38
3.5.3. Hosmer and Lemeshow’s Goodness of Fit Test
Hosmer and Lemeshow’s Goodness of Fit Test dilakukan untuk
menguji kelayakan model regresi bahwa data empiris cocok atau sesuai dengan model. Hosmer and Lemeshow’s Goodness of Fit Test memastikan
tidak ada perbedaan antara model dengan data atau data empiris cocok dengan model yang digunakan. Ghozali 2011:341 menyatakan,
Jika nilai Statistics Hosmer and Lemeshow Goodness of Fit lebih besar dari 0.05, maka hipotesis nol tidak dapat ditolak dan berarti
model mampu memprediksi nilai observasinya atau dapat dikatakan model dapat diterima karena cocok dengan data
observasinya.
Pada pengujian model menggunakan regresi logistik, hasil yang diharapkan adalah untuk tidak menolak hipotesis nol karena penolakan
hipotesis nol berarti ada perbedaan signifikan antara model dengan nilai observasinya sehingga Goodness fit model tidak baik karena model tidak
dapat memprediksi nilai observasinya. Nilai statistik yang lebih besar dari α = 0,05 berarti model mampu
memprediksi nilai observasinya sehingga model dinyatakan fit. Sebaliknya nilai statistik yang lebih kecil dari α = 0,05 berarti model tidak mampu
memprediksi nilai observasinya sehingga model dinyatakan tidak fit untuk digunakan dalam penelitian.
3.5.4. Nagelkerke’s R Square
Nagelkerke’s R Square merupakan modifikasi dari koefisien Cox
and Snell’s R Square untuk memastikan bahwa nilainya bervariasi dari 0
39
sampai 1. Hal ini dilakukan dengan cara membagi nilai Cox and Snell’s R Square
dengan nilai maksimumnya. Ghozali 2011:341 menyatakan, “Nilai Nagelkerke’s R Square
dapat diinterpretasikan seperti nilai R
2
pada multiple regression.” Kemudian Ghozali 2011:97 juga menjelaskan arti nilai koefisien
determinasi R
2
yaitu, “Nilai yang mendekati satu berarti variabel-variabel independen memberikan hampir semua informasi yang dibutuhkan untuk
memprediksi variasi variabel dependen.” Nilai yang mendekati satu berarti variabel independen memberikan
hampir semua informasi yang dibutuhkan untuk memprediksi variasi variabel dependen. Nilai yang kecil berarti kemampuan variabel
independen dalam menjelaskan variasi variabel dependen sangat terbatas.
3.5.5. Maximum Likelihood Estimation