38
Dimana: Y
: Capital Adequacy Ratio CAR a
: Bilangan Konstanta b
1
-b
3
: Koefisien Regresi dari masing-masing variabel independen X
1
: Return On Assets ROA X
2
: Biaya Operasional terhadap Pendapatan Operasional BOPO X
3
: Loan to Deposit Ratio LDR e
:Variabel Residual
3.6.2.1 Uji Asumsi Klasik
Uji asumsi klasik digunakan untuk menguji apakah model regresi benar- benar menunjukkan hubungan yang signifikan dan representatif. Ada empat
pengujian dalam uji asumsi klasik, yaitu: a. Uji Normalitas
Uji normalitas data bertujuan untuk menguji apakah dalam sebuah model regresi, variabel pengganggu atau residual mempunyai distribusi normal atau
tidak. Pengujian ini diperlukan karena untuk melakukan uji t dan uji F mengasumsikan bahwa nilai residual mengikuti distribusi normal Erlina,
2007:103. Uji normalitas dalam penelitian ini dilakukan dengan cara analisis grafik. Normalitas dapat dideteksi dengan melihat penyebaran data titik pada
sumbu diagonal dari grafik pada Normal P- Plot of Regression Standardized atau dengan melihat histogram dari residualnya, dimana:
Universitas Sumatera Utara
39
a. Jika data menyebar di sekitar garis diagonal dan mengikuti garis diagonal atau grafik histogramnya menunjukkan pola distribusi normal regresi
memenuhi asumsi normalitas. b. Jika data menyebar jauh dari garis diagonal dan atau tidak mengikuti arah
garis diagonal atau grafik histogram tidak menunjukkan pola distribusi normal, maka model regresi tidak memenuhi asumsi normalitas.
Uji normalitas dengan grafik dapat menyesatkan kalau tidak hati-hati. Secara visual kelihatan normal, padahal secara statistik bisa sebaliknya. Oleh
sebab itu disamping uji grafik sebaiknya dilengkapi dengan uji statistik. Uji statistik yang dapat digunakan untuk menguji normalitas adalah uji statistik
Kolmogorov-Smirnov, kriteria pengujian normalitas data dengan melihat nilai signifikan data. Dengan menggunakan alfa 5, data dikatakan normal jika angka
signifikansi 0.05 Imam Ghozali, 2009.
b. Uji Multikolinearitas Uji multikolinearitas bertujuan untuk menguji apakah model regresi
mempunyai korelasi antar variabel bebas. Model regresi yang baik seharusnya tidak terjadi korelasi diantara variabel independen. Multikolinearitas adalah
situasi adanya korelasi variabel – variabel independen antara yang satu dengan yang lainnya. Dalam hal ini disebut variabel – variabel bebas ini tidak ortogonal.
Variabel – variabel bebas yang bersifat ortogonal adalah variabel bebas yang memiliki nilai korelasi diantara sesamanya sama dengan nol.
Universitas Sumatera Utara
40
Jika terjadi korelasi sempurna diantara sesama variabel bebas, maka konsekuensinya adalah:
a. Koefisien – koefisien regresi menjadi tidak dapat ditaksir, b. Nilai standar error setiap koefisien regresi menjadi tak terhingga.
Menurut Ghozali 2005:91, untuk mendeteksi ada tidaknya multikolinearitas di dalam model regresi adalah sebagai berikut:
1. nilai R
2
yang dihasilkan oleh suatu estimasi model regresi empiris sangat tinggi, tetapi secara individual variabel – variabel independennya banyak
yang tidak signifikan mempengaruhi variabel dependen, 2. menganalisis matrik korelasi variabel – variabel independen. Jika antar
variabel independen ada korelasi yang cukup tinggi umumnya diatas 0.90, maka hal ini merupakan indikasi adanya multikolinearitas. Tidak adanya
korelasi yang tinggi antar variabel independen tidak berarti bebas dari multikolinearitas. Multikolinearitas dapat disebabkan karena adanya efek
kombinasi dua atau lebih variabel independen,
3. multikolinearitas dapat juga dilhat dari a nilai tolerance dan lawannya bvariance inflation factor VIF. Kedua ukuran ini menunjukan setiap
variabel independen manakah yang dijelaskan oleh variabel independen lainnya Dalam pengertian sederhana setiap variabel independen menjadi
variabel dependen terikat dan diregres terhadap variabel independen lainnya. Tolerance mengukur variabilitas variabel independen yang terpilih
yang tidak dijelaskan oleh variabel independen lainnya. Jadi nilai tolerance yang rendah sama dengan nilai VIF tinggi karena VIF=1Tolerance. Nilai
cutoff yang umum dipakai untuk menunjukan adanya multikolinearitas adalah nilai tolerance 0.10 atau sama dengan nilai VIF 10.
