52
4.2 Hasil Penelitian
4.2.1 Uji Asumsi Klasik
Uji asumsi klasik dilakukan untuk menguji apakah model persamaan yang digunakan bersifat BLUE Best Linear Unbiased
Estimator. Uji yang dilakukan adalah :
4.2.1.1 Uji Normalitas
Uji Normalitas dapat dilakukan dengan melihat grafik normal plot yang dapat disimpulkan bahwa jika data menyebar
disekitar garis diagonal dan mengikuti arah garis diagonal menunjukkan pola distribusi normal, maka model regresi
memenuhi asumsi normalitas. Jika data menyebar jauh dari diagonaltidak
mengikuti garis
diagonal maka
tidak menunjukkan pola distribusi normal, maka model regresi tidak
memenuhi asumsi normalitas.
Tabel 4.5
One-Sample Kolmogorov-Smirnov Test
CAR NPF
FDR RBH
N 100
100 100
100 Normal Parameters
a,b
Mean 13,9784
2,4489 94,1195
6,1648 Std. Deviation
2,65124 1,13876 7,14639 1,04107
Most Extreme Differences
Absolute ,140
,174 ,067
,092 Positive
,140 ,174
,046 ,092
Negative -,099
-,088 -,067
-,081 Kolmogorov-Smirnov Z
1,204 1,135
,670 ,921
Asymp. Sig. 2-tailed ,139
,185 ,760
,364 a. Test distribution is Normal.
b. Calculated from data.
Universitas Sumatera Utara
53
Besarnya nilai Kolmogrov-Smirnov untuk CAR adalah 1,204 dan signifikansi pada 0.139. Nilai untuk NPF adalah
1,135 dan signifikansi pada 0.185. Nilai untuk FDR adalah 0.670 dan signifikansi pada 0.760. Sedangkan nilai untuk RBH
0.921 dan signifikansi pada 0.364. Hal ini berarti H diterima
dan H
a
ditolak yang berarti data residual terdistribusi normal.
4.2.1.2 Uji Multikolinieritas
Untuk melihat apakah ada gejala multikol atau tidak pada variabel penelitian dilihat pada tabel 4.6 dibawah :
Tabel 4.6
Coefficients
a
Model Unstandardized
Coefficients Standardized
Coefficients t
Sig. Collinearity
Statistics B
Std. Error Beta
Tolerance VIF
1 Constant 1,806
1,398 1,292
,199 CAR
,037 ,038
,094 ,981
,329 ,976
1,025 NPF
,226 ,089
,247 2,540
,013 ,946
1,057 FDR
,035 ,014
,240 2,496
,014 ,968
1,033 a. Dependent Variable: RBH
Dari tabel di atas, dapat dilihat bahwa seluruh nilai tolerance α 0.976 0.01 dan nilai VIF hitung 1,025 berada
dibawah nilai VIF 10. Dengan demikian maka tidak terdapat multikolinearitas antar variabel bebas.
Universitas Sumatera Utara
54
4.2.1.3 Uji Heteroskedastisitas
Uji heterokedastisitas dapat dilakukan dengan melihat grafik Scatterplot antara nilai prediksi variabel dependen yaitu
ZPRED dengan residualnya SRESID.
Gambar 4.5 Scatterplot
Dari grafik scatterplot diatas dapat disimpulkan bahwa titik menyebar secara acak serta tersebar baik diatas maupun
dibawah angka 0 pada sumbu Y. Hal ini dapat disimpulkan bahwa tidak terjadi heteroskedastisitas pada model regresi,
sehingga model regresi layak dipakai untuk memprediksi return bagi hasil berdasarkan variabel capital adequacy ratio, non
performing financing dan financing to deposit ratio.
Universitas Sumatera Utara
55
4.2.1.4 Uji Autokolerasi
Untuk melihat ada atau tidak adanya autokolerasi dengan menggunakan angka Durbin - Watson DW. Dengan
ketentuan sebagai berikut:
Tabel 4.7 Kriteria Autokorelasi Durbin-Watson DW
Hipotesis 0 Ketentuan
Terjadi Autokorelasi Positif Jika nilai DW dibawah -2DW -2
Tidak Terjadi Autokorelasi Jika nilai DW berada diantara -2 dan
+2 atau - 2 ≤ DW ≤ 2
Terjadi Autokorelasi Negatif Jika nilai DW diatas 2 DW 2
Tabel 4.8
Model Summary
b
Model R
R Square Adjusted R
Square Std. Error of the
Estimate Durbin-Watson
1 ,654
a
,428 ,408
,77956 1,158
a. Predictors: Constant, FDR, CAR, NPF b. Dependent Variable: RBH
Dari output di atas dapat dilihat bahwa nilai DW adalah 1,158. Dengan demikian tidak terjadi autokolerasi karena nilai DW
berada diantara -2 dan +2 atau - 2 ≤ 1,158 ≤ 2.
Universitas Sumatera Utara
56
4.2.2 Uji Hipotesis