Analisis Regresi Logistik

4.2.2 Analisis Regresi Logistik

4.2.2.1 Menilai Model Fit

Langkah pertama adalah dengan menilai overall fit model terhadap data yang diteliti (Ghozali, 2009). Untuk menilai overall fit model terhadap data yang diteliti, dapat dilihat dari hasil statistik -2LogL. Hasil mengenai mengenai statistik –2LogL dijelaskan dalam tabel 4.3 yaitu tabel perbandingan -2 Log likelihood awal dan akhir. Berdasarkan tabel 4.3, menunjukkan bahwa nilai -2 Log likelihood (-2LL) untuk model yang hanya memasukan konstanta dan model dengan konstanta dan variabel independen menunjukkan angka 74.192 dan 70.047. Nilai -2 Log likelihood (-2LL) tersebut menunjukkan bahwa model yang hanya memasukan konstanta dan model dengan konstanta dan variabel independen tidak signifikan pada alpha 5% yang berarti bahwa hipotesis nol tidak dapat ditolak sehingga dapat disimpulkan bahwa model fit dengan data.

Selain itu, statistik – 2LogL juga dapat digunakan untuk menentukan apabila variabel independen ditambahkan ke dalam model apakah dapat memperbaiki model fit secara signifikan (Ghozali, 2009). Penilaian mengenai perbaikan model fit dilakukan dengan cara membandingkan nilai antara -2 Log likelihood (-2LL) pada awal (Block Number sama dengan 0), dimana model hanya memasukkan nilai -2 Log likelihood dan juga konstanta, dengan nilai -2 Log likelihood (-2LL) pada akhir (Block Number sama dengan 1), dimana model memasukkan konstanta serta variabel bebas. Nilai -2LL awal sebesar 74,192 dan kemudian setelah dimasukkan kelima variabel independen, maka nilai -2LL akhir menurun menjadi sebesar 70,047. Penurunan nilai -2LL ini menunjukkan bahwa hipotesis nol ditolak yang artinya model regresi dalam penelitian ini adalah model regresi yang baik atau juga dapat dikatakan bahwa model yang dihipotesiskan fit dengan data, serta penambahan variabel independen ke dalam model dapat memperbaiki model fit.

Nilai Cox dan Snell’s R Square dan Nagelkerke R square juga dapat digunakan untuk menilai model fit. Cox dan Snell’s R Square adalah sebuah ukuran yang mencoba

meniru ukuran dari R 2 dalam multiple regression yang berdasarkan pada teknik estimasi likelihood dengan nilai maksimal kurang dari satu sehingga sulit diinterpretasikan

(Ghozali, 2009). Nagelkerke R square merupakan hasil modifikasi dari koefisien Cox dan Snell’s R Square yang digunakan untuk memastikan bahwa nilai bervariasi dari nol (0) sampai satu (1) yang dilakukan dengan cara membagi nilai Cox dan Snell’s R Square dengan nilai maksimalnya. Nilai Nagelkerke R square bisa diinterpretasikan

atau dipandang seperti nilai R 2 pada regresi linier berganda yaitu untuk melakukan uji koefisien determinasi. Berdasarkan hasil pengujian, nilai Nagelkerke R square dalam

penelitian ini adalah sebesar 0,099 yang berarti bahwa variabilitas atau variasi dari variabel dependen dapat dijelaskan oleh variabel independen sebesar 9,9%, sedangkan sisanya sebesar 90,1% variasi variabel dependen dijelaskan oleh variabel-variabel lain berada di luar model penelitian.

Selain cara-cara di atas, model fit dapat pula diuji menggunakan nilai Hosmer and Lemeshow’s Goodness of fit yang mana menggunakan uji hipotesis nol yaitu data empiris yang digunakan dalam penelitian ini sesuai dengan model penelitian (Ghozali, 2009). Apabila nilai Hosmer and Lemeshow signifikan pada alpha 5% atau lebih kecil dari 0.05 maka hipotesi nol akan ditolak dan dapat dikatakan bahwa model tidak fit, begitu pula sebaliknya. Hasil dari uji Hosmer and Lemeshow dijelaskan dalam tabel 4.5. Hasil uji Hosmer and Lemeshow tersebut menunjukkan bahwa nilai signifikansi sebesar 0,672 > 0,05. Dengan demikian model regresi logistik yang diajukan telah memenuhi asumsi Goodness of fit sehingga dapat disimpulkan bahwa model penelitian ini dapat memprediksi nilai observasinya atau juga dapat dikatakan bahwa model penelitian dapat diterima dengan alasan bahwa model penelitian cocok atau fit dengan data observasinya.

