77
2. Uji Asumsi Klasik
Variabel dependent yang dihunakan adalah Return on Asset
ROA. Variabel independent yang digunakan dalam penelitian ini adalah
Biaya Operasional terhadap Pendapatan Operasional BOPO, Non
Performing Financing NPF, Financing to Deposit Ratio FDR dan Sertifikat Bank Indonesia Syariah SBIS.
a. Uji Normalitas
Uji normalitas digunakan untuk mengetahui apakah nilai residual yang telah distandarisasi pada model regresi berdistribusi
normal atau tidak. Dalam uji normalitas peneliti menggunakan analisis grafik dengan melihat penyebaran data titik pada sumbu diagonal
dari grafik atau dengan melihat histogram dari residualnya dan analisis statistik dengan uji statistik non-parametrik Kolmogorov-Smirnov K-
S. Dasar pengambilan keputusan menurut Ghozali 2012:112 adalah: 1
Jika data menyebar disekitar garis diagonal dan mengikuti arah garis diagonal atau grafik histogramnya menunjukkan pola
distribusi normal, maka model regresi memenuhi asumsi normalitas.
2 Jika data menyebar jauh dari garis diagonal dan atau tidak
mengikuti arah garis diagonal atau grafik histogramnya tidak menunjukan pola distribusi normal, maka model regresi tidak
memenuhi asumsi normalitas.
78
Uji normalitas dengan analisis statistik dengan menggunakan uji statistik non
—parametrik Kolmogorov-Smirnov dan uji analisis grafik dalam penelitian ini di olah dengan bantuan SPSS 22. Berikut
adalah hasil dari uji normalitas: 1
Analisis Grafik Histogram
Gambar 4. 6 Histogram
Sumber: Hasil Olah Data Berdasarkan gambar diatas, terlihat bahwa sebaran data
residual secara umum tidak membentuk lonceng, sehingga dapat disimpulkan bahwa nilai residual tidak mendekati normal atau data
tidak berdistribusi normal. Oleh karena itu agar mendapatkan data yang normal peneliti melakukan Ln, sehingga didapat hasil sebagai
berikut:
79
Gambar 4. 7 Histogram Hasil Ln
Sumber: Hasil olah data Berdasarkan gambar diatas, terlihat bahwa sebaran data
residual secara umum hampir berbentuk lonceng, sehingga dapat disimpulkan bahwa nilai residual mendekati normal atau data
berdistribusi normal. 2
Analisis Grafik dengan Normal Probability Plot Normal P-Plot
80
Gambar 4. 8 Grafik P-Plot
Sumber: Hasil Olah Data Berdasarkan gambar diatas, terliha bahwa penyebaran data
titik tidak menyebar disekitar garis diagonal dan tidak mengikuti arah garis diagonal yang berarti bahwa data tidak berdistribusi
normal. Oleh karena itu peneliti melakukan Ln agar mendapatkan data yang normal. Hasil dari Ln adalah sebagai berikut:
81
Gambar 4. 9 Grafik P-Plot Hasil Ln
Sumber: Hasil olah data Berdasarkan gambar diatas, terlihat bahwa penyebaran data
titik menyebar disekitar garis diagonal dan mengikuti arah garis diagonal yang berarti bahwa data berdistribusi normal.
3 Analisis Statistik dengan Kolmogorov-Smirnov
Tabel 4. 2 Kolmogorov-Smirnov
Sumber: Hasil Olah Data
82
Berdasarkan tabel diatas, didapatkan hasil Kolmogorov- Smirnov adalah 0,349 dan signifikan pada 0,000 hal ini berarti Ha
diterima yang berarti data residual tidak berdistribusi normal. Olah karena itu peneliti melakukan Ln agar dapat menghasilkan data
yang normal. Hasil dari Ln adalah sebagai berikut:
Tabel 4. 3 Kolmogorov-Smirnov Hasil Ln
Sumber: Hasil olah data Berdasarkan tabel diatas, didapatkan hasil Kolmogorov-
Smirnov adalah 1,065 dan signifikan pada 0,207 hal ini berarti H diterima yang berarti data residual berdistribusi normal atau model
regresi memenuhi asumsi normalitas.
b. Uji Multikolinieritas
Uji multikolinieritas digunakan untuk mengetahui ada atau tidaknya penyimpangan asumsi klasik multikolinieritas yaitu adanya
hubungan linier atau variabel independent dalam model regresi.
