4.4.2 Menilai Kelayakan Model Regresi
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 adalah : Ho : Tidak ada perbedaan antara model dengan data
Ha : Ada perbedaan antara model dengan data
Tabel 4.10
Hosmer and Lemeshow Test
Step Chi-square
df Sig.
1 11.269
8 .187
Sumber : Data sekunder yang telah diolah di SPSS 20
Tabel 4.10 menunjukkan hasil pengujian Hosmer and Lemeshow. Hasil pengujian statistik menunjukkan probabilitas signifikan sebesar 0.187. Nilai
signifikansi yang diperoleh lebih besar dari α tingkat signifikansi 0,05. 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 model mampu memprediksi nilai
observasinya.
Universitas Sumatera Utara
Tabel 4.11
Contingency Table for Hosmer and Lemeshow Test
Opini Audit Going Concern GCAO = 0
Opini Audit Going Concern GCAO = 1
Total Observed
Expected Observed
Expected
Step 1 1
4 3.789
.211 4
2 4
3.724 .276
4 3
4 3.667
.333 4
4 4
3.609 .391
4 5
2 3.372
2 .628
4 6
3 2.784
1 1.216
4 7
1 2.196
3 1.804
4 8
1 1.456
3 2.544
4 9
3 1.122
1 2.878
4 10
.281 4
3.719 4
Sumber : Data sekunder yang telah diolah di SPSS 20
Berdasarkan tabel 4.11 Kontinjensi untuk uji Hosmer and Lameshow,
dapat dilihat bahwa dari sepuluh langkah pengamatan untuk pemberian opini audit going concern 1 maupun opini audit non going concern 0, baik nilai yang
diamati observed maupun yang diprediksi expected, tidak mempunyai
perbedaan yang terlalu ekstrim. Ini menunjukkan bahwa model regresi logistik
yang digunakan mampu memprediksi nilai observasinya.
4.4.3 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
Universitas Sumatera Utara
nilai Nagelkerke R Square. Nilai Nagelkerke R Square dapat diinterpretasikan
seperti nilai R Square pada regresi berganda Ghozali, 2006.
Tabel 4.12 Nagerkerke R Square
Sumber : Data sekunder yang telah diolah di SPSS 20
Tabel di atas menunjukkan nilai Nagelkerke R Square. Dilihat dari hasil
output pengolahan data, nilai Nagelkerke R Square adalah sebesar 0,490 yang
berarti variabilitas variabel dependen yang dapat dijelaskan oleh variabel independen adalah sebesar 49, sisanya sebesar 51 100 - 49 dijelaskan
variabilitas variabel-variabel lain di luar model penelitian.
4.4.4 Matriks Klasifikasi