3. Pengujian Asumsi Klasik
Salah satu syarat yang menjadi dasar penggunaan model regresi berganda dengan metode estimasi Ordinary Least Squares OLS adalah
dipenuhinya semua asumsi klasik, agar hasil pengujian bersifat tidak bias dan efisien Best Linear Unbiased EstimatorBLUE. Pengujian asumsi
klasik dalam penelitian ini dilakukan dengan bantuan program statistik. Menurut Ghozali 2005:123 asumsi klasik yang harus dipenuhi adalah:
a. Berdistribusi normal.
b. Non-Multikolonearitas, artinya antara variabel independen
dalam model regresi tidak memiliki korelasi atau hubungan secara sempurna ataupun mendekati sempurna.
c. Non-Autokorelasi, artinya kesalahan penganggu dalam model
regresi tidak saling berkorelasi.
d. Homoskedastisitas, artinya variance variabel independen dari
satu pengamatan ke pengamatan lain adalah konstan atau sama.
a. Uji Normalitas
Uji data statistik dengan model Kolmogorov Smirnov dilakukan untuk mengetahui apakah data sudah terdistribusi secara normal atau
tidak, dengan membuat hipotesis sebagai berikut : H
: data residual terdistribusi normal H
A
: data residual terdistribusi tidak normal. Santoso 2002:34 memberikan pedoman pengambilan keputusan
untuk data-data yang mendekati atau telah terdistribusi secara normal. 1
Apabila nilai signifikansi atau nilai probabilitas 0,05, maka distribusi data normal.
Universitas Sumatera Utara
2 Apabila nilai signifikansi atau nilai probabilitas 0,05, maka
distribusi data tidak normal. Adapun hasil uji normalitas dengan menggunakan model
Kolmogorov Smirnov adalah seperti yang ditampilkan dalam tabel 4.6 berikut ini :
Tabel 4.4 Hasil Uji Normalitas 1
One-Sample Kolmogorov-Smirnov Test
NPL LDR
CAR NIM
ROA Unstandardi
zed Residual
N 66
66 66
66 66
66 Normal
Parametersa,b Mean
,035012 ,61147
3 ,17898
2 ,04514
,01871 5
,0000000 Std. Deviation
,033385 6
,18591 38
,06069 82
,02089 89
,02769 32
,02253428 Most Extreme
Differences Absolute
,187 ,097
,075 ,178
,210 ,191
Positive ,187
,092 ,075
,178 ,188
,191 Negative
-,148 -,097
-,065 -,134
-,210 -,162
Kolmogorov-Smirnov Z 1,518
,791 ,608
1,448 1,704
1,554 Asymp. Sig. 2-tailed
,020 ,558
,854 ,030
,006 ,016
Sumber : Output SPSS, diolah Penulis, 2008 Lampiran 8 Berdasarkan hasil uji statistik dengan model Kolmogorov Smirnov
seperti yang terdapat dalam tabel 4.6, dapat disimpulkan bahwa data terdistribusi tidak normal, yang berarti bahwa H
ditolak dan H
A
diterima. Hal ini dapat dilihat dari nilai signifikansi unstandarized residual yang nilainya lebih kecil dari 0,05, yaitu sebesar 0,016. Jika
data tidak terdistribusi secara normal, maka tidak dapat dilakukan pengujian lebih lanjut. Oleh sebab itu perlu dilakukan treatment untuk
menormalkan data.
Universitas Sumatera Utara
Menurut Jogianto 2004:172, ada beberapa cara yang dapat dilakukan untuk menormalkan distribusi data, yaitu :
1 Dengan melakukan transformasi data, yaitu mengubah
nilai-nilai observasi data ke dalam bentuk logaritma sehingga membentuk distribusi yang normal.
2
Trimming, yaitu memangkas membuang observasi yang bersifat
outlier, yaitu nilainya lebih kecil dari μ - 2σ atau lebih
besar dari μ + 2σ.
3 Winzorising, yaitu mengubah nilai-nilai outliers menjadi
nilai-nilai minimum atau maksimum yang diizinkan supaya distribusinya menjadi normal.
