Uji Asumsi Klasik 1. Uji Normalitas
4.2.2. Uji Asumsi Klasik 4.2.2.1. Uji Normalitas
Pengujian normalitas bertujuan untuk mengetahui apakah data yang digunakan telah terdistribusi secara normal. Salah satu metode untuk mengetahui
normalitas adalah dengan menggunakan model analisis grafik, baik dengan melihat grafik secara histogram ataupun dengan secara Normal Probability Plot.
Hasil uji normalitas dengan grafik histogram yang diolah dengan SPSS, secara normal probability plot dan dapat ditunjukkan sebagai berikut:
Sumber: Hasil Penelitian, 2016 Data Diolah
Gambar 4.1 Histogram
Hasil uji normalitas diatas memperlihatkan bahwa pada grafik histogram diatas distribusi data mengikuti kurva berbentuk lonceng yang tidak menceng
skewness kiri maupun menceng kanan atau dapat disimpulkan bahwa data tersebut normal.
Sumber: Hasil Penelitian, 2016 Data Diolah
Gambar 4.2 Normal P-P Plot
Hasil uji normalitas menggunakan probability plot, dimana terlihat bahwa titik-titik menyebar di sekitar garis diagonal sehingga dapat disimpulkan bahwa
data dalam model regresi terdistribusi secara normal. Semua hasil pengujian melalui analisis grafik dan statistik di atas
menunjukkan hasil yang sama yaitu normal, dengan demikian telah terpenuhi
asumsi normalitas dan dapat dilakukan pengujian asumsi klasik berikutnya pada data yang telah disajikan.
Dalam penelitian ini juga dilakukan pengujian normalitas residual dengan menggunakan uji Kolmogrorov-Smirnov, yaitu dengan membandingkan distribusi
komulatif relative hasil observasi dengan distribusi komulatif relative teoritisnya. Jika probabilitas signifikansi nilai residual lebih dari 0,05 berarti residual
terdistribusi dengan normal, demikian pula sebaliknya. Hasil penelitian ini menunjukkan nilai signifikansi sebesar 0,512 seperti yang ditunjukkan oleh Tabel
4.2 karena nilai signifikansi uji Kolmogorov-Smirnov di atas 0,05 maka dapat disimpulkan bahwa data terdistribusi secara normal.
Tabel 4.2 Hasil Uji Normalitas
Unstandardized Residual N
55 Normal Parameters
a,,b
Mean .0000000
Std. Deviation
1.08007233 Most Extreme
Differences Absolute
.111 Positive
.108 Negative
-.111 Kolmogorov-Smirnov Z
.820 Asymp. Sig. 2-tailed
.512 Sumber: Hasil Penelitian, 2016 Data Diolah
4.2.2.2. Uji Heteroskedastisitas
Uji heteroskedastisitas dilakukan untuk menguji apakah dalam model regresi terjadi ketidaksamaan varians dari residual dari satu pengamatan ke
pengamatan yang lain. Jika varians dari residual satu pengamatan ke pengamatan yang lain tetap, maka disebut homoskedastisitas dan jika berbeda akan disebut
heteroskedastisitas. Untuk mengetahui ada tidaknya heteroskedastisitas antar variabel independen dapat dilihat dari grafik plot antara nilai prediksi terikatnya
independen dapat dilihat dari grafik plot antara nilai prediksi variabel ZPRED dengan residual SRESID. Heteroskedastisitas ini dapat dilihat dengan grafik
scatterplot dan Uji Glejser. Hasil dari uji heteroskedastisitas dapat dilihat pada grafik scatterplot berikut ini:
Sumber: Hasil Penelitian, 2015 Data Diolah
Gambar 4.3 tabel
Berdasarkan Gambar 4.3, terlihat bahwa titik-titik tidak terlalu menyebar secara acak diatas dan di bawah angka 0 pada sumbu Y, serta sedikit menyempit
menumpuk. Hal ini mengindikasikan tidak terjadi heteroskedastisitas pada model regresi sehingga model regresi layak dipakai untuk memprediksi ROA
berdasarkan masukan variabel independennya. Selain dengan grafik, hasil uji heteroskedastisitas dapat dilihat pada
statistik berikut ini:
Tabel 4.3 Hasil Uji Heteroskedastisitas
Model Unstandardized
Coefficients Standardiz
ed Coefficien
ts t
Sig. B
Std. Error
Beta 1 Constant
.876 .455
1.924 .060
CAR .010
.007 .253
1.463 .150
NPF .030
.070 .071
.434 .666
FDR -.005
.004 -.180
-1.229 .225
Sumber: Hasil Penelitian, 2016 Data Diolah Berdasarkan hasil uji glejser, dapat dilihat bahwa pada Tabel 4.3
menunjukkan tidak satupun variabel independen yang signifikan secara statistik mempengaruhi variabel dependen absolut. Hal ini terlihat dari probabilitas
signifikansinya di atas tingkat kepercayaan 5 0,05, sehingga dapat disimpulkan model regresi tidak mengarah pada heteroskedastisitas.
