C. Pengujian Asumsi Klasik
Hasil yang BLUE Best Linear Unbiased Estimator bisa didapatkan jika melakukan pengujian asumsi klasik yang diantaranya harus memiliki distribusi
data normal, tidak terjadi masalah multikolinearitas, autokorelasi dan heteroskedastisitas.
1. Uji Normalitas
Uji normalitas digunakan untuk menguji apakah dalam sebuah model regresi, variabel independen, variabel dependen atau keduanya mempunyai
distribusi normal atau tidak. Model yang paling baik adalah distribusi data normal atau mendekati normal. Normalitas data dapat dideteksi dengan melihat bentuk
kurva histogram dengan kemiringan seimbang ke kiri dan ke kanan dan berbentuk seperti lonceng atau dengan melihat titik-titik data yang menyebar disekitar garis
diagonal dan searah mengikuti garis diagonal dari gambar Normal P-Plot Nugroho, 2005:23-24.
Gambar 4.1: Histogram Dependen Variabel β
1
Sumber: Hasil pengolahan data SPSS versi 16.0, 2010
Universitas Sumatera Utara
Interpretasi dari Gambar 4.1 menunjukkan bahwa grafik histogram memberikan pola distribusi yang tidak menceng ke kiri atau ke kanan. Hal ini
berarti data residual mempunyai distribusi normal. Uji normalitas dapat juga dilakukan melalui grafik normal P-P Plot of regression standardized.
Gambar 4.2: Normal P-Plot Sumber: Hasil pengolahan data SPSS versi 16.0, 2010
Interpretasi dari Gambar 4.2 menunjukkan bahwa titik-titik scatterplot sudah mengikuti garis diagonal sepanjang garis normal. Hal ini menunjukkan
bahwa data residual mempunyai distribusi normal. Uji normalitas dapat juga dilakukan dengan analisis statistik. Analisis
statistik memberikan hasil yang lebih akurat dibandingkan dengan analisis grafik, maka dilakukan pengujian untuk mengetahui apakah data sudah berdistribusi
normal. Uji normalitas yang digunakan dalam analisis statistik ini adalah uji statistik non-parametik One-Sample Kolmogorov Smirnov.
Universitas Sumatera Utara
2. Uji Multikoliniearitas
Uji multikoliniearitas dilakukan untuk menunjukkan ada tidaknya hubungan linear diantara variabel bebas dalam model regresi. Gejala
multikoliniearitas dapat dideteksi atau dilihat dari nilai Variance Infalation Factor VIF. Multikoliniearitas diketahui dari besarnya Tolerance dan Variance
Infalation Factor VIF dengan membandingkan sebagai berikut: a.
VIF 5, maka diduga mempunyai persoalan multikoliniearitas. b.
VIF 5, maka tidak terdapat multikoliniearitas. c.
Tolerance 0.1, maka diduga mempunyai persoalan multikoliniearitas d.
Tolerance 0.1, maka tidak terdapat multikoliniearitas Tabel 4.7
Uji Normalitas One-Sample Kolmogorov-Smirnov Test
Unstandardized Residual
N 90
Normal Parameters
a
Mean .0000000
Std. Deviation .98354802
Most Extreme Differences Absolute
.136 Positive
.108 Negative
-.136 Kolmogorov-Smirnov Z
1.286 Asymp. Sig. 2-tailed
.073 Test distribution is Normal.
Sumber: Hasil pengolahan data SPSS versi 16.0, 2010
Universitas Sumatera Utara
Sumber: Hasil pengolahan data SPSS versi 16.0, 2010
Hasil di atas dapat diambil keputusan bahwa semua data variabel tidak terkena multikoliniearitas, karena nilai Tolerance untuk Capital Adequacy Ratio
CAR, Loan to Deposit Ratio LDR, Return on Equity ROE, Non Performing Loans NPL dan Firm Size masing-masing adalah 0.888, 0.886, 0.598, 0.726 dan
0.797 0.1 dan nilai Variance Infalation Factor VIF Capital Adequacy Ratio CAR, Loan to Deposit Ratio LDR, Return on Equity ROE, Non Performing
Loans NPL dan Firm Size masing-masing adalah 1.126, 1.129, 1.673, 1.377 dan 1.255 5.
3. Uji Autokorelasi
Kategori