Pada variabel GWM Giro Wajib Minimum, nilai minimum sebesar 0,04 dan nilai maksimum 0,28. Hal ini menunjukkan bahwa 60 sampel penelitian mempunyai nilai
terkecil sebesar 0,04 dan nilai terbesarnya adalah 0,28. Rata-rata GWM yang dimiliki perusahaan perbankan dalam penelitian ini adalah sebesar 0,0768 dan dengan standar
deviasi 0,04432. Nilai standar deviasi lebih kecil daripada rata-rata mengindikasikan variabel GWM terdistribusi secara normal.
Pertumbuhan Laba PL mempunyai nilai minimum sebesar -0,91 dan nilai maksimum 2,43. Rata-rata PL yang dimiliki perusahaan perbankan dalam penelitian ini
adalah sebesar 0,3032 dan dengan standar deviasi 0,60002. Nilai standar deviasi lebih besar daripada rata-rata mengindikasikan PL sangat bervariasi antar perusahaan
perbankan yang satu dengan perusahan yang lain, juga sangat bervariasi dari tahun ke tahun.
2. Hasil Uji Asumsi Dasar Regresi
a. Hasil Uji Normalitas
Uji normalitas bertujuan untuk mengetahui apakah dalam model regresi, variabel pengganggu atau residual memiliki distribusi normal serta untuk
menghindari bias dalam model regresi. Dalam penelitian ini digunakan grafik histogram, grafik normal probability plot, dan uji statistik Kolmogorov-Smirnov
untuk menguji distribusi data.
Universitas Sumatera Utara
Tabel 4.2 Hasil Uji Kolmogorov-Smirnov
One-Sample Kolmogorov-Smirnov Test
CAR NPL
NIM LDR
GWM PL
LN_ROA LN_BOPO N
60 60
60 60
60 60
60 60
Normal Parameters
a
Mean .1667
3.0570 .0810
.7198 .0768
.3032 -4.3628
-.1676 Std. Deviation .06876 1.73755 .03018 .15797 .04432 .60002
.96016 .10241
Most Extreme Differences Absolute
.181 .091
.176 .101
.256 .185
.180 .109
Positive .181
.091 .176
.094 .238
.185 .090
.061 Negative
-.116 -.069
-.086 -.101
-.256 -.095
-.180 -.109
Kolmogorov-Smirnov Z 1.399
.706 1.360
.781 1.981
1.437 1.391
.841 Asymp. Sig. 2-tailed
.040 .701
.049 .576
.001 .032
.042 .479
a. Test distribution is Normal.
Sumber : Data sekunder setelah dioal dengan SPSS, 2011 Hasil uji normalitas dengan uji statistik one sample Kolmogorov-Smirnov
dapat dilihat pada tabel 4.3. Besarnya nilai Kolmogorov-Smirmov adalah 1,143 dan nilai signifikansi dari unstandardized residual sebesar 0,147. Nilai
signifikansi tersebut lebih besar dari 0,05. Untuk memperkuat hasil uji statistik one sample Kolmogorov-Smirnov
ini, maka dilakukan juga uji normalitas dengan grafik histogram dan normal probability plot. Grafik histogram dan normal
probability plot dapat digambarkan sebagai berikut:
Universitas Sumatera Utara
Gambar 4.1
Gambar 4.2
Universitas Sumatera Utara
Grafik histogram memberikan pola distribusi yang mendekati normal sedangkan grafik normal probability-plot yaitu bahwa titik-titik menyebar hanya
di sekitar garis diagonal dan mengikuti arah garis diagonal. Hasil ini konsisten dengan uji Kolmogorov-Smirmov yang dijelaskan di atas. Berdasarkan grafik
histogram dan grafik normal probability-plot tersebut dapat dikatakan bahwa data secara umum terdistribusi secara normal.
b. Hasil Uji Multikolinearitas
Uji multikolinearitas dilakukan dengan melihat nilai tolerance dan variance inflation factor
VIF. Nilai cutoff yang umum dipakai untuk menunjukkan adanya multikolinearitas adalah nilai tolerance
≤ 0,10 dan nilai VIF ≥ 10.
Tabel 4.3 Hasil Uji Multikolinearitas
Sebelum Transform
Coefficients
a
Model Unstandardized
Coefficients Standardized
Coefficients t
Sig. Collinearity Statistics
B Std. Error
Beta Tolerance
VIF 1
Constant 2.709
2.964 .914
.365 CAR
.339 1.347
.039 .252
.802 .738
1.354 NPL
.055 .056
.158 .981
.331 .679
1.473 ROA
-5.974 28.533
-.111 -.209
.835 .062
16.110 BOPO
-3.149 3.012
-.446 -1.046
.301 .096
10.364 NIM
-2.608 4.547
-.131 -.574
.569 .336
2.974 LDR
.472 .558
.124 .845
.402 .814
1.229 GWM
.298 1.987
.022 .150
.881 .816
1.226 a. Dependent Variable: PL
Sumber : Data Sekunder setelah diolah SPSS, 2011 Hasil uji multikolinearitas sebelum transformasi yang terdapat pada tabel
4.3 menunjukkan bahwa terdapat variabel independen yang memiliki nilai
Universitas Sumatera Utara
tolerance kurang dari 0,10 yaitu variabel ROA dan BOPO. Variabel ROA memiliki nilai tolerance sebesar 0,062 sedangkan variabel BOPO mempunyai
nilai tolerance sebesar 0,096. Hal ini berarti bahwa terdapat korelasi antar variabel independen yang nilainya lebih besar dari 95. Hasil perhitungan untuk Variance
Inflation Factor VIF menunjukkan bahwa terdapat dua variabel independen
yang memiliki VIF lebih dari 10. Variabel tersebut adalah variabel ROA dengan nilai VIF sebesar 16,110 dan variabel BOPO sebesar 10,364. Dikarenakan dalam
penelitian ini terdapat dua variabel yang mempunyai tolerance ≤ 0,10 dan nilai
VIF ≥ 10, maka dapat dikatakan bahwa terdapat masalah multikolinearitas.
