Tingkat Inflasi dapat dilihat mengalami kenaikan dan penurunan pada setiap tahun penelitian. Nilai Tingkat Inflasi terendah terjadi pada bulan
November tahun 2009, sedangkan Tingkat Inflasi tertinggi terjadi pada bulan November tahun 2005 selama periode penelitian.
B. Regresi Linier Berganda
Berdasarkan pengujian hipotesis menunjukkan hasil estimasi regresi melalui pengolahan data dengan SPSS 16.00 for Windows. Pengolahan data
tersebut menghasilkan suatu model regresi berganda sebagai berikut : β
1
= 8.638 – 0.088CAR – 0.343ROA – 0.006LDR + 0.280INF + e Persamaan ini akan digunakan untuk menjelaskan bagaimana
pengaruh variabel bebas terhadap variabel terikat secara bersama sama Uji-F dan bagaimana pengaruh variabel bebas terhadap variabel terikat secara
parsial Uji-t, agar dapat menguji hipotesis yang dikemukakan penulis.
C. Pengujian Asumsi Klasik
Hasil yang BLUE Best Linier Unbiased Estimator bisa didapatkan jika melakukan pengujian asumsi klasik yang diantaranya harus memiliki
distribusi data normal, tidak terjadi masalah multikolineritas, autokorelasi, dan heteoskedastisitas.
1. Uji Normalitas
Uji normalitas digunakan untuk menguji apakah dalam sebuah model regresi, variabel independen, variabel dependen atau keduanya
Universitas Sumatera Utara
mempunyai distribusi normal atau tidak. Model yang paling baik adalah distribusi data normal atau mendekati normal. Normalitas data dapat dideteksi
dengan melihat bentuk kurva histogram dengan kemiringan seimbang ke kiri dan ke kanan dan berbentuk seperti lonceng atau dengan melihat titik titik data
yang menyebar di sekitar garis diagonal dan searah mengikuti garis diagonal dari gambar Normal P-Plot Nugroho,2005:23-24.
Gambar 4.1 : Histogram Dependen Variabel β1 Sumber : Hasil pengolahan data SPSS versi 16.0, 2010
Interpretasi dari gambar 4.1 menunjukkan bahwa grafik histogram memberikan pola distribusi yang tidak menceng ke kiri atau ke kanan. Hal ini
berarti data residual mempunyai distribusi normal.
Interpretasi dari Gambar 4.2 menunjukkan bahwa titik titik scatterplot sudah mengikuti garis diagonal sepanjang garis normal. Hal ini
menunjukkan bahwa data residual mepunyai distribusi normal.
Universitas Sumatera Utara
Uji normalitas dapat juga dilakukan dengan analisis statistik. Analisis statistik memberikan hasil yang lebih akurat dibandingkan dengan
analisi grafik, maka diilakukan pengujian untuk mengetahui apakah data sudah berdistribusi normal. Uji normalitas yang digunakan dalam analisis
statistik ini adalah uji statistic non-parametik One-Sample Kolmogorov Smirnov. Dengan syarat jika nilai
Asymp. Sig. 2-tailed 0.05, maka data dapat dianggap normal.
Tabel 4.6 Uji Normalitas
One-Sample Kolmogorov-Smirnov Test
Unstandardized Residual
N 66
Normal Parameters
a
Mean .0000000
Std. Deviation 1.10785450
Most Extreme Differences Absolute
.071 Positive
.055 Negative
-.071 Kolmogorov-Smirnov Z
.579 Asymp. Sig. 2-tailed
.891
Test distribution is normal
Sumber : Hasil pengolahan data SPSS versi 16.0, 2010
Jika nilai Asymp. Sig. 2-tailed 0.05, maka data dapat dikatakan normal. Nilai Asymp. Sig. 2-tailed diatas adalah 0.891 .
2. Uji Multikoliniearitas
Universitas Sumatera Utara
Uji multikoliniearitas dilakukan untuk menunjukkan ada tidaknya hubungan linier diantara variabel bebas dalam model regresi. Gejala
multikoliniearitas dapat dideteksi atau dilihat dari nilai Variance Infalation Factor VIF. Multikoliniearitas diketahui dari besarnya Tolerance dan
Variance Infalation Factor VIF dengan membandingkan sebagai berikut :
a. VIF 5, maka diduga mempunyai persoalan multikoliearitas.
b. VIF 5, maka tidak terdapat multikoliearitas.
c. Tolerance 0.1, maka diduga mempunyai persoalan multikoliearitas.
d. Tolerance 0.1, maka tidak terdapat multikoliearitas.
