33 0,05 maka disimpulkan terdapat gejala autokorelasi pada model regresi
tersebut Ghozali, 2012:121.
3.6.3 Pengujian Model 3.6.3.1 Menilai Model Fit dan Keseluruhan Model Overall Model
Fit
Langkah pertama adalah menilai overall fit model terhadap data. Hipotesis untuk menilai model fit adalah:
H : Model yang dihipotesiskan fit dengan data
H
a
: Model yang dihipotesiskan tidak fit dengan data Agar model fit dengan data maka H0 diterima dan Ha ditolak. Statistik
yang digunakan berdasarkan pada fungsi likelihood. Likehood L dari model adalah probabilitas bahwa model yang dihipotesiskan
menggambarkan data input. Untuk menguji hipotesis nol dan alternatif, L ditransformasikan menjadi -
2LogL. Dengan alpha α 5, cara menilai model fit ini adalah sebagai berikut Ghozali, 2012:341:
a. Jika nilai -2LogL 0,05 maka H0 diterima dan Ha ditolak, yang berarti bahwa model fit dengan data.
b. Jika nilai -2LogL 0,05 maka H0 ditolak dan Ha diterima, yang berarti bahwa model tidak fit dengan data.
Adanya pengurangan nilai antara -2LogL awal dengan nilai -2LogL akhir menunjukkan bahwa model yang dihipotesiskan fit dengan data.
Ghozali, 2012:341.
Universitas Sumatera Utara
34
3.6.3.2 Menilai Kelayakan Model Regresi
Kelayakan model regresi dapat diuji dengan Hosmer and Lemeshow’s Goodness of Fit Test. Model ini bertujuan untuk menguji
hipotesis bahwa data empiris cocok atau sesuai dengan model tidak ada perbedaan antaramodel dengan data sehingga model dapat dikatakan
fit. Hipotesis untuk menilai kelayakan model regresi adalah:
H : Tidak ada perbedaan model dengan data
H
a
: Ada perbedaan model dengan data Jika nilai
Hosmer and Lemeshow’s Goodness of Fit Test sama dengan atau kurang dari 0,05, maka H0 ditolak yang berarti ada
perbedaan signifikan antara model dengan nilai observasinya sehingga Goodness Fit
model tidak baik karena model tidak dapat memprediksi nilai observasinya. Jika nilai
Hosmer and Lemeshow’s Goodness of Fit Test
lebih besar dari 0,05 maka H0 tidak dapat ditolak dan berarti model mampu memprediksi nilai observasinya atau dapat dikatakan
model dapat diterima karena cocok dengan data observasinya Ghozali, 2012:341.
3.6.3.3 Koefisien Determinasi
Koefisien determinasi digunakan untuk mengukur seberapa besar variabilitas variabel independen mampu memperjelas variabilitas
variabel dependen. Koefisien determinasi pada regresi logistik dapat dilihat pada nilai Nagelkarke R Square. Nilai Koefisien determinasi
Universitas Sumatera Utara
35 dapat diinterprestasikan seperti nilai R Square pada multiple regression.
Bila nilai Nagelkarke R Square kecil berarti kemampuan variable independen dalam menjelaskan variabel dependen sangat terbatas.
Sedangkan jika Nagelkarke R Square mendekati 1 berarti variable independen dapat memberikan hampir semua informasi yang
diperlukan untuk memprediksi variabel dependen Ghozali, 2012:341.
3.6.3.4 Matriks Klasifikasi
Matriks klasifikasi akan menunjukkan kekuatan prediksi dari model regresi untuk memprediksi kemungkinan penerimaan opini audit
going concern pada auditee. Dalam output regresi logistik, angka ini
dapat dilihat pada Classification Table Ghozali, 2012:342.
3.6.4 Pengujian Hipotesis