sebesar 0,3327 menunjukkan bahwa pada penelitian ini, seluruh sampel yang diamati mempunyai nilai Aktiva Tertimbang Menurut
Resiko ATMR yang lebih besar daripada modal yang dimilikinya. Nilai standar deviasi sebesar 0,0710636 menunjukkan bahwa tidak
terdapat sampel yang mempunyai nilai rasio CAR yang bersifat ekstrim, dan tidak terdapat data yang outlier. Rentang nilai range,
senilai 0,5547 menunjukkan bahwa data yang digunakan dalam penelitian ini bersifat heterogen, karena adanya perbedaan nilai antara
nilai maksimum dan nilai minimum.
3. Uji Asumsi Klasik
a. Normalitas Dari grafik histogram terlihat bahwa pola distribusi yang menceng
dan tidak normal dan pada grafik normal probability plot menggambarkan titik – titik yang menyebar menjauh dari garis diagonal.
Kedua grafik ini menunjukkan bahwa normalitas data tidak terpenuhi. Hasil uji normalitas dengan grafik terkadang bisa menyesatkan karena
kelihatannya distribusinya normal, padahal secara statistik bisa sebaliknya. Normalitas data dapat dilihat dari grafik histogram dan
normal probability plot yang ditunjukkan gambar 4.1 dan 4.2 berikut:
Universitas Sumatera Utara
Gambar 4.1 Grafik Histogram 1
Sumber: hasil pengolahan data dengan SPSS, 2010
Gambar 4.2 Normal Probability Plot 1
Sumber: hasil pengolahan data dengan SPSS, 2010
Universitas Sumatera Utara
Normalitas data diuji secara statistik dengan menggunakan uji Kolmogorov Smirnov yang terdapat pada tabel 4.2 berikut:
Tabel 4.2 Uji Kolmogorov Smirnov
One-Sample Kolmogorov-Smirnov Test
LDR NPL
ROA BOPO
CAR N
76 76
76 76
76 Normal Parameters
a
Mean .680763
.035722 .006601
.897201 .162446
Std. Deviation .1919916 .0353953 .0624822 .1548138 .0710636
Most Extreme Differences Absolute .109
.189 .407
.161 .139
Positive .109
.189 .278
.161 .096
Negative -.100
-.166 -.407
-.066 -.139
Kolmogorov-Smirnov Z .949
1.651 3.550
1.404 1.214
Asymp. Sig. 2-tailed .329
.009 .000
.039 .105
a. Test distribution is Normal.
Sumber: hasil pengolahan data dengan SPSS, 2010
Dari hasil uji Kolmogorov Smirnov, dapat diketahui bahwa nilai sigifikansi dari variabel LDR dan CAR dengan probalilitas signifikansi
masing – masing 0,329; 0,105 yang nilainya 0,05. Hal tersebut menunjukan bahwa variabel LDR dan CAR berdistribusi normal.
Sedangkan variabel NPL, ROA dan BOPO dengan probabilitas signifikansi masing – masing 0,009; 0,000; 0,039 yang nilainya 0,05.
Hal ini berarti hipotesis nol ditolak atau variabel NPL, ROA dan BOPO tidak terdistribusi secara normal.
Untuk memperoleh data yang berdistribusi secara normal, dilakukan transformasi data menjadi bentuk LN. Setelah dilakukan transformasi
Universitas Sumatera Utara
data, maka hasil uji normalitas dapat dilihat pada grafik histogram, normal probability plot, dan tabel Kolmogorov Smirnov sebagai berikut:
Gambar 4.3 Grafik Histogram setelah transformasi data LN 2
Sumber: hasil pengolahan data dengan SPSS, 2010
Gambar 4.4 Normal Probability Plot setelah transformasi data LN 2
Sumber: hasil pengolahan data dengan SPSS, 2010
Universitas Sumatera Utara
Grafik histogram setelah transformasi data memperlihatkan pola distribusi yang mendekati normal. Titik – titik yang menyebar di sekitar
garis diagonal dan mengikuti arah garis diagonal pada normal probability plot juga menunjukkan bahwa data berdistribusi normal.
