Tabel 4.6 Uji Kolmogorov-Smirnov
One-Sample Kolmogorov-Smirnov Test
Unstandardized Residual
N 72
Normal Parameters
a,,b
Mean .0000000
Std. Deviation .00351879
Most Extreme Differences Absolute .116
Positive .116
Negative -.058
Kolmogorov-Smirnov Z .986
Asymp. Sig. 2-tailed .285
a. Test distribution is Normal. b. Calculated from data.
Sumber: Hasil Olahan SPSS 2013
Pada Tabel 4.6 terlihat bahwa nilai Kolmogorov-Smirnov adalah 0.986. Nilai Asymp. Sig. 2-tailed adalah 0.285, nilai tersebut berada di atas nilai
signifikan 0.05. Hal ini berarti variabel residual berdistribusi normal Situmorang dan Lufti, 2012 : 107.
4.2.2.2 Uji Heteroskedastisitas
Uji Heteroskedastisitas bertujuan untuk menguji apakah dalam model regresi terjadi ketidaksamaan varians dari residual dari satu pengamatan ke
pengamatan yang lain. Jika varians berbeda disebut heteroskedastisitas. Model regresi yang baik seharusnya tidak terjadi heteroskedastisitas sehingga model
regresi layak dipakai untuk memprediksi variabel dependen berdasarkan masukan variabel independennya. Untuk mendeteksi ada atau tidaknya heteroskedastisitas,
Universitas Sumatera Utara
dapat dilakukan dengan metode grafik. Metode ini dilakukan dengan melihat grafik plot antara nilai prediksi variabel dependen, yaitu ZPRED dengan
residualnya SRESID Ghozali, 2009:36.
Gambar 4.3: Scatterplot Sumber: Hasil Olahan SPSS 2013
Dari Gambar 4.3, dapat dilihat bahwa pada tampilan grafik scatterplot, titik-titik menyebar secara acak baik di atas maupun di bawah angka 0 pada
sumbu Y. Dengan demikian, dapat disimpulkan bahwa tidak terjadi heteroskedastisitas pada model regresi. Analisis dengan grafik plot memiliki
kelemahan yang cukup signifikan oleh karena jumlah pengamatan mempengaruhi hasil ploting. Semakin sedikit jumlah pengamatan semakin sulit
menginterpretasikan hasil grafik plot. Oleh sebab itu, diperlukan juga uji statistik yang lebih menjamin keakuratan hasil, antara lain adalah Uji Glejser Ghozali,
2009:38.
Universitas Sumatera Utara
Tabel 4.7 Uji Glejser
Coefficients
a
Model Unstandardized Coefficients
Standardized Coefficients
t Sig.
B Std. Error
Beta 1
Constant .004
.003 1.290
.202 CAR
.014 .007
.225 1.960
.054 LDR
.002 .002
.110 .959
.341 BOPO
-.006 .003
-.236 -2.052
.044 NPL
-.017 .020
-.100 -.862
.392 a. Dependent Variable: absut
Sumber: Hasil Olahan SPSS 2013
Hasil tampilan ouput SPSS menunjukkan terdapat variabel independen yang signifikan terhadap variabel dependen. Hal ini terlihat dari probabilitas
signifikansi variabel BOPO yang berada di bawah 0.05. Jadi disimpulkan model regresi mengarah adanya heteroskedastisitas.
Menurut Situmorang dan Lufti 2012, jika terjadi heteroskedastisitas pada model residual, maka salah satu langkah perbaikan dilakukan dengan
mentransformasikan variabel dependen dan variabel independen menjadi bentuk logaritma natural, sehingga persamaan regresinya menjadi ln ROA = f ln CAR,
ln LDR, ln BOPO, ln NPL.Setelah dilakukan transformasi, penulis melakukan pengujian ulang terhadap uji normalitas untuk melihat kembali apakah data
penelitian ini telah berdistribusi normal atau tidak. Hasil pengujian normalitas setelah transformasi dapat dilihat sebagai berikut
1. Uji Normalitas Setelah Transformasi Data
Universitas Sumatera Utara
Uji normalitas ini dilakukan untuk mengetahui apakah variabel dependen, independen, atau keduanya berdistribusi normal, mendekati normal,
atau tidak.
