karena semua variabel lebih dari 80. Peningkatan paling banyak yaitu pada pemberian pinjaman, dari tahun 1992 sampai dengan 2013 mengalami
pengingkatan hamper 100 yaitu sebesar 98,76. Dari keempat variabel peningkatan yang paling sedikit yaitu pada jumlah anggota. Peningkatan jumlah
anggota yang terjadiselama periode taun tersebut sebesar 81,26.
B. Analisis Data
1. Pengujian Prasyarat
a. Uji Normalitas
Regresi yang baik adalah regresi yang memiliki data yang berdistribusi normal. Uji normalitas dalam penelitian ini menggunakan
uji statistik non-parametrik Kolmogorov-Smirnov. Hipotesis yang
digunakan adalah:
Ho = Data residual berdistribusi normal Ha = Data residual tidak berdistribusi normal
Dengan pengambilan keputusannya adalah: 1 Jika nilai signifikansi α maka Ho ditolak
2 Jika nilai signifikansi α maka Ho diterima Jika signifikansi pada nilai Kolmogorov-Smirnov 0,05, maka Ho
ditolak, jadi data residual berdistribusi tidak normal. Jika signifikansi pada nilai Kolmogorov-Smirnov 0,05, maka Ho diterima, jadi data
residual berdistribusi normal Ghozali, 2006. Hasil uji normalitas uji Kolmogorov-Smirnov dapat dilihat pada tabel V.5 di bawah ini:
Tabel V.6 Hasil Uji Normalitas
Uji Kolmogorov-Smirnov
Sumber: Data primer diolah, 2014. Hasil uji normalitas pada Tabel V.2 di atas menunjukkan bahwa
nilai Kolmogorov-Smirnov keempat variabel yaitu nilai signifikansi Asymp.Sig.2-tailed jumlah modal X1 sebesar 0,657, jumlah anggota
X2 sebesar 0,511, jumlah pinjaman anggota X3 sebesar 0.242 dan perolehan sisa hasil usaha Y sebesar 0,390 apabila dibandingkan
dengan signifikansi 0,05 sehingga dapat dikatakan persebarannya normal, dan nilai signifikansi lebih besar dari nilai tingkat kepercayaan
α = 0,05, oleh karena itu dapat disimpulkan bahwa Ho diterima sehingga data residual berdistribusi normal.
b. Uji Multikolinearitas
Pengujian ini bertujuan untuk mengetahui apakah tiap-tiap variabel saling berhubungan secara linier. Model regresi yang baik adalah model
regresi yang tidak memiliki multikolinearitas, artinya tidak terjadi
One-Sample Kolmogorov-Smirnov Test
22 22
22 22
21.0286 9.5405
23.1441 19.4100
.95206 .63742
1.45879 .95522
.156 .175
.219 .192
.156 .172
.137 .148
-.149 -.175
-.219 -.192
.732 .821
1.027 .902
.657 .511
.242 .390
N Mean
Std. Deviation Normal Parameters
a,b
Absolute Positive
Negative Most Extreme
Differences Kolmogorov-Smirnov Z
As ymp. Sig. 2-tailed Jumlah
Modal X1
Jumlah Anggota
X2 Jumlah
Pinjaman Angggota
X3 Perolehan
Sis a Hasil Us aha Y
Test distribution is Normal. a.
Calculated from data. b.
korelasi diantara variabel independen. Gejala multikolinearitas dapat dilihat dari Variance Inflation Faktor VIF dan nilai tolerance. Kedua
ukuran ini menunjukkan sikap variabel independen manakah yang dijelaskan variabel independen lainnya. Tolerance mengukur variabilitas
variabel independen yang terpilih yang tidak dijelaskan oleh variabel independen lainnya. Nilai tolerance yang rendah sama dengan nilai VIF
tinggi karena VIF = 1Tolerance. Nilai cutoff yang umum dipakai untuk menunjukkan adanya multikolinearitas adalah nilai tolerance
≤ 0,10 atau sama dengan VIF ≥ 10 Ghozali, 2006. Hasil uji multikolinearitas uji
VIF dapat dilihat pada tabel V.6 di bawah ini:
Tabel V.7 Hasil Uji Multikolinearitas
Sumber: Data primer diolah, 2014 Berdasarkan output diatas, dapat diketahui bahwa nilai tolerancedari
ketiga variabel yaitu: jumlah modal 0,372, jumlah anggota 0,407, dan jumlah pinjaman anggota 0,478 lebih besar dari 0,1. Sedangkan VIF
dari ketiga variabel yaitu: jumlah modal 2,688, jumlah anggota 2,460, dan jumlah pinjaman anggota 2,094 maka dapat dikatakan nilai VIF
5 sehingga dapat disimpulkan bahwa dalam model regresi tidak terjadi
masalah multikolinearitas.
