No. Kode
Nama Perusahaan 9.
BNLI Bank Permata Tbk.
10. NISP
Bank OCBC NISP Tbk. Sumber : Bursa Efek Jakarta
4.2. Analisis Data
4.2.1. Pengujian Asumsi Klasik
4.2.1.1.Uji Normalitas
Pengujian terhadap asumsi klasik normalitas bertujuan untuk mengetahui apakah resudial data dari model regresi linear memiliki
distribusi normal ataukah tidak. Jika resudial data tidak terdistribusi dengan normal maka kesimpulan statistik menjadi tidak valid atau
bias. Dalam penelitian ini ada dua cara untuk mendeteksi resudial data yaitu dengan analisis grafik normal probability plot dan grafik
histogram dan uji Kolmogorov-Smirnov. Berikut ini hasil uji normalitas.
Universitas Sumatera Utara
Gambar 4.1. Grafik Normal Probability Plot
Dari grafik normal probability plot di atas dapat dilihat bahwa titik- titik plot menyebar di sekitar garis diagonal. Hal ini dapat
disimpulkan bahwa data yang digunakan terdistribusi normal atau memenuhi asumsi klasik normalitas.
Universitas Sumatera Utara
Dependent variabel : Restructuring
Gambar 4.2. Grafik Histogram
Dari grafik histogram di atas dapat diketahui bahwa grafik memiliki pola distribusi normal karena bentuknya yang simetris. Namun
demikian dengan melihat grafik normal probability plot dan grafik histogram saja tidaklah cukup. Untuk itu dilakukan uji Kolmogorov-
Smirnov untuk memastikan apakah data normal atau tidak.
Universitas Sumatera Utara
Tabel 4.2. Uji Kolmogorov-Smirnov
One-Sample Kolmogorov-Smirnov Test
Unstandardized Residual
N 99
Normal Parameters Mean
a,b
.0000000 Std. Deviation
.77590295 Most Extreme Differences
Absolute .064
Positive .064
Negative -.047
Kolmogorov-Smirnov Z .642
Asymp. Sig. 2-tailed .805
a. Test distribution is Normal. b. Calculated from data.
Dari hasil uji Kolmogorov-Smirnov di atas diperoleh nilai Asymp. Sig. 2-tailed sebesar 0.805. Karena Asymp. Sig. 2-tailed 0.05,
maka dapat disimpulkan bahwa data terdistribusi normal.
4.2.1.2.Uji Multikolinearitas
Pengujian terhadap asumsi klasik multikolinearitas bertujuan untuk mengetahui apakah ada atau tidaknya korelasi antara variabel
independen dalam model regresi. Cara umum yang digunakan untuk mendeteksi ada tidaknya problem multikolinearitas adalah dengan
melihat nilai Tolerance dan VIF Variance Inflation Factor. Berikut ini hasil uji multikolinearitas.
Universitas Sumatera Utara
Tabel 4.3. Tolerance dan VIF Variance Inflation Factor
Coefficients
a
Model Unstandardized
Coefficients Standardized
Coefficients t
Sig. Collinearity Statistics
B Std.
Error Beta
Tolerance VIF
1 Constant
1.577 .280
5.638 .000
Restrukturisasi .252
.060 .392 4.213
.000 1.000
1.000 a. Dependent Variable: NPL
Dari hasil uji multikolinearitas di atas diperoleh nilai Tolarance 0.10 dan nilai VIF 10, maka dapat disimpulkan bahwa data
memenuhi uji asumsi klasik multikolinearitas.
4.2.1.3.Uji Heteroskedastisitas
Uji heteroskedastisitas bertujuan menguji apakah variance dari residual satu pengamatan ke pengamatan yang lainnya berbeda atau
tetap. Ada beberapa cara untuk mendeteksi problem heteroskedastisitas yaitu dengan grafik scatterplot dan uji statistik
glejser. Berikut ini hasil uji heteroskedastisitas.
Universitas Sumatera Utara
Gambar 4.3. Grafik Scatterplot
Dari grafik scatterplot di atas dapat dilihat bahwa titik-titik berkumpul pada satu tempat dan tidak menyebar. Hal ini
mengindikasikan bahwa pada data terjadi problem heteroskedastisitas
atau tidak memenuhi asumsi klasik heteroskedastisitas. Namun analisis menggunakan grafik scatterpolt
memiliki kelemahan karena tergantung pada jumlah sampel. Oleh karena itu dibutuhkan teknik lain yang lebih akurat untuk mendeteksi
ada atau tidaknya problem heteroskedastisitas yaitu dengan melakukan uji statistik glejser.
