Pengujian normalitas ini akan dilakukan dengan uji statistik non parametrik Kolmogorov–Smirnov K–S. Untuk melihat apakah
suatu data mempunyai distribusi normal, maka kriteria pengujiannya adalah :
1 Jika taraf nyata 0,05, maka data berdistribusi normal 2 Jika taraf nyata 0,05, maka data tidak mempunyai distribusi
normal
b. Pengujian Multikolinearitas
Pengujian multikolinearitas ini bertujuan untuk menguji apakah dalam model regresi ditemukan adanya korelasi antar peubah
bebas. Model regresi yang baik seharusnya tidak terjadi korelasi antara peubah bebas. Pengujian multikolinearitas pada penelitian ini
dilakukan dengan Uji Collinearity Statistic. Dalam melakukan uji multikolinearitas harus diketahui terlebih dahulu Variance Inflation
Factor VIF. Pedoman pengambilan keputusan sebagai berikut :
1 Jika VIF 10, maka artinya terdapat persoalan multikolinearitas di antara peubah bebas.
2 Jika VIF 10, maka tidak terdapat persoalan multikolinearitas di antara peubah bebas.
c. Pengujian Heteroskesdastisitas
Uji ini bertujuan menguji apakah dalam model regresi terjadi ketidaksamaan ragam dari sisa satu 1 pengamatan ke pengamatan
yang lain. Model regresi yang baik adalah yang homokesdasitas, atau tidak terjadi heteroskedasitas. Deteksi dapat dilakukan dengan
menggunakan uji metode grafis dan statistik. Metode grafis, yaitu melihat ada tidaknya pola tertentu yang tergambar pada scatterplot.
Sedangkan, metode statistik dengan metode Glejser, metode Park, metode White, metode Rank Spearman dan metode Bresch-Pagan-
Godfrey BPG. Penelitian ini menggunakan metode Bresch-Pagan-Godfrey
BPG. Jika nilai-p pada tabel output uji BPG lebih besar dari alpha
α=5, maka model persamaan regresi yang terbentuk tidak terjadi gejala heterokesdastisitas, atau model dinyatakan homoskedastisitas.
d. Pengujian Autokorelasi
Menguji autokorelasi dalam suatu model bertujuan mengetahui ada tidaknya korelasi antara peubah pengganggu e
t
pada periode tertentu dengan peubah pengganggu periode sebelumnya e
t-1
. Cara mendeteksi autokorelasi dapat dilakukan dengan uji
Durbin Watson. Model regresi linear berganda terbebas dari autokorelasi, jika nilai Durbin Watson hitung terletak di daerah No
Autocorelation, yaitu mendekati atau di sekitar angka dua 2. Penentuan letak tersebut dibantu dengan tabel dl dan du, dengan nilai
k jumlah peubah bebas.
3.3.3 Regresi Komponen Utama
Analisis komponen utama pada dasarnya mentransformasi peubah-peubah bebas yang berkorelasi menjadi peubah-peubah baru
yang orthogonal dan tidak berkorelasi. Analisis ini bertujuan untuk menyederhanakan peubah-peubah yang diamati dengan mereduksi
dimensinya. Hal ini dilakukan dengan menghilangkan korelasi di antara peubah melalui transformasi peubah asal ke peubah baru komponen
utama yang tidak berkorelasi Ulpah, 2006. Terdapat dua 2 peubah dalam penelitian ini, yaitu :
1. Peubah bebas adalah peubah yang mempengaruhi peubah lain. Peubah bebas tersebut adalah :
a. X
1
: CAR
b. X
2
: NPL c. X
3
: NIM
d. X
4
: BOPO e. X
5
: LDR 2. Peubah terikat adalah peubah yang memberikan respon jika
dihubungkan dengan peubah bebas. Peubah terikat dalam penelitian ini adalah ROA.
Model regresi linear berganda dengan satu peubah terikat �� dan
lima 5 peubah bebas X adalah : �� = a + b
1
X
1
+ b
2
X
2
+ b
3
X
3
+ b
4
X
4
+ b
5
X
5
dimana : �� : ROA
X
1
: CAR X
2
: NPL
X
3
: NIM X
4
: BOPO X
5
: LDR a
: Konstanta b
: Koefisien regresi
3.3.4 Pengujian Hipotesis
Hipotesis merupakan pernyataan atau dugaan mengenai satu atau lebih populasi. Hipotesis dalam penelitian ini terdiri dari :
Ho
1
: CAR tidak berpengaruh positif terhadap ROA Ha
1
: CAR berpengaruh positif terhadap ROA Ho
2
: NPL tidak berpengaruh negatif terhadap ROA Ha
2
: NPL berpengaruh negatif terhadap ROA Ho
3
: NIM tidak berpengaruh positif terhadap ROA Ha
3
: NIM berpengaruh positif terhadap ROA Ho
4
: BOPO tidak berpengaruh negatif terhadap ROA Ha
4
: BOPO berpengaruh negatif terhadap ROA Ho
5
: LDR tidak berpengaruh positif terhadap ROA Ha
5
: LDR berpengaruh positif terhadap ROA
IV. HASIL DAN PEMBAHASAN