Tabel klasisifikasi 2 X 2 menghitung sebuah nilai estimasi yang benar dan juga yang salah (Ghozali, 2009). Pada kolom merupakan dua nilai prediksi dari variabel dependen yaitu perusahaan memperoleh pendapat going concern (1) dan perusahaan memperoleh pendapat non-going concern (0). Sedangkan pada baris menunjukkan nilai pengamatan yang sbenarnya dari variabel dependen perusahaan memperoleh pendapat going concern (1) dan perusahaan memperoleh pendapat non-going concern (0). Pada model penelitian yang sempurna, maka dalam semua kasus akan berada pada diagonal dengan tingkat ketepatan peramalan sebesar 100%. Apabila model logistic mempunyai Tabel klasisifikasi 2 X 2 menghitung sebuah nilai estimasi yang benar dan juga yang salah (Ghozali, 2009). Pada kolom merupakan dua nilai prediksi dari variabel dependen yaitu perusahaan memperoleh pendapat going concern (1) dan perusahaan memperoleh pendapat non-going concern (0). Sedangkan pada baris menunjukkan nilai pengamatan yang sbenarnya dari variabel dependen perusahaan memperoleh pendapat going concern (1) dan perusahaan memperoleh pendapat non-going concern (0). Pada model penelitian yang sempurna, maka dalam semua kasus akan berada pada diagonal dengan tingkat ketepatan peramalan sebesar 100%. Apabila model logistic mempunyai

Berdasarkan tabel klasifikasi, dapat dilihat bahwa kemungkinan perusahaan menerima pendapat going concern adalah sebesar 80,0%. Dari tabel tersebut juga menunjukkan bahwa dengan menggunakan model regresi dalam penelitian ini, terdapat

24 perusahaan diprediksi akan menerima pendapat going concern dari total 30 perusahaan yang menerima pendapat going concern. Sedangkan, kekuatan atas prediksi dari model regresi untuk melakukan prediksi atas kemungkinan perusahaan menerima pendapat non going concern adalah 45,8%. Dari tabel 4.6 juga menunjukkan bahwa dengan model regresi dalam penelitian ini, terdapat 13 perusahaan yang diprediksi menerima pendapat non going concern dari total 24 perusahaan yang menerima pendapat non going concern.

4.2.2.2 Estimasi Parameter dan Interpretasinya

Pengujian simultan berdasarkan pada hasil Omnibus Test of Model Coefficient di mana hasil dari pengujian ini dapat diinterpretasikan seperti nilai uji statistik F pada regresi linier berganda yaitu untuk melakukan uji signifikasi simultan. Pengujian ini dilakukan guna menguji apakah beberapa variabel independen secara bersama-sama berpengaruh terhadap variabel dependen. Apabila pengujian Omnibus Test of Model Coefficient menunjukkan hasil yang signifikan pada alpha 5% atau lebih kecil dari 0,05, maka secara keseluruhan variabel independen dapat dimasukkan dalam model atau dengan kata lain tidak terdapat variabel yang harus dikeluarkan dalam model. Hasil pengujian Omnibus Test of Model Coefficient disajikan dalam tabel 4.7. Hasil pengujian Omnibus Test of Model Coefficient menunjukkan nilai chi-square sebesar 4.145 dengan degree of freedom = 1, dan tingkat signifikansi sebesar 0,042 yang nilainya lebih kecil dari 0,05 (0,042 < 0,05). Hal ini menunjukkan bahwa variabel kualitas audit, pertumbuhan perusahaan, ukuran perusahaan, debt to equity ratio, dan penundaan rapat umum pemegang saham berpengaruh secara bersama-sama terhadap kemungkinan penerimaan pendapat going concern.

Uji hipotesis dalam penelitian ini ingin membuktikan bahwa kualitas audit, pertumbuhan perusahaan, ukuran perusahaan, debt to equity ratio, dan penundaan rapat umum pemegang saham berpengaruh terhadap kemungkinan penerimaan pendapat audit Uji hipotesis dalam penelitian ini ingin membuktikan bahwa kualitas audit, pertumbuhan perusahaan, ukuran perusahaan, debt to equity ratio, dan penundaan rapat umum pemegang saham berpengaruh terhadap kemungkinan penerimaan pendapat audit

hubungan negatif. Dalam penelitian ini, H 5 yang diajukan peneliti adalah hubungan positif yang signifikan, sehingga disimpulkan bahwa H 5 ditolak. Untuk H 1 H 2 H 3 H 4 dalam penelitan ini ditolak karena nilai signifikansi melebihi 0,05. Berdasarkan tabel

4.8, model regresi logistik dapat dinyatakan sebagai berikut: