Uji Goodness-of-Fit
Dari hasil pengujian, diperoleh probabilitas chi-square sebesar 0.0009. Jika kita
menggunakan tingkat signifikansi umum sebesar 0.05 (atau 5%), maka probabilitas yang
diperoleh (0.0009) jauh lebih kecil dari ambang batas tersebut. Oleh karena itu, kita dapat
menyimpulkan bahwa terdapat bukti yang cukup kuat untuk menolak hipotesis nol, yang
menyatakan bahwa model regresi logistik yang digunakan memiliki kesesuaian yang
buruk dengan data.
Hasil ini menunjukkan bahwa model yang digunakan tidak secara sempurna cocok
dengan data observasi. Oleh karena itu, perlu dilakukan pengevaluasian lebih lanjut
terhadap model tersebut, seperti pemeriksaan asumsi dan mungkin pengubahan atau
penyempurnaan model yang digunakan untuk mencapai kesesuaian yang lebih baik
dengan data.
P(Dep=1)<=C 27 0 27 0 0 0
P(Dep=1)>C 1 97 98 28 97 125
Total 28 97 125 28 97 125
Correct 27 97 124 0 97 97
% Correct 96.43 100.00 99.20 0.00 100.00 77.60
% Incorrect 3.57 0.00 0.80 100.00 0.00 22.40
Total Gain* 96.43 0.00 21.60
Percent Gain** 96.43 NA 96.43
*Change in "%
Correct" from
default
(constant
probability)
specification
**Percent of
incorrect
(default)
prediction
corrected by
equation
Terdapat dua bagian dalam tabel yang perlu diperhatikan: "Estimated Equation"
dan "Constant Probability". Bagian "Estimated Equation" menunjukkan hasil evaluasi
berdasarkan model regresi logistik yang digunakan, sedangkan bagian "Constant
Probability" menunjukkan hasil evaluasi berdasarkan prediksi dengan menggunakan
probabilitas konstan. Dalam bagian "Estimated Equation", terdapat kolom "Correct" yang
menunjukkan jumlah prediksi yang benar, dan kolom "% Correct" yang menunjukkan
persentase prediksi yang benar. Pada umumnya, persentase prediksi yang benar yang
lebih tinggi menunjukkan kinerja model yang lebih baik. Namun, perlu dicatat bahwa
pada kolom "% Correct" untuk prediksi dengan menggunakan probabilitas konstan,
terdapat nilai 0.00 untuk prediksi yang benar pada kategori "Dep=0". Hal ini
menunjukkan bahwa model regresi logistik memberikan peningkatan yang signifikan
dalam melakukan prediksi yang benar dibandingkan dengan menggunakan probabilitas
konstan.
Bagian "Total Gain" dan "Percent Gain" menunjukkan perubahan dan persentase
perubahan dari prediksi yang benar saat menggunakan model regresi logistik
dibandingkan dengan probabilitas konstan. Terdapat peningkatan yang signifikan dalam
persentase prediksi yang benar menggunakan model regresi logistik. Dalam keseluruhan
evaluasi expectation-prediction, model regresi logistik yang digunakan memberikan hasil
yang lebih baik dalam melakukan prediksi dengan memperhitungkan variabel-variabel
yang ada, dibandingkan dengan menggunakan probabilitas konstan. Namun, masih ada
ruang untuk perbaikan dalam model ini, terutama dalam mengurangi persentase prediksi
yang salah (incorrect prediction). Evaluasi ini dapat menjadi dasar untuk melakukan
penyesuaian dan peningkatan model agar lebih akurat dalam memprediksi kejadian pada
variabel dependen.
