Melihat hasil besaran korelasi antar variabel independen tampak bahwa hanya variabel Pertumbuhan Laba yang memiliki korelasi yang cukup tinggi
dengan variabel CAR dengan tingkat korelasi 0,632 atau sekitar 63 . Oleh karena korelasi ini masih di bawah 95, maka dapat dikatakan tidak terjadi
multikolonearitas yang serius. Jadi dapat disimpulkan bahwa tidak ada multikolonearitas antar variabel independen dalam model regresi.
5.3.3. Pengujian Autokorelasi
Uji autokorelasi bertujuan untuk mengetahui apakah ada korelasi antara serangkaian data observasi yang diuraikan menurut waktu times-series atau
ruang cross section. Setelah dilakukan analisis data, hasil pengujian autokorelasi dengan menggunakan Durbin Watson dapat dilihat pada tabel 5.7 berikut:
Tabel 5.7 Pengujian Autokorelasi Durbin Watson
Model Summary
b
Model R
R Square Adjusted R
Square Std. Error of the Estimate
Durbin-Watson 1
.977
a
.954 .952
2.45918 .719
a. Predictors: Constant, CAR, NPL, ROE, ROA, PERTLABA b. Dependent Variable: LDR
Sumber: Hasil Olah Data SPSS Untuk mengetahui adanya autokorelasi dalam suatu model regresi,
dilakukan Durbin-Watson DW dengan ketentuan model yang tidak memiliki autokorelasi jika du d 4 – du atau dalam persamaan ini untuk n sebanyak 120,
α = 5, dan k = 5, maka dU = 1,802 dan dL = 1,665 sehingga 1,802 0,719 2,198, 4 – 1,802 = 2,198. Hal ini berarti antara satu periode dengan periode lain
Universitas Sumatera Utara
terjadi korelasi. Karena terjadi autokorelasi maka data harus ditransform ke dalam bentuk Lag dan diuji kembali.
Adapun hasil pengujian autokorelasi setelah dilakukannya transform data ke dalam bentuk Lag adalah sebagai berikut:
Tabel 5.8 Pengujian Autokorelasi Durbin Watson Setelah Lag
Model Summary
b
Model R
R Square Adjusted R
Square Std. Error of the
Estimate Durbin-Watson
1 .687
a
.472 .443
1.75977060 2.069
Sumber: Hasil Olah Data SPSS Nilai Durbin Watson DW setelah dijalankan fungsi Lag adalah 2,069
dimana untuk n sebanyak 120, α = 5, dan k = 5, maka dU = 1,802 dan dL = 1,665 sehingga 1,8022,0692,198, 4 – 1,802 = 2,198. Hal ini berarti antara satu
periode dengan periode lain tidak saling berkorelasi.
5.3.4. Pengujian Heterokedastisitas
Uji heteroskedastisitas bertujuan untuk menguji apakah dalam model regresi terjadi ketidaksamaan variance dari residual satu pengamatan ke
pengamatan lain.Pengujian asumsi heterokedastisitas menyimpulkan bahwa model regresi tidak mengalami heterokedastisitas. Dengan kata lain terjadi
kesamaan varians dari residual suatu pengamatan ke pengamatan yang lain. Hasil heterokedastisitas dapat dilihat pada gambar 5.3 di bawah ini:
Universitas Sumatera Utara
Gambar 5.3 Pengujian Heterokedastisitas Sumber: Hasil Olah Data SPSS
Gambar Scatterplots terlihat bahwa titik-titik menyebar secara acak serta tersebar baik diatas maupun dibawah angka 0 pada sumbu Y. Hal ini
dapat disimpulkan bahwa tidak terjadi heterokedastisitas pada model regresi, sehingga model regresi layak dipakai untuk memprediksi LDR berdasarkan
masukan variabel independen Pertumbuhan Laba, ROA, ROE, CAR dan NPL.
Universitas Sumatera Utara
5.4. Hasil Analisa dan Pembahasan