Didukung oleh 55 cabang, 1.043 karyawan dan pemegang saham yang solid, PT. Bank X Syariah siap memberikan warna lain bagi masyarakat
Indonesia, khususnya masyarakat menengah bawah yang menjadi sasaran utama. Saat ini Bank X Syariah KC Medan telah memiliki 6 Kantor Cabang
Pembantu antara lain, Kantor Cabang Pembantu Binjai, Kantor Cabang Pembantu Stabat, Kantor Cabang Pembantu Tebing Tinggi, Kantor Cabang Lubuk Pakam,
Kantor Cabang Rantau Prapat dan Kantor Cabang Pembantu Siantar.
4.4 Uji Penyimpangan Asumsi Klasik
1. Uji Normalitas
Tujuan uji normalitas adalah ingin menguji apakah dalam model regresi distribusi sebuah data mengikuti atau mendekati distribusi normal, yakni distribusi data
dengan bentuk lonceng. Kalau asumsi ini dilanggar maka uji statistik menjadi tidak valid. Ada dua cara untuk mendeteksi apakah data berdistribusi normal atau
tidak, yaitu dengan pendekatan grafik dan pendekatan Kolmogorv-Smirnov. a. Analisis Grafik
Salah satu cara untuk melihat normalitas adalah dengan melihat grafik histogram, dan grafik normal p-p plot, yang membandingkan antara dua
observasi dengan distribusi yang mendekati distribusi normal. Hasil Output SPSS terlihat seperti Gambar :
Gambar 4.1 Pengujian Normalitas Histogram
Berdasarkan grafik dapat disimpulkan bahwa distribusi data normal karena grafik histogram menunjukkan pola distribusi normal maka model regresi
memenuhi asumsi normalitas dan sebaliknya jika data menyebar jauh dari garis diagonal dan tidak mengikuti arah garis diagonal atau grafik histogram tidak
menunjukkan pola distribusi data normal yang tidak melennceng kanan maupun melennceng kiri. Jadi, berarti data residual berdistibusi normal. Terbukti bahwa
data maupun model yang digunakan memenuhi asumsi normalitas.
Gambar 4.2 Pengujian Normalitas P-P Plot
Pada P-P plot terlihat bahwa titik-titik menyebar disekitar garis diagonal dan cenderung mengikuti arah garis diagonal. Hal ini menunjukkan bahwa data
yang dipergunakan dalam penelitian ini memenuhi asumsi normalitas sehingga layak untuk diuji dengan model regresi.
b. Analisis Statistik Uji normalitas dengan grafik bisa saja terlihat berdistribusi normal,
padahal secara statistik tidak berdistribusi normal. Jika nilai sig probability lebih besar dari 0,05 maka Ho ditolak dengan pengertian bahwa data yang
dianalisis berdistribusi normal. Demikian juga sebaliknya jika nilai sig probability lebih kecil dari 0,05 maka Ho diterima dengan pengertian
bahwa data yang dianalisis tidak berdistribusi normal. Berikut ini pengujian normalitas yang didasarkan dengan uji statistik nonparametik
Kolmogorov-Smirnov K-S.
Tabel 4.4 Kolmogorov-Smirnov Test
One-Sample Kolmogorov-Smirnov Test
Unstandardized Residual
N 48
Normal Parameters
a
Mean .0000000
Std. Deviation .85519883
Most Extreme Differences Absolute
.102 Positive
.102 Negative
-.070 Kolmogorov-Smirnov Z
.707 Asymp. Sig. 2-tailed
.699
a. Test distribution is Normal.
Berdasarkan Tabel 4.4, terlihat bahwa nilai Asymp.Sig. 2-tailed adalah 0,699, ini berarti nilainya diatas nilai signifikan 5 0.05, dengan kata lain
variabel tersebut berdistribusi normal.
2. Uji Heterokedastisitas
Uji ini bertujuan untuk menguji apakah didalam model regresi terjadi ketidaksamaan varians. Jika varians dari residual satu pengamatan ke pengamatan
yang lain tetap, maka disebut homoskedastisitas dan jika berbeda disebut heteroskedastisitas. Model regresi yang baik adalah yang homoskedastisitas atau
tidak terjadi heteroskedastisitas. Ada beberapa cara untuk mendeteksi ada atau tidaknya heteroskedastisitas, yaitu :
a. Analisis Grafik Dasar analisis adalah tidak ada pola yang jelas, serta titik-titik menyebar di
atas dan di bawah angka 0 pada sumbu Y, maka tidak terjadi heteroskedastisitas, sedangkan jika ada pola tertentu, seperti titik-titik yang
membentuk pola tertentu yang teratur, maka mengindikasikan telah terjadi heteroskedastisitas.
Gambar 4.3 Heterokedastisitas Scaterrplot
Berdasarkan Gambar 4 dapat terlihat bahwa tidak ada pola yang jelas, serta titik-titik menyebar diatas dan dibawah angka 0 pada sumbu Y,
maka berdasarkan metode grafik tidak terjadi heteroskedastisitas pada model regresi.
b. Analisis Statistik Dasar analisis metode statistik adalah jika variabel bebas signifikan secara
statistik mempengaruhi variabel terikat, maka ada indikasi terjadi heteroskedastisitas.
Tabel 4.5 Uji Glejser
Coefficients
a
Model Unstandardized Coefficients
Standardized Coefficients
t Sig.
B Std. Error
Beta 1
Constant .305
1.545 .198
.844 Inflasi
.025 .059
.072 .428
.671
Margin_bank -.193
.157 -.263
-1.233
.224
Kurs .265
.090 .599
2.950
.105
a. Dependent Variable: NPF
Berdasarkan Tabel 4.5 dapat diketahui bahwa tidak satupun variabel bebas yang signifikan secara statistik mempengaruhi variabel terikat NPF. Hal ini
terlihat dari probabilitas signifikansinya di atas tingkat kepercayaan 5 atau 0,05, jadi disimpulkan model regresi tidak mengarah adanya heteroskedastisitas.
3. Uji Multikolinieritas
Tujuan uji multikolinieritas adalah untuk menguji apakah model regresi ditemukan adanya korelasi antar variabel bebas. Model regresi yang baik
seharusnya tidak terjadi korelasi diantara variabel bebas tidak terjadi multikonieritas. Jika variabel bebas saling berkorelasi, maka variabel-variabel ini
tidak ortogonal adalah variabel bebas yang nilai korelasi antar sesama variabel bebas sama dengan nol
Tabel 4.6 Uji Multikolinieritas
Coefficients
a
Model Unstandardized
Coefficients Standardized
Coefficients t
Sig. Collinearity Statistics
B Std. Error
Beta Tolerance
VIF 1
Constant -9.057
2.655 -3.411
.001 Inflasi
.209 .101
.249 2.069
.044 .630
1.587
Margin_bank .624
.269 .354
2.317 .025
.389
2.567
Kurs .301
.154 .285
1.652 .057
.429
2.332
a. Dependent Variable: NPF
Berdasarkan Tabel 4.6 diatas dapat dilihat bahwa nilai VIF dari masing- masing variabel bebas adalah lebih kecil dari 5,00. Artinya tidak terjadi korelasi
diantara variabel bebas tidak terjadi multikolinieritas pada model regresi.
4.5 Analisi Regresi Linier Berganda