Variabel Independen:
a. Variabel CAR: Probabilitas sebesar 0.0050 (kurang dari 0.05), sehingga koefisien
CAR dianggap signifikan secara statistik pada tingkat signifikansi 0.05. Nilai
koefisien yang positif menunjukkan bahwa peningkatan CAR (Capital Adequacy
Ratio) meningkatkan probabilitas kejadian pada variabel dependen yang ditinjau.
b. Variabel LCR: Probabilitas sebesar 0.0051 (kurang dari 0.05), sehingga koefisien
LCR dianggap signifikan secara statistik pada tingkat signifikansi 0.05. Koefisien
yang positif menunjukkan bahwa peningkatan LCR (Liquidity Coverage Ratio)
berkontribusi pada peningkatan probabilitas kejadian pada variabel dependen.
c. Variabel LDR: Probabilitas sebesar 0.0084 (kurang dari 0.05), sehingga koefisien
LDR dianggap signifikan secara statistik pada tingkat signifikansi 0.05. Koefisien
positif menunjukkan bahwa peningkatan LDR (Loan-to-Deposit Ratio) berdampak
positif terhadap probabilitas kejadian pada variabel dependen.
d. Variabel NSFR: Probabilitas sebesar 0.0011 (kurang dari 0.05), sehingga koefisien
NSFR dianggap signifikan secara statistik pada tingkat signifikansi 0.05. Koefisien
positif menunjukkan bahwa peningkatan NSFR (Net Stable Funding Ratio)
berkontribusi pada peningkatan probabilitas kejadian pada variabel dependen.
e. Variabel NPL: Probabilitas sebesar 0.0469 (kurang dari 0.05), sehingga koefisien
NPL dianggap signifikan secara statistik pada tingkat signifikansi 0.05. Koefisien
positif menunjukkan bahwa peningkatan NPL (Non-Performing Loan) berdampak
positif terhadap probabilitas kejadian pada variabel dependen.
Variabel Kontrol:
f. Variabel SIZE: Probabilitas sebesar 0.0001 (kurang dari 0.05), sehingga koefisien
SIZE dianggap signifikan secara statistik pada tingkat signifikansi 0.05. Koefisien
yang positif menunjukkan bahwa ukuran (SIZE) institusi keuangan memiliki dampak
positif yang signifikan terhadap probabilitas kejadian pada variabel dependen.
g. Variabel GROWTH: Probabilitas sebesar 0.0318 (kurang dari 0.05), sehingga
koefisien GROWTH dianggap signifikan secara statistik pada tingkat signifikansi
0.05. Koefisien negatif menunjukkan bahwa peningkatan pertumbuhan (GROWTH)
memiliki dampak negatif yang signifikan terhadap probabilitas kejadian pada variabel
dependen.
h. Variabel ROA: Probabilitas sebesar 0.0004 (kurang dari 0.05), sehingga koefisien
ROA dianggap signifikan secara statistik pada tingkat signifikansi 0.05. Koefisien
positif menunjukkan bahwa tingkat pengembalian aset (ROA) memiliki dampak
positif yang signifikan terhadap probabilitas kejadian pada variabel dependen.
4. Analisis
Estimasi yang telah dilakukan menunjukkan bahwa Capital Adequancy Ratio,
Liquidity Coverage Ratio, Loan to Deposit Ratio, Net Stable Funding Ratio, Non
performing Loan memiliki pengaruh yang signifikan terhadap Survival Likelihood Bank
umum di Indonesia. Selain itu, adanya variabel kontrol mampu meningkatkan Mc-Faden
R-squared dimana tingkat Mc-Faden R-squared sebesar 0.9473 atau 94.73% artinya
seluruh variabel independen dan kontrol mampu menjelaskan pengaruhnya terhadap
Survival Likelihood Bank sebesar 94.73% sedangkan 6.27% lainya dipengaruhi oleh
variabel lain yang tidak diestimasi pada model ini.
LR statistik digunakan untuk melihat uji simultan dari regresi logistik yang telah
dilakukan. Dimana tingkat prob (LR statistic) sebesar 0.000 artinya secara simultan
seluruh variabel independen maupun variabel kontrol berpengaruh signifikan terhadap
Survival Likelihood Bank.