a. Menilai Keseluruhan Model Overall Model Fit
Pengujian overall model fit dilakukan untuk mengetahui apakah model yang dihipotesiskan fit dengan data atau tidak. Pengujian ini dilakukan dengan
membandingkan nilai antara -2 Log Likehood -2LL pada awal dengan nilai -2 Log Likehood -2LL pada akhir. Jika terjadi penurunan nilai antara -2LL awal
dengan nilai -2LL akhir berarti model yang dihipotesiskan fit dengan data dan jika tidak terjadi penurunan nilai antara -2LL awal dengan nilai -2LL akhir berarti
model yang dihipotesiskan tidak fit dengan data.
Tabel 4.5. Perbandingan Nilai -2LL Awal dengan -2LL Akhir
Model 1 -2 Log Likehood -2LL awal
37,399 -2 Log Likehood -2LL akhir
29,939 Model 2
-2 Log Likehood -2LL awal 114,151
-2 Log Likehood -2LL akhir 93,943
Sumber: Data sekunder yang diolah tahun 2016 pada lampiran 14
Berdasarkan Tabel 4.5 di atas menunjukkan bahwa pada model 1 awal sebelum dimasukkan variabel independen nilai -2 Log Likehood sebesar 37,399.
Sedangkan setelah dimasukkan variabel independen baru maka nilai -2 Log Likehood turun menjadi 29,939 atau terjadi penurunan sebesar 7,460. Kemudian
pada model 2 awal sebelum dimasukkan variabel independen nilai -2 Log Likehood sebesar 114,151. Sedangkan setelah dimasukkan variabel independen
baru maka nilai -2 Log Likehood turun menjadi 93,943 atau terjadi penurunan sebesar 20,208. Adanya penurunan pada nilai -2 Log Likehood meunjukkan
model regresi yang baik atau dengan kata lain model dengan variabel independen
memberikan akurasi yang lebih baik untuk memprediksi pergantian KAP. Hal ini berarti hipotesis nol dapat diterima dan menunjukan bahwa model fit dengan data.
b. Koefisien Determinasi Nagelkerke R Square
Koefisien determinasi R
2
mengukur seberapa jauh kemampuan model dalam menerangkan variasi variabel dependen. Nilai R
2
yang kecil menunjukkan kemampuan variabel-variabel independen dalam menjelaskan variasi variabel
dependen sangat terbatas. Sedangkan nilai yang mendekati satu berarti variabelvariabel independen memberikan hampir semua informasi yang
dibutuhkan untuk memprediksi variasi variabel dependen Ghozali, 2011:97.
Tabel 4.6. Tabel Nagelkerke’s R
2
McFadden Cox and Snell
Nagelkerke Model 1
,033 ,062
,072 Model 2
,089 ,160
,186 Sumber: Data sekunder yang diolah tahun 2016 pada lampiran 15
Berdasarkan Tabel 4.6 pada model 1 nilai Cox Snell R Square sebesar 0,062 dan nilai Nagelkerke R Square adalah 0,072. Hal ini berarti bahwa variabel
dependen yang dapat dijelaskan oleh variabel-variabel independen pada model 1 dalam penelitian ini adalah sebesar 7,2, prosentase ini lebih besar dari
prosentase penelitian sebelumnya milik Merawati dkk. 2013 yang memperoleh R Square sebesar 4,7. Artinya telah terjadi kenaikan sebesar 2,5 pada
prosentasi R Square penelitian ini dengan penelitian sebelumnya. Sedangkan sisanya sebesar 92,8 dijelaskan oleh variabel-variabel lain di luar model
penelitian ini. Kemudian pada model 2 nilai Cox Snell R Square sebesar 0,160 dan nilai Nagelkerke R Square adalah 0,186. Hal ini berarti bahwa variabel
dependen yang dapat dijelaskan oleh variabel-variabel independen yang dipengaruhi variabel moderasi pada model 2 dalam penelitian ini adalah sebesar
18,6, prosentase ini lebih besar dari prosentase penelitian sebelumnya milik Merawati dkk. 2013 yang memperoleh R Square sebesar 15,8. Artinya telah
terjadi kenaikan sebesar 2,8 pada prosentasi R Square penelitian ini dengan penelitian sebelumnya. Sedangkan sisanya sebesar 81,4 dijelaskan oleh
variabel-variabel lain di luar model penelitian ini.
c. Menguji Kelayakan Model Regresi