Salah satu cara yang dapat digunakan untuk mengatasi masalah multikolinearitas adalah dengan melakukan transformasi variabel. Transformasi
variabel merupakan salah satu cara mentransformasi atau mengubah sebuah variabel data untuk keperluan-keperluan yang khususSantoso, 2009.
Transformasi dapat dilakukan dalam bentuk logaritma natural. Variabel yang memiliki masalah multikolinearitas tersebut ditransformasi dalam bentuk
logaritma natural. Variabel ROA ditransformasi menjadi LnROA sedangkan variabel BOPO ditransformasi menjadi LnBOPO. Hasil uji multikolinearitas
setelah dilakukan transformasi variabel independen dapat dilihat pada tabel 4.4.
Universitas Sumatera Utara
Tabel 4.4 Hasil Uji Multikolinearitas
Setelah Transformasi
Coefficients
a
Model Unstandardized
Coefficients Standardized
Coefficients t
Sig. Collinearity Statistics
B Std. Error
Beta Tolerance
VIF 1
Constant -.647
1.123 -.576
.567 CAR
.575 1.210
.066 .475
.637 .916
1.091 NPL
.055 .053
.160 1.040
.303 .741
1.350 NIM
-2.926 3.332
-.147 -.878
.384 .627
1.596 LDR
.456 .558
.120 .818
.417 .816
1.225 GWM
.381 1.930
.028 .197
.844 .867
1.154 LN_ROA
-.039 .163
-.063 -.242
.810 .260
3.842 LN_BOPO
-2.343 1.410
-.400 -1.662
.103 .304
3.290 a. Dependent Variable: PL
Sumber : Data sekunder setelah diolah dengan SPSS, 2011 Hasil uji multikolinieritas terdapat pada tabel 4.4 menunjukkan bahwa
tidak ada variabel independen yang memiliki nilai tolerance kurang dari 0,10 yang berarti bahwa tidak ada korelasi antar variabel independen yang nilainya
lebih besar dari 95. Hasil perhitungan untuk Variance Inflation Factor VIF juga menunjukkan hal yang sama bahwa tidak ada variabel independen yang
memiliki nilai VIF lebih dari 10. Dengan demikian, dapat disimpulkan bahwa tidak ada multikolinieritas yang terjadi antar variabel independen dalam model
regresi.
c. Hasil Uji Autokorelasi
Uji autokorelasi bertujuan untuk mengetahui apakah terjadi korelasi antara anggota serangkaian data observasi yang diurutkan menurut waktu time series.
Universitas Sumatera Utara
Pengujian autokorelasi dilakukan dengan menggunakan uji Durbin-Watson. Kriteria untuk penilaian terjadinya autokorelasi adalah:
1. angka D-W di bawah -2 berarti ada autokorelasi positif,
2. angka D-W di antara -2 sampai +2 berarti tidak ada autokorelasi,
3. angka D-W di atas +2 berarti ada autokorelasi negatif.
Tabel 4.5 Hasil Uji Durbin-Watson
Sumber : Data sekunder setelah diolah dengan SPSS, 2011 Pada tabel 4.5 diatas menunjukkan bahwa nilai statistik Durbin-Watson
sebesar 2,130. Angka statistik ini menunjukkan bahwa nilai D-W di atas +2 , maka dapat disimpulkan bahwa ada autokorelasi negatif antar residual.
d. Hasil Uji Heterokedastisitas
Pengujian heterokedastisitas dilakukan dengan tujuan mengetahui apakah pada suatu regresi tersebut terjadi ketidaksamaan varians dari residual dari setiap
pengamatan ke pengamatan lainnya berbeda. Penelitian ini menggunakan cara dengan melihat grafik plot untuk mendeteksi adanya heterokedastisitas. Hasil uji
heterokedastisitas dapat dilihat pada hasil pengolahan dengn menggunakan SPSS yaitu sebagai berikut:
Model Summary
b
Model R
R Square Adjusted R
Square Std. Error of the
Estimate Durbin-Watson
1 .291
a
.084 -.039
.61154 2.130
a. Predictors: Constant, LN_BOPO, GWM, CAR, LDR, NPL, NIM, LN_ROA b. Dependent Variable: PL
Universitas Sumatera Utara
Gambar 4.3
Sumber : Data sekunder setelah diolah dengan SPSS, 2011 Dari grafik scatterplot pada gambar 4.3 terlihat bahwa titik-titik yang ada
menyebar secara acak. Titik-titik juga terdapat baik di atas maupun di bawah angka 0 pada sumbu Y. Oleh karena itu, dapat disimpulkan bahwa tidak terjadi
heterokedastisitas pada model regresi sehingga model regresi layak digunakan.
3. Hasil Pengujian Analisis Regresi