sebagai berikut : Tabel Analisis Faktor-Faktor Yang Mempengaruhi Penyaluran Kredit Bank Pemerintah Dan Bank Pembangunan Daerah Di Indonesia

dan Bank Pembangunan Daerah belum memenuhi standar yang ditetapkan Bank Indonesia yaitu antara 1,22 – 1,5. Sementara standar deviasi yang masih relatif kecil jika dibandingkan nilai meannya menunjukkan bahwa simpangan data ROA relatif baik. 4.3 Uji Asumsi Klasik

4.3.1 Uji Normalitas

Uji Normalitas bertujuan untuk menguji apakah dalam model regresi variable terikat dan variabel bebas memiliki distribusi normal atau tidak. Model regresi yang baik memiliki distribusi data normal atau mendekati normal. Metode yang dapat digunakan untuk normalitas antara lain : analisis grafik dan analisis statistik. Uji kolmogorov smirnov digunakan untuk uji statistik apakah data terdistribusi normal atau tidak, yang memiliki ketentuan jika nilai signifikansi kolmogorov smirnov lebih besar dari nilai signifikansi yang telah ditetapkan maka data terdistribusi secara normal. Uji kolmogorov smirnov dapat dilihat pada Tabel 4.2 sebagai berikut : Tabel 4.2 Uji Kolmogorov Smirnov Sebelum Transformasi One-Sample Kolmogorov-Smirnov Test DPK CAR NPL ROA KREDIT N 110 110 110 110 110 Normal Parametersa,b Mean 28.5986 18.7434 2.3703 3.6240 28.6309 Std. Deviation 7.66026 5.45477 2.23416 1.2994 3 8.12900 Most Extreme Differences Absolute .076 .089 .151 .074 .073 Positive .076 .089 .151 .074 .073 Negative -.068 -.081 -.145 -.054 -.036 Kolmogorov-Smirnov Z .797 .938 1.584 .777 .763 Asymp. Sig. 2-tailed .549 .342 .013 .582 .605 a Test distribution is Normal. b Calculated from data. Sumber : Hasil Penelitian, 2013 Data Diolah Universitas Sumatera Utara Dari Tabel 4.2 dapat diketahui bahwa nilai K-S untuk variabel DPK adalah 0,797 dengan p = 0,549, variabel CAR memiliki K-S 0,938 dengan p = 0.342, variabel NPL memiliki K-S 1,584 dengan p = 0.013, variabel ROA memiliki K-S 0,777 dengan p = 0,582 dan variabel kredit memiliki K-S 0,763 dengan p = 0,605 dapat terdistribusi normal karena memiliki tingkat signifikan diatas 0,05. Sedangkan variabel NPL dengan K-S 1,584 dengan p = 0.013 memiliki probilitas dibawah 0.05. Hal ini berarti variabel NPL belum terdistribusi normal. Data yang tidak terdistribusi secara normal dapat ditransformasikan agar menjadi normal salah satunya dengan mengubah data menjadi bentuk natural Ln. setelah data ditransformasi maka diuji lagi dengan menggunakan uji K-S dan dilihat data tersebut sudah didistribusi secara normal atau tidak. Berikut ini adalah hasil uji K-S setelah di transformasikan. Tabel 4.3 Uji Kolmogorov Smirnov Sesudah Transformasi One-Sample Kolmogorov-Smirnov Test DPK CAR LnNPL ROA KREDIT N 110 110 102 110 110 Normal Parametersa,b Mean 28.5986 18.7434 .5438 3.6240 28.6309 Std. Deviation 7.66026 5.45477 .98608 1.29943 8.12900 Most Extreme Differences Absolute .076 .089 .110 .074 .073 Positive .076 .089 .049 .074 .073 Negative -.068 -.081 -.110 -.054 -.036 Kolmogorov-Smirnov Z .797 .938 1.110 .777 .763 Asymp. Sig. 2-tailed .549 .342 .170 .582 .605 a Test distribution is Normal. b Calculated from data. Dari Tabel 4.3 dapat diketahui bahwa nilai K-S untuk variabel DPK 0,797 dengan p = 0,549, variabel CAR memiliki K-S 0,938 dengan p = 0,342, variabel LnNPL memiliki 1,110 dengan p = 0,170, variabel ROA memiliki K-S 0,777 Universitas Sumatera Utara dengan p = 0,582, dan variabel kredit memiliki K-S 0,763 dengan p = 0,605 maka masing-masing variabel dapat terdistribusi secara normal karena memiliki nilai signifikansi 0,05. Metode lain untuk mengetahui normalitas adalah dengan menggunakan metode analisis grafik baik dengan melihat grafik secara histogram ataupun dengan melihat secara Normal Probability Plot. Normalitas dapat dideteksi dengan melihat penyebaran data titik pada sumbu diagonal dari grafik atau dengan melihat histogram dari residualnya : 1. Jika data menyebar di sekitar garis diagonal dan mengikuti garis diagonal atau grafik histogramnya menunjukkan pola distribusi normal regresi memenuhi asumsi nor malitas. 2. Jika data menyebar jauh dari garis diagonal dan atau tidak mengikuti arah garis diagonal atau grafik histogram tidak menunjukkan pola distribusi normal, maka model regresi tidak memenuhi asumsi normalitas. Berikut hasil uji normalitas yang diperoleh dalam analisis penelitian ini pada Gambar 4.1 Regression Standardized Residual 3 2 1 -1 -2 -3 Frequency 25 20 15 10 5 Histogram Dependent Variable: KREDIT Mean =2.75E-15฀ Std. Dev. =0.98฀ N =102 Sumber : Hasil Penelitian, 2013 Data Diolah Gambar 4.1. Grafik Histogram Universitas Sumatera Utara Gambar 4.1 menunjukkan bahwa data terdistribusi secara normal karena bentuk kurva memiliki kemiringan yang cenderung imbang dan kurva berbentuk menyerupai lonceng. Dapat disimpulkan bahwa variabel pengganggu atau residual memiliki pola mendekati distribusi normal. Observed Cum Prob 1.0 0.8 0.6 0.4 0.2 0.0 E xpect ed C um P rob 1.0 0.8 0.6 0.4 0.2 0.0 Normal P-P Plot of Regression Standardized Residual Dependent Variable: KREDIT Sumber : Hasil Penelitian, 2013 Data Diolah Gambar 4.2. Normal P-Plot Berdasarkan Gambar 4.2 Normal Probability Plot diatas dapat disimpulkan bahwa model regresi memnuhi asumsi normalitas karena data menyebar di sekitar garis diagonal dan penyebaran data searah mengikuti garis diagonal.

