2011 Untuk menilai model fit atau ketepatan prediksi dapat
dilihat dari nilai -2 LogL, nialainya yang semula sebesar 126,967 mengalami penurunan menjadi 66,420. dari hasil ini, dapat
disimpulkan bahwa model regresi kedua lebih baik untuk memprediksi peringkat obligasi.
Nilai Cox Snell R Square sebesar 0,432 dan nilai Nagelkerke R Square sebesar 0,622 mengartikan bahwa
variabilitas yang terjadi pada variabel terikat, yaitu peringkat obligasi baik itu yang masuk dalam investment grade maupun
non-investmen grade dapat dijelaskan oleh variabel bebasnya yaitu Kelompok 1 dan Kelompok 2 sebesar 62,2. Sisanya,
yaitu sebesar 37,8 dijelaskan oleh variasi variabel lain. Model fit dapat juga diuji dengan Hosmer and Lemeshow
Test. Nilai Ch-squre sebesar 5,311 dan signifikansi pada 0,622. Oleh karena nilai ini di atas 0,05 maka model dikatakan fit dan
dapat diterima atau hal ini berarti model regresi binary layak dipakai untuk analisis selanjutnya, karena tidak ada perbedaan
114 yang nyata antara klasifikasi yang diprediksi dengan klsifikasi
yang diamati.
b Menilai Ketepatan Prediksi
a b
e l
4 .
1 3
Sumber: Output SPSS, 2011
Tabel klasifikasi diatas digunakan untuk menghitung nilai estimasi yang benar correct dan yang salah incorrect. Menurut
prediksi, obligasi yang peringkat masuk dalam kategori non- investment grade adalah sebanyak 30. Namun dalam hasil
observasi hanya terdapat 17 obligasi saja, sehingga ketepatan klasifikasinya ialah sebesar 56,7 1730. Sedangkan prediksi
obligasi yang peringkat masuk dalam investment grade adalah sebanyak 77 obligasi. Namun hasil observasi menunjukkan bahwa
hanya terdapat 73 obligasi saja, jadi ketepatan klasifikasinya
Tabel 4.14 Classification Table
a
Observed Predicted
Peringkat Percentage
Correct Non-Investment
Grade Investment
Grade Step 1
Peringkat Non-Investment Grade
17 13
56.7 Investment Grade
4 73
94.8 Overall Percentage
84.1 a. The cut value is ,500
115 sebesar 94,8 7377. Secara keseluruhan, ketepatan klasifikasi
ialah sebesar 84,1.
c Menguji Koefisien Regresi
Tabel 4.15 Hasil Uji Koefisien Regresi
Sumber: Output SPSS, 2011
Dari tabel diatas, dapat diketahui koefisien yang signifikan untuk memprediksi peringkat obligasi. Diketahui bahwa baik itu
F1 maupun F2 mampu memprediksi peringkat obligasi karena memiliki nilai signifikansi di bawah 0,05 5. Dengan demikian,
model regresi layak digunakan untuk memprediksi peringkat obligasi.
Model Persamaan Regresi Logistik yang didapat ialah:
Variables in the Equation
B S.E.
Wald df
Sig. ExpB 95 C.I.for
EXPB Lower Upper
Step 1
a
FAC1_1 -1.422
.404 12.362 1 .000
.241 .109
.533 FAC2_1
4.559 1.085 17.652
1 .000 95.499 11.385 801.07 4
Constant 3.076
.693 19.699 1 .000 21.670
a. Variables entered on step 1: FAC1_1, FAC2_1.
Rating = 3,076 – 1,422 Faktor 1 + 4,559 Faktor 2
