interprestasi analisis regresi logistic
TRANSCRIPT
HASIL PENGUJIAN DATA
1. DESCRIPTIVE
Merupakan Gambaran tentang ringkasan data dari masing-masing Variabel yang akan masuk
dalam Proses Pengujian, tujuannya adalah untuk memudahkan dalam membaca atau
memahami data, adapun informasi yang dihasilkan, dimulai dari jumlah data (N), Nilai
Terendah, Nilai Tertinggi, Nilai rata-rata (Mean) dan Standar Deviasi yang merupakan
Penyimpangan data.
Descriptive Statistics
30 ,000 1,000 ,56667 ,504007
30 ,176 ,647 ,44410 ,123410
30
Type IndustriPengungkapanInformasi SosialValid N (listwise)
N Minimum Maximum Mean Std. Deviation
Dari table diatas dari jumlah Sample yang masuk kedalam Pengujian adalah sebesar N = 30
untuk semua variabel, yang terdiri dari variabel Type Industri dan Pengungkapan Informasi
Sosial, untuk variable Type Industri dari 30 data yang masuk dalam pengujian ini terdapat
nilai Minimum sebesar 0 yang merupakan variable Dummy untuk Type industri perusahaan
yang Low profile dan nilai Maksimun sebesar 1 merupakan nilai dummy untuk perusahaan
yang High profile, sementara nilai rata-rata (Mean) adalah nilai rata-rata type industri yang
ada baik untuk high profile maupun yang low profile yaitu sebesar 0.56667, terakhir adalah
Standar Deviasi merupakan simpang baku atau penyimpangan data dari nilai rata-rata untuk
variable ini adalah sebesar 0.504007, nilai ini masih berada dibawah nilai rata-rata, sehingga
dapat dikatakan dampak penyimpangan ini tidak akan memberikan gangguan yang berarti
untuk dala sebesar 30. Sementara untuk variable Pengungkapan informasi social juga dapat
dijelaskan, dari 30 data yang ada terdapat nilai minimum sebesar 0.176 dan nilai maksimum
sebesar 0.647 dengan nilai rata-rata sebesar 0.44410 dengan tingakt standar deviasi sebesar
0.123410, nilai standar deviasi ini juga sama keadaannya dengan variable Type industri
2. PENGUJIAN KLASIK
1. Pengujian Normalitas
Dilakukan untuk melihat distribusi dari variabel-variabel yang akan dianalisis apakah sudah
berdistribusi Normal atau belum berdistribusi Normal, salah satu bentuk analisis yang dapat
digunakan adalah dengan menggunakan Pendekatan Kolmogorov – Smirnov (K-S), untuk
menguji Normalitas dengan pendekatan ini adalah suatu data berdistribusi Normal bila “
Signifikan K-S Yaitu Z > 0.05.
NPar TestsOne-Sample Kolmogorov-Smirnov Test
30 30,56667 ,44410
,504007 ,123410,372 ,088,303 ,077
-,372 -,0882,036 ,480,001 ,975
NMeanStd. Deviation
Normal Parameters a,b
AbsolutePositiveNegative
Most ExtremeDifferences
Kolmogorov-Smirnov ZAsymp. Sig. (2-tailed)
Type IndustriPengungkapan
Informasi Sosial
Test distribution is Normal.a.
Calculated from data.b.
Dari table diatas dapat dilihat dengan jelas dari hasil analisis Normalitas dimana variabel
yang berdistribusi Normal dengan melihat nilai K-S Z Sig > 0.05, ternyata hanya ada pada
variabel Pengungkapan Informasi Sosial dengan Nilai Asymp Siq. 0,975 besar jika
dibandingkan dengan Alpha 0.05 maka nilai tersebut > 0.05 Atau > 5%. Oleh karena itu
variable ini sudah dapat dikatakan berdistribusi Normal. Sementara variabel yang tidak
berdistribusi Normal yaitu Type Industri, karena variabel ini merupakan variabel
Kategori/Dummy maka masalah penyebaran data yang tidak normal ini dapat diabaikan atau
ditinggalkan dalam pengujian ini kalau pun akan kita lakukan transpormasi data ke bentuk
Log, Ln, Kuadrat dan Akar maka khusus untuk data yang yang memiliki kategori 0 (nol) akan
menghasilkan perubahan data dengan nilai Blank atau tak terhingga pada akhirnya dapat
dipastikan gambaran data pada saat pengujian juga tidak akan seimbang dan nilai itu tidak
dapat dijadikan ukuran dalam penilaian penyebaran data yang normal.
