42
akhir block number = 1. Nilai -2Log Likelihood awal, dapat dilihat pada tabel berikut:
Tabel 4.3
Tabel Likelihood Block 0
Iteration History
a,b,c
Iteration -2 Log
likelihood Coefficients
Constant Step 0
1 63.656
-1.829 2
51.049 -2.630
3 49.583
-3.019 4
49.538 -3.103
5 49.538
-3.106 6
49.538 -3.106
a. Constant is included in the model. b. Initial -2 Log Likelihood: 49.538
c. Estimation terminated at iteration number 6 because parameter estimates changed by less
than .001.
Sumber: Hasil olahan SPSS, tahun 2016 Tabel 4.3 menunjukkan bahwa -2LogL awal pada block number = 0,
model hanya memasukkan konstanta yang dapat dilihat pada step 6 memperoleh nilai sebesar 49,538.
Tabel 4.4 Tabel Likelihood Block 1
Iteration History
a,b,c,d
Iteration -2 Log likelihood
Coefficients Constant
LN_FINDIST SIZE
LN_GROWTH Step 1
1 56.075
-2.335 -.551
-.002 -.002
2 37.010
-3.016 -1.137
-.047 -.003
3 31.687
-1.982 -1.618
-.175 -.003
4 30.441
.560 -1.855
-.363 -.003
5 30.265
2.591 -1.926
-.499 -.003
6 30.259
3.107 -1.938
-.533 -.003
7 30.259
3.131 -1.939
-.534 -.003
8 30.259
3.131 -1.939
-.534 -.003
a. Method: Enter b. Constant is included in the model.
c. Initial -2 Log Likelihood: 49.538
Universitas Sumatera Utara
43
d. Estimation terminated at iteration number 8 because parameter estimates changed by less than .001.
Sumber: Hasil olahan SPSS, tahun 2016 Pada tabel 4.4, nilai -2LogL setelah masuknya beberapa variabel
independen pada model ini menghasilkan nilai sebesar 30,259 pada step 8. Selisih antara nilai -2LogL awal dengan nilai -2LogL akhir adalah sebesar
19,279 49,538 – 30,259. Adanya pengurangan antara nilai -2LogL awal
dengan nilai -2LogL akhir menunjukkan bahwa model yang dihipotesiskan fit dengan data.
4.2.2. 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 a 5. H0:
Tidak ada perbedaan antara model dengan data Ha:
Ada perbedaan antara model dengan data
Tabel 4.5 Tabel Hosmer and Lemeshow Test
Hosmer and Lemeshow Test
Step Chi-square
df Sig.
1 2.797
8 .946
Sumber: Hasil olahan SPSS, tahun 2016 Tabel 4.5 menunjukkan hasil pengujian hasil pengujian Hosmer and
Lemeshow. Hasil pengujian statistik menunjukkan signifikan sebesar 0,946, dimana nilai tersebut lebih besar dari a 0,05. Hal ini berarti model regresi
layak untuk digunakan dalam analisis selanjutnya, karena tidak ada perbedaan
Universitas Sumatera Utara
44
yang nyata serta klasifikasi yang diprediksi dengan klasifikasi yang diamati, atau dapat dikatakan model mampu memprediksi nilai observasinya.
4.2.3. 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 nilai Nagelkerke R Square. Nilai Nagelkerke R Square dapat
diinterpretasikan seperti nilai R Square pada regresi berganda. Nilai ini didapat dengan cara membagi nilai Cox Shell R Square dengan nilai
maksimumnya.
Tabel 4.6 Tabel Nagelkerke R Square
Model Summary
Step -2 Log
likelihood Cox Snell R
Square Nagelkerke R
Square 1
30.259
a
.129 .432
a. Estimation terminated at iteration number 8 because parameter estimates changed by less than .001.
Sumber: Hasil olahan SPSS, tahun 2016
4.2.4. Matriks Klasifikasi
Matriks klasifikasi bertujuan untuk menunjukkan kekuatan prediksi dari model regresi dalam memprediksi kemungkinan penerimaan opini audit
going concern pada perusahaan auditee.
Universitas Sumatera Utara
45
Tabel 4.7 Tabel Classification Table Prediksi
Classification Table
a
Observed Predicted
GCAO Percentage
Correct 1
Step 1
GCAO 133
1 99.3
1 5
1 16.7
Overall Percentage 95.7
a. The cut value is .500
Sumber: Hasil olahan SPSS, tahun 2016 Tabel 4.7 menunjukkan kekuatan prediksi dari model regresi untuk
memprediksi kemungkinan penerimaan opini audit going concern pada auditor sebesar 16,7, hal ini berarti bahwa dengan menggunakan model
regresi tersebut, ada 1 perusahaan 16,7 yang diprediksi menerima opini audit going concern dari 6 perusahaan yang menerima opini audit going
concern. Kekuatan prediksi model untuk menerima opini audit non going concern adalah sebesar 99,3 yang berarti bahwa dengan model regresi yang
diajukan terdapat 133 perusahaan 99,3 yang diprediksi akan menerima opini audit non going concern dari total 134 perusahaan yang menerima opini
audit non going concern.
4.3. Pengujian Hipotesis