Return on Assets ROA memiliki nilai tertinggi sebesar 4,46 pada PT. Bank Rakyat Indonesia Persero, Tbk BBRI tahun 2013 dan nilai terendah
sebesar -1,71 pada PT. Bank MNC International, Tbk MNC tahun 2011 dengan nilai rata-rata sebesar 1,84 dan standar deviasi sebesar 1,07.
4.2.2 Uji Asumsi Klasik
Salah satu syarat yang mendasari model regresi berganda dengan metode estimasi Ordinary Least Square OLS adalah terpenuhinya semua asumsi klasik,
agar hasil pengujian bersifat tidak bias dan efisien. Pengujian asumsi klasik pada penelitian ini meliputi normalitas data, heteroskedastisitas, multikolonearitas, dan
autokorelasi agar hasil pengujian tidak bersifat bias dan efisien. Pada pengujian awal asumsi klasik ditemukan bahwa data tidak
terdistribusi secara normal serta terdeteksi adanya data outlier seperti ditunjukkan pada Gambar 4.1 berikut:
Sumber: Hasil Penelitian, 2016 Data Diolah
Gambar 4.1 Histogram Jarque Bera Sebelum
Outlier
Pada Gambar 4.1 terlihat bahwa nilai Jarque Bera sebesar 575,3833nilai chi-Square 9,48773 dengan tingkat signifikansi sebesar 0,0000,05. Maka
berdasarkan kriteria pengujian dapat disimpulkan data tidak terdistribusi secara
5 10
15 20
25 30
35
-6 -4
-2 2
4 6
Series: Residuals Sample 1 150
Observations 150 Mean
-5.75e-16 Median
0.057814 Maximum
5.542797 Minimum
-6.988301 Std. Dev.
1.299198 Skewness
-1.307397 Kurtosis
12.23169 Jarque-Bera
575.3833 Probability
0.000000
Universitas Sumatera Utara
normal. Oleh karena itu, agar asumsi klasik dapat dipenuhi, maka dilakukan screening data outlier.
Selanjutnya pada Gambar 4.1 berikut terlihat adanya data outlier atau data yang memiliki nilai ekstrim pada masing-masing variabel penelitian.
Gambar 4.2 Screening Oulier
Berdasarkan Gambar 4.2 hasil screening outlier terdeteksi adanya adanya beberapa obsevasi data oulier yaitu data yang terlalu jauh dari sumbu diagonal
pada grafik. Menurut Ghozali 2005: 123 deteksi terhadap unvariat outlier dapat dilakukan dengan menentukan nilai batas yang akan dikategorikan sebagai data
-8 -6
-4 -2
2 4
6
-.6 -.4
-.2 .0
.2 .4
C
-8 -4
4 8
-10 10
20 30
CAR
-8 -4
4 8
-80 -40
40 80
120
LDR
-8 -4
4 8
-2 -1
1 2
3 4
NPL
-8 -6
-4 -2
2 4
-40 -20
20 40
60 80
BOPO
ROA vs Variables Partialled on Regressors
Universitas Sumatera Utara
outlier yaitu dengan cara mengkonversikan nilai data kedalam skor standardized atau Z-Score. Untuk sampel besar standar skor yang dinyatakan outlier jika
nilainya pada kisaran 3 sampai 4 atau lebih sedangkan untuk sampel kecil 80 data Zscore sebesar
≥ 2,5 sehingga data yang memiliki nilai Z-Score pada kisaran angka tersebut dikeluarkan dari model.
Hasil screening outlier, ditemukan beberapa data mengalami outlier dengan nilai Zscore pada kisaran 3 sampai dengan 4 atau lebih yaitu masing-
masing pada observasi ke 41 BOPO sebesar 144,46 pada PT. Bank Jtrust Indonesia, Tbk tahun 2011, observasi ke 43 ROA sebesar -7,64 pada PT.
Bank Jtrust Indonesia, Tbk tahun 2013, observasi ke 44 ROA sebesar -5,30 pada PT. Bank Jtrust Indonesia, Tbk tahun 2014, observasi ke 45 ROA sebesar -
4,94 pada PT. Bank Jtrust Indonesia, Tbk tahun 2015. Selanjutnya pada observasi ke 51 NPL sebesar 3,91 pada PT. Bank Pundi Indonesia, Tbk tahun
2011, observasi ke 54 NPL sebesar 4,85 pada PT. Bank Pundi Indonesia, Tbk tahun 2014, observasi ke 55 ROA sebesar -6,45 pada PT. Bank Pundi
Indonesia, Tbk tahun 2015 dan observasi ke 61 CAR sebesar 49,49 pada PT. Bank QNB International, Tbk tahun 2011. Berdasarkan hasil screening outlier
tersebut, maka sebanyak delapan observasi yang mengalami outlier dikeluarkan dari model sehingga jumlah observasi awal sebanyak 150 menjadi 142 observasi.
Hasil uji asumsi klasik setelah screening outlier disajikan sebagai berikut: 1. Uji Normalitas
a. Pendekatan Histogram Jarque-Bera
Universitas Sumatera Utara
-3 -2
-1 1
2 3
-3 -2
-1 1
2 Quantiles of RESID
Q u
a n
ti le
s o
f N
o rm
a l
Uji Normalitas dengan pendekatan Jarque-Bera dapat dilihat pada Gambar 4.3 berikut:
Sumber: Hasil Penelitian, 2016 Data Diolah
Gambar 4.3 Histogram Jarque-Bera
Berdasarkan Gambar 4.3 terlihat bahwa nilai Jarque-Bera sebesar 2,062859 nilai kritis chi-kuadrat 9,48773, dengan tingkat signifikansi terlihat
sebesar 0,3564970,05. Dengan demikian sesuai kriteria pengujian, maka dapat disimpulkan bahwa data terlah berdistribusi normal.
b. Pendekatan QQ Plot Uji Normalitas dengan pendekatan QQ Plot dapat dilihat pada Gambar 4.4
berikut:
Sumber: Hasil Penelitian, 2016 Data Diolah
Gambar 4.4 QQ Plot
4 8
12 16
20 24
-2.5 -2.0
-1.5 -1.0
-0.5 0.0
0.5 1.0
1.5 2.0
Series: Residuals Sample 1 142
Observations 142 Mean
-1.27e-15 Median
-0.017211 Maximum
1.768424 Minimum
-2.435125 Std. Dev.