Cara yang dapat dilakukan untuk mengatasi masalah multikolinearitas : 1 Mengeluarkan satu atau lebih variabel independen yang mempunyai
korelasi tinggi dari model regresi dan identifikasikan variabel independen lainnya untuk membantu prediksi,
2 Menggabungkan data cross section dan time series pooling data 3 Menambah data penelitian.
Universitas Sumatera Utara
41
c. Uji Autokorelasi Autokorelasi adalah korelasi hubungan yang terjadi di antara anggota-
anggota dari serangkaian pengamatan yang tersusun dalam rangkaian waktu atau tersusun dalam rangkaian ruang Ghozali, 2004. Uji Autokorelasi bertujuan
untuk menguji apakah dalam suatu model regresi linier ada korelasi antara kesalahan pengganggu pada periode t dengan kesalahan pada periode t-
1
sebelumnya. Jika terjadi korelasi, maka dinamakan terjadi problem autokorelasi Ghozali, 2009:79. Pengujian ini dilakukan dengan menggunakan uji Durbin-
Watson DW-test. Uji ini digunakan untuk autokorelasi tingkat satu first order autocorrelation dan mensyaratkan adanya intercept konstanta dalam model
regresi dan tidak ada variabel lag diantara variabel independen. Pengambilan keputusan ada tidaknya autokorelasi dalam uji Durbin-Watson test adalah sebagai
berikut Ghozali, 2009:80. 1. Bila nilai DW terletak antara batas atas atau upper bound du dan 4-du,
maka koefisien korelasi sama dengan nol, berarti tidak ada autokorelasi. 2. Bila nilai DW lebih rendah daripada batas bawah atau lower bound dl,
maka koefisien autokorelasi lebih besar daripada nol, berarti ada autokorelasi positif.
3. Bila nilai DW lebih besar daripada 4-dl, maka koefisien autokorelasi lebih kecil daripada nol, berarti ada autokorelasi negatif.
4. Bila nilai DW terletak diantara batas atas du dan batas bawah dl atau DW terletak antara 4-du dan 4-dl maka hasilnya tidak dapat
disimpulkan.
Universitas Sumatera Utara
42
Menurut Makridakis 1983 untuk mendeteksi ada atau tidaknya autokorelasi maka dilakukan pengujian Durbin-Watson DW dengan ketentuan
sebagai berikut Wahid Sulaiman, 2004: 89: a. 1,65 DW 2,35 berarti tidak terjadi autokorelasi
b. 1,21 DW 1,65 atau 2,35 DW 2,79 berarti tidak dapat disimpulkan c. DW 1,21 atau DW 2,79 berarti terjadi autokorelasi
d. Uji Heteroskedastisitas Uji heterokedastisitas bertujuan untuk menguji apakah dalam model
regresi terjadi ketidaksamaan variance dari residual satu pengamatan ke pengamatan yang lain. Jika residual dari satu pengamatan ke pengamatan lain
tetap, maka disebut homoskedastisitas dan jika berbeda disebut heteroskedastisitas Erlina, 2007:108. Model regresi yang baik adalah yang homoskedastisitas atau
tidak terjadi heteroskedastisitas. Cara untuk mendeteksi ada atau tidaknya heteroskedastisitas dapat
diketahui dengan melihat ada tidaknya pola tertentu pada grafik scatterplot antara nilai prediksi variabel terikat ZPRED dengan residualnya SRESID. Menurut
Husein Umar 2011:181 sumbu X adalah data X yang telah diprediksi dan sumbu Y adalah residual Y prediksi - Y sesungguhnya yang telah di-studentdized.
Dasar analisis dari uji heteroskedastis melalui grafik plot adalah sebagai berikut Imam Ghozali, 2009: 37:
1 Jika ada pola tertentu, seperti titik-titik yang ada membentuk pola tertentu yang teratur bergelombang, melebar kemudian menyempit, maka
mengindikasikan telah terjadi heteroskedastisitas.
Universitas Sumatera Utara
43
2 Jika tidak ada pola yang jelas, serta titik-titik menyebar di atas dan di bawah angka 0 pada sumbu Y secara acak, maka tidak terjadi
heteroskedastisitas.
3.6.2.2 Pengujian Hipotesis