4. Variabel penyertaan modal memiliki nilai minimum 0.00 dan nilai maksimum 419,529.00 dengan rata-rata penyertaan modal adalah 29,288.25 dengan
standar deviasi 71,687.76 .
5. Variabel ROA memiliki nilai minimum 0.15 dan nilai maksimum 3.99 dengan rata-rata ROA adalah 1.84
dengan standar deviasi 0.96 6. Jumlah sampel yang ada sebanyak 75.
4.3 Pengujian Asumsi Klasik
4.3.1 Uji Normalitas
Uji normalitas bertujuan untuk mengetahui apakah dalam model regresi ada variabel pengganggu atau residual memiliki distribusi normal. Pengujian ini
diperlukan karena melakukan uji t dan uji F mengamsumsikan bahwa nilai residual mengikuti distribusi normal Erlina, 2007:103.
Pengujian normalitas dalam penelitian ini menggunakan dua cara yaitu analisis grafik yang terdiri dari histogram dan normal probability plot dan analisis
statistik dengan menggunakan uji nonparametric Kolmogorov Smirnov K-S memberikan pedoman pengambilan keputusan tentang data-data yang mendekati
atau merupakan distribusi normal dapat dilihat dari: a. Nilai sig. atau signifikan atau protitabilitas 0,05 maka distribusi data adalah
tidak normal. b. Nilai sig. atau signifikan atau profitabilitasnya 0,05 maka distibusi data
adalah normal. Uji Kolmogorov-Smirnov dilakukan dengan membuat hipotesis:
Universitas Sumatera Utara
H0 : data resiudal berdistribusi normal. Ha : data residual tidak berdistribusi normal.
Hasil uji normalitas dengan menggunakan tes Kolmogorov Smirnov KS adalah sebagai berikut:
Tabel 4.3. Hasil Uji Normalitas Sebelum Transformasi
One-Sample Kolmogorov-Smirnov test
One-Sample Kolmogorov-Smirnov Test
KREDIT SURAT_BER
HARGA PENEMPATAN
PENYERTAAN ROA
N 75
75 75
75 75
Normal Parameters
a,,b
Mean 5.2075E7
5.9296E6 1.0508E7
29288.2533 1.8472 Std. Deviation
7.04870E7 7.44566E6
1.88518E7 71687.76357 .96292
Most Extreme Differences
Absolute .234
.217 .317
.368 .088
Positive .218
.195 .317
.368 .088
Negative -.234
-.217 -.289
-.341 -.083
Kolmogorov-Smirnov Z 2.028
1.879 2.742
3.184 .766
Asymp. Sig. 2-tailed .001
.002 .000
.000 .601
a. Test distribution is Normal. b. Calculated from data.
Sumber : Hasil Pengolahan Data dengan SPSS, 2012
Dari tabel 4.3. terlihat bahwa signifikan atau probabilitas dari residual variabel independen lebih kecil dari 0.05 hal ini menunjukkan distribusi data
residual tidak normal. Dengan demikian Ha diterima bahwa residual tidak berdistribusi normal.
Dari grafik histogram terlihat bahwa pola distribusi data mengikuti garis diagonal yang tidak menceng skewness kiri maupun menceng ke kanan.
Universitas Sumatera Utara
Menurut Ghozali 2005:112, pendeteksian normalitas dapat dilakukan dengan melihat penyebaran data titik meyebar di sekitar garis diagonal dari grafik, yaitu
jika data titik menyebar di sekitar garis diagonal dan mengikuti arah garis diagonal, hal ini menunjukkan data yang telah terdistribusi normal.
Selain menggunakan uji Kolmogorov-Smirnov untuk mengetahui normalitas data dilihat dari grafik histogram dan grafik PP plot. Gambar 4.2
menunjukkan bahwa data yang titik menyebar di sekitar dan mendekati garis diagonal. Hasil uji normalitas dengan grafik terkadang bisa menyesatkan karena
kelihatannya distribusinya normal, padahal secara statistik bisa sebaliknya. Normalitas data dapat dilihat dari grafik histogram dan normal probability plot
yang ditunjukkan gambar 4.1 dan 4.2 berikut :
Gambar 4.1. Grafik Histogram 1 sebelum transformasi Sumber : Hasil Pengelohan Data dengan SPSS, 2012
Universitas Sumatera Utara
Gambar 4.2. Normal Probability plot 1 Sumber : Hasil Pengolahan Data dengan SPSS, 2012
Untuk memperoleh data yang berdistribusi secara normal, dilakukan transformasi data menjadi bentuk LN. Setalah dilakukan transformasi data, maka
hasil uji normalitas dapat dilihat pada grafik histogram, normal probability plot, dan tabel Kolmogrov Smirnov sebagai berikut:
Universitas Sumatera Utara
Gambar 4.3. Grafik Histogram setelah transformasi data LN 2 Sumber : Hasil Pengolahan Data dengan SPSS, 2012
Gambar 4.4. Normal Probability setelah transformasi data LN 2 Sumber : Hasil Pengolahan Data dengan SPSS 17 ,2012
Universitas Sumatera Utara
Grafik histogram setelah transformasi data menunjukkan pola yang mendekati normal. Titik-titik yang menyebar di sekitar garis diagonal dan
mengikuti arah garis diagonal pada probability plot juga menunjukkan bahwa data berdistribusi normal.
