mengidentifikasikan kemampuan intelektual organisasi yang dapat juga dianggap sebagai BPI Business Performance Indicator. Menurut Kamath 2007 dalam
Ulum, 2009:92 kinerja bank dikelompokkan dalam 4 empat kategori, yaitu: a. “Top performers” – untuk bank dengan nilai VAIC di atas 5;
b. “Good performers” – untuk bank dengan nilai VAIC antara 4 dan 5; c. “Common performers” – untuk bank dengan nilai VAIC antara 2,5 dan 4; dan
d. “Bad performers” – untuk bank dengan nilai VAIC di bawah 2,5. Tabel 4.1 menunjukkan bahwa rata-rata kinerja intellectual capital
perusahaan sampel selama tahun pengamatan 2008 hingga 2012 adalah sebesar 2,78. Hal ini berarti bahwa secara umum kinerja intellectual capital perusahaan
sampel yang diukur dengan metode VAIC berada pada kategori common performers. Nilai VAIC terendah diperoleh sebesar 1,69 yang berarti berada
dalam kategori bad performers, sedangkan nilai VAIC tertinggi mencapai 4,05 yang termasuk dalam kategori good performers.
4.2.2 Analisis Statistik 4.2.2.1 Uji Asumsi Klasik
Uji asumsi klasik adalah persyaratan statistik yang harus dimiliki oleh analisis regresi linier berganda.
1. Uji Normalitas
Uji normalitas dilakukan untuk menguji apakah dalam sebuah model regresi, variabel independen dan variabel dependen atau keduanya mempunyai distribusi
normal atau tidak. Model yang paling baik adalah distribusi data normal atau
Universitas Sumatera Utara
mendekati normal. Normalitas data dapat dideteksi dengan melihat bentuk kurva histogram dengan kemiringan seimbang ke kiri dan ke kanan dan berbentuk
seperti lonceng atau dengan melihat titik-titik data yang menyebar disekitar garis diagonal dan searah mengikuti garis diagonal dari gambar normal P-Plot.
Gambar 4.1 ini menunjukkan kurva histogram yang memiliki kemiringan seimbang kekiri dan kekanan, atau tidak condong ke kiri maupun ke kanan,
melainkan ke tengah dengan bentuk seperti lonceng. Hal ini memenuhi salah satu syarat uji normalitas data bahwa data berdistribusi normal.
Gambar 4.1 Histogram Variabel Dependen VAIC
Gambar 4.2 ini merupakan kurva P-Plot yang menunjukkan penyebaran titik-titik data di sekitar garis diagonal dan mengikuti arah garis diagonal. Hal ini
berarti data pada variabel yang digunakan, yaitu variabel Value Added Intellectual Coefficient VAIC, berdistribusi normal.
Universitas Sumatera Utara
Sumber: Hasil olahan SPSS 16.00, 2014
Gambar 4.2 Normal P-Plot of Regresion Standarized Residual
Penelitian ini juga menggunakan Uji Statistik non-parametrik One sample Kolmogorov-Smirnov untuk mendapatkan tingkat uji normalitas yang lebih
signifikan. Pada Tabel 4.2 berikut ini, diperoleh nilai Asymp. Sig 2-tailed taraf nyata α, yaitu 0.623 0.05. Hal ini berarti bahwa H
diterima, yang berarti data residual berasal dari distribusi normal.
Tabel 4.2 Hasil Uji Normalitas
One-Sample Kolmogorov-Smirnov Test
Unstandardized Residual
N 40
Normal Parameters
a
Mean .0000000
Std. Deviation .50504357
Most Extreme Differences Absolute .119
Positive .119
Negative -.051
Kolmogorov-Smirnov Z .752
Asymp. Sig. 2-tailed .623
Sumber: Hasil olahan SPSS 16.00, 2014
Universitas Sumatera Utara
2. Uji Heteroskedastisitas
Asumsi heteroskedastisitas adalah asumsi dalam regresi dimana varians dari residual tidak sama untuk satu pengamatan ke pengamatan lain. Jika varians dari
residual dari suatu pengamatan ke pengamatan lain tetap, maka disebut homoskedastisitas, dan jika berbeda disebut heteroskedastisitas. Salah satu uji
untuk mengetahui heteroskedastisitas ini adalah dengan melihat penyebaran dari varians residual pada diagram pencar scatter plot.
Pada Gambar 4.3 terlihat penyebaran residual cenderung tidak teratur, terdapat beberapa plot yang berpencar dan tidak membentuk pola tertentu.
Sehingga dapat disimpulkan tidak terdapat gejala heteroskedastisitas pada model regresi dalam penelitian ini.
Sumber: Hasil olahan SPSS 16.00, 2014
Gambar 4.3 Scatterplot Standardized Predicted Value
Universitas Sumatera Utara
Hasil tampilan output SPSS dalam Tabel 4.3 dengan jelas menunjukkan bahwa tidak ada satupun variabel independen yang signifikan secara statistik
memengaruhi variabel dependen nilai Absolut Ut AbsUt. Hal ini terlihat dari probabilitas signifikansinya di atas 0,05. Jadi, dapat disimpulkan model regresi
tidak mengandung heterokedastisitas.
Tabel 4.3 Hasil Uji Glejser
Coefficients
a
Model Unstandardized Coefficients
Standardized Coefficients
t Sig.
B Std. Error
Beta 1
Constant -.135
.447 -.303
.764 INDPNT
.008 .007
.202 1.237
.224 FEMALE
.005 .008
.156 .633
.531 MNGRIAL
.091 .095
.164 .961
.343 INST
.000 .004
-.018 -.070
.945 a. Dependent Variable: AbsUt
Sumber: Hasil olahan SPSS 16.00, 2014
3. Uji Autokorelasi
