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 0,954 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
One-Sample Kolmogorov-Smirnov Test
Unstandardized Residual N
32 Normal
Parameters
a,,b
Mean .0000000
Std. Deviation .24744045
Most Extreme Differences
Absolute .091
Positive .063
Negative -.091
Kolmogorov-Smirnov Z .514
Asymp. Sig. 2-tailed .954
a. Test distribution is Normal. b. Calculated from data.
Sumber: Hasil Penelitian, 2015 Data Diolah
4.3.2. 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 Grafik Scatterplot
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 Hasi Uji Heteroskedastisitas
Model Unstandardized Coefficients
Standardized Coefficients
t Sig.
B Std. Error
Beta 1
Constant 2.075
2.636 .787
.439 BOPO
-.008 .008
-.536 -1.082
.290 NPL
.043 .051
.328 .836
.411 CAR
.011 .015
.178 .743
.465 LDR
-.003 .002
-.305 -1.303
.204 NIM
-.029 .017
-.374 -1.711
.099 BANKSIZE
-.041 .072
-.243 -.565
.577 a. Dependent Variable: Absut
Sumber: Hasil Penelitian, 2015 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.
4.3.3. Uji Autokorelasi