[Tutorial] Contoh Analisis Regresi Logistik biner/dikotomi dengan

SPSS
nasrul setiawan

Pada hari sebelumnya telah dibahas tentang konsep dari regresi logistik
biner. Sesuai dengan janji penulis akan dibahas tutorial regresi logistik
biner dengan SPSS. (kayak pemilu aja ya.:p). Untuk contoh kasus kali ini,
terinspirasi dari tugas kelompok perkuliahan yang diambil dari tugas kakak
tingkat. bisa dibilang copas lah ya. tapi, jangan dilihat dari copasnya. tapi
lihat dari niatnya dan keinginan untuk saling berbagi semoga dapat
membantu mengerjakan tugas, skripsi, tesis atau bahkan disertasi.

Contoh Kasus Analisis Regresi Logistik biner:

Dilakukan simulasi untuk melihat pengaruh antara variabel profitabilitas,
kompleksitas perusahaan, opini auditor, likuiditas dan ukuran perusahaan terhadap
ketepatan penyampaian laporan keuangan tahunan perusahaan. Profitabilitas diukur
dengan ROA; variabel kompleksitas terdiri atas 2 kategorik yaitu diberi angka 2 jika
mempunyai anak perusahaan dan 1 jika perusahaan tidak mempunyai anak
perusahaan; opini auditor diukur dengan 2 jika mendapatkan opini wajar tanpa
pengecualian dan 1 untuk opini yang lain; likuiditas diukur dengan Current Ratio;
dan ukuran perusahaan diukur dengan logaritma natural market value. Variabel
terikatnya adalah ketepatan penyampaian laporan keuangan, dengan kode 1 untuk
perusahaan yang tepat waktu dan 0 untuk perusahaan yang terlambat.
Data yang digunakan dalam penelitian ini tidak ditampilkan mungkin kalau
teman ingin mencoba juga bisa didownload dibagian bawah nanti ya. dalam
tutorial ini menggunakan SPSS 20.Langsung saja ya dengan langkah-
langkahnya.

Langkah-langkah dalam pengujian analisis regresi

logistik
1. Pada posisi file telah terbuka, maka akan terlihat pada layar data
tentang ketepatan penyampaian laporan keuangan perusahaan
dengan sejumlah variabel-variabelnya. Untuk menganalisis, langkah
awalnya adalah pilih menu Analyze, kemudian
pilih Regression dan Binary Logistic. Maka akan muncul tampilan
seperti di bawah ini.
2. Masukan variabel yang berfungsi sebagai variabel tak bebas dari box
variabel ke kolom dependent, dan masukan semua varibel bebas
pada kotak Covariate. Untuk Method, pilih Enter. Sebenarnya bisa
dipilih metode apa saja karena model yang terbentuk akan sama
(dalam artian penduga-penduga parameternya akan memiliki nilai-
nilai yang sama). Akan tetapi, khusus metode Enter, harus dilakukan
proses dua kali. Pertama, data di run dengan semua variabel untuk
mengetahui variabel mana yang signifikan, setelah itu di run lagi
dengan menggunakan variabel yang signifikan itu. Model yang
terbentuk akan sama dengan model yang diperoleh dengan metode
lain.

3. Klik Categorical, masukkan semua variabel bebas yang

berbentuk kategoripada kotak covariate ke dalam
kotak categorical covariates, biarkan contras pada default indicator.
Untuk reference kategori pilih bagian kategori yang akan dipakai
sebagai referensi atau pembanding yang akan digunakan dalam
interpretasi odds ratio. Dapat menggunakan kategori akhir (last) atau
 kategori pertama (first). Dalam penelitian ini digunakan kategori
akhir (last). Kemudian klik Continue. Setelah itu pilih menu option,
centang iteration history untuk dapat mengetahui proses iterasi
yang telah berlangsung.

4. Selain itu, akan ditemukan "Classification cut off", yang pada

kondisi default sudah diisi dengan 0.5. Nilai ini disebut dengan the cut
value atau prior probability, peluang suatu observasi untuk masuk ke
salah satu kelompok sebelum karakteristik variabel penjelasnya
diketahui. Jika kita tidak mempunyai informasi tambahan tentang
data kita, maka kita bisa menggunakan default. Misalnya pada
penelitian ini, sebelumnya tidak pernah dilakukan penelitian apakah
ukuran perusahaan condong pada satu sisi. dengan alasan ini, dapat
digunakan classification cutoff sebesar 0,5. Namun, misalnya pada
ada penelitian lain yang telah meneliti maka bisa
dinaikkan/diturunkan classification cutoff sesuai hasil penelitian.
Dalam penelitian ini semua variabel numerik dalam default 0,5.
Abaikan bagain yang lain, klik continue.
5. Abaikan bagian yang lain, dan tekan OK maka akan keluar output
dari Regresi Logistik.

