104 tidak bermasalah sebesar -0.498 sehingga terdapat nilai cut-off value.
Dari nilai function yang diperoleh tersebut akan disesuaikan dengan rumus untuk menghitung cuy-off.
Zcu =
N
A
Z
B
+ N
B
Z
A
N
A
+ N
B
Zcu =
392.157 + 9-0.498 39 + 9
Zcu =
1.659 Sehingga untuk model Multiple Discriminant Analysis MDA
penentuan nilai batas didasarkan pada nilai rata-rata dari jumlah Z- score
dari masing-masing bank yang diperoleh nilai 1.659. Standart yang digunakan untuk menilai apakan bank tersebut dikategorikan
bank bermasalah atau bank yang tidak bermasalah adalah: a. Bila Z-score hitung 1.659 maka bank dikategorikan bermasalah
b. Bila Z-score hitung 1.659 maka bank dikategorikan tidak bermasalah.
Dari cut-off value ini ada beberapa observasi yang tidak terdiskriminasi dengan baik misclassified yaitu observasi yang ke 3,
29, 31, dan 41 yang terdapat pada lampiran 3
tabel casewise statistic . Pada observasi ke 3, 29, dan 31 tersebut, kelompok actual seharusnya
masuk kedalam kelompok bank yang tidak bermasalah , tetapi berdasarkan prediksi fungsi diskriminan masuk kelompok bank yang
bermasalah. Sebaliknya pada observasi ke 41, berdasarkan kelompok actual seharusnya masuk kelompok bank bermasalah tetapi
105 berdasarkan prediksi fungsi diskriminan masuk kelompok bank tidak
bermasalah.
6. Ketepataan Prediksi Klasifikasi
Untuk melihat seberapa jauh klasifikasi sudah tepat atau berapa persen terjadi misklasifikasi pada proses klasifikasi ditunjukkan pada
tabel Classification Result pada tabel 4.22 berikut ini: Tabel 4.22
Ketepataan Prediksi Klasifikasi
Classification Results
b,c
Kategori Predicted Group
Membership Total
1 Original
Count Bermasalah
8 1
9 Tidak bermasalah
3 36
39 Bermasalah
88.9 11.1
100.0 Tidak bermasalah
7.7 92.3
100.0 Cross-validated
a
Count Bermasalah
8 1
9 Tidak bermasalah
3 36
39 Bermasalah
88.9 11.1
100.0 Tidak bermasalah
7.7 92.3
100.0 a. Cross validation is done only for those cases in the analysis. In cross validation,
each case is classified by the functions derived from all cases other than that case. b. 91.7 of original grouped cases correctly classified.
c. 91.7 of cross-validated grouped cases correctly classified.
Sumber : data diolah Dari table 4.22 merupaka tabel Classification Results yang
mengambarkan crosstabulasi antara model awal original dengan pengklasifikasian hasil model diskriminan predictif group membership.
Untuk tes keakuratan penglompokkan bank bermasalah dan tidak bermasalah dalam tabel ini menyatakan pada kolom merupakan dua nilai
prediksi dari variabel terikat yaitu kondisi bank, dalam hal ini bank
106 bermasalah 0 dan bank tidak bermasalah 1. Pada model yang
sempurna, maka semua akan berada pada diagonal dengan tingkat ketepatan peramalan 100.
Hasilnya menunjukan pada kolom, prediksi bank bermasalah ada 9 bank-bank bermasalah, sedangkan pada baris observasi sesungguhnya
yang bermasalah terdapat 8 bank. Jadi ketepatan model Multiple Discriminant Analysis
MDA ini untuk bank yang bermasalah adalah 88.9. Prediksi bank yang tidak bermasalah ada 39 bank-bank tidak
bermasalah, sedangkan pada baris hasil observasi yang sesungguhnya tidak bermasalah sebanyak 36 bank tidak bermaslah dan 3 bank yang
bermasalah. Jadi ketepatan model Multiple Discriminant Analysis MDA ini untuk bank yang tidak bermasalah adalah 92.3. Untuk fungsi
diskriminan mampu menggelompokkan kasus dengan benar sebesar 90.6 .
4. Analisis Regresi Binary Logit
Regresi logistik biner binary logistic regression, adalah logistik dimana variabel dependennya berupa variabel dikotomi atau variabel biner
Stanislaus, 2006:225. Dalam penelitian ini akan dilakukan analisa regresi logit stepwise
untuk memilih subset variabel independen yang paling penting dalam hal Kemampuan secara rata-rata = 88.9 + 92.3 = 90.6
2
