Gambar 4.4 Normal Probability Plot Setelah Transformasi Ln
Sumber: Data sekunder diolah Dengan melihat tampilan grafik histogram dapat disimpulkan
bahwa pola distribusi data mendekati normal.Kemudian pada grafik normal probability plot terlihat titik-titik sebaran lebih mendekati dan
mengikuti garis normal jika dibandingkan dengan grafik normal probabilityplot saat sebelum dilakukan transformasi ke logaritma
natural. Sehingga untuk uji asumsi klasik selanjutnya menggunakan persamaan regresi LnROE = f LnCAR, LnNIM, LnOEOI.
4.2.2.2 Uji Multikolinearitas
Uji ini bertujuan menguji apakah pada model regresi ditemukan adanya korelasi antar variabel independen.Pada model regresi yang
Universitas Sumatera Utara
baik seharusnya antar variabel independen tidak terjadi kolerasi. Untuk mengetahui ada tidaknya multikolinearitas dapat dilihat dari
nilai Variance Imflation Factor VIF dan nilai Tolerance, apabila nilai VIF 10 dan nilai Tolerance 0,1 maka terjadi multikolinearitas
dan apabila nilai VIF 10 dan nilai Tolerance 0,1 maka tidak terjadi multikolineraritas. Hasil uji mutikolinearitas dapat dilihat pada tabel
berikut :
Tabel 4.6 Hasil Uji Multikolinearitas
a. Dependent Variable: LNROE
Sumber : Data sekunder yang diolah Berdasarkan aturan VIF Variance Inflation Factor dan
Tolerance, maka apabila VIF melebihi angka 10 atau Tolerance kurang dari 0,10 maka dinyatakan terjadi gejala multikolinieritas,
sebaliknya apabila harga VIF kurang dari 10 atau tolerance lebih dari 0,10 maka dinyatakan tidak terjadi gejala multikolinieritas. Data yang
digunakan untuk uji multikolinearitas ini adalah data dari variabel independen setelah dilakukan transformasi Ln. Dari tabel 4.6 diatas
diketahui masing-masing nilai VIF sebagai berikut :
Model Collinearity Statistics
Tolerance VIF
1 Constant
lnCAR .970
1.031 lnNIM
.911 1.097
lnOEOI .931
1.074
Universitas Sumatera Utara
a. Nilai VIF untuk variabel CAR adalah 1.031 10 dan nilai
tolerance variabel CAR adalah 0.970 0.10 maka variabel CAR
dapat dinyatakan
tidak terjadi
gejala multikolinearitas.
b. Nilai VIF untuk variabel NIM adalah 1.097 10 dan nilai
tolerance variabel NIM adalah 0.911 0.10 maka variabel NIM dapat dinyatakan tidak terjadi gejala multikolinearitas.
c. Nilai VIF untuk variabel OEOI adalah 1.074 10 dan nilai
tolerance variabel OEOI adalah 0.931 0.10 maka variabel OEOI dapat dinyatakan tidak terjadi gejala
multikolinearitas.
4.2.2.3 Uji Heteroskedastisitas
Uji ini bertujuan untuk menguji apakah dalam model regresi terjadi ketidaksamaan variance dari residual satu pengamatan ke
pengamatan yang lain. Jika variance dari residual satu pengamatan ke pengamatan lain tetap, maka disebut homoskedastisitas, dan jika
variance dari residual satu pengamatan ke pengamatan lain berbeda disebut heteroskedastisitas. Untuk mendeteksi ada atau tidaknya
heteroskedastisitas dapat dilakukan dengan melihat grafik scatterplot, dengan dasar analisis Ghozali, 2005:139
1. Jika ada pola tertentu, seperti titik-titik yang ada membentuk
pola tertentu yang teratur bergelombang, melebar kemudian
Universitas Sumatera Utara
menyempit, maka mengindikasikan telah terjadi heteroskedastisitas.
2. Jika tidak ada pola yang jelas, serta titik-titik menyebar di atas
dan di bawah angka 0 pada sumbu Y, maka tidak terjadi heteroskedastisitas.
Hasil uji heteroskedastisitas dengan menggunakan grafik scatterplot di tunjukkan pada gambar 4.5 dibawah ini:
Gambar 4.5 Grafik Scatterplot
Sumber: Data sekunder diolah
Universitas Sumatera Utara
Pada grafik scatterplot di atas, terlihat titik-titik menyebar secara acak serta tersebar, baik di atas maupun di bawah angka 0 pada
sumbu Y sehingga dapat diambil kesimpulan bahwa tidak terdapat gejala heteroskedastisitas pada model transformasi regresi yang
digunakan.
4.2.2.4 Uji Autokorelasi