62 Dari Tabel 4.8 dapat dilihat bahwa -2 log likelihood awal pada block
number = 0, yaitu model yang hanya memasukkan konstanta yang dapat dilihat pada step 3, memperoleh nilai sebesar 73,670. Kemudian pada Tabel 4.9 dapat
dilihat nilai -2 LL akhir dengan block number =1, nilai -2log likelihood pada step 1 iterasi 20 adalah 34,159.
Adanya penurunan nilai antara -2LL awal initial-2LL function dengan nilai -2LL pada langkah berikutnya -2LL akhir menunjukkan bahwa model yang
dihipotesiskan fit dengan data Ghozali,2006. Penurunan nilai -2 log likelihood menunjukkan bahwa model penelitian ini dinyatakan fit, artinya penambahan-
penambahan variabel bebas yaitu Ukuran Perusahaan X1, Ukuran KAP X2, Opini Auditor X3, Laba Rugi X4, Jenis Industri X5, dan Profitabilitas X6
ke dalam model penelitian akan memperbaiki model fit dalam penelitian ini.
4.4 Menguji Kelayakan Model Regresi
Pengujian kelayakan
model regresi
logistik dilakukan
dengan menggunakan goodness of fitness test yang diukur berdasarkan nilai Chi-Square
pada Tabel Hosmer and Lemeshow Test Tabel 4.10.
Tabel 4.10 Hosmer and Lemeshow Test Hosmer and Lemeshow Test
Step Chi-square
df Sig.
1 3.680
8 .885
Sumber: hasil olahan software SPSS 17
Universitas Sumatera Utara
63 Berdasarkan Tabel 4.10, diketahui nilai statistik Chi-Square adalah 3,680.
Tabel 4.11 Perhitungan Chi-Square Tabel dengan Microsoft Excel
Berdasarkan Tabel 4.11, diketahui nilai Chi-Square Tabel bernilai 15,507. Untuk menentukan apakah model layak atau tidak, maka dapat diketahui dengan
membandingkan nilai statistik Chi-square terhadap Chi-Square Tabel.
Perhatikan bahwa karena nilai statistik Chi-Square 3,680 lebih kecil dibandingkan nilai Chi-Square Tabel 15,507, maka disimpulkan bahwa model
cukup layak dalam mencocokkanfit data. Untuk menentukan apakah model layak atau tidak, juga dapat diketahui
dengan membandingkan nilai probabilitas dari uji Hosmer-LemeshowPearson Chi-square terhadap tingkat signifikansi yang digunakan.
Berdasarkan Tabel 4.10, diketahui nilai probabilitas sebesar 0,885. Perhatikan bahwa karena nilai probabilitas 0,885 lebih besar dibandingkan
tingkat signifikansi 0,05, maka disimpulkan bahwa model cukup layak dalam mencocokkan fit data.
Universitas Sumatera Utara
64
4.5 Koefisien Determinasi Nagelkerke R Square
Dalam regresi logistik, dapat digunakan statistik Nagelkerke’s
untuk mengukur kemampuan model regresi logistik dalam mencocokkan atau
menyesuaikan data. Dengan kata lain, nilai statistik dari Nagelkerke’s
dapat diinterpretasikan sebagai suatu nilai yang mengukur kemampuan variabel-variabel
bebas dalam menjelaskan atau menerangkan variabel tak bebas. Tabel 4.12 menyajikan nilai statistik dari
Nagelkerke’s .
Tabel 4.12 Nagelkerke R Square
Model Summary
Step -2 Log
likelihood Cox Snell
R Square Nagelkerke R
Square 1
34.159
a
.519 .697
a. Estimation terminated at iteration number 20 because maximum iterations has been reached.
Final solution cannot be found.
Sumber: hasil olahan software SPSS 17
Berdasarkan Tabel 4.12, nilai statistik Nagelkerke R Square 0,697. Nilai tersebut diinterpretasikan sebagai kemampuan variabel Ukuran Perusahaan X1,
Ukuran KAP X2, Opini Auditor X3, Laba Rugi X4, Jenis Industri X5, dan Profitabilitas X6 dalam mempengaruhi Audit Delay Y sebesar 69,7, sisanya
30,3 dijelaskan oleh variabel-variabelfaktor-faktor lain.
4.6 Uji Signifikansi Model secara Simultan