Tabel 4.3 Uji Kolmogorov Smirnov setelah transformasi data LN
One-Sample Kolmogorov-Smirnov Test
LN_LDR LN_NPL LN_ROA LN_BOPO LN_CAR N
76 76
72 76
75 Normal Parameters
a
Mean -.4326
-3.7316 -4.5636
-.1215 -1.8387
Std. Deviation .33379
.92782 .98821
.15892 .32482
Most Extreme Differences
Absolute .132
.069 .144
.126 .076
Positive .098
.056 .072
.126 .067
Negative -.132
-.069 -.144
-.072 -.076
Kolmogorov-Smirnov Z 1.149
.598 1.219
1.099 .661
Asymp. Sig. 2-tailed .143
.867 .102
.179 .774
a. Test distribution is Normal.
Sumber: hasil pengolahan data dengan SPSS, 2010
Dari hasil uji normalitas yang diperoleh melalui grafik histogram, normal probability plot, dan Kolmogrov Smirnov, variabel LDR, NPL,
ROA, BOPO dan CAR telah berdistribusi secara normal. Tindakan perbaikan yang dilakukan dalam penelitian ini agar model regresi
memenuhi asumsi normalitas, yakni dengan menggunakan transformasi seluruh variabel penelitian ke dalam fungsi logaritma natural atau LN,
menghasilkan nilai signifikansi LN_LDR 0,143; LN_NPL 0,867;, LN_ROA 0,102; LN_BOPO 0,179; dan LN_CAR 0,774. Transformasi
Universitas Sumatera Utara
data dalam bentuk LN menyebabkan variabel LN_LDR, LN_NPL, LN_ROA, LN_BOPO dan LN_ CAR memiliki nilai signifikansi 0,05.
Hal ini menunjukkan bahwa variabel terdistribusi secara normal, dan hasil pengujian statistik Kolmogorov Smirnov ini sejalan dengan hasil
pengujian grafik yang menggambarkan data terdistribusi secara normal.
b. Multikolinearitas Uji multikolinearitas dengan melihat nilai tolerance dan VIF
menunjukan hasil seperti pada tabel 4.4 berikut:
Tabel 4.4 Uji Multikolinearitas
Coefficients
a
Model Unstandardized
Coefficients Standardized
Coefficients t
Sig. Collinearity
Statistics B
Std. Error Beta
Tolerance VIF
1 Constant
-.909 .380
-2.394 .019
LN_LDR .031
.111 .034
.283 .778
.776 1.288
LN_NPL .021
.044 .059
.471 .639
.703 1.422
LN_ROA .178
.049 .557
3.607 .001
.458 2.185
LN_BOPO .036
.340 .015
.107 .915
.523 1.912
a. Dependent Variable: LN_CAR
Sumber: hasil pengolahan data dengan SPSS, 2010
Tabel 4.4 di atas memperlihatkan bahwa penelitian ini bebas dari adanya multikolinearitas. Hal ini bisa dilihat dengan membandingkan
nilai tolerance dan VIF. Masing – masing variabel bebas yang digunakan dalam penelitian ini memiliki nilai tolerance yang lebih besar dari 0,01
Universitas Sumatera Utara
yaitu untuk LN_LDR nilai tolerance 0,776; LN_NPL nilai tolerance 0,703; LN_ROA nilai tolerance 0,458; LN_BOPO nilai tolerance 0,523.
Jika dilihat dari VIF-nya, bahwa masing – masing variael bebas lebih kecil dari 10, yaitu untuk VIF LN_LDR sebesar 1,288; VIF LN_NPL
sebesar 1422; VIF LN_ROA sebesar 2,185; VIF LN_BOPO sebesar 1,912. Dengan demikian dapat disimpulkan bahwa tidak terjadi gejala
multikolinearitas dalam variabel bebasnya.
