57 = 0
– block Number = 1 menunjukkan model regresi yang baik. Nilai -2 Log Likelihood -2LL Block Number = 0 dapat dilihat pada tabel 4.6 sebagai berikut.
Tabel 4.6 Hasil Uji
Overall Fit Model -2 Log Likelihood Awal
Iteration History
a,b,c
Iteration -2 Log likelihood
Coefficients Constant
Step 0 1
109.650 -.250
2 109.650
-.251 3
109.650 -.251
a. Constant is included in the model. b. Initial -2 Log Likelihood: 109.650
c. Estimation terminated at iteration number 3 because parameter estimates changed by less than
.001.
Sumber : Hasil Output SPSS
Nilai -2 Log Likehood -2LL Block number = 1dapat dilihat pada tabel 4.7 sebagai berikut.
Tabel 4.7 Hasil Uji
Overall Fit Model -2 Log Likelihood Akhir
Iteration History
a,b,c,d
Iteration -2 Log likelihood
Coefficients Constant
SPEC1 TENYRS
ALAG NPMR
Step 1 1
89.531 -3.175
1.367 -.137
.028 -.001
2 88.778
-4.168 1.589
-.154 .038
-.002 3
88.767 -4.315
1.616 -.155
.040 -.002
4 88.767
-4.318 1.617
-.155 .040
-.002 5
88.767 -4.318
1.617 -.155
.040 -.002
a. Method: Enter b. Constant is included in the model.
c. Initial -2 Log Likelihood: 109.650 d. Estimation terminated at iteration number 5 because parameter estimates changed by less than
.001.
Sumber : Hasil Output SPSS
Universitas Sumatera Utara
58 Pada tabel 4.6 dan 4.7 terlihat bahwa angka -2 LL Block Number = 0
adalah 109,650. Dari model tersebut ternyata overall model fit pada -2LL Block Number = 0 menunjukan adanya penurunan pada -2LL Block Number = 1 sebesar
20,883. Penurunan Likehood ini menunjukan bahwa keseluruhan model regresi logistik yang digunakan merupakan model yang baik atau dengan kata lain model
yang dihipotesiskan fit dengan data. Penurunan nilai Log Likehood menunjukan model regresi yang semakin baik.
4.2.3.2 Menguji Kelayakan Model Regresi
Menilai kelayakan model regresi dilakukan dengan menilai nilai signifikan pada tabel Hosmer and Lemeshow Goodness of FitTest. Model dikatakan mampu
memprediksi nilai observasi karena cocok dengan data observasinya apabila nilai Hosmer and Lemeshow Goodness of FitTest 0,05 Ghozali,2011.
Tabel 4.8 Hosmer and Lemeshow Test
Step Chi-square
df Sig.
1 9.197
8 .326
Sumber : Hasil Output SPSS Contingency Table for Hosmer and Lemeshow Test
GCAO = Non Going Concern Audit Opinion
GCAO = Going Concern Audit Opinion
Total Observed
Expected Observed
Expected Step 1
1 8
7.203 .797
8 2
7 6.798
1 1.202
8 3
6 6.338
2 1.662
8 4
6 5.845
2 2.155
8 5
6 4.850
2 3.150
8 6
1 3.862
7 4.138
8
Universitas Sumatera Utara
59
7 2
3.476 6
4.524 8
8 3
3.082 5
4.918 8
9 4
2.409 4
5.591 8
10 2
1.139 6
6.861 8
Sumber : Hasil Output SPSS
Dari tampilan tabel Hosmer and Lemeshow di atas pada tabel 4.8 ditunjukan bahwa besarnya nilai statistik Hosmer and Lemeshow Goodness of Fit
Chi-square sebesar 9,197 dengan probabilitas signifikansi 0,326 dimana 0,326 0,05 maka hipotesis nol tidak dapat ditolak H0 diterima. Hal ini berarti model
regresi yang dipergunakan dalam penelitian ini layak dipakai untuk analisis selanjutnya, karena tidak ada perbedaan yang nyata antara klasifikasi yang
diprediksi dan klasifikasi yang diamati.
4.2.3.3 Koefisien Determinasi
Besarnya nilai koefisien determinasi pada model regresi logistik ditunjukkan oleh nilai Cox Snell R Square dan Nagelkerke R Square. Cox Snell R Square
merupakan ukuran yang mencoba meniru ukuran R2 pada multiple regression sehingga sulit diintepretasikan. Kelemahan mendasar yang dimiliki adalah bias
terhadap jumlah variabel independen yang dimasukkan kedalam model. Setiap tambahan satu variabel independen, maka baik nilai R2 maupun Cox Snell R
Square akan mengalami peningkatan tidak peduli apakah variabel tersebut berpengaruh atau tidak berpengaruh secara signifikan terhadap variabel dependen.
Oleh karena itu, Nagelkerke R Square digunakan dalam mengevaluasi mana model regresi yang terbaik karena nilai yang dihasilkan dapat naik atau turun apabila satu
variabel independen ditambahkan kedalam model Ghozali, 2011.
Universitas Sumatera Utara
60
Tabel 4.9 Nagelkerke R Square
Model Summary
Step -2 Log likelihood
Cox Snell R Square
Nagelkerke R Square
1 88.767
a
.230 .308
a. Estimation terminated at iteration number 5 because parameter estimates changed by less than .001.
Sumber : Hasil Output SPSS
Tabel 4.9 di atas menunjukkan nilai Nagelkerke R Square adalah sebesar 0,308 yang berarti variabilitas variabel dependen yang dapat dijelaskan oleh
variabel independen adalah sebesar 30,8 , sisanya sebesar 69,2 100- 30,8 dijelaskan variabilitas variabel-variabel lain di luar model penelitian.
4.2.3.4 Matriks Klasifikasi
Matriks klasifikasi akan menunjukkan kekuatan prediksi dari model regresi untuk memprediksi kemungkinan penerimaan opini audit going concern
pada auditee. Tabel 4.10
Matriks Klasifikasi
Classification Table
a,b
Observed Predicted
GCAO Percentage
Correct Non Going
Concern Audit Opinion
Going Concern Audit Opinion
Step 0 GCAO Non Going Concern Audit
Opinion 45
100.0 Going Concern Audit
Opinion 35
.0 Overall Percentage
56.3 a. Constant is included in the model.
Universitas Sumatera Utara
61
b. The cut value is .500
Classification Table
a
Observed Predicted
GCAO Percentage
Correct Non Going
Concern Audit Opinion
Going Concern Audit Opinion
Step 1 GCAO Non Going Concern Audit
Opinion 33
12 73.3
Going Concern Audit Opinion
9 26
74.3 Overall Percentage
73.8 a. The cut value is .500
Sumber : Hasil Output SPSS
Kekuatan prediksi dari model regresi untuk memprediksi kemungkinan perusahaan menerima opini going concern adalah sebesar 74,3. Hal ini
menunjukkan bahwa dengan menggunakan model regresi yang digunakan, terdapat sebanyak 26 perusahaan 74,3 yang diprediksi akan menerima opini
going concern dari total 35 perusahaan yang menerima opini going concern. Kekuatan prediksi dari model regresi untuk memprediksi kemungkinan
perusahaan menerima opini non going concern adalah 73,3. Hal ini berarti bahwa dengan model regresi tersebut, terdapat sebanyak 33 perusahaan 73,3
yang diprediksi menerima opini non going concern dari total 45 perusahaan yang menerima opini non going concern.
Universitas Sumatera Utara
62
4.3 Pembahasan Hasil Penelitian