Intrepretasi Hasil analisis regresi logistik

Setelah keluar output dari hasil running data di SPSS maka diperoleh hasil
analisis sebagai berikut :

Identifikasi Data yang Hilang

Pada tabel di atas, dapat dilihat tidak ada data yang hilang (missing cases).

Pemberian kode variabel respon oleh SPSS

Menurut pengkodean SPSS, yang termasuk kategori sukses adalah

penyampaian laporan keuangan tahunan yang tepat.

Pemberian kode untuk variabel penjelas yang kategorik

Pengkodean variabel penjelas hanya dilakukan untuk variabel penjelas yang

kategorik karena akan dibentuk dummy variabel. Penelitian ini menggunakan
dua variabel penjelas yang kategorik yaitu variabel Opini dan variabel
Kompleksitas. Untuk variabel opini, nantinya yang akan digunakan
sebagai reference code (kode pembanding) adalah Wajar Tanpa
Pengecualian (lihat pada tabel di atas bagian parameter codings yang
berkode nol). Sementara untuk variabel Kompleksitas, yang menjadi kode
pembanding adalah Punya anak perusahaan. Kode pembanding ini akan
digunakan untuk interpretasi Odds Ratio.

Uji Signifikansi Model

Dari hasil SPSS dapat digunakan tabel “Omnibus Tests of Model
Coefficients” untuk melihat hasil pengujian secara simultan pengaruh
variabel bebas ini.
Berdasarkan tabel di atas diperoleh nilai Sig.Model sebesar 0.000. Karena
nilai inilebih kecil dari 5% maka kita menolak Ho pada tingkat signifikansi
5% sehingga disimpulkan bahwa variabel bebas yang digunakan, secara
bersama-sama berpengaruh terhadap ketepatan penyampaian laporan
keuangan suatu perusahaan. Atau minimal ada satu variabel bebas yang
berpengaruh.

Persentase Ketepatan Klasifikasi (Percentage Correct)

Persentase ketepatan model dalam mengkasifikasikan observasi adalah 78.6

persen. Artinya dari 70 observasi, ada 55 observasi yang tepat
pengklasifikasiannya oleh model regresi logistik. Jumlah observasi yang
tepat pengklasifikasiannya dapat dilihat pada diagonal utama.

Uji Parsial dan Pembentukan Model

Pada uji diharapkan Ho akan ditolak sehingga variabel yang sedang diuji
masuk ke dalam model. Dengan bantuan tabel “Variables in The Equation”
dapat dilihat variabel mana saja yang berpengaruh signifikan sehingga bisa
dimasukkan ke model. Jika nilai sig.<a maka Ho ditolak.
Berdasarkan hasil di atas diketahui bahwa terdapat 2 variabel bebas yang
signifikan berpengaruh terhadap ketepatan penyampaian laporan keuangan
perusahaan karena masing-masing variabel tersebut memiliki nilai
signifikansi yang lebih kecil dari a=5%. Variabel-variabel tersebut adalah
Profitabilitas (Sig.=0.004)dan Likuiditas (Sig.=0.000). Model yang terbentuk
adalah :

Dimana :
X_1i = Profitabilitas
X_2i= Likuiditas
i=1,2,…,n

7.Interpretasi Odds Ratio

Nilai Odds ratio ini juga disediakan oleh tabel “Variables in The Equation”
pada kolom Exp(B) :

Berdasarkan hasil di atas kita dapat menginterpretasikan Odds ratio sebagai

berikut :

1. Jika jumlah profitabilitas perusahaan bertambah 1 unit maka

kecendrungan perusahaan tersebut untuk tepat waktu menyampaikan
laporan keuangan menjadi 2.780 kali lipat.
2. Sebuah perusahaan yang tidak mempunyai anak perusahaan akan
memiliki kecenderungan untuk menyampaikan laporan keuangan
secara tepat waktu sebesar 3.057 kali dibanding perusahaan yang
memiliki anak perusahaan (merujuk pada reference code).

3. Perusahaan dengan opini auditor adalah opini lain cenderung 0.848

kali (lebih rendah) untuk tepat waktu dalam menyampaikan laporan
keuangan dibanding dengan perusahaan yang Wajar tanpa
Pengecualian.

4. Jika Current ratio pada likuiditas bertambah 1 persen maka

perusahaan akan cenderung 1.708 kali untuk tepat waktu
menyampaikan laporan keuangannya.
 5. Ketika ukuran perusahaan bertambah 1 unit maka perusahaan
tersebut cenderung 1.123 kali untuk tepat waktu dalam
menyampaikan laporan keuangannya.

Buat yang ingin mencoba silahkan download filenya dibawah ini:

tutorial reglog biner (SPSS 20)