Menurut Ghozali 2005:36, setelah melakukan uji normalitas, dapat dilakukan uji tambahan yaitu uji outlier. Uji ini berguna untuk melihat apakah ada
data yang mempunyai nilai yang sangat menyimpang dari nilai data lainnya. Untuk melihat data yang outlier dapat dilakukan dengan mengkonversi nilai data
ke dalam skor standardized atau yang biasa disebut z-score, dimana bila nilai z yang didapat lebih besar dari angka +2,5 atau lebih kecil dari angka -2,5 maka
data tersebut outlier Singgih, 2000:26. Data yang akan dideteksi normalitasnya adalah data yang sudah kita screening normalitasnya Ghozali, 2005:36. Hasil
dari standarisasi data dapat dilihat pada lampiran 3 dan dapat disimpulkan sebagai berikut:
Tabel 4.4 Nilai skor outlier
Observasi ZLN_ROA Observasi ZLN_NPL 49 3.45024 16 -2.66072
Sumber : Hasil Pengolahan SPSS 2008 Untuk variabel ZLN_ROA dan ZLN_NPL masing-masing terdapat 1
observasi yang outlier. Setelah outlier teridentifikasi langkah berikutnya adalah tetap mempertahankan data outlier jika memang merupakan representasi dari
populasi yang kita teliti atau membuang data outlier jika tidak menggambarkan observasi dalam populasi Ghozali, 2005:38. Dalam hal ini, penulis tetap
mempertahankan data outlier karena memang merupakan representasi dari data yang diteliti.
b. Uji Multikolinearitas
Ghozali 2005:91 menyatakan “uji ini bertujuan untuk menguji apakah model regresi ditemukan adanya korelasi yang kuat antar variabel bebas independen”.
Universitas Sumatera Utara
Multikolinearitas menunjukkan ada tidaknya variabel independen yang memiliki hubungan yang kuat dengan variabel independen lain dalam model regresi, agar
pengambilan keputusan pengaruh pada uji parsial masing-masing variabel independen tidak bias. Untuk mengetahui ada tidaknya multikolinearitas dapat
dilihat dari nilai Variance Inflation Factor VIF, apabila nilai VIF 10 dan nilai tolerance 0.1 maka terjadi multikolinearitas Ghozali, 2005:92.
Tabel 4.5 Hasil uji Multikolinearitas
Coefficientsa
Model Unstandardized
Coefficients Standardized
Coefficients t
Sig. Collinearity
Statistics B
Std. Error
Beta Tolerance
VIF 1
Constant 2,453
1,074 2,284
,026 LN_DPK
,912 ,032
,929 28,885
,000 ,686
1,458 LN_CAR
,119 ,164
,024 ,727
,470 ,632
1,581 LN_ROA
,183 ,071
,113 2,583
,012 ,372
2,685 LN_NPL
-,095 ,056
-,056 -1,706
,093 ,647
1,546 a Dependent Variable: LN_KREDIT
Sumber: Hasil Pengolahan SPSS 2008 Dari data pada tabel 4.5, dapat disimpulkan bahwa tidak terjadi
multikolinearitas dengan dasar nilai VIF untuk setiap variabel independen tidak ada yang melebihi 10 dan nilai tolerance tidak ada yang kurang dari 0.1 , maka
dapat dilakukan analisis lebih lanjut dengan menggunakan model regresi berganda.
c. Uji Autokorelasi .
Untuk mendeteksi ada atau tidaknya autokorelasi, dapat digunakan uji Durbin
Watson. Hasil dari pengujian autokorelasi adalah sebagai berikut:
Universitas Sumatera Utara
Tabel 4.6 Hasil Uji Autokorelasi
Model Summaryb
Model R
R Square Adjusted R
Square Std. Error of the
Estimate Durbin-Watson
1 ,960a
,940 ,937
,32720 2,105
a Predictors: Constant, LN_NPL, LN_DPK, LN_CAR, LN_ROA b Dependent Variable: LN_KREDIT
Sumber: Hasil Pengolahan SPSS 2008 Hasil uji autokorelasi diatas menunjukkan nilai statistic Durbin-Watson DW
sebesar 2,105 , nilai ini akan dibandingkan dengan nilai tabel Durbin-Watson dengan menggunakan signifikansi 5, jumlah sampel 66 n dan jumlah variabel
independen 4 k=4, maka di tabel Durbin-Watson didapat nilai batas atas du 1,7318 dan nilai batas bawah dl 1,4756 . Oleh karena itu, nilai DW berada
diantara batas atas DU dan 4-DU 1.7318 2.105 2.2682, berarti tidak ada autokorelasi.
d. Uji Heteroskedastisitas