4.2.2.3. Uji Autokorelasi
Uji autokorelasi ini digunakan untuk menguji asumsi klasik regresi berkaitan dengan adanya autokorelasi. Model regresi yang baik adalah model
yang tidak mengandung autokorelasi. Pengujian ini menggunakan Uji Durbin- Watson DW test untuk mendeteksi ada tidaknya autokorelasi. Hasil pengujian
Uji Durbin-Watson DW test dapat dilihat pada Tabel 4.4 berikut ini:
Tabel 4.4 Hasil Uji Durbin-Watson
Model R
R Square Adjusted R
Square Std. Error of
the Estimate Durbin-
Watson 1
.499
a
.249 .205
1.11139 2.016
Sumber: Hasil Penelitian, 2016 Data Diolah Hasil output SPSS menunjukkan nilai DW sebesar 2.016, nilai ini akan
dibandingkan dengan nilai tabel dengan menggunakan derajat kepercayaan 5, jumlah sampel n = 55 dan jumlah variabel bebas k = 3, maka di tabel Durbin-
Watson didapatkan nilai dL durbin-watson lowerbatas bawah = 1.452, nilai dU durbin-watson upperbatas atas = 1.681 dan
4 ̶ dU = 2.238. Pengambilan keputusannya adalah dU 0.972
˂ d 2.016 ˂ 4 ̶ dU 2.319, artinya tidak ada autokorelasi positif atau negatif. Dengan demikian, tidak terdapat adanya
autokorelasi pada model regresi. 4.2.2.4. Uji Multikolinearitas
Uji multikolinearitas bertujuan untuk menguji apakah dalam sebuah model regresi ditemukan adanya korelasi antar variabel independen. Uji yang dilakukan
untuk menguji multikolinearitas adalah dengan menghitung nilai VIF untuk masing-masing variabel independen. Suatu variabel menunjukkan gejala
multikolinearitas dapat dilihat dari nilai VIF yang tinggi pada variabel-variabel bebas suatu model regresi. Jika dalam penelitian nilai VIF 10 maka ini
menunjukkan adanya gajala multikolinearitas dalam model regresi. Hasil dari uji multikolinearitas dapat dilihat pada Tabel 4.5 berikut ini :
Hasil Uji Multikolinieritas
Model Unstandardized
Coefficients Standardize
d Coefficients
t Sig.
Collinearity Statistics
B Std.
Error Beta
Toleranc e
VIF 1 Constan
t .085
.667 .127
.900 CAR
.007 .010
.115 .744
.460 .621 1.611
NPF -.135
.102 -.194
-1.320 .193
.685 1.460 FDR
.015 .006
.340 2.604
.012 .862 1.159
Sumber: Hasil Penelitian, 2016 Data Diolah Hasil uji multikolinearitas pada Tabel 4.5 menunjukkan bahwa keseluruhan
variabel mempunyai nilai VIF 10, sehingga dapat disimpulkan bahwa variabel tersebut tidak terjadi multikolinearitas.
Tolerance mengukur variabilitas variabel bebas yang terpilih yang tidak dapat dijelaskan oleh variabel bebas lainnya. Jadi, nilai tolerance yang rendah
sama dengan nilai VIF tinggi karena VIF = 1Tolerance. Hasil penelitian ini mengidikasikan bahwa tidak terjadi multikolinearitas di antara variabel
independen dalam penelitian.
Tabel 4.5