variabel LDR dinyatakan tidak terjadi gejala multikolinearitas. Nilai tolerance variabel NPL sebesar 0,935 dan nilai VIF sebesar 1,070. Nilai VIF variabel NPL
kurang dari 10 atau tolerance lebih dari 0,10 maka variabel NPL dinyatakan tidak terjadi gejala multikolinearitas. Tabel 4.3 menunjukan bahwa tolerance setiap
variabel lebih dari 0,10 atau VIF kurang dari 10. Hal ini berarti data yang digunakan tidak terjadi multikolinearitas.
4.2.2 .2 Uji Autokorelasi
Autokorelasi muncul karena observasi yang berurutan sepanjang waktu berkaitan satu sama lain. Masalah ini timbul karena residual kesalahan
pengganggu tidak bebas dari satu observasi ke observasi lainnya. Model regresi yang baik adalah yang bebas dari autokorelasi. Pengujian ini digunakan untuk
menguji asumsi klasik regresi berkaitan dengan adanya autokorelasi. Pengujian ini menggunakan Durbin Watson DW-test. Ketentuan uji DW adalah jika nilai DW
hitung terletak diantara batas atas du dan batas bawah 4-du, maka dapat
dikatakan bahwa model terbebas dari autokorelasi atau bila du dw 4-du. Tabel 4.4 Uji Autokorelasi
Model Summary
b
Model R
R Square Adjusted R
Square Std. Error of
the Estimate Durbin-
Watson 1
.339
a
.115 .082
.70696 1.917
a. Predictors: Constant, NPL, LDR, CAR b. Dependent Variable: ROA
Sumber: Output SPSS 16
Uji Durbin Watson menunjukan nilai DW 1,917. Nilai ini akan dibandingkan dengan table DW dengan jumlah observasi n = 84, dengan jumlah
variabel independen k = 3 dan tingkat signifikansi 0,05 didapat nilai dl= 1,560 dan du= 1,715. Karena nilai DW hitung terletak diantara batas atas du dan batas
bawah 4-du atau du dw 4-du yaitu 1,715 1,917 2,285. Dengan demikian dapat dikatakan bahwa model terbebas dari autokorelasi.
4.3.2.3 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 SRESID
dengan residual error yaitu ZPRED. Jika tidak ada pola tertentu dan titik menyebar diatas dan dibawah angka 0 pada sumbu Y, maka tidak terjadi
heteroskedastisitas. Gambar 4.2 menunjukkan bahwa data tersebar secara acak dan tidak
membentuk suatu pola tertentu. Data tersebar baik diatas maupun di bawah angka 0 pada sumbu Y. Hal ini menunjukkan bahwa tidak terdapat heteroskedastisitas
dalam model regresi yang digunakan.
Gambar 4.2 Uji Heteroskedastisitas Sumber: Output SPSS
4.2.3 Pengujian Hipotesis 4.2.3.1 Pengujian secara Simultan Uji F
