Uji Asumsi Klasik Suatu model regresi linier berganda dapat disebut sebagai model yang baik

0.06750 yang tergolong kecil sehingga data yang digunakan mengelompok di sekitar nilai rata-rata, dengan jumlah data yang digunakan adalah sebanyak 18; 4. variabel ROA perusahaan yang mendapatkan Kredit Modal Kerja memiliki nilai rata-ratanya 0.0847 dan nilai standar deviasi variabel ini adalah sebesar 0.04122 yang tergolong kecil sehingga data yang digunakan mengelompok di sekitar nilai rata-rata, dengan jumlah data yang digunakan adalah sebanyak 18; 5. variabel KMK yang disalurkan perbankan memiliki nilai rata-rata 652,260,000 standar deviasi variabel sebesar 245,842,000 dengan jumlah data yang digunakan adalah sebanyak 18.

2. Uji Asumsi Klasik Suatu model regresi linier berganda dapat disebut sebagai model yang baik

jika model tersebut memenuhi uji asumsi klasik. Pengujian asumsi klasik dalam penelitian ini mencakup uji normalitas, uji multikolinearitas, dan uji heteroskedastisitas, dan uji autokorelasi. 2.1.Uji Normalitas Pengujian tahap awal yang dilakukan dalam metode penelitian analisis data. Melalui pengujian ini, dapat diambil tindak lanjut untuk menggunakan statistik parametrik atau tidak. Menurut Gozali 2005:110 “tujuan uji normalitas adalah untuk mengujii apakah variabel independen dan variabel Universitas Sumatera Utara dependen berdistribusi normal”. Data yang baik dan layak digunakan dalam penelitian adalah data yang memiliki distribusi normal. Cara untuk mendeteksi apakah residual berdistribusi normal atau tidak ada dua, yaitu analisis grafik dan analisis statistik. Normalitas dapat dideteksi dengan melihat penyebaran data titik pada sumbu diagonal dan grafik atau dengan melihat histogram dari residualnya. Dasar pengambilan keputusannya adalah: 1. Jika data menyebar di sekitar garis diagonal dan mengikuti arah garis diagonal atau grafik histogramnya menunjukkan pola berdistribusi normal, maka model regresi memenuhi asumsi normalitas. 2. Jika data menyebar jauh dari diagonal dan tidak mengikuti arah garis diagonal atau grafik histogram tidak menunjukkan data berdistribusi normal, maka model regresi tidak memenuhi asumsi normalitas. Hasil uji normalitas data dalam penelitian ini menunjukkan bahwa variabel independen dan variabel dependen berdistribusi normal. Hal ini dapat dilihat dari grafik histogram dan normal probability plot yang ditunjukkan pada gambar 4.1 dan 4.2 berikut. Universitas Sumatera Utara Gambar 4.1 Grafik Histogram Sumber : diolah dengan SPSS 18, 2010 Grafik histogram di atas menunjukkan bahwa data telah terdistribusi secara normal. Hal ini dapat dilihat dari grafik histogram yang menunjukkan distribusi data mengikuti garis diagonal yang tidak menceng skewness kiri maupun menceng ke kanan. Hal ini juga didukung dengan hasil uji normalitas dengan menggunakan grafik plot sebagai berikut: Universitas Sumatera Utara Gambar 4.2 Normal Probability Plot Sumber : diolah dengan SPSS 18, 2010 Dari grafik normal probability plot menggambarkan titik-titik yang menyebar mendekati garis diagonal,sehingga data dikatakan normal. Hal ini yang diungkapkan oleh Bhuono 2005 : 24 ”suatu variabel dikatakan normal jika gambar distribusi dengan titik-titik data yang menyebar di sekitar garis diagonal, dan penyebaran titik-titik data searah mengikuti garis diagonal”. Pada grafik PP Plots di atas terlihat titik-titik menyebar di sekitarmengikuti garis diagonal, yang menunjukkan bahwa data berdistribusi normal. Kedua Universitas Sumatera Utara grafik ini menunjukkan bahwa model regresi layak digunakan karena memenuhi