tidal. Model regresi yang baik adalah emiliki distribusi data normal atau mendekati normal. Hasil uji normalitas berdasarkan grafik probability Plot
dapat dilihat pada gambar 4.1 berikut.
Gambar 4.1 Uji Normalitas
Sumber : Output SPSS data diolah Distribusi normal akan membentuk satu garis lurus diagonal dan
ploting data dibandingkan dengan garis normal. Berdasarkan gambar diatas data membentuk satu garis lurus diagonal mengikuti plot, artinya distribusi
data dikatakan normal karena data mengikuti dan mendekati garis diagonal. Selain menggunakan grafik, uji statistik juga dapat digunakan untuk
menguji normalitas data. Uji statistik yang digunakan untuk menguji normalitas adalah uji statistik Kolmogorov-Smirnov. Hasil uji normalitas
berdasarkan uji Kolmogorov-Smirnov dapat dilihat pada tabel 4.2 berikut.
Tabel 4.2 Uji Normalitas Statistik
One-Sample Kolmogorov-Smirnov Test
ROA ROE
CAR SUKUK
N 20
20 20
20 Normal Parameters
a,,b
Mean 1.3260
22.0715 13.2605 .5500
Std. Deviatio
n .59333 11.56916 2.06911
.51042
Most Extreme Differences
Absolute .223
.120 .150
.361 Positive
.193 .120
.150 .309
Negative -.223
-.105 -.107
-.361 Kolmogorov-Smirnov Z
.997 .537
.671 1.614
Asymp. Sig. 2-tailed .274
.935 .758
.011 a. Test distribution is Normal.
b. Calculated from data. Sumber : Output SPSS data diolah
Data terdistribusi secara normal apabila nilai signifikansi di atas 0,05. Berdasarkan tabel 4.2 dapat diliat bahwa nilai signifiansi ROA 0,274, nilai
signifikansi ROE sebesar 0,935, nilai signifikansi CAR sebesar 0,758 sedangkan nilai signifikansi sukuk 0,011. Artinya terdapat tiga variabel yang
datanya terdistribusi normal yaitu ROA, ROE dan CAR. Sedangkan variabel sukuk tidak terdistribusi normal karena variabel berbentuk dummy, dimana
nilainya hanya diwakili oleh 0 dan 1.
2. Uji Multikolinearitas
Uji multikolinearitas bertujuan untuk menguji apakah dalam model regresi ditemukan adanya korelasi yang tinggi atau sempurna antar variabel
bebas. Untuk mendeteksi ada atau tidaknya multikolinearitas yang tinggi antar
variabel independen dapat dideteksi dengan cara melihat nilai tolerance dan variance inflation faktor VIF. Nilai minimum yang umum dipakai untuk
menunjukkan tidak adanya multikolinearitas adalah nilai tolerance di atas 0,10 atau sama dengan nilai VIF di bawah 10. Hasil uji ultikolinearitas dapat
dilihat pada tabel berikut.
Tabel 4.3 Uji Multikolinearitas
Coefficients
a
Model Unstandardized
Coefficients Standardized
Coefficients Collinearity
Statistics B
Std. Error Beta
Tolerance VIF
1 Constant
13.615 .889
SUKUK 2.657
.668 .656
.873 1.146 ROE
-.151 .056
-.842 .241 4.147
ROA 1.136
1.091 .326
.242 4.127 a.
Dependent Variable: CAR Sumber: Output SPSS Data Diolah
Hasil uji multikolinearitas di atas menunjukkan bahwa nilai tolerance dari ketiga variabel berada diatas 0,10 dan VIF kurang dari 10. Dengan
demikian dapat disimpulkan bahwa dalam model regresi tersebut tidak terdapat problem multikolinearitas, maka maka model regresi yng ada layak
untuk dipakai.
3. Uji Autokorelasi
Uji autokorelasi bertujuan untuk menguji pakah dalam suatu model regresi linear ada korelasi antara kesalahan pengganggu pada periode t dengan
kesalahan pada periode t-1 sebelumnya. Pengujian ini dilakukan dengan
menggunakan uji Durbin-Watson DW-test. Hasil uji autokorelasi dengan menggunakan uji Durbin Watson dapat dilihat pada tabel berikut.