Gambar 4.4 Histogram setelah transformasi data Sumber: Hasil Olahan SPSS 2013
Grafik histogram di atas menunjukkan bahwa distribusi data yang berbentuk lonceng tidak menceng ke kiri atau menceng ke kanan. Oleh karena itu,
data dikatakan berdistribusi normal.
Universitas Sumatera Utara
Gambar 4.5: Normal P-Plot setelah transformasi data Sumber: Hasil Olahan SPSS 2013
Pada grafik normal plot terlihat titik-titik menyebar disekitar garis diagonal, serta penyebarannya mengikuti arah garis diagonal. Hal ini berarti data
berdistribusi normal. Secara visual seringkali data kelihatan normal karena mengikuti garis diagonal, padahal belum tentu data tersebut berdistribusi normal.
Oleh sebab itu, analisis harus dilengkapi dengan uji statistik, diantaranya adalah uji statistik Kolmogorov-Smirnov KS.
Universitas Sumatera Utara
Tabel 4.8 Uji Kolmogorov-Smirnov setelah transformasi data
One-Sample Kolmogorov-Smirnov Test
Unstandardized Residual
N 72
Normal Parameters
a,,b
Mean .0000000
Std. Deviation .24694076
Most Extreme Differences Absolute
.065 Positive
.065 Negative
-.049 Kolmogorov-Smirnov Z
.552 Asymp. Sig. 2-tailed
.921 a. Test distribution is Normal.
b. Calculated from data.
Sumber: Hasil Olahan SPSS 2013
Pada Tabel 4.8 terlihat bahwa nilai Kolmogorov-Smirnov adalah 0.552. Nilai Asymp. Sig. 2-tailed adalah 0.921, nilai tersebut berada di atas nilai
signifikan 0.05. Hal ini berarti variabel residual berdistribusi normal Situmorang dan Lufti, 2012 : 107.
2. Uji Heteroskedastisitas Setelah Transformasi Data
Uji Heteroskedastisitas bertujuan untuk menguji apakah dalam model regresi terjadi ketidaksamaan varians dari residual dari satu pengamatan ke
pengamatan yang lain.
Universitas Sumatera Utara
Tabel 4.9 Uji Glejser setelah transformasi data
Coefficients
a
Model Unstandardized Coefficients
Standardized Coefficients
t Sig.
B Std. Error
Beta 1
Constant .325
.192 1.689
.096 Ln_CAR
.078 .081
.117 .964
.339 Ln_LDR
-.082 .095
-.105 -.859
.393 Ln_BOPO
-.026 .152
-.021 -.171
.865 Ln_NPL
.002 .026
.011 .088
.930 a. Dependent Variable: absut
Sumber: Hasil Olahan SPSS 2013
Hasil tampilan ouput SPSS data setelah transformasi logaritma natural dengan jelas menunjukkan semua variabel independen tidak signifikan terhadap
variabel dependen. Hal ini terlihat dari probabilitas signifikansi semua variabel yang berada di atas 0.05. Jadi disimpulkan model regresi tidak mengarah adanya
heteroskedastisitas Situmorang dan Lufti, 2012 : 116. Hasil diatas juga didukung hasil analisis grafik scatterplot pada gambar 4.6
Gambar 4.6: Scatterplot setelah transformasi data Sumber: Hasil Olahan SPSS 2013
Universitas Sumatera Utara
Dengan melihat tampilan grafik scatterplot dapat disimpulkan titik-titik menyebar secara acak baik di atas maupun di bawah angka 0 pada sumbu Y jika
dibandingkan dengan grafik scatterplot sebelum dilakukan transformasi ke logaritma natural. Dengan demikian, dapat disimpulkan bahwa tidak terjadi
heteroskedastisitas pada model regresi. Uji asumsi klasik selanjutnya menggunakan persamaan regresi ln ROA = f ln CAR, ln LDR, ln BOPO, ln
NPL.
4.2.2.3 Uji Multikolinearitas
