Uji Normalitas Uji Asumsi Klasik

49

2. Financing to Deposit Ratio FDR memiliki koefisien regresi sebesar 0,015

hal ini menunjukkan bahwa jika variabel Financing to Deposit Ratio FDR bertambah 1, maka variabel Return on Asset ROA juga mengalami kenaikan sebesar 0,015 dengan asumsi variabel yang lain dianggap tetap.

3. Non Performing Financing NPF memiliki koefisien regresi sebesar -0,035

yang berarti bahwa jika variabel Non Performing Financing NPF bertambah 1, maka variabel Return on Asset ROA juga mengalami penurunan sebesar -0,035 dengan asumsi variabel yang lain dianggap tetap.

4.2.3 Uji Asumsi Klasik

4.2.3.1 Uji Normalitas

Uji ini digunakan untuk menguji apakah dalam sebuah model regresi, variabel bebas, variabel terikat atau keduanya mempunyai distribusi normal atau tidak. Model yang paling baik adalah data terdistribusi secara normal atau mendekati normal. Uji ini dilakukan melalui analisis Kolmogorov-Smirnov Situmorang dan Lufti, 2011:160-161. Kalau asumsi ini dilanggar maka uji statistik menjadi tidak valid untuk jumlah sampel kecil Ghozali, 2011:160. Tingkat signifikansi yang digunakan � = 0,05. Dasar pengambilan keputusan adalah melihat angka probabilitas �, dengan ketentuan sebagai berikut: a. Jika nilai probabilitas ≥ 0,05, maka asumsi normalitas terpenuhi. b. Jika probabilitas 0,05, maka asumsi normalitas tidak terpenuhi. 50 Tabel 4.3 Uji Normalitas Pada Tabel 4.3 diketahui nilai probabilitas atau Asymp. Sig. 2-tailed sebesar 0,000. Karena nilai probabilitas, yakni 0,000 lebih kecil dibandingkan tingkat signifikansi, yakni 0,05. Hal ini berarti asumsi normalitas tidak terpenuhi. Untuk memperoleh hasil terbaik, maka data pencilan atau outlier yang ada dihilangkan. Outlier adalah data yang memiliki karakteristik unik yang terlihat sangat berbeda jauh dari observasi-observasi lainnya dan muncul dalam bentuk nilai ekstrim baik untuk sebuah variabel tunggal atau variabel kombinasi Ghozali, 2011:36. Yamin 2014:87 menyatakan bahwa “Setidaknya ada 3 hal pengaruh outlier terhadap model yaitu berpotensial menciptakan heywood cases dan improper solution, menciptakan taksiran yang bias serta ketidakjelasan terhadap tingkat signifikansi pengujian parameter. Selain itu outlier juga sangat One-Sample Kolmogorov-Smirnov Test Unstandardized Residual N 44 Normal Parameters a,,b Mean .0000000 Std. Deviation .10808195 Most Extreme Differences Absolute .327 Positive .327 Negative -.263 Kolmogorov-Smirnov Z 2.171 Asymp. Sig. 2-tailed .000 a. Test distribution is Normal. b. Calculated from data. Sumber: Hasil Penelitian, 2015 data diolah 51 memengaruhi distribusi variabel data yaitu mengakibatkan variabel data tidak berdistribusi normal. Data outlier dapat memengaruhi nilai mean, standard deviasi, serta koefisien korelasi, oleh karena itu outlier harus dijelaskan sebelum dianalisis, dihapus, atau direkomendasikan menggunakan pendekatan robust statistics”. Untuk mengurangi pengaruh dari ketidaknormalan dapat dilakukan dengan mengeliminasi atau menghapus data outlier. Gamst, et al. 57:2008 memberikan saran terhadap data outlier sebagai berikut: “One way to reduce non-normality within a variable is to eliminate outliers that are clearly not representative of the population under study”. Sejalan dengan Gamst, et al, Field 2009:153 juga menyatakan “If you detect outliers in the data there are several options for reducing impact of these values. However, before you do any of these things, it’s worth checking that the data have been entered correctly for the problem cases. If the data are correct then the three main options you have are: Remove the case: This entails deleting the data from the person who contributed the outlier.” Berdasarkan pendapat para pakar statistik di atas, maka untuk mengurangi pengaruh ketidaknormalan, maka data outlier dieliminasi. Setelah data outlier dihilangkan, maka data yang semula 44 dieliminasi menjadi 41. Hasil pengujian normalitas yang kedua diperlihatkan dalam Tabel 4.4: 52 Tabel 4.4 Uji Normalitas setelah Data Outlier Dihapus One-Sample Kolmogorov-Smirnov Test Unstandardized Residual N 41 Normal Parameters a,,b Mean .0000000 Std. Deviation .01023802 Most Extreme Differences Absolute .143 Positive .113 Negative -.143 Kolmogorov-Smirnov Z .916 Asymp. Sig. 2-tailed .371 a. Test distribution is Normal. b. Calculated from data. Sumber: Hasil Penelitian, 2015 data diolah Berdasarkan Tabel 4.4, nilai probabilitas atau Asymp. Sig 2-tailed adalah 0,371. Oleh karena nilai probabilitas, yakni 0,371 lebih besar dibandingkan tingkat signifikansi, yakni 0,05, maka asumsi normalitas terpenuhi artinya dengan kata lain variabel residual berdistribusi normal secara statistik. Selain menggunakan uji K-S, normalitas data dapat dilihat dari penyebaran data titik pada sumbu diagonal pada grafik Normal P-Plot atau dengan melihat histogram dari residualnya. Uji normalitas dengan grafik Normal P-Plot akan membentuk suatu garis lurus diagonal, kemudian plotting data akan dibandingkan dengan garis diagonal. Jika terdistribusi normal maka garis yang menggambarkan data sesungguhnya akan mengikuti garis diagonalnya, sebagaimana ditampilkan pada Gambar 4.1 berikut: 53 Sumber: Hasil Penelitian, 2015 Data Diolah Gambar 4.1 Grafik Normal Plot Berdasarkan tampilan grafik Normal P-Plot diatas, dapat disimpulkan bahwa pola grafik normal terlihat dari titik-titik yang menyebar disekitar garis diagonal dan penyebarannya mengikuti arah garis diagonal. Hal ini menunjukkan bahwa data yang digunakan dalam penelitian ini telah terdistribusi secara normal sehingga model regresi dapat digunakan dan memenuhi asumsi normalitas. Sedangkan dalam pengujian menggunakan histogram dapat diketahui dengan kurva menunjukkan seluruh variabel menunjukkan keseimbangan ke kiri dan kekanan, atau tidak condong ke kiri maupun ke kanan, melainkan ke tengah dengan bentuk seperti lonceng. Hal ini memenuhi salah satu syarat uji normalitas data bahwa data berdistribusi normal. 54 Sumber: Hasil Penelitian, 2015 Data Diolah Gambar 4.2 Grafik Histogram Dari Gambar 4.2 dapat diketahui bahwa grafik memiliki pola distribusi normal karena berbentuk simetris tidak melenceng ke kiri maupun ke kanan. Dengan demikian dari semua uji yang telah dilakukan dapat disimpulkan bahwa data berdistribusi normal.

4.2.3.2 Uji Multikolinieritas