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