Penulis dalam penelitian ini melakukan cara treatment yaitu dengan melakukan transformasi data ke model Logaritma Natural
LN. ROA = fNPL, LDR, CAR, NIM menjadi LN ROA = fLN NPL, LN LDR, LN CAR, LN NIM. Transformasi data yang dilakukan
adalah model log-log karena baik variabel bebas maupun variabel terikat terdistribusi tidak normal Nachrowi, 2006:68. Berikut ini
merupakan hasil uji statistik dengan model Kolmogorov Smirnov setelah dilakukan transformasi data :
Universitas Sumatera Utara
Tabel 4.5 Hasil Uji Normalitas 2
One-Sample Kolmogorov-Smirnov Test setelah Transformasi Logaritma Natural
Sumber : Output SPSS, diolah Penulis, 2008 Lampiran 8
Table 4.5 menunjukkan bahwa hasil pengujian statistik dengan model Kolmogorov Smirnov telah terdistribusi secara normal. Hal ini
dapat dilihat dari nilai signifikansi lebih besar dari 0,05 0,05 yaitu sebesar 0,495. Jika diperhatikan dari nilai variabel per variabel dapat
dilihat bahwa semua variabel telah memiliki nilai signifikansi lebih besar dari 0,05, yaitu :
1 Nilai signifikansi LN NPL X
1
adalah 0,110. 2
Nilai signifikansi LN LDR X
2
adalah 0,241. 3
Nilai signifikansi LN CAR X
3
adalah 0,384. 4
Nilai signifikansi LN NIM X
4
adalah 0,362. 5
Nilai signifikansi LN ROA Y adalah 0,080.
LN_NPL LN_LDR
LN_CAR LN_NIM
LN_ROA Unstand
ardized Residual
N 66
66 66
64 62
61 Normal
Parameter sa,b
Mean -3.851757
-.545725 -1.777729
-3.129240 -4.110894
.000000 Std.
Deviation 1.2048578
.3495802 .3447390
.3556848 .8188586
.543045 84
Most Extreme
Differenc es
Absolute .148
.127 .112
.115 .161
.106 Positive
.055 .116
.056 .115
.068 .106
Negative -.148
-.127 -.112
-.080 -.161
-.071 Kolmogorov-Smirnov
Z 1.204
1.028 .906
.923 1.268
.831 Asymp. Sig. 2-tailed
.110 .241
.384 .362
.080 .495
Universitas Sumatera Utara
Karena secara keseluruhan data telah terdistribusi secara normal, maka dapat dilakukan pengujian asumsi klasik lainnya. Untuk lebih
jelas, berikut ini ditampilkan grafik histogram dan plot data yang sudah terdistiribusi normal :
Gambar 4.1 Histogram
Sumber :
Output SPSS, diolah Penulis, 2008 Lampiran 9 Grafik histogram di atas menunjukkan bahwa data telah
terdistribusi secara normal. Hal ini dapat dilihat dari grafik histogram yang menunjukkan distribusi data mengikuti garis diagonal yang tidak
menceng skewness kiri maupun menceng kanan. Hal ini juga didukung dengan hasil uji normalitas dengan menggunakan grafik plot
sebagai berikut :
Regression Standardized Residual
4 2
-2
Frequency
20
15 10
5
Histogram Dependent Variable: LN_ROA
Mean =-4.82E-16 Std. Dev. =0.966
N =61
Universitas Sumatera Utara
Gambar 4.2 Grafik Normal Plot
Sumber : Output SPSS, diolah Penulis, 2008 Lampiran 10 Menurut Ghozali 2005:112, pendeteksian normalitas dapat
dilakukan dengan melihat penyebaran data titik pada sumbu diagonal dari grafik, yaitu jika data titik menyebar disekitar garis diagonal dan
mengikuti arah garis diagonal, hal ini menunjukkan data yang telah terdisribusi normal. Gambar 4.2 menunjukkan bahwa data titik
menyebar disekitar dan mendekati garis diagonal. Hal ini sejalan dengan hasil pengujian dengan menggunakan histogram bahwa data
telah terdistribusi normal.
Observed Cum Prob
1.0 0.8
0.6 0.4
0.2 0.0
Exp ected Cum Prob
1.0 0.8
0.6 0.4
0.2 0.0
Normal P-P Plot of Regression Standardized Residual
Dependent Variable: LN_ROA
Universitas Sumatera Utara
b. Uji Multikoloniearitas