0.785945 Skewness
-0.244425 Kurtosis
3.331176 Jarque-Bera
2.062859 Probability
0.356497
Universitas Sumatera Utara
Berdasarkan Gambar 4.4 QQ Plot terlihat bahwa titik-titik penyebaran data berada disekitar sumbu diagonal dari grafik. Dengan demikian dapat disimpulkan
bahwa data telah berdistribusi secara normal. 2. Uji Heteroskedastisitas Pendekatan Glejser
Deteksi heteroskedastisitas dilakukan dengan uji Glejser. Hasil uji Glejser dapat dilihat pada Tabel 4.2 berikut:
Tabel 4.2 Uji Glejser
Heteroskedasticity Test: Glejser F-statistic
1.503304 Prob. F4,137 0.2046
ObsR-squared 5.970614 Prob. Chi-Square4
0.2014 Scaled explained SS
5.777707 Prob. Chi-Square4 0.2164
Test Equation: Dependent Variable: ARESID
Method: Least Squares Date: 100416 Time: 12:58
Sample: 1 142 Included observations: 142
Variable Coefficient
Std. Error t-Statistic
Prob. C
0.341836 0.322209
1.060913 0.2906
CAR 0.022562
0.012989 1.737012
0.0846 LDR
-0.002107 0.001755
-1.200394 0.2321
NPL 0.079866
0.042135 1.895483
0.0601 BOPO
-0.000204 0.003104
-0.065843 0.9476
Sumber: Hasil Penelitian, 2016 Data Diolah
Berdasarkan Tabel 4.2 terlihat bahwa tingkat signifikansi variabel Capital Adequacy Ratio CAR sebesar
0.0846
0,05, tingkat signifikansi Loan to Deposit Ratio LDR sebesar 0,23210,05, tingkat signifikansi Non Performing Loan
NPL sebesar 0,06010,05, dan tingkat signifikansi Beban Operasional Terhadap Pendapatan Opeasional BOPO sebesar 0.94760,05. Maka berdasarkan
pengujian tersebut terlihat bahwa tidak satupun variabel independen yang secara
Universitas Sumatera Utara
statistik berpengaruh signifikan terhadap variabel Absolut Residual Aresid sehingga dapat disimpulkan bahwa data tidak mengarah adanya
heteroskedastisitas. 3. Uji Multikolonearitas
Asumsi selanjutnya yang harus dipenuhi adalah asumsi non multikolonearitas. Hasil Uji Multikolonearitas dapat dilihat pada Tabel 4.3
berikut:
Tabel 4.3 Uji Multikolonearitas
Variance Inflation Factors Date: 100416 Time: 12:58
Sample: 1 142 Included observations: 142
Coefficient Uncentered
Centered Variable
Variance VIF
VIF C
0.297348 66.41577
NA CAR
0.000483 31.02857
1.065612 LDR
8.83E-06 17.70496
1.084410 NPL
0.005085 3.370032
1.202072 BOPO
2.76E-05 16.63617
1.069412
Sumber: Hasil Penelitian, 2016 Data Diolah
Berdasarkan Tabel 4.3 terlihat bahwa nilai VIF seluruh variabel independen 10 sehingga berdasarkan kriteria pengujian maka dapat disimpulan
bahwa antar variabel bebas tidak terjadi gejala multikolonearitas. 4. Uji Autokorelasi
Untuk mendeteksi ada atau tidaknya autokorelasi, digunakan nilai Durbin- Watson. Hasil Uji Autokorelasi dengan Durbin-Watson dapat dilihat pada Tabel
4.4 berikut:
Universitas Sumatera Utara
Tabel 4.4 Uji Autokorelasi Durbin-Watson
Dependent Variable: ROA Method: Least Squares
Date: 100416 Time: 12:16 Sample: 1 142
Included observations: 142 Variable
Coefficient Std. Error
t-Statistic Prob.
C 3.773881
0.545296 6.920788
0.0000 CAR
0.032027 0.021982
1.456955 0.1474
LDR 0.000675
0.002971 0.227047
0.8207 NPL
-0.348119 0.071308
-4.881910 0.0000
BOPO -0.040684
0.005253 -7.744879
0.0000 R-squared
0.468098 Mean dependent var 1.843865
Adjusted R-squared 0.452568 S.D. dependent var
1.077646 S.E. of regression
0.797336 Akaike info criterion 2.419494
Sum squared resid 87.09695 Schwarz criterion
2.523573 Log likelihood
-166.7841 Hannan-Quinn criter. 2.461788
F-statistic 30.14151 Durbin-Watson stat
1.021989 ProbF-statistic
0.000000
Sumber: Hasil Penelitian, 2016 Data Diolah
Berdasarkan Tabel 4.4 terlihat bahwa nilai Durbin-Watson Statistik sebesar 1,021989 1 dan 3. Dengan demikian berdasarkan kriteria pengujian
maka dapat disimpulkan tidak terjadi autokorelasi sehingga asumsi non- autokorelasi telah terpenuhi.
4.2.3 Analisis Statistik Data Panel 4.2.3.1 Pengujian