c. Heteroskedastisitas
Dari grafik scatterplot terlihat bahwa titik – titik menyebar secara acak dengan tidak adanya pola yang jelas serta tersebar baik diatas
maupun dibawah angka 0 pada sumbu Y. Dengan demikian, dapat disimpulkan bahwa tidak terjadi heterokedastisitas sehingga model ini
layak dipakai untuk mengetahui pengaruh terhadap kecukupan modal perbankan yang terdaftar di Bursa Efek Indonesia berdasarkan masukan
variabel independen yaitu Loan to Deposit Ratio LDR, Non Performing Loan NPL, Return On Assets ROA, dan Biaya
Operasional Pendapatan Operasional BOPO. Ada tidaknya heterokedastisitas pada penelitian ini dapat dilihat dari grafik scatterplot
pada gambar 4.5 berikut ini:
Universitas Sumatera Utara
Gambar 4.5 Grafik Scatterplot
Sumber: hasil pengolahan data dengan SPSS, 2010
d. Autokorelasi Hasil uji Autokorelasi pada penelitian ini dapat dilihat pada tabel 4.5
berikut ini:
Tabel 4.5 Uji Autokorelasi
Model Summary
b
Model R
R Square Adjusted R Square
Std. Error of the Estimate
Durbin-Watson 1
.518
a
.268 .224
.27797 2.307
a. Predictors: Constant, LN_BOPO, LN_LDR, LN_NPL, LN_ROA b. Dependent Variable: LN_CAR
Sumber: hasil pengolahan data dengan SPSS, 2010
Universitas Sumatera Utara
Dari tabel di atas diketahui bahwa nilai DW sebesar 2,307. Nilai ini akan dibandingkan dengan nilai tabel dengan menggunakan nilai signifikansi
0,05 5, jumlah sampel 72 n dan jumlah variabel independen 4 k=4. Dari tabel Durbin Watson didapat nilai batas atas du 1,7398 dan
nilai batas bawah dl 1,5188, dan 4-du = 2,2602. Nilai DW lebih besar dari du dan tidak lebih kecil dari 4 – du 1,7398 2,307 2,2602,
sehingga diduga terjadinya autokorelasi. Untuk memperoleh data yang bebas dari autokorelasi, dilakukan
transformasi data menjadi bentuk LAG. Transformasi data dalam bentuk LAG, yakni menambah variabel LAG sebagai variabel bebas, yang
kemudian akan di regresi lagi agar mengurangi nilai DW-nya. Setelah dilakukan transformasi data, maka hasil uji autokorelasi dapat dilihat
pada tabel 4.6 sebagai berikut:
Tabel 4.6 Uji Autokorelasi setelah tranformasi LAG
Model Summary
b
Model R
R Square Adjusted R Square
Std. Error of the Estimate
Durbin-Watson 1
.520
a
.270 .214
.27897 2.164
a. Predictors: Constant, LAG_CAR, LN_NPL, LN_LDR, LN_BOPO, LN_ROA b. Dependent Variable: LN_CAR
Sumber: hasil pengolahan data dengan SPSS, 2010
Dari tabel di atas diketahui bahwa nilai DW setelah di trasformasi dalam bentuk LAG sebesar 2,164. Nilai ini akan dibandingkan dengan
nilai tabel dengan menggunakan nilai signifikansi 0,05 5, jumlah sampel 71 n dan jumlah variabel independen 5 k=5. Dari tabel
Universitas Sumatera Utara
Durbin Watson didapat nilai batas atas du 1,7684 dan nilai batas bawah dl 1,468, dan 4-du = 2,2316. Nilai DW lebih besar dari du dan lebih
kecil dari 4–du 1,7398 2,164 2,2316, sehingga dapat disimpulkan bahwa variabel bebas dari autokorelasi.
Dengan demikian, dari hasil seluruh pengujian asumsi klasik dapat disimpulkan bahwa model regresi yang dipakai dalam penelitian ini telah
memenuhi estimasi yang Best Linear Unbiased Estimator BLUE dan layak dilakukan analisis statistik selanjutnya untuk memprediksi
kecukupan modal perbankan yang terdaftar di Bursa Efek Indonesia berdasarkan masukan variabel independen LDR, NPL dan ROA.
4. Pengujian Hipotesis
