a. 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. Pengujian normalitas dalam penelitian ini menggunakan uji statistik non-parametrik Kolmogorov-Smirnov K-S, dengan
menbuat hipotesis:
H0 : Data residual berdistribusi normal
Ha : Data residual tidak berdistribusi normal
Apabila signifikansi lebih besar dari 0.05 maka H0 diterima, sedangkan jika
nilai signifikansi lebih kecil dari 0.05 maka H0 ditolak. Tabel 4.2
Hasil Uji Normalitas
One-Sample Kolmogorov-Smirnov Test
66 66
66 66
66 4E+013
18,1209 1,4802
3,2736 2E+013
6E+013 5,78873
1,47851 3,36361
3E+013 ,281
,078 ,135
,190 ,216
,281 ,078
,122 ,190
,207 -,242
-,050 -,135
-,165 -,216
2,285 ,633
1,094 1,546
1,753 ,000
,818 ,183
,017 ,004
N Mean
Std. Deviation Normal Parameters
a,b
Absolute Positive
Negative Most Extreme
Differences
Kolmogorov-Smirnov Z Asymp. Sig. 2-tailed
DPK CAR
ROA NPL
KREDIT
Test distribution is Normal. a.
Calculated from data. b.
Sumber: Hasil Pengolahan SPSS 2008 Dari hasil pengolahan data tersebut, diperoleh bahwa variabel DPK, NPL dan
Kredit tidak terdistribusi secara normal dan memiliki nilai signifikansi yang lebih kecil dari 0,05 5 yakni DPK 0,00; NPL 0,017; Kredit 0,004 ,sedangkan
Universitas Sumatera Utara
variabel CAR dan ROA terdistribusi secara normal. Untuk itu data di-treatment dengan menggunakan model log-log Nachrowi, 2002:86, yaitu melakukan
transformasi data ke model logaritma natural LN_ dari Kredit = fDPK, CAR, ROA, NPL menjadi LN_Kredit = fLN_DPK, LN_CAR, LN_ROA, LN_NPL.
Kemudian data diuji ulang berdasarkan asumsi normalitas, berikut ini hasil pengujian dengan Kolmogorov-Smirnov:
Tabel 4.3 Hasil Uji Normalitas Setelah Transformasi Logaritma Natural
One-Sample Kolmogorov-Smirnov Test
66 66
63 65
66 30,3129
2,8443 ,2392
,7819 29,8534
1,64675 ,33342
,96131 ,95983
1,60927 ,106
,097 ,152
,070 ,095
,093 ,079
,071 ,041
,076 -,106
-,097 -,152
-,070 -,095
,860 ,786
1,204 ,565
,772 ,450
,567 ,110
,908 ,590
N Mean
Std. Deviation Normal Parameters
a,b
Absolute Positive
Negative Most Extreme
Differences
Kolmogorov-Smirnov Z Asymp. Sig. 2-tailed
LN_DPK LN_CAR LN_ROA LN_NPL LN_KREDIT
Test distribution is Normal. a.
Calculated from data. b.
Sumber: Hasil Pengolahan SPSS 2008 Dari tabel 4.4, dapat disimpulkan bahwa data dalam model regresi setelah
dilakukan transformasi data dalam bentuk logaritma natural, terdistribusi secara normal. Masing-masing ditunjukkan dengan data debagai berikut:
- nilai signifikan DPK sebesar 0.4500.05 maka Ho diterima. - nilai signifikan CAR sebesar 0.5670.05 maka Ho diterima.
- nilai signifikan ROA sebesar 0.1100.05 maka Ho diterima. - nilai signifikan NPL sebesar 0.9080.05 maka Ho diterima.
Universitas Sumatera Utara
- nilai signifikan Kredit sebesar 0.5900.05 maka Ho diterima. Dengan demikian secara keseluruhan dapat disimpulkan bahwa nilai-nilai
observasi data telah terdiatribusi secara normal dan dapat dilanjutkan dengan uji asumsi klasik lainnya. Untuk lebih jelas berikut ini turut dilampirkan grafik
histogram dan plot data yang terdistribusi normal.
Regression Standardized Residual
2 1
-1 -2
-3 -4
Frequency
12.5 10.0
7.5 5.0
2.5 0.0
Histogram
Dependent Variable: LN_KREDIT
Mean =1.07E-14 Std. Dev. =0.967
N =62
Gambar 4.1 Histogram
Sumber : Hasil Pengolahan SPSS 2008
Dengan cara membandingkan antara data observasi dengan diatribusi yang mendekati distribusi normal, dari grafik di atas dapat disimpulkan bahwa
distribusi data normal karena grafik histogram menunjukkan distribusi data
Universitas Sumatera Utara
mengikuti garis diagonal yang tidak menceng skewness kiri maupun menceng
kanan.
Demikian pula dengan hasil uji normalitas dengan menggunakan grafik plot
berikut ini:
Gambar 4.2 Grafik Normal Plot
Sumber : Hasil Pengolahan SPSS 2008 Pada grafik normal plot terlihat titik-titik menyebar di sekitar garis diagonal
serta penyebarannya agak mendekati dengan garis diagonal sehingga dapat disimpulkan bahwa data dalam model regresi terdistribusi secara normal.
Observed Cum Prob
1.0 0.8
0.6 0.4
0.2 0.0
1.0 0.8
0.6 0.4
0.2 0.0
Normal P-P Plot of Regression Standardized Residual
Dependent Variable: LN_KREDIT
Expected Cum Prob
Universitas Sumatera Utara
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