47
Smirnov menunjukkan nilai lebih besar 0,05 yang mempunyai nilai signifikan 0,121, maka dapat dinyatakan bahwa data mempunyai
distribusi normal.
4.2.2.2 Uji Multikolinearitas
Dalam mendeteksi ada tidaknya gejala multikolinearitas antar variabel independen pada model persamaan pertama digunakan variance
inflation factor VIF. Berdasar hasil yang ditunjukkan dalam output SPSS maka besarnya VIF dari masing-masing variabel independen dapat
dilihat pada tabel 4.5 sebagai berikut:
Tabel 4.3
Uji Multikolinearitas
Berdasarkan tabel 4.5 diatas menunjukkan bahwa kedua variabel independen diperoleh nilai Variance Inflation Factor VIF untuk kredit
yang diberikan sebesar 1,030, dan Loan to Deposits Ratio sebesar 1,030. Hasil perhitungan menunjukkan tidak ada satu variabel independen yang
memiliki nilai VIF lebih dari 10. Nilai tolerance mendekati 1 untuk kredit yang diberikan sebesar 0,971,dan Loan to Deposits Ratio sebesar
Coefficients
a,b
Model Collinearity Statistics
Tolerance VIF
1 LN_KREDIT .971
1.030 LDR
.971 1.030
a. Dependent Variable: ROA Sumber : Output SPSS versi 17: Coefficients,2015,
Lampiran 7
48
0,971. Jadi dapat disimpulkan bahwa tidak ada multikolinearitas antar variabel independen dalam model regresi..
4.2.2.3 Uji Autokorelasi
Penyimpangan autokorelasi dalam penelitian ini diuji dengan uji Durbin-Watson DW-test. Hasil regresi dengan lavel of signifikan 0,05
α=0,05 dengan sejumlah variabel independen 2 dan banyak data n = 75 . Adapun hasil dari uji autokorelasi dapat dilihat pada table 4.6
sebagai berikut :
Tabel 4.4 Uji Autokorelasi
Berdasarkan hasil uji Durbin-Watson sebesar 2,261; sedangkan dalam table DW untuk “k” = 2 dan N = 75 besar DW-tabel: dl batas
luar = 1,5709 dan du batas dalam =1,6802 ; 4 – du = 2.3198. Oleh karena nilai DW 2,261 lebih besar dari batas du 1,6802 dan DW
kurang dari 4 – 1,6802, maka dapat disimpulkan bahwa DW-test tidak
Model Summary
c,d
Model R
R Square
b
Adjusted R Square
Std. Error of the Estimate
Durbin- Watson
1 .328
a
.108 .083
.94314 2.261
a. Predictors: LDR, LN_KREDIT b. Dependent Variabel : ROA
Sumber : Output SPSS versi 17: Model Summary,2015, Lampiran 7
49
dapat menolak Ho yang menyatakan bahwa tidak ada autokorelasi positif atau negatif atau dapat disimpulkan tidak terdapat autokorelasi.
4.2.2.4 Uji Heteroskedastisitas
Pengujian Heteroskedastisitas dilakukan dengan menggunakan scatter plot. Hasil pengujian menunjukkan bahwa pola scatter plot dari
regresi menyebar. Hal ini berarti bahwa model regresi tidak memiliki gejala adanya heteroskedastisitas. Selain melihat pola-pola titik pada
scatter plot regresi, uji heteroskedastisitas dapat dilakukan dengan mengunakan Uji Glejser, yaitu meregresikan nilai absolut residual
terhadap variabel bebas Ghozali,2006:108. Jika nilai signifikan hitung lebih besar dari Alpha = 5, maka tidak ada masalah heteroskedastisitas.
Tetapi jika nilai signifikan hitung kurang dari Alpha = 5 maka dapat disimpulkan bahwa model regresi terjadi heteroskedastisitas.
Gambar 4.3 Pola Scatter Plot
Sumber : Output SPSS versi 17: Grafik Scatterplot, 2015, Lampiran 7
50
Dari grafik scatterplot terlihat bahwa titik-titik menyebar secara acak serta tersebar baik diatas maupun dibawah angka nol 0 pada
sumbu Y, tidak berkumpul disatu tempat, serta tidak membentuk pola tertentu sehingga dapat disimpulkan bahwa tidak terjadi
heteroskedastisitas. Namun untuk lebih memastikan bahwa variabel yang
diteliti benar-benar tidak ada heteroskedastisitas maka dilakukan Uji
Glejser yang dapat dilihat hasilnya pada tabel dibawah ini :
Tabel 4.5 Uji Glejser
Sumber : Output SPSS versi 17: Uji Glejser, 2015, Lampiran 7
Dengan menggunakan Uji Glejser untuk menguji ada atau tidaknya heteroskedastisitas, dari hasil pengujian yang dilakukan menunjukkan
bahwa nilai signifikansi masing-masing variabel lebih besar dari 0,05, hal ini membuktikan bahwa tidak ada heteroskedastisitas dalam model
regresi.
Coefficients
a
Model Unstandardized
Coefficients Standardized
Coefficients t
Sig. B
Std. Error Beta
1 Constant
.590 .521
1.132 .261
LN_KREDIT .016
.025 .075
.623 .529
LDR -.001
.004 -.037
-.307 .760
a. Dependent Variable: AbsRes
51
4.2.3 Analisis Regresi Berganda