Uji Multikolinearitas Uji Autokorelasi

Dari hasil uji normalitas tersebut menunjukkan nilai Kolmogorov-Smirnov adalah 1,025 dan tingkat probabilitas menjadi sebesar 0,244. Tingkat probabilitas tersebut lebih besar dari 0,05 tidak signifikan statistik maka Ho diterima maka menunjukkan data residual terdistribusi secara normal. Dengan demikian data tersebut telah dapat dipergunakan untuk dianalisis.

4.2.1.2 Uji Multikolinearitas

Multikolineritas adalah suatu kondisi dimana terdapat hubungan variabel independen diantara satu dengan lainnya. Hal ini dapat dilihat dari setiap koefisien masing-masing variabel sesuai dengan hipotesis yang telah ditentukan. Tabel 4.3 Hasil Uji Multikolineritas Coefficients a Model Unstandardized Coefficients Standardized Coefficients t Sig. Collinearity Statistics B Std. Error Beta Tolerance VIF 1 Constant 8.560 1.151 7.439 .000 BOPO -.065 .012 -.553 -5.331 .000 .817 1.224 NPL .146 .027 .568 5.389 .000 .793 1.261 NIM -.105 .113 -.098 -.930 .356 .798 1.253 CAR .007 .015 .049 .467 .642 .795 1.259 a. Dependent Variable: ROA Sumber : output SPSS, data sekunder yang diolah Hasil uji multikolinearitas menunjukkan tidak ada variabel independen yang memiliki nilai tolerance 0,10 dan hasil perhitungan VIF menunjukkan tidak ada variabel independen yang memiliki nilai VIF 10. Jadi dapat disimpulkan tidak ada multikolinearitas.

4.2.1.3 Uji Autokorelasi

Dari uji autokorelasi diketahui nilai DW adalah 0,677. Nilai ini akan dibandingkan dengan nilai tabel menggunakan tingkat signifikasi 5, jumlah sampel 72, dan jumlah variabel independen 4, nilai du adalah 1,7366, dan nilai dl adalah 1,5029. Nilai DW lebih kecil dari du dan kurang dari 4-du, hasil uji autokorelasi ini menunjukkankan bahwa DW hitung lebih kecil dibanding dl atau 0 d dl, maka dapat dinyatakan bahwa model terkena masalah autokorelasi. Tabel 4.4 Hasil Uji Autokolerasi Model Summary b Model R R Square Adjusted R Square Std. Error of the Estimate Durbin- Watson 1 .641 a .410 .375 .54082 .677 a. Predictors: Constant, CAR, NPL, BOPO, NIM b. Dependent Variable: ROA Sumber : output SPSS, data sekunder yang diolah Karena adanya terdapat masalah autokorelasi dalam penelitian ini maka dilakukan uji transformasi Cochrane-Orcutt untuk mengatasi masalah autokorelasi ini. cara ini dilakukan dengan mentransformasikan dahulu variabel-variabel penelitian dengan Koefisien korelasi p yang disebut juga dengan istilah Rho. Setelah koefisien autokorelasi telah diketahui maka dilanjutkan dengan cara transformasi. Dari data hasil transformasi, dilakukan pendeteksian ulang untuk mendeteksi ada atau tidaknya autokorelasi. Jika pada data hasil transformasi masih terdapat autokorelasi, maka dilakukan transformasi ulang sampai tidak terdapat autokorelasi. Setelah diperoleh data yang terhindar dan autokorelasi, langkah selanjutnya menerapkan dengan metode Ordinary Least Squares OLS untuk menentukan koefisien- koefisien regresinya. Tabel 4.5 Koefisien Korelasi