a. Dependen variabel : Y
Sumber : Hasil pengolahan data SPSS versi 16.0, 2010
Hasil di atas dapat diambil keputusan bahwa semua data variabel tidak terkena multikoliearitas, karena nilai Tolerance untuk
Capital Adequacy Ratio CAR, Return On Asset ROA, Loan to Debt Ratio LDR, dan Inflasi masing-masing adalah 0.219, 0.647, 0.204, 0.697
Tabel 4.7 Uji Multikolinearitas
Coefficients
a
Model Unstandardized
Coefficients Standardized
Coefficients t
Sig. Collinearity Statistics
B Std. Error
Beta Tolerance
VIF 1 Constant
8.638 3.813
2.265 .027
x1CAR -.088
.095 -.162
-.928 .357
.219 4.563
X2ROA -.343
.207 -.168 -1.653
.103 .647
1.546 X3LDR
-.006 .037
-.030 -.168
.867 .204
4.908 X4INF
.280 .039
.709 7.241
.000 .697
1.434
Universitas Sumatera Utara
0.1 dan nilai Variance Infalation Factor VIF Capital Adequacy Ratio CAR, Return On Asset ROA, Loan to Debt Ratio LDR, dan Inflasi
masing-masing adalah 4.563, 1.546, 4.908, 1.434 5.
3. Uji Autokorelasi
Istilah autokorelasi dapat didefinisikan sebagai korelasi antara anggota serangkaian observasi yang diurutkan menurut waktu seperti dalam
data deret waktu atau ruang seperti dalam data cross-section. Uji autokorelasi bertujuan untuk menguji apakah dalam model regresi linier ada
korelasi antara kesalahan pengganggu pada peiode sebelumnya. Gejala autokorelasi dapat dideteksi dengan menggunakan Durbin Watson DW
statistic, sebagai rule of thumb nilai d menunjukkan gejala autokorelasi yang tidak berbahaya atau tidak autokorelasi adalah :
Tabel 4.8 Kriteria Pengambilan Keputusan DW Test
Hipotesis nol Keputusan
Jika Tidak autokorelasi positif
Tolak 0 DW dl
Tidak autokorelasi positif No Decision
dl DW du Tidak autokorelasi negatif
Tolak 4 – dl DW 4
Tidak autokorelasi negatif No Decision
4 – du
DW
4 - dl
Tidak autokorelasi positif atau negatif Tidak Ditolak
du DW 4 - dl
Keterangan : du = batas atas dl = batas bawah
sumber : Situmorang et all 2010, 120
Hasil uji Autokorelasinya Durbin Watson terlihat seperti pada tabel di bawah ini :
Universitas Sumatera Utara
Tabel 4.9 Hasil Uji Autokorelasi
Model Summary
b
Model R
R Square Adjusted R
Square Std. Error of the
Estimate Durbin-Watson
1 .770
a
.593 .566
1.14360 1.879
a. Predictors: Constant, X4INF, x1CAR, X2ROA, X3LDR b. Dependent Variable: Y
Sumber : Hasil pengolahan data SPSS versi 16.0, 2010
Berdasarkan tabel 4.7 di atas dapat dilihat bahwa nilai Durbin Watson DW adalah 1.879 . Kriteria yang menunjukkan tidak terjadinya
autokorelasi adalah sebagai berikut : Jumlah Data N
: 66 Jumlah Variabel Bebas
: 4 Pada tingkat signifikansi 5 diperoleh du = berada diantara batas
atas du dan 4 – dl, maka koefisien autokorelasi sama dengan nol yang berarti tidak ada autokorelasi.
Du dw 4 – dl = 1.506 1.879 2.249 Tabel 4.7 menunjukkan bahwa rasio Durbin Watson bernilai 1.879
berada diantara batas atas du dan 4-dl, maka koefisien autokorelasi sama dengan nol yang berarti tidak ada autokorelasi.
4. Uji Heteroskedastisitas
Uji heteroskedastisitas dilakukan untuk mengetahui apakah dalam sebuah model regresi terjadi ketidaksamaan varians dari residual
satu pengamatan ke pengamatan lainnya. Uji heteroskedastisitas dapat diketahui dengan menggunakan pendekatan grafik.
Universitas Sumatera Utara
Gambar 4.3 : Uji Heteroskedastisitas
Sumber : Hasil pengolahan data SPSS versi 16.0, 2010
Sebaran data pada gambar 4.3 tidak berpola, ini dapat diartikan bahwa data tidak terkena masalah heteroskedastisitas.
D. Koefisien Determinasi Uji Goodness of fit Koefisien Determinasi Uji Goodness of fit Adalah koefisien nilai
yang menunjukkan besarnya variasi variabel dependen variabel terikat yang
dipengaruhi oleh variasi variabel indepanden variabel bebas
Tabel 4.10 Uji Determinan
Model Summary
b
Model R
R Square Adjusted R
Square Std. Error of the
Estimate 1
.770
a
.593 .566
1.14360 a. Predictors: Constant, X4INF, x1CAR, X2ROA, X3LDR
b. Dependent Variable: Y
Sumber : Hasil pengolahan data SPSS versi 16.0, 2010
Universitas Sumatera Utara
Tabel 4.10 menunjukkan nilai Adjusted R Square dalam penelitian ini adalah sebesar 0.566 yang berarti 56.6 variance dari tingkat suku bunga
pada bank persero di Indonesia bisa dijelaskan oleh keempat variabel bebas, sedangkan sisanya 43.4 dijelaskan oleh faktor-faktor lainnya di luar model.
E. Pengujian Hipotesis