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