45
Gambar 4.1 memperlihatkan pola distribusi yang normal dan gambar 4.2 juga telah menunjukkan data terdistribusi normal
melalui penyebaran titik-titik disekitar garis diagonal dan mengikuti arah garis diagonal pada normal probability plot.
4.1.2.2 Uji Multikolinearitas
Uji multikolinearitas dengan melihat nilai tolerance dan VIF. Tolerance mengukur variabilitas variabel bebas yang
terpilih yang tidak dapat dijelaskan oleh variabel bebas lainnya. Jadi, nilai tolerance rendah sama dengan nilai VIF
tinggi karena VIF = 1 tolerance dan menunjukkan adanya kolinearitas yang tinggi. Nilai cut off yang umum dipakai
adalah nilai tolerance 0,10 atau sama dengan nilai VIF dibawah 10.
Berdasarkan aturan variance inflation factor VIF dan tolerance, maka apabila VIF melebihi angka 10 atau
tolerance kurang dari 0,10 maka dinyatakan terjadi gejala multikolinearitas. Sebaliknya apabila nilai VIF kurang dari
10 atau tolerance lebih dari 0,10 maka dinyatakan tidak terjadi gejala multikolinearitas.
Universitas Sumatera Utara
46 Tabel 4.4
Uji Multikolinearitas
Coefficients
a
Model Unstandardized
Coefficients Standardized
Coefficients T
Sig. Collinearity Statistics
B Std. Error
Beta Tolerance
VIF 1 Constant
10.282 1.044
9.850 .000
LDR .008
.006 .145
1.427 .159
.785 1.275
CAR -.073
.044 -.155
-1.655 .103
.928 1.078
BOPO -.092
.013 -.726
-7.257 .000
.814 1.229
a. Dependent Variable: ROA
Sumber: hasil pengolahan data dengan SPSS, 2013 Berdasarkan tabel 4.4 di atas, maka dapat diketahui nilai VIF
untuk masing-masing variabel penelitian sebagai berikut : · Nilai VIF untuk variabel LDR X1 sebesar 1,275 10,
sehingga variabel LDR dinyatakan tidak terjadi gejala multikolinieritas.
· Nilai VIF untuk variabel CAR X2 sebesar 1,078 10, sehingga variabel CAR dinyatakan tidak terjadi gejala
multikolinieritas.
· Nilai VIF untuk variabel BOPO X3 sebesar 1,229 10, sehingga variabel BOPO dinyatakan tidak terjadi gejala
multikolinieritas.
Maka dapat disimpulkan bahwa semua variabel independen terbebas dari gejala multikolinearitas.
Universitas Sumatera Utara
47 4.1.2.3
Uji Heteroskedastisitas
Uji Heteroskedastisitas bertujuan untuk menguji apakah dalam model regresi terjadi ketidaksamaan variance dari
residual pengamatan satu ke pengamatan yang lain berbeda. Sedangkan bila terjadi ketidaknyamanan variance dari
residual pengamatan satu ke pengamatan yang lain tetap maka disebut homokedastisitas. Model regresi yang baik
adalah yang homokedastisitas atau tidak terjadi heteroskedastisitas.
Salah satu cara untuk mengetahui ada tidaknya heteroskedastisitas dalam suatu model regresi linear berganda
adalah dengan melihat grafik scatterplot antara nilai prediksi variabel terikat yaitu ZPRED dengan residual error yaitu
SRESID. Jika tidak ada pola tertentu dan titik menyebar diatas dan dibawah angka 0 pada sumbu Y, maka tidak terjadi
heteroskedastisitas. Grafik scatterplot ditunjukkan pada grafik berikut :
Universitas Sumatera Utara
48
Sumber: hasil pengolahan data dengan SPSS, 2013
Gambar 4.3 Grafik Scatterplot Uji Heterokedasitas
Berdasarkan grafik scatterplot dapat dilihat bahwa
penyebaran residual tidak teratur, menyebar secara acak tanpa adanya pola yang jelas baik diatas maupun dibawah
angka 0 pada sumbu Y. Kesimpulan yang dapat ditarik berdasarkan grafik tersebut adalah tidak terjadi
heteroskedastisitas pada data yang digunakan dalam penelitian.
4.1.2.4 Uji Autokorelasi