39
Pengujian dilakukan dengan membandingkan nilai -2LogL -2LL pada awal Block 0 dengan nilai -2LogL pada akhir Block 1. Adanya pengurangan nilai
antara -2LL awal initial -2LL function dengan nilai -2LL pada langkah berikutnya -2LL akhir menunjukkan bahwa model yang dihipotesiskan fit
dengan data Ghozali, 2006. Output SPSS pada tabel 4.2 menunjukkan selisih kedua -2LogL sebesar
48,021 63,449-15,428 atau terjadi penurunan nilai -2LogL sebesar 48,021. Penurunan nilai -2LogL ini dapat diartikan bahwa penambahan variabel bebas ke
dalam model dapat memperbaiki model fit serta menunjukkan model regresi yang lebih baik atau dengan kata lain model yang dihipotesiskan fit dengan data.
4.1.2 Menilai Kelayakan Model Regresi
Analisis selanjutnya yang dilakukan adalah menilai kelayakan model regresi logistik yang akan digunakan. Pengujian kelayakan model regresi dilakukan
dengan menggunakan Hosmer and Lamershow’s Goodness of Fit Test yang diukur dengan nilai Chi-Square, probabilitas signifikan yang diperoleh kemudian
dibandingkan dengan tingkat signifikan α 5. Hipotesis untuk menilai kelayakan model regresi :
H0 : Tidak ada perbedaan antara model dengan data H1 : Ada perbedaan model dengan data
Tabel 4.3 Tabel Hosmer and Lameshow Test
Hosmer and Lemeshow Test
Step Chi-square
Df Sig.
1 3.663
8 .886
Sumber: Hasil pengolahan SPSS 17
40
Tabel diatas menunjukkan hasil pengujian Hosmer and Lameshow. Dengan probabilitas signifikan yang menunjukkan angka 0,886, nilai signifikan
yang diperoleh ini jauh lebih besar dari pada 0,05 α 5. Hal ini berarti model regresi layak untuk digunakan dalam analisis selanjutnya, karena tidak ada
perbedaan yang nyata antara klasifikasi yang diprediksi dengan klasifikasi yang diamati, atau dapat dikatakan bahwa model mampu mengamati nilai observasinya.
4.1.3 Koefisien Determinasi
Koefisien determinasi digunakan untuk mengetahui seberapa besar variabilitas variabel-variabel independen mampu memperjelas varabilitas variabel
dependen. Koefisien determinasi pada regresi logistik dapat dilihat pada nilai Nagelkerke R Square. Nilai Nagelkerke R Square dapat diintepretasikan seperti
nilai R Square pada regresi berganda Ghozali, 2006. Nilai ini didapat dengan
cara membagi nilai Cox Snell R Square dengan nilai maksimumnya. Tabel 4.4
Tabel Nagelkerke R Square
Model Summary
Step -2 Log likelihood
Cox Snell R Square
Nagelkerke R Square
1 15.428
a
.610 .857
a. Estimation terminated at iteration number 7 because parameter estimates changed by less than ,001.
Sumber: Hasil pengolahan SPSS 17 Tabel diatas menunjukkan nilai Nagelkerke R Square, dilihat dari hasil output
pengolahan data nilai Nagelkerke R Square adalah sebesar 0,857 yang berarti variabilitas variabel dependen dapat dijelaskan oleh variabel independen adalah
41
sebesar 85,7 sisanya sebesar 14,3 100-85,7 dijelaskan variabilitas variabel-variabel lain diluar model penelitian.
4.1.4 Matrik Klasifikasi