Tabel 4.10 menunjukkan perbandingan antara nilai -2LL awal dengan -2LL akhir. Perhatikan angka -2LL, pada -2LL awal Block
Number = 0 dengan nilai 179,491 sedangkan pada -2LL akhir Block
Number = 1 yang mengalami penurunan menjadi 37,193. Penurunan -2
Log Likelihood ini menunjukkan model regresi yang lebih baik atau
dengan kata lain model yang dihipotesiskan fit dengan data.
4. Koefisien Determinasi Tabel 4.11
Tabel Variabilitas Variabel Dependen dengan Varibel Independen
Nagelkerke R Square Step
-2 Log likelihood Cox Snell R
Square Nagelkerke R
Square
1 37.193
.666 .889
Tabel 4.11 menunjukkan nilai Nagelkerke R Square. Nilai Nagelkerke R Square
dapat diinterpretasikan seperti nilai R Square pada regresi berganda Ghozali, 2006. Dilihat dari hasil output pengolahan data
nilai Nagelkerke R Square adalah sebesar 0,889 yang berarti variabilitas variabel dependen yang dapat dijelaskan oleh variabel independen adalah
sebesar 88,9 persen, sisanya 11,1 dijelaskan oleh variabel-variabel lain di luar model penelitian seperti kualitas audit yang dilakukan oleh
Setyarno 2006, opinion shopping yang dilakukan oleh Praptitorini 2007, dan ukuran perusahaan size firm yang dilakukan oleh Arga Fajar
2007.
5. Menguji Multikolinearitas
Regresi yang baik adalah regresi dengan tidak adanya gejala korelasi yang kuat antara variabel bebasnya. Pengujian multikolinearitas
menggunakan matrik korelasi antar variabel bebas untuk melihat besarnya korelasi antar variabel bebas untuk melihat besarnya korelasi antar
variabel independen di dalam penelitian ini Z-Score 1968, SALGR, DEBT, PRIOP. Tabel 4.12 menunjukkan korelasi antar variabel
independen di dalam penelitian ini. Matrik korelasi di atas menunjukkan tidak adanya gejala multikolinearitas yang serius antar variabel bebas
masih jauh di bawah 0,8.
Tabel 4.12 Tabel Matrik Korelasi
Constant Z-Score
SALGR DEBT PRIOP
Constant
1.000 -.836
.061 -.431
-.611
Z-Score -.836
1.000 -.104
.258 .248
SALGR
.061 -.104
1.000 .162
-.139
DEBT -.431
.258 .162
1.000 .233
Step 1
PRIOP
-.611 .248
-.139 .233
1.000
6. Matriks Klasifikasi
Matrik klasifikasikan akan menunjukkan kekuatan prediksi dari model regresi untuk memprediksi kemungkinan penerimaan opini audit
going concern pada auditee.
Tabel 4.13 Tabel Matrik Klasifikasi
Prediksi Opini
Observasi NGCAO
GCAO Persentase
NGCAO
58 4
93.5
Step 1 Opini GCAO
3 65
95.6
a. The cut value is ,500
94.6
Prediksi Opini
Observasi NGCAO
GCAO Persentase
NGCAO
58 4
93.5
Step 1 Opini GCAO
3 65
95.6
a. The cut value is ,500
94.6
Tabel 4.13 menunjukkan kekuatan prediksi dari model regresi untuk memprediksi kemungkinan penerimaan opini audit going concern
pada laporan keuangan auditee adalah sebesar 95,6 persen. Hal ini berarti bahwa dengan menggunakan model regresi yang diajukan ada 65 laporan
keuangan auditee 95,6 yang diprediksi akan menerima opini audit going concern
GCAO dari total 68 laporan keuangan auditee yang menerima opini audit going concern. Kekuatan prediksi model untuk
penerima opini audit non going concern adalah sebesar 93,5 persen, yang berarti bahwa dengan model regresi yang diajukan ada 58 laporan
keuangan auditee 93,5 yang diprediksi akan menerima opini audit non going concern
NGCAO dari total 64 laporan keuangan auditee yang menerima laporan audit non going concern.
7. Menguji Koefisien Regresi Tabel 4.14 Tabel Uji Koefisien Regresi