Prasyarat yang harus terpenuhi dalam model regresi adalah tidak
83
adanya multikolinieritas. Pada pembahasan ini akan dilakukan uji multikolinieritas dengan melihat nilai
inflation factor VIF pada model regresi. Nilai
cut off yang umum dipakai untuk menunjukkan adanya multikolinieritas adalah nilai
Tolerance 0,10 atau sama dengan VIF 10, maka model dinyatakan tidak terdapat gejala
multikolinieritas. Berikut ini adalah hasil dari uji multikolinieritas:
Tabel 4. 4 Uji Multikolinieritas dengan Model Tolerance dan VIF
Sumber: Hasil olah data Berdasarkan output pada
Coefficient diatas, terlihat bahwa nilai Tolerance
variabel Biaya
Operasional terhadap
Pendapatan Operasional BOPO sebesar 0,675,
Non Performing Financing NPF sebesar 0,922,
Financing to Deposit Ratio FDR sebesar 0,883 dan Sertifikat Bank Indonesia Syariah SBIS sebesar 0,690. Sedangkan
nilai VIF variabel Biaya Operasional terhadap Pendapatan Operasional BOPO sebesar 1,481,
Non Performing Financing NPF sebesar 1,084,
Financing to Deposit Ratio FDR sebesar 1,133 dan Sertifikat Bank Indonesia Syariah SBIS sebesar 1,449. Dari hasil diata dapat
84
disimpulkan bahwa dalam model regresi tidak terdapat gejala multikolinieritas, karena nilai
Tolerance 0,10 dan nilai VIF 10.
c. Uji heteroskedastisitas
Uji heteroskedastisitas digunakan untuk mengetahui ada atau tidaknya penyimpangan asumsi klasik heteroskedastisitas yaitu adanya
ketidaksamaan varian dari residual untuk semua pengamatan pada model regresi. Prasyarat yang harus terpenuhi dalam model regresi
adalah tidak adanya gejala heteroskedastisitas. Yang diharapkan pada model regresi adalah homoskedastisitas. Berikut adalah hasil dari uji
heteroskedastisitas:
Tabel 4. 5 Uji Heteroskedastisitas dengan Model Spearman’s rho
Sumber: Hasil Olah Data
85
Berdasarkan hasil diatas, dapat diketahui bahwa nilai korelai 2 dua variabel
independent dengan Unstandardized Residual memiliki nilai signifikan lebih dari 0,05. Karena
signifikan lebih dari 0,05 maka dapat disimpulkan bahwa variabel BOPO dan NPF tidak signifikan sehingga dapat disimpulkan
bahwa terjadi heterokedastisitas. Oleh karena itu peneliti melakukan Ln, sehingga didapat hail sebagai berikut:
Tabel 4. 6 Uji Heteroskedastisitas dengan Model Spearman’s rho Hasil
Ln
Sumber: Hasil olah data Berdasarkan output diatas, dapat diketahui bahwa nilai
korelai ke 4 empat variabel independent dengan Unstandardized
Residual memiliki nilai signifikan lebih dari 0,05. Karena
86
signifikan lebih dari 0,05 maka dapat disimpulkan bahwa tidak terjadi masalah heteroskedastisitas pada model regresi.
