105 Tolerance lebih besar daripada 0,1 Tolerance 0,1 dan nilai VIF
lebih kecil daripada 10 VIF 10.
c. Uji Heteroskedastisitas
Uji Heteroskedastisitas adalah terjadinya ketidaksamaan varians dalam fungsi regresi dari residual satu pengamatan ke
pengamatan lain. Data yang baik adalah data yang memiliki kesamaan varians dalam fungsi regresi yang disebut sebagai homoskedastisitas.
Berikut adalah hasil dari uji heteroskedastisitas. 1
Analisis Grafik Scatter Plot
Gambar 4.7 Grafik
Scatter Plot
Sumber: Data diolah, 2015
Berdasarkan pada grafik Scatter Plot di atas, terlihat bahwa titik-titik dari data menyebar secara acak serta tersebar baik di atas
106 angka nol maupun di bawah angka nol pada sumbu Regression
Studentized Residual dan tidak membentuk suatu pola tertentu. 2
Metode Spearman’s Rho
Tabel 4.7 Uji Heteroskedastisitas Metode
Spearman’s Rho
Sumber: Data diolah, 2015
Berdasarkan output pada Tabel 4.7, dapat diketahui bahwa semua variabel independen mempunyai signifikansi korelasi lebih
dari 0,05 dengan Unstandardized Residual. Oleh karena itu, dapat disimpulkan bahwa model regresi ini tidak terjadi masalah
heteroskedastisitas.
d. Uji Autokorelasi
Uji autokorelasi digunakan untuk mengetahui ada atau tidaknya penyimpangan asumsi klasik autokorelasi yaitu korelasi yang terjadi
antara residual pada satu pengamatan dengan pengamatan lain pada
107 model regresi. Prasyarat yang harus terpenuhi adalah tidak adanya
autokorelasi dalam model regresi. Uji Durbin-Watson Uji D-W merupakan uji yang sangat popular untuk menguji ada-tidaknya
masalah autokorelasi dari model empiris yang diestimasi. Berikut adalah hasil dari uji autokorelasi.
Tabel 4.8 Uji Durbin-Watson
Sumber: Data diolah, 2015
Berdasarkan Tabel 4.8, nilai Durbin-Watson sebesar 0,231. Jika dibandingkan dengan tabel Durbin Watson dengan n = 64 dan jumlah
variabel independen k = 4, diperoleh nilai tabel d
L
lower = 1,4659 dan d
u
upper = 1,7303, sehingga nilai 4-d
u
sebesar 4-1,7303 = 2,2697 sedangkan nilai 4-d
L
sebesar 4-1,4659 = 2,5341. Oleh karena nilai D- W = 0,231 berada di bawah d
L
= 1,4659 maka dapat disimpulkan terjadi autokorelasi positif.
Oleh karena adanya autokorelasi maka nilai standard error SE dan nilai t-statistik tidak dapat dipercaya sehingga diperlukan
pengobatan. Pengobatan autokorelasi tergantung dari nilai ρ yang
dapat diestimasi dengan beberapa cara seperti di bawah ini Ghozali, 2012:130:
108 1
Nilai ρ diestimasi dengan Durbin-Watson d
2 Nilai ρ diestimasi dengan Theil-Nagar d
3 Cochrane-Orcutt Step 1
Langkah Analisis: a
Dapatkan nilai lag satu residual Ut_1 dengan perintah Transform dan Compute. Isikan pada target variabel Ut_1 dan
isikan pada kotak Numeric Expression LagRes_1. b
Dari menu utama SPSS, pilih Analyze, kemudian submenu Regression, lalu pilih Linear. Pada kotak dependent isikan
variabel Res_1 Ut dan pada kotak independent isikan variabel Ut_1 Lag satu dari Ut. Abaikan yang lain dan pilih OK.
Tabel 4.9 Unstandardized Coefficients
Sumber: Data diolah, 2015
Berdasarkan output pada Tabel 4.9, diperoleh nilai ρ
sebesar 0,865 yaitu nilai koefisien variabel Ut_1. Dan
109 berdasarkan pada perhitungan di atas diperoleh nilai
ρ menurut berbagai metode seperti terlihat pada tabel di bawah ini.
Tabel 4.10 Nilai
ρ Rho Metode
Nilai ρ
Durbin-Watson d 0,8845
Theil-Nagar d 0,89189
Cochrane-Orcutt Step 1 0,865
Sumber: Data diolah, 2015
Ketiga metode ternyata menghasilkan nilai yang hampir sama. Untuk
itu peneliti memilih
metode Theil-Nagar d
untuk mentransformasikan persamaan regresi. Langkah Analisis:
1 Membentuk variabel ROAt, Profil_Risikot, GCGt,
BOPOt dan CARt dengan perintah Transform dan Compute. Pada kotak Target Variable diisikan ROAt, dan pada kotak
Numeric Expression diisikan ROA-0,88LagROA. Lakukan hal yang sama untuk semua variabel X.
2 Dari menu utama SPSS pilih Analyze, kemudian Regression, lalu
pilih Linear. Pada kotak dependent isikan variabel ROAt, serta pada kotak independent isikan variabel Profil_Risikot, GCGt,
BOPOt dan CARt. 3
Pilih Statistik dan aktifkan Durbin-Watson untuk menguji apakah masih terjadi autokorelasi. Abaikan lainnya dan pilih OK.
4 Hasil output SPSS.
110
Tabel 4.11 Hasil Pengobatan Uji Durbin-Watson
Sumber: Data diolah, 2015
Membandingkan hasil regresi persamaan awal sebelum dilakukan pengobatan dan hasil regresi setelah dilakukan pengobatan
ternyata dapat dibandingkan comparable. Perbedaan tersebut terletak pada nilai Durbin-Watson. Pada persamaan awal nilai Durbin-Watson
sebesar 0,231 dan terjadi autokorelasi positif, sedangkan dengan persamaan regresi setelah dilakukan pengobatan, nilai Durbin-Watson
menjadi sebesar 1,777. Karena nilai Durbin-Watson sebesar 1,777 terletak antara d
u
dengan 4-d
u
, maka dapat disimpulkan bahwa model persamaan regresi tersebut sudah tidak mengandung masalah
autokorelasi. Tabel 4.12 dapat menjelaskan bahwa nilai Durbin Watson sudah tidak mengandung masalah autokorelasi.
Tabel 4.12 Nilai Durbin Watson
Nilai Durbin Watson Nilai Durbin Watson yang pertama
dengan pengobatan Sumber: Data diolah 2015
111
3. Uji Hipotesis
Kategori