.372 2.688
.407 2.460
.478 2.094
Jumlah Modal X1 Jumlah Anggota X2
Jumlah Pinjam an Angggota X3
Model 1
Tolerance VIF
Collinearity Statistics
Nilai VIF menunjukkan tidak ada satu pun variabel independen yang memiliki nilai lebih dari 5 dan seluruh variabel memiliki nilai
tolerance lebih dari 0,1. Jadi dapat disimpulkan tidak ada multikolinearitas antar variabel independen dalam regresi ini.
c. Uji Heteroskedastisitas
Model regresi yang baik adalah varian residualnya bersifat homoskedastisitas atau tidak terjadi gejala heteroskedastisitas. Metode
yang digunakan untuk mendeteksi ada tidaknya gejala heteroskedastisitas dalam penelitian ini dengan menggunakan uji Glejser. Dasar
pengambilan keputusannya adalah dengan membandingkan nilai signifikansi
variabel independen dengan nilai tingkat kepercayaan α = 0,05. Apabila nilai signifikansi lebih besar dari nilai α sig α, maka
dapat disimpulkan bahwa pada model regresi tidak terdapat gejala heteroskedastistitas Ghozali, 2006. Hasil uji heteroskedastisitas uji
Glejser dapat dilihat pada tabel V.7 di bawah ini:
Tabel V.8 Hasil Uji Heteroskedastisitas
Uji Glejser
Sumber: Data primer diolah, 2014
Coefficients
a
13208800 6482615
2.038 .057
.012 .010
.919 1.147
.266 -1741.807
941.585 -1.045
-1.850 .081
.001 .001
.578 .867
.398 Cons tant
Jumlah Modal X1 Jumlah Anggota X2
Jumlah Pinjaman Angggota X3
Model 1
B Std. Error
Unstandardized Coefficients
Beta Standardized
Coefficients t
Sig.
Dependent Variable: ABS a.
Berdasarkan tabel diatas, signifikansi p-value dari ketiga variabel yaitu: jumlah modal 0,266, jumlah anggota 0,081, dan jumlah
pinjaman anggota 0,398. Oleh karena itu dapat dikatakan bahwa nilai sinifikansi p-value 0,05 sehingga dapat disimpulkan bahwa dalam
model regresi tidak terjadi masalah heteroskedastisitas.
d. Uji Autokorelasi
Uji autokorelasi bertujuan untuk menguji apakah dalam model regresi linier ada korelasi antara kesalahan pengganggu pada periode t
dengan kesalahan pengganggu pada periode sebelumnya t-1 Ghozali, 2006. Konsekuensi dari adanya autokorelasi adalah peluang keyakinan
menjadi besar serta varian dan nilai kesalahan standar akan ditaksir terlalu rendah. Hasil uji autokorelasi dapat dilihat pada Tabel V.8 di
bawah ini:
Tabel V.9 Hasil Uji Autokorelasi
Sumber: Data primer diolah, 2014.
Berdasarkan hasil analisis diperoleh nilai dW 2,167. Pengambilan keputusan dengan membandingkan nilai dW hasil hitung dengan nilai
dW tabel. Hasil hitung nilai dW 2,167 sedangkan pada tabel dengan n = 22 dan jumlah variabel independen 3 k=3 maka didapatkan nilai dU =
Model Summary
b
.610
a
.373 .268
15712958.0 2.167
Model 1
R R Square
Adjusted R Square
Std. Error of the Es timate
Durbin- Watson
Predictors : Constant, Jumlah Pinjaman Angggota X3, Jumlah Anggota X2, Jumlah Modal X1
a. Dependent Variable: ABS
b.
1,664. Karena nilai dW hasil hitung lebih besar dari nilai dU dan kurang dari 4-1,664 2,336, maka dapat disimpulkan bahwa tidak terjadi
autokorelasi. Hal ini sesuai dengan Ghozali 2006 yang menyebutkan apabila nilai dW berada diantara du dan 4- du du d 4-du maka tidak
ada autokorelasi positif atau negative. Jadi secara keseluruhan dari hasil uji asumsi klasik yang
digunakan, dapat disimpulkan bahwa model regresi dalam penelitian ini memenuhi semua persyaratan uji asumsi klasik.
2. Pengujian Hipotesis
