i
PRIOP, Debt Default DEF dan Opinion Shopping OS ternyata tidak signifikan pada alpha
α 5 yang berarti hipotesis nol tidak dapat ditolak dan model fit dengan data.
Output SPSS menunjukkan selsisih kedua -2LogL sebesar 25,556 49,485-23,929 atau terjadi penurunan nilai -2LogL sebesar 25,556. 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. Log Likelihood pada regresi logistik mirip dengan pengertian “ Sum of Squere
Error” pada model regresi, sehingga penurunan nilai Log Likelhood menunjukkan model regresi yang semakin baik.
b. Menilai Kelayakan Model Regresi
Analisis selanjutnya yang dilakukan adalah menilai kelayakan model regresi logistik yang akan digunakan. Pengujian kelayakan model regresi
logistik dilakukan dengan menggunakan Hosmer and Lemeshow’s Goodness of Fit Test yang diukur dengan nilai Chi-Square. Probabilitas signifikansi yang
diperoleh kemudian dibandingkan dengan tingkat signifikansi α 5. Hipotesis untuk menilai kelayakan model regresi.
Ho : Tidak ada perbedaan antara model dengan data Ha : Ada perbedaan antara model dengan data
Universitas Sumatera Utara
i
Tabel 4.3 Tabel
Hosmer and Lemeshaow Test
Hosmer and Lemeshow Test
Step Chi-square
df Sig.
1 .000
6 1.000
Tabel di atas menunjukkan hasil pengujian Hosmer and Lemeshow. Dengan probabilitas signifikansi menunjukkan angka 1,000, nilai signifikansi yang
diperoleh ini jauh lebih besar dari pada 0,05 α 5, maka H0 tidak dapat ditolak didukung. 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 memprediksi nilai observasinya.
c. Koefisien Determinasi
Koefisien determinasi digunakan untuk mengetahui seberapa besar variabilitas variabel-variabel independen mampu memperjelas variabilitas
variabel dependen. Koefisien determinasi pada regresi logistik dapat dilihat pada nilai Nagelkerke R Square. Nilai Nagelkerke R Square dapat
diinterpretasikan seperti nilai R Square pada multiple regression Ghozali, 2006 : 233. Nilai ini didapat dengan cara membagi nilai Cox Snell R Square
dengan nilai maksimumnya.
Universitas Sumatera Utara
i
Tabel 4.4 Tabel
Nagelkerke R Square
Tabel di atas menunjukkan nilai Nagelkerke R Square. Dilihat dari hasil output pengolahan data nilai Nagelkerke R Square adalah sebesar 0,652 yang berarti
variabilitas variabel dependen yang dapat dijelaskan oleh variabel independen adalah sebesar 65,2, sisanya sebesar 34,8 100-65,2 dijelaskan
variabilitas variabel-variabel lain di luar model penelitian.
Model Summary
Step -2 Log likelihood
Cox Snell R Square
Nagelkerke R Square
1 23.929
a
.441 .652
a. Estimation terminated at iteration number 20 because maximum iterations has been reached. Final solution cannot
be found.
Universitas Sumatera Utara
i
d. Matriks klasifikasi