2. Pengujian Multikolinearitas
Menunjukan adanya hubungan linier antara Variabel Independent, bila dalam model regresi
terjadinya Multikoleniaritas, maka akan terjadinya ketidaktepatan dalam estimasi oleh
variabel bebas terhadap variabel terikat. Suatu bentuk suatu Model regresi bebas dari
Multikoleniaritas dapat dilihat dari nilai VIF (Variance Inflation Factor) yang nilainya tidak
melebihi angka 10 atau bisa juga dilihat dari nilai TOL yang > 0.1
Coefficientsa
1,000 1,000PengungkapanInformasi Sosial
Model1
Tolerance VIFCollinearity Statistics
Dependent Variable: Type Industria.
Terlihat dari tabel coefficients nilai VIF yang ada untuk semua variabel independent
(Pengungkapan Sosial) masih berada dibawah nilai angka 10, dan nilai TOL juga > 0.1
artinya dapat dikatakan tidak terjadi Multikoleniaritas dan model Regresi yang dihasilkan
dari sudut pandang Mutilkolinearitas sudah cukup baik.
3. Pengujian Hetroskedastisitas
Uji Heteroskedastisitas bertujuan menguji apakah dalam Model regresi terjadi ketidaksamaan
variance dari residual suatu pengamatan ke pengamatan lain, jika variance dari residual suatu
pengamatan kepengamatan lain tetap, maka disebut Homoskedastisitas dan jika berbeda
disebut Heteroskedastisitas, model regresi yang baik adalah yang Homokedastisitas atau tidak
terjadi Heteroskedastisitas. Salah satu cara untuk mendeteksi ada atau tidaknya masalah
Heteroskedastisitas dengan melihat Grafik Plot Regresi antara nilai Prediksi variable
Terikat/Dependent (ZPRED) dengan residualnya (SRESID), yaitu dengan melihat ada
tidaknya pola tertentu pada grafik scatter plot antara SRESID dan ZPRED, dimana sumbu Y
adalah Y yang telah dipresiksi dan sumbu X adalah residual.
Dasar Analisis :
Jika ada pola tertentu, seperti titik-titik yang ada membentuk pola-pola tertentu yang
teratur (Bergelombang, melebar kemudian menyempit), maka mengindikasikan telah
terjadinya masalah Heteroskedastisitas.
Jika tidak ada pola yang jelas, serta titik-titik menyebar diatas dan dibawah angka 0
(Nol) pada sumbu Y, maka tidak terjadi masalah Heteroskedastisitas.
Scatterplot
Dependent Variable: Type Industri
Regression Standardized Predicted Value
210-1-2-3
Reg
ress
ion
Stu
dent
ized
Res
idua
l
1,5
1,0
,5
0,0
-,5
-1,0
-1,5
Dari pengamatan terhadap grafik diatas tidak ditemukan terbentuknya pola-pola tertentu
seperti pembentukan garis diagonal, oleh karena itu untuk masalah Heteroskedastisitas dapat
dikatakan tidak terjadi. Salah satu dampak terhadap adanya gangguan data untuk masalah
heteroskedastisitas ini pada kekuatan dari variable independent dalam menjelaskan variabel
dependent atau dengan kata lain akan biasnya kekuatan dari variable independent dalam
menjelaskan variabel dependent.
4. Pengujian Autokorelasi
Uji ini dilakukan untuk melihat terjadinya antara anggota-anggota dari serangkaian
pengamatan yang tersusun dalam rangkaian waktu, bila ini terjadi dalam model regresi, maka
variabel sampel tidak dapat mengambarkan varian populasi, Uji Autokorelasi dapat dilihat
melalui nilai Durbin – Watson. Suatu Model regresi terbebas dari masalah autokorelasi bila
nilai Durbin – Watson berada antara – 2 sampai dengan + 2.
Model Summaryb
2,546Model1
Durbin-Watson
Dependent Variable: Type Industrib.
