3.6.3 Uji Model
3.6.3.1 Menilai Kelayakan Model Regresi Goodness of fit
Langkah pertama yang dilakukan adalah menilai kelayakan model regresi. Menurut Ghozali 2006: 233, “model ini menguji
hipotesis nol apakah data empiris yang digunakan sesuai atau cocok dengan model tidak ada perbedaan antara model dan data
empiris sehingga model dapat dikatakan fit”. Untuk menilai Hosmer and Lemeshow’s Goodness of Fit Test:
1. Jika nilai Hosmer and Lemeshow’s Goodness of Fit Test kurang dari atau sama dengan 0.05, maka hipotesis nol ditolak
yang berarti ada perbedaan signifikan antara model dengan nilai observasinya. Sehingga Goodness fit model menjadi tidak
baik karena model tidak dapat memprediksi nilai observasinya. 2. Jika nilai Hosmer and Lemeshow’s Goodness of Fit Test lebih
besar dari 0.05, maka hipotesis nol diterima yang berarti model dapat menjelaskan nilai observasinya atau bisa dikatakan model
dapat diterima karena cocok dengan data observasinya.
3.6.3.2 Menilai Keseluruhan Model Overall Model Fit
Langkah selanjutnya yang dilakukan adalah menilai keseluruhan model terhadap data. Uji ini digunakan untuk menilai
apakah model regresi logistik yang telah digunakan telah fit dengan data atau tidak. Hipotesis untuk menilai model fit adalah:
H0 = Model yang dihipotesiskan fit dengan data
Universitas Sumatera Utara
Ha = Model yang dihipotesiskan tidak fit dengan data Berdasarkan hipotesis tersebut jelas bahwa kita tidak
mungkin menolak hipotesis nol agar model fit dengan data. Statistik yang digunakan berdasarkan pada fungsi Likelihood.
Likelihood L dari model adalah probabilitas bahwa model yang dihipotesiskan menggambarkan data input. Untuk menguji
hipotesis nol dan alternatif, L ditransformasikan menjadi -2 Log L. Memperhatikan angka -2 log likelihood LL pada awal dengan
block number = 0 dan angka -2 log likelihood pada block number = 1. Jika terjadi penurunan angka -2 log likelihoodblock number 0
dikurangi block number 1 menunjukkan model regresi yang baik. Log Likelihood dalam regresi logistik mirip dengan pengertian
“sum of squared error” pada model regresi, sehingga penurunan log likelihood menunjukkan model regresi yang baik Ghozali,
2006: 232.
3.6.3.3 Koefisien Determinasi Negelkerke R Square
Koefisien determinasi digunakan untuk mengetahui seberapa besar variabilitas variabel-variabel independen mampu
memperjelas variabilitas variabel dependen. Nilai koefisien determinasi merupakan modifikasi dari koefisien Nagelkerke untuk
memastikan bahwa nilainya bervariasi dari 0 sampai 1.Hal ini dilakukan dengan cara membagi nilai Nagelkerke R
2
dengan nilai
Universitas Sumatera Utara
maksimumnya. Nilai
Nagelkerke’s R Square dapat
diintrepretasikan seperti nilai R
2
pada multiple regression Ghozali, 2006: 233. Bila nilai R
2
kecil berarti kemampuan variabel independen dalam menjelaskan variabel dependen sangat terbatas.
Sedangkan, jika R
2
mendekati 1 berarti variabel independen dapat memberikan hampir semua informasi yang diperlukan untuk
memprediksi variabel dependen.
3.6.3.4 Matriks Klasifikasi
Matriks klasifikasi menunjukkan
gambaran atas ketepatan model regresi logistik
dalam memprediksi ketepatan waktu timeliness pelaporan keuangan perusahaan yaitu melalui ada atau
tidaknya tepat waktu
.
Pada kolom merupakan dua nilai prediksi dari variabel dependen dalam hal ini konservatif 1 dan optimis 0,
sedangkan pada baris menunjukkan nilai observasi yang sesungguhnya dari variabel dependen konservatif 1 dan optimis
0. Pada model yang sempurna, maka semua kasus akan berada pada diagonal dengan tingkat ketepatan peramalan 100. Dalam
output regresi logistik, angka ini dapat dilihat dari Classification Table Ghozali, 2006: 238.
3.6.4 Pengujian Hipotesis