81
Gambar 4.2 Grafik P-Plot
Hasil analisis Grafik Normal Probabilty Plot
Berdasarkan gambar 4.2 grafik Normal Probabilty Plot pada gambar menunjukkan bahwa hasil uji normalitas mengikuti atau merapat kegari
diagonal, maka dapat dinyatakan dan disimpulkan bahwa model yang digunakan dalam analisis ini telah memenuhi asumsi normalitas dan atau
berdistribusi normal.
82
Tabel 4.8 Hasil Uji Kolmogorv-Smirnov
Berdasarkan pada tabel 4.8 diatas maka dapat disimpulkan bahwa data dalam penelitian ini be
Berdasarkan tabel 4.8 di atas, maka dapat disimpulkan data dalam penelitian ini berdistribusi normal dilihat dari nilai Sig
α atau 0,083 0,05.
b. Uji multikolinieritas
Uji multikolinieritas diperlukan untuk mengetahui ada atau tidaknya variabel independen yang memiliki kemiripan dengan variabel independen
lainnya dalam suatu model. Kemiripan antar variabel independend dalam suatu metode dapat menyebabkan terjadinya korelasi yang sangat kuat antara variabel
satu dengan variabel yang lain. Mendektesi lewat pengujian multikolinieritas bertujuan juga untuk menghindari kebiasan dalam proses pengambilan
One-Sample Kolmogorov-Smirnov Test
Unstandardized Residual
N 84
Normal Parameters
a
Mean .0000000
Std. Deviation .19434180
Most Extreme Differences Absolute .138
Positive .138
Negative -.054
Kolmogorov-Smirnov Z 1.261
Asymp. Sig. 2-tailed .083
a. Test distribution is Normal.
83
kesimpulan mengenai pengaruh pada uji parsial masing-masing variabel independen terhadap variabel dependen.
Pengukuran multikolinieritas dapat dilihat dari besaran nilai Tolerance Dan Variance Inflation Factor VIF. Tolerance mengukur variabilitas variabel
independen lainnya, Jadi nilai Tolerance yang rendah sama dengan nilai VIF yang tinggi oleh karena itu VIF=1Tolerance. Nilai Cut off yang umum dipakai
untuk menunjukkan ada atau tidaknya multikolinieritas adalah nilai Tolerance atau sama dengan nilai VIF . Apabila terjadi hal yang sebaliknya
sudah dapat dipastikan bahwa data dalam suatu metode tersebut tidak terjadi multikolinieritas. Berikut ini adalah hasil dari uj Multikolinieritas:
Tabel 4.9 Uji Multikolinieritas dengan Nilai
Tolerance dan VIF
Coefficients
a
Model Unstandardized
Coefficients Standardized
Coefficients t
Sig. Collinearity Statistics
B Std. Error
Beta Tolerance
VIF 1
Constant 4.355
.636 6.846
.000 INFLASI
-.063 .014
-.626 -4.431
.000 .398
2.512 BI_Rate
.070 .042
.268 1.681
.097 .312
3.207 Kurs
-2.792E-5 .000
-.132 -1.148
.254 .596
1.677 LDR
.028 .011
.530 2.684
.009 .204
4.906 Bank_Size
-.387 .102
-.823 -3.789
.000 .168
5.950 a. Dependent Variable: NPL
84
Berdasarkan tabel 4.9 Di atas menunjukkan bahwa nilai Tolerance Variabel bebas Inflasi = 0,398, BI Rate = 0,312, Kurs = 0,596, LDR = 0,204 dan Bank
Size = 0,168. Sedangkan untuk nilai VIF variabel bebas Inflasi = 2,512, BI Rate = 3,207, Kurs = 1,677, LDR = 4,929 dan Bank Size = 5,950. Dengan
demikian dapat dinyatakan atau disimpulkan bahwa model regesi bebas dari multikolinieritas karena nilai Tolerance ukuran bank
dan nilai VIF .
c. Uji Autokolerasi
Uji autokorelasi bertujuan menguji apakah model regresi linier ada korelasi antara kesalahan pengganggu pada periode t dengan kesalahan
pengganggu pada periode t-1 sebelumnya. Uji autokorelasi bertujuan untuk mengetahui apakah ada korelasi antara anggota serangkaian data observasi yang
diuraikan menurut waktu time series atau ruang cross section. Salah satu penyebab munculnya masalah autokorelasi adalah adanya kelembaman inertia
artinya kemungkinan besar akan mengandung saling ketergantungan pada data
data observasi sebelumnya dan periode sekarang.
Salah satu metode analisis untuk mendeteksi ada tidaknya autokorelasi adalah dengan melakukan pengujian nilai durbin watson DW test Ghozali,
2005:100. Menurut Singgih 2012:243 uji autokolerasi dapat dilihat pada uji Durbin Watson, Apabila nilai Durbin Watson diantara -2 sampai dengan 2+
maka tidak terjadi gejala autokorelasi.
85
Berikut hasil dari uji autokorelasi dengan metode Durbin Watson DW:
Tabel 4.10 Uji Durbin-Watson DW
Pada tabel 4.10 Di atas sebesar 0,590 dan menurut Singgih 2012:243 autokorelasi terjadi apabila nilai DW diantara kurang dari -2 ataupun lebih dari
+2 maka dapat disimpulkan dalam penelitian ini tidak terjadi gejala autokorelasi, karena nilai Durbin Watson berada pada nilai -2 sampai +2 yaitu
sebesar 0,590.
d. Uji Heteroskedastisitas
Uji ini bertujuan untuk menguji apakah pada model regresi terjadi ketidaksamaan variance dari residual satu pengamatan ke pengamatan lain.
Model regresi yang baik adalah homokedastisitas atau tidak terjadi
Model Summary
b
Model R
R Square Adjusted R
Square Std. Error of the
Estimate Durbin-Watson
1 .617
a
.381 .341
.20047 .590
a. Predictors: Constant, Bank_Size, INFLASI, Kurs, BI_Rate, LDR b. Dependent Variable: NPL
86
heterokedastisitas. Pengujian ini menggunakan analisis grafik scatterplot dan metode Park. Berikut hasil dari metode yang dilakukan:
1 Grafik Scatterplot
Homokedastisitas atau Heteroskedastisitas pada suatu model dapat dilihat dari pola gambar scatterplot. Berikut hasil uji grafik scatterplot:
Gambar 4.3 Hasil Uji Heteroskedastisitas
Pada gambar 4.3 Diatas menunjukkan bahwa titik-titik data menyebar di atas dan di bawah dan disekitar angka nol. Sehingga dapat diambil
kesimpulan bahwa model regresi berganda ini terbebas dari asumsi klasik heterodatisitas dan layak digunakan dalam penelitian.
