dan uji heterokedastisitas pada variabel bebasnya Ghozali, 2006. Uji asumsi klasik yang digunakan hanya uji multikoloniearitas dan uji
autokorelasi. Regresi logistik tidak memerlukan pengujian normalitas data karena variabel independennya merupakan campuran antara variabel
kontinyu metrik dan kategorial non-metrik sehingga tidak berdistribusi normal Ghozali, 2006: 225. Regresi logistik juga mengabaikan uji
heterokedastisitas karena variabel dependen tidak memerlukan homokedastisitas untuk variabel independennya Gujarati, 2003.
a. Uji Multikoloniearitas
Uji Multikoloniearitas bertujuan untuk menguji apakah dalam model regresi ditemukan adanya korelasi antar variabel independen
Gozali, 2006: 91. Model regresi yang baik adalah tidak adanya gejala korelasi yang kuat antara variabel bebas independen.
Untuk mendeteksi ada atau tidaknya multikoloniearitas dalam penelitian ini, maka akan dilihat dari nilai
tolerance dan Variance Inflation Factor VIF. Jika nilai VIF 10 maka dapat dikatakan
terjadi multikoloniearitas, yaitu terjadi hubungan yang cukup besar antara variabel-variabel bebas. Jika angka
tolerance mempunyai angka 0,10, maka variabel tersebut tidak mempunyai masalah
multikoloniearitas dengan variabel bebas lainnya.
Universitas Sumatera Utara
b. Uji Autokorelasi
Uji ini digunakan untuk menguji apakah dalam model regresi logistik terdapat korelasi antara kesalahan pengganggu pada periode t
saat ini dengan kesalahan pengganggu pada periode t-1 atau tahun sebelumnya Ghozali, 2006: 95. Hal ini sering ditemukan pada data
time series karena gangguan pada seorang individu atau kelompok pada periode sebelumnya cenderung mempengaruhi gangguan pada
individu ataupun kelompok pada periode berikutnya. Model regresi yang baik adalah regresi yang bebas dari autokorelasi.
Untuk mendeteksi adanya autokorelasi maka dilihat dari uji run
test. Run test dapat digunakan untuk menguji apakah antar residual terdapat korelasi yang tinggi. Bila hasil output SPSS menunjukkan
probabilitas signifikansi dibawah 0,05 maka disimpulkan terdapat gejala autokorelasi pada model regresi tersebut. Jika antar residual
tidak terdapat hubungan korelasi maka residual adalah acak atau
random.
3.5.3 Pengujian Model
Pengujian model untuk penelitian ini adalah :
a. Menilai Model Fit dan Keseluruhan Model Overall Model Fit
Statistik yang digunakan adalah berdasarkan pada fungsi Likelihood. Likelihood L dari model adalah probabilitas bahwa
Universitas Sumatera Utara
model yang dihipotesiskan menggambarkan data input. Hipotesis yang
digunakan untuk menilai model fit adalah:
H0 : Model yang dihipotesiskan fit dengan data Ha :
Model yang dihipotesiskan tidak fit dengan data
Agar model fit dengan data, maka H0 harus diterima dan Ha ditolak. Untuk menguji hipotesis nol dan hipotesis alternatif, L
ditransformasikan menjadi -2LogL. Adanya pengurangan nilai antara - 2LogL awal initial -2LL
function dengan nilai -2LogL pada langkah berikutnya menunjukkan bahwa model yang dihipotesiskan
fit dengan data Ghozali, 2006.
Log Likelihood pada regresi logistik mirip dengan pengertian
Sum of Square Error pada model regresi, sehingga penurunan
Log Likelihood menunjukkan model regresi yang semakin baik.
b. Menilai Kelayakan Model Regresi
Kelayakan model regresi dinilai dengan menggunakan Hosmer
and Lemeshow’s Goodness of Fit Test. Model ini digunakan untuk menguji hipotesis nol bahwa data empiris sesuai dengan model tidak
ada perbedaaan antara model dengan data sehingga model dapat dikatakan fit. Hipotesis untuk menilai kelayakan model regresi
adalah: H0 : Tidak ada perbedaan antara model dengan data
Ha : Ada perbedaan antara model dengan data
Universitas Sumatera Utara
Jika nilai statistik Hosmer and Lemeshow’s Goodness of Fit
Test sama dengan atau kurang dari 0,05 maka hipotesis nol ditolak. Jika nilai statistik
Hosmer and Lemeshow Goodness of Fit Test lebih besar dari pada 0,05 maka hipotesis nol tidak dapat ditolak dan berarti
model mampu memprediksi nilai observasinya atau dapat dikatakan model dapat diterima karena sesuai dengan data observasinya
Ghozali, 2006.
c. Koefisien Determinasi
