Uji Normalitas Uji Multikolinieritas

parsial berpengaruh tidak signifikan terhadap variabel Kinerja Bank Umum ROA yang terdaftar di Bursa Efek Indonesia. 2. H 1 : b i ≠0, artinya Capital Adequacy Ratio CAR, Loan to Deposit Ratio LDR, Non Performing Loan NPL, Debt to Equity Ratio DER, dan Biaya Operasional Pendapatan Operasional BOPO secara parsial berpengaruh signifikan terhadap variabel Kinerja Bank Umum ROA yang terdaftar di Bursa Efek Indonesia. Pada penelitian ini nilai t hitung akan dibandingkan dengan t tabel pada tingkat signifikan � = 5. Kriteria pengambilan keputusan dalam pengujian hipotesis secara parsial pada uji-t ini adalah: 1. Jika Sig 0,05 dant hitung t tabel maka H diterima atau H 1 ditolak. 2. Jika Sig 0,05 dan t hitung t tabel maka H ditolak atau H 1 diterima.

3.9.2 Uji Asumsi Klasik

Uji asumsi klasik dalam penelitian ini dilakukan untuk mengetahui apakah sampel yang ditetapkan telah dapat dilakukan analisis dan melihat apakah model prediksi yang dirancang telah dapat dimasukkan ke dalam serangkaian data, sehingga perlu dilakukan pengujian data. Untuk mendapatkan model regresi yang baik harus terbebas dari penyimpangan data yang terdiri dari normalitas, multikolinieritas, autokorelasi dan heteroskedastisitas.

3.9.2.1 Uji Normalitas

Menurut Situmorang dan Lufti, 2012: 100 menyatakan bahwa uji normalitas bertujuan untuk mengetahui apakah distribusi sebuah data mengikuti Universitas Sumatera Utara atau mendekati distribusi normal. Data yang baik adalah data yang mempunyai pola distribusi normal, yakni distribusi data tersebut tidak menceng ke kiri atau ke kanan. Cara menguji normalitas data dapat dilihat dengan tiga pendekatan yaitu pendekatan histogram, grafik, dan Kolmogorov-Smirnov. Uji normalitas data dengan pendekatan histogram dapat dilihat dengan kurva normal yaitu kurva yang memiliki ciri-ciri khusus, salah satunya adalah bahwa mean, mode, dan median pada tempat yang sama. Pada pendekatan histogram variabel berdistribusi normal jika dapat ditunjukkan oleh distribusi data yang tidak menceng ke kiri atau menceng ke kanan. Namun demikian, hanya dengan melihat histogram, hal ini dapat membingungkan, khususnya untuk jumlah sampel yang kecil. Metode lain yang dapat digunakan adalah pendekatan grafik dengan melihat normal probability plot yang membandingkan distribusi kumulatif dari distribusi normal. Dasar pengambilan keputusan dari analisis normal probability plot sebagai berikut: 1. Jika data menyebar disekitar garis diagonal dan mengikuti arah garis diagonal, maka model regresi memenuhi asumsi normalitas. 2. Jika data menyebar jauh garis diagonal dan tidak mengkuti arah garis diagonal, maka model regresi tidak memenuhi asumsi normalitas. Untuk mendeteksi normalitas data dapat dilakukan pula melalui analisis statistik yang salah satunya dapat dilihat melalui Kolmogrorov-Smirnov test K- S.Pendekatan Kolmogorov-Smirnov digunakan untuk memastikan apakah data disepanjang garis diagonal berdistribusi normal. Nilai Kolmogorov-Smirnov Z Universitas Sumatera Utara lebih kecil dari 1,97 berarti data dikatakan normal Situmorang dan Lufti, 2012: 107.

3.9.2.2 Uji Multikolinieritas

Uji multikolinieritas bertujuan untuk menguji apakah model regresi ditemukan adanya korelasi diantara variabel independen. Model regresi yang baik seharusnya tidak terjadi korelasi diantara variabel independen. Untuk melihat ada atau tidaknya multikolinieritas dalam model regresi dilihat dari nilai Tolerance dan lawannya Variance Inflation Factor VIF. Nilai cut off atau batasan yang umum dipakai untuk menunjukkan adanya multikolinieritas adalah nilai Tolerance 0,10 atau nilai VIF 5. Dasar pengambilan keputusan untuk mendeteksi ada atau tidak adanya multikolinieritas dapat dilakukan dengan melihat toleransi variabeldan VIF dengan membandingkan Situmorang dan Lufti, 2012: 140: 1. VIF 5 maka diduga mempunyai persoalan multikolinieritas. 2. VIF 5 maka tidak terdapat multikolinieritas. 3. Tolerance 0,1 maka diduga mempunyai persoalan multikolinieritas. 4. Tolerance 0,1 maka tidak terdapat multikolinieritas. 3.9.2.3 Uji Autokorelasi Uji autokorelasi bertujuan untuk menguji apakah dalam model regresi linear ada korelasi antara kesalahan pengganggu pada periode t dengan kesalahan pengganggu pada periode sebelumnya Situmorang dan Lufti ¸ 2012: 120. Metode yang dapat digunakan untuk mendeteksi ada atau tidaknya autokorelasi salah Universitas Sumatera Utara satunya adalah dengan menggunakan uji Durbin Watson, dengan kriteria pengambilan keputusan yaitu: Tabel 3.4 Kriteria Pengambilan Keputusan Durbin Watson Hipotesis Nol Keputusan Jika Tidak ada autokorelasi positif Tolak 0ddl Tidak ada autokorelasi positif No decision dl ≤d≤du Tidak ada korelasi negatif Tolak 4 – dld4 Tidak ada korelasi negatif No decision 4 – du ≤d≤4-dl Tidak ada autokorelasi positif atau negatif Tidak ditolak dud4-du Sumber: Situmorang dan Lufti 2012: 126

3.9.2.4 Uji Heteroskedastisitas