uji normalitas data. Uji statistik yang dapat digunakan untuk menguji apakah residual berdistribusi normal adalah uji statistik non parametrik Kolmogorov–Smirnov. Jika nilai signifikansi lebih besar dari 0.05, maka data residual berdistribusi normal. Namun, jika nilai signifikansi lebih kecil dari 0.05, maka data residual tidak berdistribusi normal. Berikut ini uji Kolmogorov Smirnov dapat dilihat pada tabel 4.2. Tabel 4.2 Uji Kolmogorov Smirnov One-Sample Kolmogorov-Smirnov Test Unstandardized Residual N 18 Normal Parameters a,b Mean .0000000 Std. Deviation 1.84034876E8 Most Extreme Differences Absolute .124 Positive .124 Negative -.111 Kolmogorov-Smirnov Z .524 Asymp. Sig. 2-tailed .946 a. Test distribution is Normal. b. Calculated from data. Sumber : diolah dengan SPSS 18, 2010 Universitas Sumatera Utara Dari hasil uji Kolmogorov Smirnov, dapat dilihat bahwa p-value pada kolom Asimp. Sig2-tailed memiliki nilai 0.946 nilai ini 0.05 level of significant. Hal ini menunjukkan bahwa residual terdistribusi normal. 2.2.Uji Multikolineritas Uji multikolineritas bertujuan untuk menguji apakah dalam suatu model regresi terdapat korelasi antar variabel independen. Pengujian multikolinearitas dilakukan dengan melihat VIF antar variabel independen. Jika VIF menunjukkan angka 10 menandakan terdapat gejala multikolinearitas. Berikut adalah hasil uji multikolinearitas variabel yang digunakan dalam penelitian Tabel 4.3 Uji Multikolineritas Sumber : diolah dengan SPSS 18, 2010 Tabel 4.3 diatas memperlihatkan bahwa variabel QR memiliki nilai VIF 1.588 10 dan nilai Tolerance 0.630 0.1. Variable DER memiliki Coefficients a Model Unstandardized Coefficients Standardized Coefficients t Sig. Collinearity Statistics B Std. Error Beta Tolerance VIF 1 Constant 3.942E8 2.166E8 1.820 .092 QR 1.218E8 1.626E8 .196 .749 .467 .630 1.588 DER 5.800E8 2.499E8 .570 2.321 .037 .714 1.400 NPM -4.066E8 8.418E8 -.112 -.483 .637 .807 1.239 ROA -5.999E8 1.607E9 -.101 -.373 .715 .594 1.684 a. Dependent Variable: KMK Universitas Sumatera Utara nilai VIF 1.400 10 dan nilai Tolerance 0.714 0.1. Variable NPM memiliki nilai VIF 1.239 10 dan nilai Tolerance 0.807 0.1, variable ROA memiliki nilai VIF 1.684 10 dan nilai Tolerance 0.594 0.1. Hasil tersebut menunjukkan bahwa seluruh variabel terbebas dari multikolineritas dan dapat digunakan dalam penelitian. 2.3.Uji Heterokedastisitas Tujuan dilakukannya uji heteroskedastisitas adalah untuk menguji apakah dalam suatu model regresi terdapat ketidaksamaan pengganggu antara satu pengamatan ke pengamatan yang lain. Berikut disajikan hasil dari uji heteroskedastisitas yang ditunjukkan dalam grafik scatterplot pada gambar 4.3. Gambar 4. 3 Grafik Scatterplot Sumber : diolah dengan SPSS 18, 2010 Universitas Sumatera Utara Hasil uji grafik Scatterplot menunjukkan tidak terjadinya heteroskedastisitas pada model regresi. Hal ini terlihat dari titik-titik yang menyebar secara acak yang terdapat diatas maupun dibawah angka 0 pada sumbu Y, titik-titik data tidak mengumpul hanya di atas atau di bawah saja, dan penyebaran titik-titik data tidak berpola. 