Tabel 4.4 Uji Autokorelasi
Model Summary
b
Model R
R Square Adjusted R
Square Std. Error of
the Estimate Durbin-
Watson 1
.788
a
.620 .549
1.38949 1.130
a. Predictors: Constant, ROA, SUKUK, ROE b. Dependent Variable: CAR
Nilai uji DW-test sebesar 1,130 nilai ini akan dibandingkan dengan nilai tabel dengan signifikansi 5, jumlah sampel n 20 dan jumlah variabel
independen 3, maka di tabel DW-test yang dimulai dari umlah 15 sampai 30 akan didapatkan nila dl 1,00 dan 1,68 du. Oleh karena itu karena nilai DW
1,130 dan lebih kecil daripada batas atas du 1,68 dan kurang dari 4du 4- 1,68, mak dapat disimpulkan disimpulkan bahwa tidak ada kesimpulan yang
pasti atau berada di daerah keragu-raguan dl DW du
4. Uji Heteroskedastisitas
Uji heteroskedastisitas ditujukan untuk menguji apakah dalam model regresi terjadi ketidaksamaan variance dan residual satu pengamatan ke
pengamatan yang lain. Jika variance dari satu pengamatan ke pengamatan yang lain tetap, maka disebut homokedastisitas. Dan jika berbeda disebut
heteroskedastisitas. Model regresi yang baik adala yang homokedastisitas atau
tidak terjadi heteroskedastisitas. Cara untuk mendeteksi ada atau tidaknya heterokedastisitas dengan melihat ada tidaknya pola tertentu pada grafik
scaterplot antara nilai prediksi variabel terikat dengan residualnya. Dasar analisis dari uji heteroskedastisitas melalui grafit plot adalah jika tidak ada
pola yang jelas, serta titik-titik menyebar di atas dan di bawah angka 0 pada sumbu Y secara acak, maka tidak terjadi hetreskedastisitas. Hasil uji
heterskedastisitas berdasarkan grafik scatterplot dapat dilihat pada gambar berikut.
Gambar 4.2 Uji Heteroskedastisitas
Sumber: Output SPSS Data Diolah Berdasarkan gambar di atas dapat diketahui bahwa data menyebar
secara merata di atas dan di bawah garis 0 dan tidak berkumpul di satu tempat serta tidak membentuk pola tertentu sehingga dapat disimpulkan bahwa model
regresi tidak terjadi masalah heteroskedastisitas.
C. Pengujian Hipotesis
1. Uji Simultan Uji Statistik F
Uji statsitik F pada dasarnya menunjukkan apakah semua variabel dependen yang dimasukkan dalam model mempunyai pengaruh secara
bersama-samasimultan terhadap variabel dependen. Untuk menguji pengaruh variabel independen terhadap variabel dependen secara simultan dengan cara
membandingkan nilai F hitung dalam tabel Anova dengan F tabel. Jika F hitung F tabel maka hipotesis yang diajukan diterima, artinya terdapat
pengaruh secara simultan. Selanjutnya dapat dengan meliat nilai probabilitas. Jika nilai signifikansi lebih kecil dari 0,05 atau 5 maka hipotesis yang
diajukan dterima. Hasil uji F dapat dilihat pada tabel berikut.
Tabel 4.5 Uji Statistik F ANOVA
b
Model Sum of
Squares Df
Mean Square F
Sig. 1
Regression 50.452
3 16.817
8.711 .001
a
Residual 30.891
16 1.931
Total 81.343
19 a. Predictors: Constant, ROA, SUKUK, ROE
b. Dependent Variable: CAR Sumber : Output SPSS Data Diolah
Pada tabel di atas dapat dilihat bahwa hasil uji F menunjukkan nilai F hitung sebesar 8,711 dengan signifikansi sebesar 0,001. Nilai signifikansi
tersebut lebi kecil daripada 0,05 sehingga dapat disimpulkan bahwa variabel
independen yaitu penerbitan sukuk, ROA dan ROE berpengaruh secara simultan terhadap variabel dependen yaitu CAR sehinga hipotesis yang
diajukan diterima. Apabila dengan menggunakan cara F hitung dapat dilihat dalam tabel
alfa 0,05 dengan nilai residual 16 sehingga diketahui bahwa nilai F tabel adalah sebesar 3,24. Dapat dilihat bahwa nilai F hitung lebih besar daripada
nilai F tabel yaitu nilai F hitung 8,711 F tabel 3,24 sehingga dapat disimpulkan bahwa variabel independen berpengaruh secara simultan teradap
variabel dependen shingga hipotesis diterima. Artinya setiap perubahan yang terjadi pada variabel independen yaitu penerbitan sukuk, ROA dan ROE
secara simultan atau bersama-sama berpengaruh pada CAR Bank Muamalat Indonesia.
2. Uji Parsial Uji Statistik t
Uji statistik t pada dasarnya bertujuan untuk menunjukkan sebebrapa jauh engaruh satu variabel independen terhadap variabel depden dengan
menganggap variabel indepeden lainnya konstan. Uji menguji pengaruh variabel independen terhadap variabel dependen secara parsial dengan cara
membandingkan nilai t hitung dalam tabel coefficient dengan t tabel. Jika t hitung tabel maka Ho ditolak artinya terdapat pengaruh secara parsial
antara variabel independen terhadap variabel dependen. Jika t hitung t tabel maka tidak terdapat pengaruh secara parsial antara variabel independen
terhadap variabel dependen.
