diinterpretasikan bahwa besarnya simpangan data menunjukkan rendahnya fluktuasi dari data OC pada periode tahun 2011-2015.
4.2 Uji Asumsi Klasik
Menurut Gujarati 2003 suatu model dikatakan baik untuk alat prediksi apabila mempunyai sifat-sifat best linear unbiased estimator BLUE. Di samping itu suatu
model dikatakan cukup baik dan dapat dipakai untuk memprediksi apabila sudah lolos dari serangkaian uji asumsi ekonometrika yang melandasinya. Suatu model regresi
berganda yang digunakan untuk menguji hipotesa harus memenuhi asumsi klasik. Uji asumsi klasik dilakukan juga untuk mendapatkan model regresi yang tidak bias dan
efisien. Estimasi dari parameter-parameter dengan metode ordinary least square OLS
akan memiliki sifat ketidakbiasan unbiasedness, varians yang minimum minimum varians, dan sebagainya, yang disebut best linear unbiased estimator BLUE Gujarati,
2003:107, Supranto, 2005:70. Dalam penggunaan regresi linear berganda, terdapat empat uji asumsi klasik, yakni uji normalitas residual, uji multikolinearitas, uji autokorelasi, dan
uji heteroskedastisitas Supranto, 2005:151.
4.2.1 Uji Asumsi Normalitas
Dalam penelitian ini, uji normalitas terhadap residual dengan menggunakan uji Kolmogorov-Smirnov. Tingkat signifikansi yang digunakan
= 0,05. Dasar pengambilan keputusan adalah melihat angka probabilitas , dengan ketentuan
sebagai berikut. Jika nilai probabilitas
≥ 0,05, maka asumsi normalitas terpenuhi. Jika probabilitas 0,05, maka asumsi normalitas tidak terpenuhi.
Universitas Sumatera Utara
Tabel 4.2 Uji Normalitas
One-Sample Kolmogorov-Smirnov Test
Unstandardized Residual
N 40
Normal Parameters
a,,b
Mean .0000000
Std. Deviation .07905839
Most Extreme Differences Absolute
.096 Positive
.096 Negative
-.069 Kolmogorov-Smirnov Z
.608 Asymp. Sig. 2-tailed
.853 a. Test distribution is Normal.
b. Calculated from data.
Perhatikan bahwa berdasarkan Tabel 4.2, diketahui nilai probabilitas p atau
Asymp. Sig. 2-tailed sebesar 0,853. Karena nilai probabilitas p, yakni 0,853,
lebih besar dibandingkan tingkat signifikansi, yakni 0,05. Hal ini berarti asumsi normalitas terpenuhi.
Gambar 4.1 Uji Normalitas dengan Pendekatan Normal P-Plot
Pengujian asumsi normalitas dapat juga digunakan pendekatan analisis grafik.
Pada pendekatan normal probability plot, jika titik-titik dots menyebar jauh menyebar berliku-liku pada garis diagonal seperti ular dari garis diagonal, maka
Universitas Sumatera Utara
diindikasi asumsi normalitas error tidak dipenuhi. Jika titik-titik menyebar sangat dekat pada garis diagonal, maka asumsi normalitas dipenuhi. Gambar 4.1, yakni
normal probability plot Gambar 4.1, titik-titik menyebar cukup dekat pada garis
diagonal, maka disimpulkan bahwa asumsi normalitas dipenuhi.
4.2.2 Uji Multikolinearitas
Untuk memeriksa apakah terjadi multikolinearitas atau tidak dapat dilihat dari nilai variance inflation factor VIF. Nilai VIF yang lebih dari 10 diindikasi suatu
variabel bebas terjadi multikolinearitas Ghozali, 2011.
Tabel 4.3 Uji Multikolinearitas
Model Collinearity Statistics
Tolerance VIF
1 Constant
Resiko PembiayaanX1 .783
1.277 BOPOX2
.803 1.245
Primary RatioX3 .660
1.515 Opportunity CostX4
.976 1.025
Perhatikan bahwa berdasarkan Tabel 4.3, nilai VIF dari variabel RP �
adalah 1,277, nilai VIF dari variabel BOPO � adalah 1,245, nilai VIF dari
variabel PR � adalah 1,515, dan nilai VIF dari variabel OC � adalah 1,025.
Universitas Sumatera Utara
Karena masing-masing nilai VIF tidak lebih besar dari 10, maka tidak terdapat gejala multikolinearitas yang berat.
4.2.3 Uji Heteroskedastisitas