Sementara dari tabel Model summary terlihat nilai Durbin – Watson berada antara – 2 sampai
dengan + 2, oleh karena itu masalah Autokorelasi tidak ditemui pada Model regresi ini.
3. PENGUJIAN LOGISTIK REGRESSION
Analisis Logistic Regression adalah Salah satu pendekatan model Matematis yang digunakan
untuk menganalisa hubungan satu atau beberapa variabel independen dengan sebuah variabel
dependen katagorik yang bersifat dikotom/binary, atau bagaimana tingkat probabilitas dari
variable dependent dapat diprediksi oleh variable independent. Adapun Output dari pengujian
ini adalah sebagaiberikut :
Logistic RegressionCase Processing Summary
30 100,00 ,0
30 100,00 ,0
30 100,0
Unweighted Cases a
Included in AnalysisMissing CasesTotal
Selected Cases
Unselected CasesTotal
N Percent
If weight is in effect, see classification table for the totalnumber of cases.
a.
Pada tabel diatas mengambarkan tentang jumlah sampel yang masuk kedalam pengujian yaitu
sebanyak 30 atau 100% dan tidak terdapat data yang hilang atau missing.
Dependent Variable Encoding
01
Original ValueLow ProfileHigh Profile
Internal Value
Sementara pada tabel Dependent Variable Encoding adalah bentuk pengkodean atau
dikotomi, yaitu untuk Type Perusahaan Low profile = 0 & untuk Perusahaan High profile =
1
Block 0: Beginning BlockIteration Historya,b,c
41,054 ,26741,054 ,26841,054 ,268
Iteration123
Step0
-2 Loglikelihood Constant
Coefficients
Constant is included in the model.a.
Initial -2 Log Likelihood: 41,054b.
Estimation terminated at iteration number 3 becauseparameter estimates changed by less than ,001.
c.
Sementara tabel Interation history adalah langkah 0 yang merupakan penafsiran terhadap
parameter yang dalam hal ini terdapat 3 bagian – 2 Log Likelihood dengan koefisiennya dari
hasil langkah 0 tersebut dipilihlah – 2 Log Likelihood sebesar 41.054 pada bagian ke – 3 atau
dengan koefisien 0.264, dari penafsiran ini digunakan untuk menilai Model fit dari data, jika
signifikan yang dihasilkan > 0.05 maka data dapat dikatakan model sudah Fit, sebaliknya
juga demikian jika signifikan yang dihasilkan < 0.05 maka data dikatakan tidak Fit. Setelah
ditemukan bentuk data dengan model fit, maka analisis dapat dilanjutkan
Classification Tablea,b
0 13 ,00 17 100,0
56,7
ObservedLow ProfileHigh Profile
Type Industri
Overall Percentage
Step 0Low Profile High Profile
Type Industri PercentageCorrect
Predicted
Constant is included in the model.a.
The cut value is ,500b.
Classificatio table mengambarkan tentang observasi data, pada langkah 0 diatas untuk
observasi Type Industri diprediksi untuk perusahaan Low Profile adalah sebanyak 13
Perusahaan sementara untuk perusahaan yang High Profile adalah sebesar 17 Perusahaan,
artinya lebih dari 50% perusahaan menurut hasil observasi dikelompokan kedalam
perusahaan High profile atau sekitar 56.7%.
Model Summary
40,828 ,007 ,010Step1
-2 Loglikelihood
Cox & SnellR Square
NagelkerkeR Square
Dari langkah ke – 1 yaitu Step 1, terlihat terjadinya penurunan dalam – 2 Log Likelihood
yaitu menjadi 40,828 dari 41,054 pada Step 0 artinya bahwa model yang dihasilkan sudah
baik atau antara model yang dihasilkan sudah sesuai dengan observasi. Sementara Nilai Cox
& Snell mengambarkan tingkat hubungan yang ada kedua variable yaitu sebesar 0,007 artinya
variabel independent dapat menjelaskan tingkat hubungan yang ada terhadap variabel
dependen sebesar 0,7% sama halnya dengan Koefisien korelasi pada Regresi Linear.