4.3.2 Uji Multikolineritas

Uji Multikolonieritas bertujuan untuk mengetahui apakah dalam model regresi ditemukan adanya korelasi antar variabel bebas independen. Model Universitas Sumatera Utara regresi yangbaik seharusnya tidak terjadi korelasi diantara variabel independen. Adanya multikolinearitas dapat dilihat dari tolerance value atau nilai variance inflation factor VIF. Jika nilai tolerance di bawah 1 dan nilai Variance Inflation Factor VIF tidak lebih dari 10 maka model terbebas dari multikolinearitas. Tabel 4.4 Uji Multikolineritas Co effi cien ts a .946 1.058 .950 1.053 .879 1.137 .924 1.083 DP K CA R LnNPL ROA Model 1 Tolerance VIF Collinearity Statistic s Dependent Variable: KREDIT a. Sumber : Hasil Penelitian, 2013 Data Diolah Berdasarkan Tabel 4.4 nilai tolerance dan VIF dari variabel DPK adalah sebesar 0,946 dan 1,058. Untuk variabel CAR adalah sebesar 0,950 dan 1,053. Untuk variabel LnNPL sebesar 0,879 dan 1,137. Untuk variabel ROA adalah sebesar 0,924 dan 1,083. Oleh karena itu, dapat disimpulkan bahwa dalam model ini tidak terdapat masalah multikolinearitas antara variabel bebas karena nilai tolerance berada di bawah 1 dan nilai VIF jauh di bawah angka 10.

4.3.3 Uji Heteroskedastisitas

Uji Heteroskedastisitas bertujuan untuk menguji apakah dalam model regresi terjadi ketidaksamaan variance dari residual satu pengamatan ke pengamatan yang lain. Model regresi yang baik adalah yang tidak terjadi heteroskedasitas. Pengujian untuk melihat ada atau tidaknya heteroskedasitas dapat dilakukan dengan melihat scatter plot antara lain prediksi variabel terikat Universitas Sumatera Utara ZPRED dengan residual SRESID. Jika titik-titik pada scatter plot tersebut membentuk pola tertentu yang teratur missal bergelombang, melebar kemudian menyempit, maka dapat diindikasikan telah terjadi heteroskedasitas. Hasil pengujian heteroskedasitas yang dilakukan pada penelitian ini dapat dilihat pada gambar berikut : Regression Standardized Predicted Value 3 2 1 -1 -2 -3 R egressi on S tudent iz ed R esi dual 3 2 1 -1 -2 -3 Scatterplot Dependent Variable: KREDIT Sumber : Hasil Penelitian, 2013 Data Diolah Gambar 4.3. Uji Heteroskedastisitas Berdasarkan scatter plot di atas terlihat bahwa titik-titik menyebar secara acak serta tersebar di atas maupun di bawah angka 0 pada sumbu Y. Maka dapat disimpulkan bahwa dalam model regresi ini tidak terjadi heteroskedasitas.

4.3.4 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 t-1 sebelumnya. Jika terjadi korelasi maka dinamakan Universitas Sumatera Utara ada problem autokorelasi. Adapun uji yang dapat digunakan untuk mendeteksi adanya penyimpangan asumsi klasik ini adalah uji Durbin-Watson D-W stat dengan ketentuan sebagai berikut : d. Jika nilai D-W dibawah 0 sampai 1,5 berarti ada autokorelasi positif e. Jika nilai D-W diantara 1,5 sampai 2,5 berarti tidak ada autokorelasi f. Jika nilai D-W diatas 2,5 sampai 4 berarti ada autokorelasi negative. Tabel 4.5 Uji Autokorelasi Model Summary b .843 a .711 .700 4.44351 1.646 Model 1 R R Square Adjusted R Square Std. Error of the Estimate Durbin- Watson Predictors: Constant, ROA, CAR, DPK, LnNPL a. Dependent Variable: KREDIT b. Sumber : Hasil Penelitian, 2013 Data Diolah Berdasarkan Tabel 4.5 diketahui bahwa nilai Durbin Watson adalah sebesar 1,646. Oleh karena nilai D-W dibawah diantara 1,51,6462,5 maka tidak ada autokorelasi pada model regresi yang digunakan dalam penelitian ini.

4.4. Analisis Regresi Berganda