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