4.4.Uji Autokorelasi Uji autokorelasi bertujuan untuk mengetahui ada tidaknya korelasi antara variabel pengganggu pada periode t dengan kesalahan pada periode t-1. Salah satu cara yang dapat digunakan untuk mendeteksi ada tidaknya autokorelasi dalam suatu model regresi adalah dengan melakukan uji Durbin-Watson DW test. Dalam model regresi tidak terjadi autokorelasi apabila hasil uji Durbin- Watson mencakup beberapa kriteria secara umum, sperti yang diungkapkan Syafrizal Helmi, dkk 2007 : 86 yaitu : 1 Jika 0 dw dl, keputusannya tidak ada autokorelasi positif tolak 2 Jika dl ≤ dw ≤ du, keputusannya tidak ada autokorelasi positif no decision 3 Jika 4 – dl dw 4, keputusannya tidak ada korelasi negatif tolak 4 Jika 4 – du ≤ dw ≤ 4 – dl, keputusannya tidak ada korelasi negatif no decision 5 Jika du dw 4 – du, keputusannya tidak ada autokorelasi positif atau negatif tidak ditolak. Adapun cara lain yang secara umum dapat digunakan untuk mengambil keputusan terkait uji Durbin-Watson antara lain dengan kriteria sebagai berikut: 1 angka D – W di bawah – 2, berarti ada autokorelasi posistif, Universitas Sumatera Utara 2 angka D – W diantara – 2 sampai + 2, berarti tidak ada autokorelasi, 3 angka D – W di atas + 2, berarti ada autokorelasi negatif. Berikut ini disajikan hasil uji Durbin-Watson untuk penelitian ini dengan menggunakan SPSS 18,0. Tabel 4.4 Uji Autokorelasi Sumber : diolah dengan SPSS 18, 2010 Dari tabel 4.4 di atas dapat diketahui bahwa nilai DW adalah sebesar 1.030. Nilai ini akan dibandingkan dengan nilai tabel dengan menggunakan nilai signifikansi 5, jumlah sampel 18 n dan jumlah variabel independen 4 k=4. Maka didapatkan nilai batas atas du sebesar 1.87 dan nilai batas bawah dl sebesar 0.82. Oleh karena itu dapat diambil keputusan bahwa dl ≤ dw ≤ du, yaitu 0.82 ≤ 1. 030 ≤ 1.87, dimana hasilnya tidak ada autokorelasi positif no decision . Secara umum juga dapat dinyatakan bahwa hasil uji Durbin-Watson sebesar 1.030 bebas atau tidak ada autokorelasi, berdasarkan Model Summary b Model R R Square Adjusted R Square Std. Error of the Estimate Durbin- Watson Dimensio n0 1 .663 a .440 .267 2.10452E8 1.030 a. Predictors: Constant, ROA, NPM, DER, QR b. Dependent Variable: KMK Universitas Sumatera Utara kriteria umum bahwa angka DW diantara – 2 sampai + 2, berarti tidak ada autokorelasi. 3. Koefisien Determinasi Koefisien determinasi R Square R 2 = Koefisien determinasi menunjukkan seberapa besar variabel independen menjelaskan variabel dependennya. Nilai R Square R 2 berada diantara 0 dan 1. Nilai R 2 yang kecil berarti kemampuan variabel independen dalam menerangkan variasi variabel dependen sangat terbatas. Sedangkan apabila R 2 nilainya semakin mendekati satu, maka variabel- variabel independen dapat memberikan semua informasi yang dibutuhkan untuk memprediksi variasi variabel dependen. Hasil pengujiannya dapat dilihat pada tabel di bawah ini. Tabel 4.5 Koefisien Determinasi Sumber : diolah dengan SPSS 18, 2010 Tabel diatas menunjukkan bahwa korelasi yang terjadi antara QR, DER, NPM, ROA sebagai variabel independen dengan KMK sebagai variabel Model Summary b Model R R Square Adjusted R Square Std. Error of the Estimate 1 1 .663 a .440 .267 2.10452E8 a. Predictors: Constant, ROA, NPM, DER, QR b. Dependent Variable: KMK Universitas Sumatera Utara dependen menunjukkan hubungan yang signifikan. Hal ini terlihat dari nilai R sebesar 0,663 atau 66,3 yang menggambarkan bahwa angka ini lebih besar dari 50, dengan kata lain hubungan antara variabel independen QR, DER, NPM, ROA dengan variabel dependen KMK memiliki hubungan yang signifikan. Nilai koefisien determinasi Adjusted R Square adalah nilai penentu utama ada tidaknya kemampuan variabel independen menjelaskan variabel dependen. Adapun dari hasil tabel Adjusted R Sequare-nya adalah 0.267. Hal ini berarti 26,7 menunjukkan bahwa variabel independen QR, DER, NPM, ROA hanya mampu menjelaskan 26,7 perubahan KMK. Sisanya sebesar 73,3 dijelaskan oleh faktor lain yang tidak dimasukkan dalam model regresi pada penelitian ini.

4. Pengujian Hipotesis