Negelkerke adalah tingkat kekuatan hubungan sama halnya dengan Koefeisien Determinan
pada Regresi Linear dengan metode ini adalah sebesar 1,0% artinya variabel independent
hanya mampu menjelaskan hubungannya terhadap variabel dependent sebesar 1%
selebihnya merupakan faktor lain yang dapat dengan baik menjelaskan variable dependent
dengan baik, yang tidak terdapat dalam penelitian ini.
Hosmer and Lemeshow Test
3,721 6 ,714Step1
Chi-square df Sig.
Dari tabel Homer and Lemeshow Test mengambarkan tingkat keakuratan atau kelayakan
Model yang terbentuk, yaitu dengan Chi-square atau tingkat hubungan sebesar 3,721 dengan
tingkat signifikan 0.714, yang jika dibandingkan dengan alpha 5% maka jelas angka tersebut
tidak signifikan. Sehingga dapat dikatakan nilai Signifikan yang besar dari alpha 5%,
menyatakan bahwa Model yang tercipta akan mampu memprediksi nilai observasi dengan
baik dengan kata lain model dapat diterima.
Hipotesis :
H0 = Jika ada Perbedaan yang nyata antara klasifikasi yang diprediksi dengan klasifikasi yang
diamati
Hi = Tidak ada Perbedaan yang nyata antara klasifikasi yang diprediksi dengan klasifikasi
yang diamati
Dasar Pengambilan keputusan adalah :
Jika Probabilitas > 0.05 H0 = Diterima
Jika Probabilitas < 0.05 H0 = Ditolak
Karena Angka signifikan yang dihasilkan besar dari alpha 5% atau 0.05 atau 0.714 > 0.05
oleh sebab itu Ho diterima artinya model regresi yang diperoleh sudah dapat dijadikan
variable yang mampu menjelaskan Type Industri.
Classification Tablea
1 12 7,71 16 94,1
56,7
ObservedLow ProfileHigh Profile
Type Industri
Overall Percentage
Step 1Low Profile High Profile
Type Industri PercentageCorrect
Predicted
The cut value is ,500a.
Dari table Klasifikasi kedua dari langkah / Step 1, dari hasil pengamtan sudah berubah dari
13 Perusahaan yang diprediksi sebagai perusahaan Low profile ternyata hanya terdapat 1
perusahaan saja dan sisanya 12 perusahaan ternyata diprediksi sebagai High profile, dilain
pihak dari 16 perusahaan yang diamati sebagai perusahaan High profile ternyata hanya 16
perusahaan yang diprediksi sebagai perusahaan high profile, sisanya 1 perusahaan diprediksi
atau diklasifikasikan sebagai perusahaan Low profile.
Dari penilaian diatas dapat dijelaskan, tingkat hubungan seberapa baiknya variabel
independent (Pengungkapan Informasi Sosial) dalam memperdiksi nilai observasi dependen
katagorik/Type Industri, atau ketepatan/keakuratan model mampu memprediksi sebesar
56,7% oleh variabel independent.
Namun jika kita ingin melihat sejauh mana masing-masing variable independent diatas dapat
menjelaskan prilaku hubungannya terhadap variable dependent maka dapat kita lihat pada
table berikut ini :
Variables in the Equation
,268 ,368 ,530 1 ,467 1,308ConstantStep 0B S.E. Wald df Sig. Exp(B)
Ternyata hanya variable X1 atau Pengungkapan informasi sosial yang mampu menjelaskan
type Indutri untuk perusahaan, dapat dilihat dari nilai signifikan sebesar 0.467 yang jika
dibandingkan dengan alpha 5% nilai ini jauh lebih besar, artinya variable Pengungkapan
informasi sosial tidak mampu menjelaskan hubungannya terhadap Type Indutri karena
memiliki nilai signifikan yang besar dari alpha 5%.
Kesimpulan :
Dari hasil pengujian data diatas dapat ditarik beberapa kesimpulan :
1. Secara Descriptive keadaan data dari semua variable baik variable Independent maupun
variable dependent sudah cukup baik, hal ini dapat dilihat dari nilai standar deviasi yang
lebih kecil dari nilai rata-rata (Mean) artinya nilai penyimpangan data hanya lebih kecil
dari nilai rata-rata sehingga pengaruhnya dianggap tidak memberikan masalah yang
Cukup Berarti.
