Uji Asumsi Klasik Hasil Penelitian

84 terbesar tetap dimiliki oleh Bank Eksekutif Internasional terendah dimiliki oleh Bank Nusantara Parahiyangan sebesar 0,05.

4.1.5 Uji Asumsi Klasik

Uji asumsi klasik digunakan untuk memastikan bahwa heteroskedastisitas, autokorelasi dan data yang digunakan berdistribusi normal. Uji asumsi klasik dapat dijabarkan sebagai berikut:

4.1.5.1 Autokorelasi

Uji autokorelasi bertujuan untuk menguji apakah dalam model regresi linear ada korelasi antar kesalahan. pengganggu pada periode t dengan kesalahan pengganggu pada periode t -1 sebelumnya. Jika ada kolerasi, maka dikatakan ada problem autokorelasi. Autokorelasi muncul akibat adanya observasi yang berurutan sepanjang waktu berkaitan satu sama lainnya Ghozali, 2005. Pengambilan keputusan ada tidaknya autokorelasi dengan menggunakan uji Durbin Watson DW. Dasar yang digunakan untuk pengambilan keputusan secara umum adalah sebagai berikut Santoso, 2001: 1. Jika pengujian diperoleh nilai DW statistik di bawah -2, maka diindikasikan ada autokorelasi positif. 2. Jika pengujian diperoleh nilai DW statistik di antara -2 sampai 2, maka diindikasikan tidak ada autokorelasi. 3. Jika pengujian diperoleh nilai DW statistik di atas 2, maka diindikasikan ada autokorelasi negatif. 85 Untuk menguji ada tidaknya autokorelasi pada model regresi penelitian ini dapat dilihat pada output SPSS 13 berikut ini: Tabel 4.10 Uji Autokorelasi Model 1 R .506a R Square .256 Adjusted R Square .229 Std. Error of the Estimate .66607 R Square Change .256 F Change 9.619 df1 1 df2 28 Change Statistics Sig. F Change .004 Durbin-Watson 1.579 a Predictors: Constant, Kesehatan Bank b Dependent Variable: Kebangkrutan Bank Dari Tabel 4.10 dapat diketahui nilai DW sebesar 1,579 berkisar antara -2 dengan +2, maka dapat disimpulkan bahwa model regresi diindikasikan tidak terdapat masalah autokorelasi. Temuan ini menunjukkan bahwa model regresi layak digunakan untuk memprediksi kebangkrutan Bank yang didasarkan pada variabel kesehatan Bank. 86

4.1.5.2 Heteroskedastisitas

Menurut Santoso 2001 untuk mengetahui ada tidaknya heteroskedastisitas pada model regresi dapat dilihat dengan ada tidaknya pola tertentu pada grafik scatterplot yang menunjukkan hubungan antara Regression Studintised Residual dengan Regression Standardized Predicted Value. Jika tidak terdapat pola yang jelas, yaitu titik-titiknya menyebar, maka tidak terdapat masalah heteroskedastisitas. Sedangkan jika titik-titiknya membentuk pola tertentu dan teratur bergelombang, melebar kemudian menyempit, maka diinsikasikan terdapat masalah heteroskedastisitas. Ada tidaknya heteroskedastisitas dapat dilihat pada scatterplot berikut ini: Gambar 4.1 Scatter Plot Untuk Uji Heteroskedastisitas -3 -2 -1 1 2 3 Regression Standardized Predicted Value -3 -2 -1 1 2 3 Regres sio n Stud entized Re sid ual Dependent Variable: Kebangkrutan Bank Scatterplot 87 Dari grafik scatterplot terlihat bahwa titik-titik menyebar secara acak di atas maupun dibawah angka 0 pada sumbu Y. Hal ini dapat disitnpulkan bahwa model regresi yang digunakan dalam penelitian ini tidak terjadi heteroskedastisitas, sehingga model regresi layak dipakai untuk menilai prediksi kebangkrutan berdasarkan masukan dari variabel independen yaitu tingkat kesehatan Bank.

4.1.5.3 Normalitas

Uji normalitas bertujuan untuk menguji apakah variabel-variabel dalam model regresi berdistribusi normal atau tidak. Model regresi yang baik adalah model regresi yang terbentuk dari data-data yang memiliki distribusi normal atau mendekati normal. Pengujian kenormalan data dapat diuji dengan rumus Kolmogorov Smirnov. Berdasarkan perhitungan diperoleh hasil seperti disajikan pada tabel berikut: Tabel 4.11 Uji Normalitas Data X Y N 30 30 Normal Parametersa,b Mean 2.4350 80.9473 Std. Deviation .75862 7.87026 Most Extreme Differences Absolute .129 .152 Positive .103 .075 Negative -.129 -.152 Kolmogorov-Smirnov Z .709 .830 Asymp. Sig. 2-tailed .697 .496 Hasil pengujian dengan rumus Kolmogorov Smirnov di atas menunjukkan bahwa data variabel kesehatan bank memiliki nilai kolmogorov smirnov sebesar 0,709 dengan signifikansi 0,697 0,05 yang berrati data kesehatan bank X tersebut berdistribusi normal sedangkan untuk data potensi kebangkrutan bank Y 88 diperoleh nilai kolmogorov smirnov sebesar 0,830 dengan signifikansi 0,496 0,05 dengan demikian data potensi kebangkrutan bank tersebut juga berdistribusi normal.

4.1.6. Pengaruh Tingkat Kesehatan Bank Terhadap Prediksi Potensi Kebangkrutan