Gambar 4.4. Grafik Normal P-Plot Setelah Transformasi Sumber : SPSS 18.0, diolah Penulis, 2013.
Pada grafik normal p-plot terlihat bahwa data menyebar disekitar garis diagonal dan mengikuti arah garis diagonal, maka dapat disimpulkan bahwa
model regresi telah memenuhi asumsi normalitas.
4.3.2. Uji Multikolinieritas
Multikolinearitas adalah keadaan dimana variabel-variabel independen dalam persamaan regresi mempunyai korelasi hubungan yang erat satu sama lain
Pengujian multikolinearitas dapat dilakukan dengan melihat Variance Inflation
Universitas Sumatera Utara
factor VIF dan korelasi diantara variabel independen. Jika nilai VIF 10 atau tolerance 0.10 maka terjadi multikolinearitas sedangkan apabila nilai VIF 10
atau tolerance 0.10 maka tidak terjadi multikolinearitas, jika kolerasi diantara variabel independen lebeih besar dari 0.9.
Uji multikolinearitas dengan melihat tolerance dan VIF menunjukkan hasil seperti pada tabel 4.5 berikut :
Tabel 4.5. Hasil Uji Multikolinieritas
Coefficients
a
Model Collinearity Statistics
Tolerance VIF
1 Constant
LN_X1 .126
7.962 LN_X2
.493 2.028
LN_X3 .143
6.981 LN_X4
.200 5.010
a.
a. Dependent Variable: LN_Y
Sumber : SPSS 18.0, diolah Penulis, 2013.
Tabel 4.5. di atas menunjukkan bahwa penelitian ini bebas dari adanya multikolinearitas. Hal ini bisa dilihat dengan membandingkan nilai tolerance dan
VIF. Masing-masing variabel bebas yang digunakan dalam penelitian ini memiliki nilai tolerance yang lebih besar dari 0.01 yaitu untuk LN_X1 nilai tolenrance
0.126; LN_X2 nilai tolenrance 0.493; LN_X3 nilai tolenrance 0.143; LN_X4 nilai tolenrance 0.200.
Sedangkan jika dilihat dari VIF-nya bahwa masing-masing variabel bebas lebih kecil dari 10 yaitu, untuk VIF LN_X1 sebesar 7.962; VIF LN_X2 2.028,
VIF LN_X3 6.981 dan VIF LN_X4 sebesar 5.010. Dengan demikian dapat
Universitas Sumatera Utara
disimpulkan bahwa tidak terjadi gejala multikolinearitas antara variabel independen, dengan dasar nilai VIF untuk setiap variabel tidak ada yang lebih dari
10 dan nilai tolerance tidak ada yang kurang dari 0.1.
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. Jika variance dari satu pengamatan ke pengamatan yang lain tetap, maka disebut homokedastisitas dan jika berbeda disebut
heteroskedastisitas. Model regersi yang baik adalah tidak terjadi heteroskedastisitas. Untuk menghilangkan heteroskedastisitas dapat dengan
mengonversi ke dalam bentuk logaritma atau dengan menjalankan regresi sistem kuadrat terkecil tertimbang weigthed least square , Pratisto, 2009.
Dari grafik scatterplot terlihat bahwa titik-titik menyebar secara acak dengan tidak adanya pola yang serta tersebar baik di atas maupun di bawah angka
0 pada sumbu Y. Dengan demikian, dapat disimpulkan bahwa tidak tejadi heteroskedastitas sehingga model ini layak dipakai untuk memprediksi rentabilitas
bank yang terdaftar di Bursa Efek indonesia berdasarkan masukan varibel independen kredit, surat-surat berharga, penempatan dana pada bank lain, dan
penyertaan modal. Ada tidaknya heterokedastitas pada penelitian ini dapat dilihat dari grafik scatterplot pada gambar 4.5 berikut ini:
Universitas Sumatera Utara
Gambar 4.5. Grafik Scatterplot Sumber : SPSS 18.0, diolah Penulis, 2013.
4.3.4. Uji Autokorelasi