Gambar 4.2 Grafik Normal P-Plot
Gambar 4.3 merupakan grafik normal probability plot yang menunjukkan bahwa titik-titik data menyebar di sekitar garis diagonal. Hal tersebut
menunjukkan bahwa data telah terdistribusi secara normal. Hal ini sejalan dengan pengujian yang menggunakan histogram dan model Kolmograv-Smirnov yang
juga menyatakan bahwa data telah terdistribusi secara normal.
4.3.2 Uji Multikolinearitas
Uji multikolinieritas bertujuan untuk menguji apakah terdapat korelasi antar variabel independen dalam model regresi. Jika pada model regresi terjadi
multikolinieritas, maka koefisien regresi tidak dapat ditaksir dan nilai standard error menjadi tidak terhingga. Untuk melihat ada atau tidaknya multikolinieritas
dalam model regresi dapat dilihat dari: 1. Nilai tolerance dan lawannya
2. Variance Inflation Factor VIF
Tabel 4.3 Uji Multikolinearitas
Berdasarkan tabel diatas menunjukkan bahwa tidak ada variabel independen yang memiliki nilai Tolerance kurang dari 0,10 yang berarti tidak ada
korelasi antar variabel independen. Selain itu juga, hasil perhitungan nilai Variance Inflation Factor VIF juga menunjukkan hal yang sama tidak ada
satupun variabel independen yang memiliki nilai VIF lebih dari 10. Jadi, dapat disimpulkan bahwa tidak ada multikolonieritas antar variabel independen dalam
penelitian ini.
4.3.3 Uji Heteroskedastisitas
Uji heteroskedastisitas dilakukan untuk menguji apakah dalammodel regresi terjadi ketidaksamaan variance dari residual suatupengamatan ke
pengamatan yang lain. Pengujian ini dapat dilakukandengan berbagai uji yang dilakukan. Di bawah ini merupakan hasil dar pengujian heteroskedastisitas
dengan melihat grafik plot antara nilaiprediksi variabel terikat dependen yaitu ZPRED dengan residualnyaSRESID. Deteksi ada tidaknya pola tertentu pada
Coefficients
a
Model Unstandardized Coefficients
Standardized Coefficients
T Sig.
Collinearity Statistics B
Std. Error Beta
Tolerance VIF
1Constant -1.528E8
5.047E7 -3.028
.006 CAR
992196.044 249271.529
.974 3.980
.001 .366
2.734 ROA
5.445E6 3.972E6
.284 1.371
.183 .512
1.955 BOPO
1.422E6 357337.352
1.111 3.978
.001 .281
3.562 NPL
-7.435E6 7.187E6
-.192 -1.035
.311 .639
1.565 BIRATE
5.328E6 5.454E6
.146 .977
.338 .978
1.023 a. Dependent Variable: KREDIT
grafik scatterplot antaraSRESID dan ZPRED dimana sumbu Y adalah Y yang telah diprediksi, dansumbu X adalah residual Y prediksi – Y sesungguhnya yang
telah di –studentized. Cara mendeteksi ada tidaknya gejala heteroskedastisitas adalah dengan melihat grafik scatterplot yang dihasilkan dari pengolahan data
dengan SPSS. Menurut Ghozali 2013 pengambilan keputusan adalah dengan melihat pola tertentu, seperti titik-titik yang membentuk pola tertentu yang teratur
bergelombang, melebar kemudian menyempit, maka mengindikasikan telah terjadi heterokedastisitas dan jika tidak ada pola yang jelas, serta titik-titik
menyebar di atas dan di bawah angka 0 pada sumbu Y, maka tidak terjadi heterokedastisitas. Berikut ini dilampirkan grafik scatterplot untuk
menganalisisapakah terjadi gejala heterokedastisitas atau tidak dengan caramengamati penyebaran titik-titik pada grafik
Gambar 4.3 Grafik Scatterplot
Dari grafik scatterplot terlihat bahwa titik – titik menyebar secara acak dengan tidak ada pola tertentu yang tersebar baik diatas maupun di bawah angka 0
pada sumbu Y. Dengan demikian dapat disimpulkan bahwa tidak terjadi heteroskedastisitas pada model regresi, sehingga model regresi layak dipakai.
4.3.4 Uji Autokorelasi
