-2LogL untuk model dengan konstanta dan variabel bebas yaitu opinion shopping RS, reputasi auditor REP, dan financial distress
BANKRUPT sebesar 36,159. -2LogL untuk model dengan konstanta dan variabel bebas yaitu opinion shopping RS, reputasi auditor REP, dan
financial distress BANKRUPT ternyata tidak signifikan pada alpha α
5 yang berarti hipotesis nol tidak dapat ditolak dan model fit dengan data.
Output SPSS menunjukkan selisih kedua -2LogL sebesar 6,463 42,622- 36,159 atau terjadi penurunan sebesar 6,463. 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 Likehood pada regresi logistik mirip dengan pengertian “Sum of Square
Error” pada model regresi, sehingga penurunan nilai Log Likehood menunjukkan model regresi yang semakin baik.
a. Menilai kelayakan Model Regresi
Analisis selanjutnya yang dilakukan adalah menilai kelayakan model regeresi logistik yang akan digunakan. Pengujian kelayakan model
regresi logistik dilakukan dengan menggunakan Hosmer and Lemeshow’s Godness 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. H
H : Tidak ada perbedaan antara model dengan data.
1
: Ada perbedaan antara model dengan data.
Tabel 4.3 Tabel Hosmer and Lemeshaow Test
Hosmer and Lemeshow Test
Step Chi-square
Df Sig.
1 9.642
8 .291
Tabel di atas menunjukkan hasil pengujian Hosmer and Lemeshow. Dengan probabilitas signifikansi menunjukkan angka 0,291, nilai
signifikansi yang diperoleh ini jauh lebih besar daripada 0,05 α 5,
maka H 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.
b. Koefisien Determinasi
Koefisien determinasi digunakan utnuk 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 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 36.159
a
.078 .188
a. Estimation terminated at iteration number 20 because maximum iterations has been reached. Final solution cannot be
found.
Tabel di atas menunjukkan nilai Nagelkerke R Square. Dilihat dari hasil output pengolahan data nilai Nagelkerke R Square
adalah sebesar 0,188 yang berarti variabilitas variabel dependen yang dapat dijelaskan oleh variabel independen adalah sebesar
18,8 sisanya sebesar 81,2 100 - 18,8 dijelaskan varabilitas variabel-variabel lain di luar model penelitian.
4.1.1 Hasil Pengujian Hipotesis