2. Pada Pengujian Klasik, seperti yang sudah dijelaskan diatas memang ditemukan
penyembaran data yang tidak Normal dari Pengujian Normalitas dengan Pendekatan One
sample Kolmogorov-Sirnov, untuk variable Type Industri, hal ini dianggap dapat
diabaikan karena variable ini merupakan variable dummy atau tidak akan menjadi
masalah yang buruk dalam pengujian ini kalau pun akan kita lakukan transpormasi data
ke bentuk Log, Ln, Kuadrat dan Akar maka khusus untuk data yang yang memiliki
kategori 0 (nol) akan menghasilkan perubahan data dengan nilai Blank atau tak terhingga
pada akhirnya dapat dipastikan gambaran data pada saat pengujian juga tidak akan
seimbang dan nilai itu tidak dapat dijadikan ukuran dalam penilaian penyebaran data
yang normal
3. Sementara untuk masalah klasik lainnya Seperti Mutikolinearitas dan Autokorelasi tidak
ditemukan gangguan data artinya model Regresi Logistic yang dihasilkan dianggap sudah
cukup baik untuk dijadikan model untuk mengukur Type Industri dari beberapa
perusahaan yang dijadikan sample.
4. Sementara untuk masalah Heteroskedastisitas juga tidak ditemukan penyebaran data yang
membentuk pola-pola tertentu sehingga diprediksi tidak terjadi masalah
Heteroskedastisitas pada model ini.
5. Dari Pengujian Logistic Regresion, dari hasil pengamatan dari jumlah sample yang
masuk dalam pengujian baik pada Step 0 maupun pada Step 1 telah ditemukan
pengklasifikasian variable dari 30 data pada Step 0 ditemukan 13 untuk perusahaan type
industri low profile dan 17 sisanya adalah untuk perusahaan high profile, namun setelah
Step 1 terjadi hasil prediksi yang berbeda seperti dari 13 untuk perusahaan type indutri
low profile sekarang hanya 1 perusahaan saja sisanya 12 perusahaan diprediksi sebagai
perusahaan type industri High profile, sementara dari 17 perusahaan yang diamati sebagai
perusahaan high profile ternyata telah tersisa 16 perusahaan saja sisanya 1 perusahaan
diprediksi sebagai perusahaan type indutri low profile.
6. Dari hasil akhir dari Pengujian data dengan Logistic Regresion dapat diketahui kekuatan
masing-masing variable Independent (Pengungkapan Informasi Sosial), secara parsial
atau individu ditemukan pengaruh yang tidak signifikan dari variable Pengungkapan
informasi social terhadap Type industri pada alpha 5% artinya Pengungkapan informasi
social tidak dapat menjelaskan hubungan dan pengaruhnya dalam penentuan type
perusahaan industri pada alpha 5%.
7. Akhirnya dari Hipotesis yang dikemukakan :
H1 : Terdapat Pengaruh yang signifikan Pengungkapan Informasi terhadap Type
Industri.
Hasil Pengujian tidak ditemukan :
Tidak Terdapat Pengaruh yang signifikan Pengungkapan Informasi terhadap Type
Industri.
Saran-Saran :
1. Dari Penelitian diatas, masih belum maksimal untuk bisa diperoleh pengaruh yang
lebih baik dari variabel independent terhadap variabel dependent, hal ini terlihat dari
kemampuan variable independent yang masil belum nampak, tentunya permasalahan
ini merupakan keterbatasan dan kelemahan Penulis dalam memperoleh data-data
yang jumlahnya relative besar dan mendapatkan perusahaan perusahaan yang dapat
dijadikan sample yang dapat menjawab permasalahan ini.
2. Sebagai salah satu saran yang dapat dikemukakan disini adalah untuk Peneliti-
peneliti selanjutnya untuk dapat membuktikan kembali variabel yang peneliti ambil
ini, untuk dapat diteliti kembali dengan menggunakan data dalam jumlah yang lebih
besar dan dengan menggunakan factor-faktor tambahan lainnya, sehingga pada masa
yang akan data kita sudah dapat mengetahui dengan benar dan pasti tentang variable-
variabel mana saja yang mampu mengukur tingkat Type Indutri perusahaan secara
baik.
“Selesai “