4.3. Uji Asumsi Klasik
Karena data yang digunakan adalah data sekunder maka untuk menentukan ketepatan model perlu dilakukan pengujian atas beberapa asumsi
klasik yang digunakan yaitu : Uji Normalitas, Multikolonieritas, Heteroskedastisitas, dan Autokorelasi yang secara rinci dapat dijelaskan
sebagai berikut.
4.3.1. Uji Normalitas
Uji normalitas bertujuan untuk menguji apakah dalam model regresi, variabel terikat dan variabel bebas keduanya mempunyai
distribusi normal atau tidak. Model regresi yang baik adalah memiliki distribusi data normal atau mendekati normal. Metode yang dapat
dipakai untuk normalitas antara lain: analisis grafik dan analisis statistik.
Uji Kolmogorov smirnov digunakan untuk uji statistik apakah data terdistribusi normal ataukah tidak terdistribusi normal. Uji
kolmogorov Smirnov dengan ketentuan sebagai berikut : jika nilai signifikansi kolmogorov smirnov lebih besar dari nilai signifikansi
yang telah ditetapkan maka data terdistribusi secara normal. Uji kolmogorov smirnov dapat dilihat dalam tabel 4.2 sebagai berikut :
Tabel 4.2 Uji Kolmogorov-Smirnov
One-Sample Kolmogorov-Smirnov Test
DPK CAR
LDR NPL
KREDIT N
40 40
40 40
40 Normal Parameters
a,,b
Mean 3.6275 17.1558
77.9765 5.3983
3.6817 Std. Deviation
2.93764 3.48696 26.16291 4.65722 2.70842
Most Extreme Differences
Absolute .125
.183 .156
.287 .143
Positive .114
.183 .156
.287 .143
Negative -.125
-.102 -.092
-.219 -.110
Kolmogorov-Smirnov Z .791
1.154 .985
1.818 .904
Asymp. Sig. 2-tailed .558
.139 .286
.003 .387
a. Test distribution is Normal. b. Calculated from data.
Sumber : Output SPSS 17 Laporan Statistik Perbankan Indonesia, diolah
Dari tabel 4.2 diatas, dapat diketahui bahwa nilai K-S untuk variabel DPK adalah 0,791 dengan p = 0, 558, variabel CAR memiliki
K-S 1,154 dengan p = 0, 139, variabel LDR memiliki K-S 0,985 dengan p = 0,285, variabel NPL memiliki K-S 1,818 dengan p = 0,
003 dan variabel KREDIT memiliki K-S 0,904 dengan p = 0, 387 dapat terdistribusi secara normal karena memiliki tingkat signifikansi
di atas 0,05. Sedangkan variabel NPL memiliki K-S 1,818 dengan p = 0, 003, memiliki probabilitas dibawah 0,05. Hal ini berarti variabel
NPL, belum terdistribusi normal. Data yang tidak terdistribusi secara normal dapat
ditransformasikan agar menjadi normal. Setelah data ditransformasi, maka diuji lagi dengan menggunakan uji K-S dan dilihat apakah data
tersebut sudah terdistribusi secara normal atau tidak. Berikut ini adalah hasil uji K-S setelah ditransformasikan.
Tabel 4.3 Uji Kolmogorov-Smirnov
One-Sample Kolmogorov-Smirnov Test
DPK CAR
LDR NPL
KREDIT N
40 40
40 40
40 Normal Parameters
a,,b
Mean 3.6275
17.1558 77.9765
.3213 3.6817
Std. Deviation 2.93764
3.48696 26.16291
.38139 2.70842
Most Extreme Differences Absolute .125
.183 .156
.097 .143
Positive .114
.183 .156
.097 .143
Negative -.125
-.102 -.092
-.078 -.110
Kolmogorov-Smirnov Z .791
1.154 .985
.616 .904
Asymp. Sig. 2-tailed .558
.139 .286
.842 .387
a. Test distribution is Normal. b. Calculated from data.
Sumber : Output SPSS 17 Laporan
Statistik Perbankan Indonesia, diolah
Dari tabel 4.3 diatas, dapat diketahui bahwa nilai K-S untuk variabel DPK adalah 0,791 dengan sig = 0,558, variabel CAR
memiliki K-S 1,154 dengan sig = 0,139, variabel LDR memiliki K-S 0,985 dengan sig = 0,286, variabel NPL memiliki K-S 0,616 dengan
sig = 0,842 dan variabel KREDIT memiliki K-S 0,904 dengan sig = 0,387, semua variabel dapat terdistribusi secara normal karena
memiliki nilai signifikansi di atas 0,05. Metode lain untuk mengetahui normalitas adalah dengan
menggunakan metode analaisis 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 menyerupai lonceng, regresi memenuhi asumsi
normalitas.
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.
Gambar berikut ini memperlihatkan hasil uji normalitas yang dilakukan dalam penelitian ini.
Gambar 4.1 Grafik Histogram
Sumber : Output SPSS 17 Laporan
Statistik Perbankan Indonesia, diolah
Gambar histogram di atas 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.
Gambar 4.2 Normal P-Plot
Sumber : Output SPSS 17 Laporan
Statistik Perbankan Indonesia, diolah
Berdasarkan gambar 4.2 Normal Probability Plot di atas dapat disimpulkan bahwa model regresi memenuhi asumsi normalitas
karena data menyebar di sekitar garis diagonal dan penyebaran data searah mengikuti garis diagonal.
4.3.2. Uji Multikolinearitas