106
Sumber : output Eviews 6.0 yang diolah Berdasarkan tabel 4.1 menggambarkan bahwa data dalam
penelitian ini berdistribusi normal. Terlihat dari nilai probability sebesar 0.079075 yang lebih besar dari derajat kepercayaan 0.05 5 sehingga
dapat dinyatakan signifikan. Menurut Winarno 23:2009 menyatakan Probability bernilai lebih dari 0.05 5 maka data dapat dikatakan
hasil regresi tersebut sudah berdistribusi normal dan H diterima. Jika
sudah dikatakan normal, maka data tersebut menghasilkan estimasi liniet tidak bias atau biasa disebut BLUE Best Linier Unbiased
Estimator. Menurut Nachrowi 2006:71 yang berarti model regresi tidak
mengandung masalah dan bisa dilanjutkan pada uji selanjutnya.
b. Uji Multikolinearitas
4 8
12 16
20
-2.0 -1.5
-1.0 -0.5
0.0 0.5
1.0 1.5
Series: Residuals Sample 1 52
Observations 52 Mean
-5.70e-15 Median
0.238106 Maximum
1.328697 Minimum
-1.799316 Std. Dev.
0.740553 Skewness
-0.762779 Kurtosis
3.121859 Jarque-Bera
5.074716 Probability
0.079075
107
Uji multikolinearitas dilakukan untuk mengetahui ada tidaknya hubungan korelasi yang signifikan diantara dua atau lebih variabel
independen dalam model regresi. Deteksi adanya multikolinearitas dilakukan dengan menggunakan uji korelasi parsial antar variabel
independen.Dengan melihat nilai koefisien korelasi r antar variabel independen dapat diputuskan apakah data terkena multikolinearitas atau
tidak, yaitu dengan menguji koefisien korelasi antar variabel independen.Jika terjadi korelasi, maka terdapat multikolinearitas,
dimana model regresi yang baik adalah tidak terjadi multikolinearitas antar variabel independen dengan variabel dependen. Hasil pengujian
multikolinearitas menggunakan uji korelasi r dapat dilihat sebagai berikut :
Tabel 4.2 Hasil Uji
Correlation Matrix
Sumber : output Eviews 6.0 yang diolah
Dari tabel 4.2 diatas dapat dilihat hasil analisis uji multikolinearitas dengan Correlation Matrix menunjukkan bahwa korelasi antar variabel
NPF BOPO
CAR LNSBIS
NPF 1.000000
0.393855 -0.321114
-0.535033 BOPO
0.393855 1.000000
-0.370231 -0.246047
CAR -0.321114
-0.370231 1.000000
0.412760 LNSBIS
-0.535033 -0.246047
0.412760 1.000000
108
independen NPF dan BOPO maupun sebaliknya sebesar 0.393855, antara NPF dan LNSBIS maupun sebaliknya sebesar - 0.535033, antara
NPF dan CAR maupun sebaliknya sebesar -0.321114, antara BOPO dan LNSBIS maupun sebaliknya sebesar -0.246047, dan antara BOPO
dan CAR maupun sebaliknya sebesar -0.370231, dan antara LNSBIS dan CAR maupun sebaliknya sebesar 0.412760.
Terlihat dari tabel 4.2 diatas nilai korelasi dari masing-masing variabel independen dibawah atau lebih kecil dari 0.8 sehingga dapat
disimpulkan H diterima, bahwa data tersebut terbebas dari
multikolinieritas dan model Ordinary Least Square OLS yang dilakukan dapat dikatakan terbebas dari gejala multikolinieritas.
Sehingga dapat dilanjutkan ke pengujian selanjutnya yaitu uji Heteroskedastisitas.
c. Uji Heteroskedastisitas
Uji heteroskedastisitas bertujuan untuk mengetahui apakah dalam model regresi terjadi ketidaksamaan variance dari residual satu
pengamatan ke pengamatan lain tetap, maka disebut Homoskedastisitas dan jika variance tidak konstan atau berubah-ubah disebut Denfan
Heterokedastisitas. Model regresi yang baik adalah Homoskedastisitas atau tidak terjadi Heteroskedastisitas Nachrowi, 2008:109.