d. Uji Autokorelasi
Uji autokorelasi digunakan untuk mengetahui ada atau tidaknya penyimpangan asumsi klasik autokorelasi yaitu korelasi yang terjadi
antara residual pada suatu pengamatan dengan pengamatan yang lain pada model regresi. Prasyarat yang harus terpenuhi adalah tidak
adanya autokorelasi dalam model regresi. Uji Durbin-Watson Uji D- W merupakan uji yang sangat popular untuk menguji ada-tidaknya
masalah autokorelasi dari model empiris yang diestimasi. Berikut adalah hasil dari uji autokorelasi:
Tabel 4. 7 Uji Durbin-Watson
Sumber: Hasil olah data Berdasarkan tabel diatas, didapat nilai Durbin-Watson
sebesar 1,565. Jika dibandingkan dengan tabel Durbin-Watson dengan n = 80 dan jumlah variabel
independent k=4 diperolah nilai tabel dL
lower = 1,53 dan dU upper = 1,74, sehingga nilai 4-dU sebesar 4-1,74 = 2,26 sedangkan nilai 4-dL sebesar 4-1,53 =
87
2,47. Nilai Durbin-Watson DW sebesar 1,565 berada dibawah dU =1,74 maka hasilnya tidak dapat disimpulkan.
a. Pengobatan Autokorelasi
Oleh karena hasil dari Durbin-Watson tidak dapat disimpulkan
maka nilai standard error SE dan nilai t- statistik tidak dapat dipercaya sehingga diperlukan pengobatan.
Pengobatan autokorelasi tergantung dari nilai yang dapat
diestimasi dengan beberapa cara seperti dibawah ini Imam Ghozali, 2012:130:
a. Nilai ρ diestimasi dengan Durbin-Watson d
b. Nilai ρ diestimasi dengan Theil-Nagar d
Langkah Analisis: 1.
Dapatkan nilai la satu residual Ut_1 dengan perintah Transform dan Compute. Isikan pada target variabel Ut_1
dan isikan pada kotak Numeric Expression LagRes_1. 2.
Dari menu utama SPSS, pilih Analyze, kemudian submenu Regression¸ lalu pilih Linear. Pada kotak dependent isikan
variabel Res_1 Ut dan pada kotak independent isikan
variabel Ut_1 Lag satu dari Ut. Abaikan yang lain dan pilih OK.
88
Berdasarkan hasil output SPSS diperolah hasil nilai
sebesar 0,214 yaitu nilai koefisien variabel Ut_1. Berdasarkan pada perhitungan diatas diperolah nilai
menurut berbagai metode seperti terllihat pada tabel dibawah ini:
Metode
Nilai
Durbin-Watson d 0,2175
Theil-Nagar d 0,2208
Cochrane-Orcutt Step 1 0,214
Ketiga metode ternyata menghasilkan nilai yang hampir sama. Untuk itu penulis memilih metode Theil_nagar d unrtuk
mentransformasikan persamaan regresi. Langkah Analisis:
1. Membentuk variabel ROAt_1, BOPOt_1, NPFt_1, FDRt_1
dan SBISt_1 dengan perintah Transform dan Compute. Pada
kotak Target Variable diisilan ROAt_1, dan pada kotak
Numeric Expression diisikan LnROA-0,2208LagLnROA. Lakukan hal yang sama untuk semua variabel X.
89
2. Dari menu utama SPSS pilih Analyze, kenudian Regression,
lalu pilih Linear. Pada kotak dependent isikan variabel
ROAt_1, serta pada kotak independent isikan variabel
BOPOt_1, NPFt_1, FDRt_1 dan SBISt_1. 3.
Pilih Statistik dan aktifkan Durbin_Watson untuk menguji apakan masih terjadi autokorelasi. Abaikan lainnya dan pilih
OK. 4.
Hasil output SPSS.
Tabel 4. 8 Hasil Pengobatan Uji Durbin-Watson
Sumbe: Hasil olah data Membandingkan hasil regresi persamaan awal sebelum
dilakukan pengobatan dan hasil regresi setelah pengobatan ternyata dapat dibandingkan
comparable. Perbedaan tersebut terletak pada nilai Durbin-Watson. Pada persamaan awal nilai Durbin-Watson
sebesar 1,545 dan hasil tidak dapat disimpulkan, sedangkan dengan persamaan regresi setelah dilakukan pengobatan nilai Durbin-Watson
menjadi sebesar 2,040. Karena nilai Durbin-Watso 2,040 terletah antara dU dengan 4-dU, maka dapat disimpulkan bahwa model
90
persamaan regresi tersebut sudah tidak mengandung masalah autokorelasi.
2. Analisis Regrasi Linier Berganda