Tabel 4.4. Hasil Uji Kolmogorov Smirnov setelah transformasi data LN
One-Sample Kolmogorov-Smirnov Test
LN_KREDIT LN_SURAT
BERHARGA LN_PENEMPA
TAN LN_PENYERTAAN LN_ROA
N 75
75 75
75 75
Normal Parameters
a,,b
Mean 16.6370
14.6828 14.3717
7.7249 .6573
Std. Deviation 1.73205
1.55462 3.00149
4.95341 .41844
Most Extreme Differences Absolute
.107 .100
.149 .156
.093 Positive
.092 .064
.099 .141
.093 Negative
-.107 -.100
-.149 -.156
-.079 Kolmogorov-Smirnov Z
.924 .868
1.290 1.354
.808 Asymp. Sig. 2-tailed
.361 .439
.072 .051
.531 a. Test distribution is Normal.
Sumber: Hasil Pengolahan Data dengan SPSS 17, 2012
Dari hasil uji Kolmogorov-Smirnov, dapat dilihat bahwa semua variabel baik variabel kredit, surat-surat berharga, penempatan dana pada bank lain,
penyertaan modal maupun ROA memiliki data yang terdistribusi secara normal karena nilai signifikan dari seluruh variabel di atas nilai signifikannya 0.05.
Secara lengkap ditunjukkan oleh data sebagai berikut: 6. Nilai signifikan kredit 0.361 0.05 maka Ho diterima.
7. Nilai signifikan surat-surat berharga 0.439 0.05 maka Ho diterima. 8. Nilai signifikan penempatan dana 0.072 0.05 maka Ho diterima.
Universitas Sumatera Utara
9. Nilai signifikan penyertaan modal 0.051 0.05 maka Ho diterima. 10. Nilai signifikan ROA 0.531 0.05 maka Ho diterima.
Dengan demikian secara keseluruhan dapat disimpulkan bahwa nilai-nilai observasi data telah terdistribusi secara normal.
. 4.3.2
Uji Multikolinearitas
Multikolinearitas adalah keadaan dimana variabel-variabel independen dalam persamaan regresi mempunyai korelasi hubungan yang erat satu sama lain
Pengujian multikolinearitas dapat dilakukan dengan melihat Variance Inflation factor VIF dan korelasi diantara variabel independen. Jika nilai VIF 10 atau
tolerance 0.10 maka terjadi multikolinearitas sedangkan apabila nilai VIF 10 atau tolerance 0.10 maka tidak terjadi multikolinearitas, jika kolerasi diantara
variabel independen lebeih besar dari 0.9. Uji multikolinearitas dengan melihat tolerance dan VIF menunjukkan hasil
seperti pada tabel 4.4 berikut :
Tabel 4.5. Hasil Uji Multikolinearitas
Coefficients
a
Model Collinearity Statistics
Tolerance VIF
1 LN_KREDIT
.406 2.461
LN_SURATBEHARGA .420
2.383 LN_PENEMPATAN
.343 2.916
LN_PENYERTAAN .890
1.123 a. Dependent Variable: LN_ROA
Sumber : Hasil Pengeolahan data SPSS 17, 2012
Universitas Sumatera Utara
Tabel 4.5. di atas menunjukkan bahwa penelitian ini bebas dari adanya multikolinearitas. Hal ini bisa dilihat dengan membandingkan nilai tolerance dan
VIF. Masing-masing variabel bebas yang digunakan dalam penelitian ini memiliki nilai tolerance yang lebih besar dari 0.01 yaitu untuk LN_kredit nilai tolenrance
0.406; LN_surat berharga nilai tolenrance 0.420; LN_penempatan nilai tolenrance 0.343; LN_penyertaan nilai tolenrance 0.890.
Sedangkan jika dilihat dari VIF-nya bahwa masing-masing variabel bebas lebih kecil dari 10 yaitu, untuk VIF LN_kredit sebesar 2.461; VIF LN_surat
berharga 2.383, VIF LN_penempatan 2.916 dan VIF LN_penyertaan sebesar 1.123. Dengan demikian dapat disimpulkan bahwa tidak terjadi gejala
multikolinearitas antara variabel independen, dengan dasar nilai VIF untuk setiap variabel tidak ada yang lebih dari 10 dan nilai tolerance tidak ada yang kurang
dari 0.1.
4.3.3 Uji Heteroskedastisitas