Universitas Sumatera Utara
Tabel 4.4. Uji Statistik Glejser
Coefficients
a
Model Unstandardized
Coefficients Standardized
Coefficients t
Sig. B
Std. Error Beta
1 Constant
.849 .183
4.644 .000 Restrukturisasi
.206 .039
.469 5.255 . 000
a. Dependent Variable: Glejser
Dari hasil uji glejser di atas diperoleh nilai signifikansi untuk variabel 0.05. Oleh karena itu, dapat disimpulkan bahwa data tidak
memenuhi asumsi klasik heteroskedastisitas.
4.2.1.4.Uji Autokorelasi
Uji autokorelasi bertujuan untuk mengetahui apakah dalam model regresi linear ada korelasi antara kesalahan pengganggu pada satu
pengamatan ke pengamatan yang lainnya. Ada beberapa cara yang dapat digunakan yaitu dengan melakukan uji statistik Durbin-
Watson, uji Runs Test dan uji Box-Ljung. Berikut ini hasil uji autokorelasi.
Tabel 4.5. Uji Durbin-Watson
Model Summary
b
Model R
R Square Adjusted R
Square Std. Error of the
Estimate Durbin-Watson
1 .392
.153
a
.145 2.18088
1.926 a. Predictors: Constant, Restrukturisasi
b. Dependent Variable: NPL
Universitas Sumatera Utara
Dari hasil analisis di atas diperoleh nilai DW statistik sebesar 1.926. Jumlah variabel yang digunakan ada dua k = 2 dengan sampel n =
100, maka diperoleh nilai DW tabel sebesar 1.715. Karena nilai DW statistik lebih besar dari nilai tabel yaitu 1.926 1.715, maka dapat
disimpulkan bahwa data tidak terdapat problem autokorelasi. Selanjutnya dilakukan uji Runs Test untuk memastikan apakah data
terdapat problem autokorelasi atau tidak.
Tabel 4.6. Uji Runs Test
Runs Test
Unstandardized Residual
Test Value -.60949
a
Cases Test Value 50
Cases = Test Value 50
Total Cases 100
Number of Runs 50
Z -.201
Asymp. Sig. 2-tailed .841
a. Median
Dari hasil uji statistik Runs Test di atas diperoleh nilai signifikansi 0.841. Artinya nilai signifikansi 0.841 0.05, maka dapat
disimpulkan bahwa data tidak terdapat problem autokorelasi atau memenuhi asumsi klasik autokorelasi. Dan selanjutnya untuk
meyakinkan apakah data tidak terdapat problem autokorelasi dilakukan uji Box-Ljung.
Universitas Sumatera Utara
Tabel 4.7. Uji Box-Ljung
Autocorrelations
Series: Unstandardized Residual Lag
Autocorrelation Std. Error
Box-Ljung Statistic
a
Value df
Sig.
b
1 .021
.099 .044
1 .833
2 -.007
.098 .050
2 .975
3 .354
.098 13.214
3 .004
4 .261
.097 20.425
4 .000
5 -.076
.097 21.038
5 .001
6 .139
.096 23.129
6 .001
7 .280
.095 31.734
7 .000
8 -.040
.095 31.908
8 .000
9 -.059
.094 32.303
9 .000
10 .396
.094 50.092
10 .000
11 -.028
.093 50.181
11 .000
12 -.113
.093 51.665
12 .000
13 .208
.092 56.720
13 .000
14 .132
.092 58.792
14 .000
15 -.103
.091 60.055
15 .000
16 -.047
.091 60.327
16 .000
a. The underlying process assumed is independence white noise. b. Based on the asymptotic chi-square approximation.
Dari hasil uji Box-ljung di atas dapat dilihat bahwa terdapat lebih dari dua lag yang mempunyai nilai signifikansi kurang dari 0.05,
sehingga dapat disimpulkan bahwa data tidak terdapat problem autokorelasi.
Universitas Sumatera Utara
Gambar 4.4. Grafik Autokorelasi
4.2.2. Pengujian Hipotesis
Kategori