87 normal. Cara memperbaiki normalitas adalah dengan melakukan
transformasi data. Berdasarkan tabel 4.6 yaitu tabel uji normalitas menggunakan
transformasi data dapat diketahui bahwa distribusi data pada variabel Nilai Jaminan Kredit X
1
, Laba Usaha X
2
dan Penjualan X
3
serta Keputusan Pemberian Kredit Investasi Y mempunyai nilai signifikan dari
Kolmogorov Smirnov lebih besar dari 0,05 5, sehingga dapat
disimpulkan bahwa data mengikuti distribusi normal.
4.4. Uji Asumsi Klasik
Dalam persamaan diagram jalur terdapat model regresi linier berganda yang melibatkan variabel bebas independen yang mempengaruhi satu
variabel terikat dependen. Untuk menguji baik tidaknya model regresi tersebut maka diperlukan uji asumsi klasik, sebagai berikut :
a. Uji Multikolinearitas
Pembuktian atau identifikasi secara statistik ada atau tidak multikolineritas yang dapat dilakukan menghitung Variance Infection
Factor VIF. Apabila VIF 10, hal ini berarti terdapat multikolinier
pada persamaan regresi linier.
88
Tabel 4.7. Hasil Pengujian Multikolinearitas
Coefficients
a
.431 2.319
.425 2.354
.950 1.052
Tr_X1 Tr_X2
Tr_X3 Model
1 Tolerance
VIF Collinearity Statistics
Dependent Variable: Tr_Y a.
Sumber : Lampiran 2B Berdasarkan tabel 4.7. di atas dapat diketahui bahwa nilai VIF
pada variabel Nilai Jaminan Kredit X
1
sebesar 2,319, Laba Usaha X
2
sebesar 2,354 dan Penjualan X
3
sebesar 1,052, lebih kecil dari 10. Sehingga dapat disimpulkan bahwa persamaan regresi tidak
terdapat multikolinearitas.
b. Uji Autokorelasi
Untuk mendiagnosa adanya autokorelasi dalam suatu model regresi dilakukan melalui pengujian terhadap nilai uji Durbin Watson
uji DW.
Tabel 4.8. Hasil Pengujian Autokorelasi
Model Summary
b
.771
a
.594 .547
.22234 1.774
Model 1
R R Square
Adjusted R Square
Std. Error of the Estimate
Durbin- Watson
Predictors: Constant, Tr_X3, Tr_X1, Tr_X2 a.
Dependent Variable: Tr_Y b.
Sumber : Lampiran 2B
89 Berdasarkan tabel 4.8 di atas dapat diketahui bahwa nilai Durbin
Watson sebesar 1,774, hal ini menunjukkan bahwa model regresi tidak terdapat autokorelasi.
c. Uji Heteroskedastisitas
Untuk menguji adanya varians dalam model regresi tidak sama constan. Dapat dilihat melalui taraf signifikan dari korelasi antara
unstardizid residual dengan variabel bebasnya lebih besar dari tingkat
signifikansi 0,05 maka model regresi tersebut bebas dari heteroskedastisitas.
Tabel 4.9. Hasil Pengujian Heteroskedastisitas
Correl ations
1.000 .888
.362 .097
. .000
.050 .611
30 30
30 30
.888 1.000
.297 -.007
.000 .
.111 .970
30 30
30 30
.362 .297
1.000 -.004
.050 .111
. .982
30 30
30 30
.097 -.007
-.004 1.000
.611 .970
.982 .
30 30
30 30
Correlation Coefficient Sig. 2-tailed
N Correlation Coefficient
Sig. 2-tailed N
Correlation Coefficient Sig. 2-tailed
N Correlation Coefficient
Sig. 2-tailed N
Tr_X1 Tr_X2
Tr_X3 Unstandardize
d Residual Spearmans rho
Tr_X1 Tr_X2
Tr_X3 Unstandardiz
ed Res idual
Correlation is s ignificant at the 0.01 level 2-tailed. .
Correlation is s ignificant at the 0.05 level 2-tailed. .
Sumber : Lampiran 2B Berdasarkan tabel 4.9 di atas menunjukkan bahwa variabel Nilai
Jaminan Kredit X
1
sebesar 0,611, Laba Usaha X
2
sebesar 0,970 dan Penjualan X
3
sebesar 0,982 lebih besar dari tingakat signifikansi 0,05
90 maka dapat disimpulkan bahwa model regresi tersebut bebas dari
heteroskedastisitas.
4.5. Teknis Analisis dan Uji Hipotesis