60
4.2.2.2 Uji Multikolinearitas
Uji multikolinearitas bertujuan untuk mengetahui apakah dalam model regressi ditemukan adanya korelasi antara variabel bebas independen. Model
regresi yang baik seharusnya tidak terjadi korelasi diantara variabel independen. Berdasarkan Tabel 4.3 diperoleh hasil bahwa variabel CAR, BOPO, NPL, LDR,
NIM bebas dari multikolinearitas yang ditunjukkan dengan nilai tolerance 0,10 dan nilai VIF 10.
Tabel 4.3 Hasil Uji Multikolinearitas
Coefficients
a
Model Collinearity Statistics
Tolerance VIF
1 Constant
CAR .853
1.173 BOPO
.693 1.442
NPL .822
1.217 LDR
.791 1.263
NIM .848
1.179 a. Dependent Variable: ROA
Sumber: Hasil Penelitian, 2015 Data diolah
4.2.2.3 Uji Heteroskedastisitas
Uji heteroskedastisitas bertujuan untuk menguji apakah sebuah grup mempunyai varians yang sama diantara anggota grup tersebut. Hasil dari uji
heteroskedastisitas dapat dilihat pada gambar 4.3 berikut:
61
Gambar 4.3 Scatterplot
Berdasarkan hasil scatterplot, terlihat titik - titik menyebar secara acak tidak membentuk suatu pola tertentu yang jelas serta tersebar baik diatas maupun
dibawah angka 0 pada sumbu Y. Hal ini berarti tidak terjadi heteroskedastisitas pada model regresi.
4.2.2.4. Uji Autokorelasi
Uji autokorelasi bertujuan untuk menguji apakah dalam model regresi linear ada korelasi antara kesalahan pengganggu pada periode t dengan kesalahan
penggangggu pada periode t-1 sebelumnya. Cara mengetahui adanya autokorelasi dapat dilakukan dengan uji Durbin Watson. Hasil dari uji
autokorelasi dapat dilihat pada Tabel 4.4 berikut ini:
Tabel 4.4 Hasil Uji Autokorelasi
Model Summary
b
Model R
R Square Adjusted R
Square Std. Error of
the Estimate Durbin-
Watson 1
.886
a
.786 .770
.51493 1.580
62
a. Predictors: Constant, NIM, LDR, CAR, NPL, BOPO b. Dependent Variable: ROA
Sumber: Hasil Penelitian, 2015 Data diolah
Berdasarkan uji autokorelasi pada Tabel 4.4 diperoleh hasil bahwa nilai Durbin Watson DW sebesar 1,580. Penelitian ini diantara 1,5 sampai 2,5. Hal
ini berarti dalam penellitian ini tidak terdapat autokorelasi.
4.2.3. Analisis Regresi Berganda