37 diperkirakan dari sampel. Standar deviasi digunakan untuk menilai penyebaran
rata-rata dari sampel. Maksimum-minimum digunakan untuk melihat nilai minimum dan maksimum dari populasi. Hal ini perlu dilakukan untuk melihat
gambaran keseluruhan dari sampel yang berhasil dikumpulkan dan memenuhi syarat untuk dijadikan sampel penelitian.
3.8.1.2 Uji Multikolinieritas
Model regresi logistik tidak memerlukan uji asumsi klasik, sebab variabel terikat dari penelitian ini bersifat dikatomi. Namun hanya uji multikolinieritas
yang digunakan dalam regresi logistik ini karena lebih mudah untuk dimengerti. Dengan menggunakan uji multikolinieritas ini pengaplikasiannya adalah dengan
melihat matrik korelasi antar variabel independen, tidak adanya gejala korelasi yang kuat di antara variabel bebasnya. Jika tidak ada nilai koefisien korelasi antar
variabel yang nilainya lebih besar dari 0,8, maka tidak terjadi korelasi yang kuat antar variabel independen. Namun jika variabel independen saling berkorelasi,
maka variabel-variabel ini tidak ortogonal. Variabel ortogonal adalah variabel independen sama dengan 0.
3.8.2 Pengujian Model Regresi Logistik
Setelah pengujian data, maka akan terdapat model data yang akan diuji dengan empat cara yaitu:
3.8.2.1 Menilai Keseluruhan Model Overall Model Fit
38 Langkah pertama adalah menilai overall fit model terhadap data. Beberapa
test statistik diberikan untuk menilai hal ini. Hipotesis untuk menilai model fit adalah:
H
0:
Model yang dihipotesiskan fit dengan data
H
A:
Model yang dihipotesiskan tidak fit dengan data Dari hipotesis ini jelas bahwa kita tidak akan menolak hipotesis 0 agar
model fit dengan data. Statistik yang digunakan berdasarkan pada fungsi likelihood. Likelohood L dari model adalah probabilitas bahwa model yang
dihipotesiskan menggambarkan data input. Untuk menguji hipotesis nol dan alternatif, L ditransformasikan menjadi -2LogL. Penurunan likelihood -2LL
menunjukkan model regresi yang lebih baik atau dengan kata lain model yang dihipotesiskan fit dengan data.
3.8.2.2 Menguji Kelayakan Model Regresi
Kelayakan model regresi dinilai dengan menggunakan Hosmer and Lemeshow’s Goodness of Fit Test. Hosmer and Lemeshow’s Goodness of Fit Test
menguji hipotesis nol bahwa data empiris cocok atau sesuai dengan model tidak ada perbedaan antara model dengan data sehingga model dapat dikatakan fit. Jika
nilai statistik Hosmer and Lemeshow’s Goodness of Fit Test sama dengan atau kurang dari 0,05, maka hipotesis nol ditolak yang berarti ada perbedaan signifikan
anatar model dengan nilai observasinya sehingaa Goodness fit model tidak baik karena model tidak dapat memprediksi nilai observasinya.
Jika nilai statistik Hosmer and Lemeshow’s Goodness of Fit Test lebih besar dari 0,05, maka hipotesis nol tidak dapat ditolak dan berarti model mampu
39 memprediksi nilai observasinya atau dapat dikatakan model dapat diterima karena
sesuai dengan data observasinya.
3.8.2.3 Matriks Klasifikasi
Matriks klasifikasi menunjukkan kekuatan prediksi dari model regresi untuk memprediksi kemungkinan perpindahan KAP yang dilakukan oleh
perusahaan.
3.8.2.4 Koefisien Determinasi Negelkerke’s R Square
Menurut Ghozali 2006 mengatakan bahwa “cox dan Snell’s R Square merupakan ukuran yang mencoba meniru ukuran R
2
pada multiple regression yang didasarkan pada teknik estimasi likelihood dengan nilai maksimum kurang
dari 1 satu sehingga sulit diinterpretasikan. Negelkerke’s R Square lebih mudah diiterpretasikan daripada Cox dan Snell sehingga untuk memastikan bahwa
nilainya bervariasi variabel dependen dari 0 nol sampai 1 satu yang dapat dijelaskan oleh variabel independen dapat dilihat dari nilai Negelkerke’s R
Square”.
3.8.3 Pengujian Hipotesis Penelitian dengan Omnibus Test of Model
