Pengujian Asumsi Klasik Hasil Penelitian .1 Statistik Deskriptif

li 5. Variabel jumlah CAMEL Return On Asset ROA_X 4 memiliki jumlah sampel N sebanyak 84, dengan nilai rata-rata Mean 1,7063, dan standard deviation 2,15966 6. Variabel jumlah CAMEL Loan Deposit Ratio LDR_X5 memiliki jumlah sampel N sebanyak 84, dengan nilai rata-rata Mean 81,7087, dan standard deviation 11,95775 7. Variabel jumlah CAMEL Indeks Corporate Governance GCG_X6 memiliki jumlah sampel N sebanyak 84, dengan nilai rata-rata Mean 7,2110, dan standard deviation 1,31476 8. Jumlah sampel yang digunakan adalah sebanyak 32.

4.2.2 Pengujian Asumsi Klasik

Pengujian asumsi klasik ini adalah untuk memberikan kepastian bahwa persamaan regresi yang didapatkan memiliki ketepatan dalam estimasi, tidak bias dan konsisten. Pengujian ini perlu dilakukan agar mengetahui distribusi data yang digunakan dalam penelitian sudah normal. Uji asumsi klasik yang dikemukakan dalam modul ini antara lain: uji multikolinearitas, uji autokorelasi, uji heteroskedastisitas, uji normalitas, dan uji linearitas.

4.2.2.1 Uji Normalitas

Uji ini bertujuan untuk menguji apakah dalam sebuah model regresi, variabel independen, variabel dependen, atau keduanya mempunyai distribusi normal atau tidak.Suatu model regresi yang baik adalah yang memiliki distribusi data normal atau mendekati normal. Pengujian normalitas data dalam penelitian lii ini menggunakan uji statistik non parametrik Kolmogorov-Smirnov K-S dengan membuat hipotesis : H : Data residual berdistribusi normal H a : Data residual tidak berdistribusi normal Apabila nilai signifikannya lebih besar dari 0,05 maka H diterima, sedangkan jika nilai signifikannya lebih kecil dari 0,05 maka H ditolak. Tabel 4.10 Hasil Uji Normalitas One-Sample Kolmogorov-Smirnov Test Unstandardiz ed Predicted Value N 84 Normal Parameters a,b Mean 1.1190476 Std. Deviation .08050029 Most Extreme Differences Absolute .079 Positive .079 Negative -.066 Kolmogorov-Smirnov Z .724 Asymp. Sig. 2-tailed .670 a. Test distribution is Normal. b. Calculated from data. Sumber : diolah peneliti, 2015 Dari hasil data pengolahan tersebut, besarnya nilai Kolmogorov-Smirnov Z adalah 0,724 dan signifikan pada 0,670 maka dapat disimpulkan data terdistribusi secara normal karena p = 0,670 0,05. Dengan demikian secara keseluruhan bahwa nilai observasi telah terdistribusi normal.Pada grafik liii histogram, dapat dilihat bahwa distribusi data tidak menyimpang skewnes ke kiri atau kanan. Gambar 4.1 Histogram Sumber : diolah peneliti, 2015 Pada grafik normal plot, dapat dilihat titik-titik menyebar disekitar garis diagonal dan agak mendekati garis diagonal, jadi dapat disimpulkan data berdistribusi normal. liv Gambar 4.2 Normal Plot Sumber : diolah peneliti, 2015

4.2.2.1 Uji Multikolonearitas

Dalam penelitian ini, untuk mengetahui ada tidaknya gejala multikolonearitas adalah dengan melihat besaran korelasi antara variabel independen dan besarnya tingkat kolinearitas yang masih dapat diterima, yaitu : Tolerance 0,10 dan Variance Inflation Factor VIF 10. Berikut ditampilkan tabel hasil pengujian : lv Tabel 4.11 Uji Multikolonearitas Coefficients a Model Collinearity Statistics Tolerance VIF 1 Constant CAR_X1 .774 1.292 NPL_X2 .321 3.116 NPM_X3 .582 1.719 ROA_X4 .256 3.907 LDR_X5 .879 1.137 GCG_X6 .766 1.306 a. Dependent Variable : TOBINSQ_Y Sumber : diolah peneliti, 2014 Berdasarkan tabel diatas hasil pengujian menunjukkan angka tolerance untuk CAR_X1 lebih besar dari 0,1 0,774 0,1, NPL_X2 lebih besar dari 0,1 0,321 0,1, NPM_X3 lebih besar dari 0,1 0,582 0,1, ROA_X4 lebih besar dari 0,1 0,256 0,1, LDR_X5 lebih besar dari 0,1 0,879 0,1, dan GCG_X6 lebih besar dari 0,1 0,766 0,1. Angka VIF untuk CAR_X1 lebih kecil dari 10 1,292 10, NPL_X2 lebih kecil dari 10 3,116 10, NPM_X3 lebih kecil dari 10 1,719 10, ROA_X4 lebih kecil dari 10 3,907 10, LDR_X5 lebih kecil dari 10 1,137 10, dan GCG_X6 lebih kecil dari 10 1,306 10. Berdasarkan hasil pengujian tersebut diperoleh kesimpulan tidak terdapat multikolonieritas.Hasil ini menunjukkan tidak ada hubungan antar variabel bebas independen.

4.2.2.2 Uji Heterokedastisitas

Dalam uji heterokedastisitas, penulis menggunakan alat analisis grafik Scatterplot. Pada analisis grafik Scatterplot, deteksi ada tidaknya lvi heterokedastisitas dapat dilakukan dengan melihat jika tidak ada pola tertentu pada grafik Scatterplot maka tidak terjadi heteroskedastisitas dengan kata lain homoskedastisitas. Hasil pengujian dapat ditunjukkan grafik scatterplot antara ZPRED dan SRESID sebagai berikut.Dari grafik scatterplot terlihat bahwa titik- titik menyebar secara acak serta tersebar baik di atas maupun di bawah angka nol pada sumbu Y. Maka dapat disimpulkan bahwa tidak terjadi heteroskedastisitas pada persamaan regresi. Gambar 4.3 Grafik Scatterplot

4.2.2.3 Uji Autokorelasi

Cara yang dapat dilakukan untuk mendeteksi ada tidaknya autokorelasi adalah dengan melakukan pengujian Durbin-Watson D-W.Berikut adalah hasil uji Durbin-Watson. lvii Tabel 4.12 Tabel Hasil Uji Autokorelasi Model Summary b Model R R Square Adjusted R Square Std. Error of the Estimate Durbin- Watson 1 .353 .124 .056 .22170 1.742 a. Predictors: constant, GCG_X6, NPL_X2, LDR_X5, CAR_X1, NPM_X3, ROA_X4 b. Dependent Variable : TOBINSQ_Y Sumber : diolah peneliti, 2014

4.2.3 Pengujian Hipotesis