Ha: 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.
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:
H0: Tidak ada perbedaan model dengan data Ha: Ada perbedaan model dengan data
Universitas Sumatera Utara
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. 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 dapat
diinterprestasikan seperti nilai R Square pada multiple regression. Bila nilai Nagelkarke R Square kecil berarti kemampuan variabel
independen dalam menjelaskan variabel dependen sangat terbatas. Sedangkan jika Nagelkarke R Square mendekati 1 berarti variabel
independen dapat memberikan hampir semua informasi yang diperlukan untuk memprediksi variabel dependen Ghozali, 2012:341.
4. Matriks Klasifikasi
Matriks klasifikasi akan menunjukkan kekuatan prediksi dari model regresi untuk memprediksi kemungkinan penerimaan opini audit going
Universitas Sumatera Utara
concern pada auditee. Dalam output regresi logistik, angka ini dapat
dilihat pada Classification Table Ghozali, 2012:342.
3.5.4 Pengujian Hipotesis