53
4.3. Uji Asumsi Klasik 4.3.1. Uji Normalitas
Pengujian normalitas bertujuan untuk mengetahui apakah data yang digunakan telah terdistribusi secara normal. Salah satu metode untuk mengetahui
normalitas adalah dengan menggunakan model analisis grafik, yaitu dengan melihat grafik secara histogram dan uji normal P-Plot serta digunakan uji
Kolmogrov Smirnov untuk melihat nilai signifikansinya . Hasil uji normalitas dengan grafik histogram yang diolah dengan SPSS, dapat ditunjukkan sebagai
berikut:
Sumber: Hasil Penelitian, 2015 Data Diolah
Gambar 4.1 Histogram
Hasil uji normalitas diatas memperlihatkan bahwa pada grafik histogram diatas distribusi data mengikuti kurva berbentuk lonceng yang tidak menceng
skewness kiri maupun menceng kanan atau dapat disimpulkan bahwa data tersebut normal.
Universitas Sumatera Utara
54 Dalam penelitian ini juga dilakukan pengujian normalitas residual dengan
menggunakan uji Kolmogrorov-Smirnov, yaitu dengan membandingkan distribusi komulatif relatif hasil observasi dengan distribusi komulatif relative teoritisnya.
Jika probabilitas signifikansi nilai residual lebih dari 0,05 berarti residual terdistribusi dengan normal, demikian pula sebaliknya. Hasil penelitian ini
menunjukkan nilai signifikansi sebesar 0,207 seperti yang ditunjukkan oleh Tabel 4.2 karena nilai signifikansi uji Kolmogorov-Smirnov di atas 0,05 maka dapat
disimpulkan bahwa data terdistribusi secara normal.
Tabel 4.2 Hasil Uji Normalitas
One-Sample Kolmogorov-Smirnov Test
Unstandardized Residual
N 68
Normal Parameters
a,,b
Mean .0000000
Std. Deviation .37143364
Most Extreme Differences Absolute
.129 Positive
.116 Negative
-.129 Kolmogorov-Smirnov Z
1.065 Asymp. Sig. 2-tailed
.207
a. Test distribution is Normal. b. Calculated from data.
Sumber: Hasil Penelitian, 2015 Data Diolah
Universitas Sumatera Utara
55
Gambar 4.2 Grafik Plot
Hasil uji normalitas menggunakan probability plot, dimana terlihat bahwa titik-titik menyebar di sekitar garis diagonal sehingga dapat disimpulkan bahwa
data dalam model regresi terdistribusi secara normal. Semua hasil pengujian melalui analisis grafik dan statistik di atas
menunjukkan hasil yang sama yaitu normal, dengan demikian telah terpenuhi asumsi normalitas dan dapat dilakukan pengujian asumsi klasik berikutnya pada
data yang telah disajikan
4.3.2. Uji Heteroskedastisitas
Uji heteroskedastisitas dilakukan untuk menguji apakah dalam model regresi terjadi ketidaksamaan varians dari residual dari satu pengamatan ke
pengamatan yang lain. Jika varians dari residual satu pengamatan ke pengamatan yang lain tetap, maka disebut homoskedastisitas dan jika berbeda akan disebut
Universitas Sumatera Utara
56 heteroskedastisitas. Untuk mengetahui ada tidaknya heteroskedastisitas antar
variabel independen dapat dilihat dari grafik plot antara nilai prediksi terikatnya independen dapat dilihat dari grafik plot antara nilai prediksi variabel ZPRED
dengan residual SRESID. Heteroskedastisitas ini dapat dilihat dengan Grafik Scatterplot. Hasil dari uji heteroskedastisitas dapat dilihat pada grafik
scaterplotberikut ini:
Gambar 4.3 Grafik Scatterplot
Sumber: Hasil Penelitian, 2015 Data Diolah
Berdasarkan Gambar 4.3, terlihat bahwa titik-titik tidak terlalu menyebar secara acak diatas dan di bawah angka 0 pada sumbu Y, serta sedikit menyempit
menumpuk. Hal ini mengindikasikan tidak terjadi heteroskedastisitas pada model regresi sehingga model regresi layak dipakai untuk memprediksi ROA
berdasarkan masukan variabel independennya. Selain dengan grafik, hasil uji heteroskedastisitas dapat dilihat pada
statistik berikut ini:
Universitas Sumatera Utara
57
Tabel 4.3 Hasi Uji Heteroskedastisitas
Model Unstandardized
Coefficients Standardized
Coefficients T
Sig. B
Std. Error Beta
1 Constant
.448 .519
.864 .391
BOPO -.003
.005 -.072
-.544 .588
NPL -.007
.040 -.025
-.187 .852
CAR .008
.010 .110
.832 .409
LDR -.003
.003 -.117
-.850 .399
NIM .016
.027 .083
.588 .559
a. Dependent Variable: ABS_RES Sumber: Hasil Penelitian, 2015 Data Diolah
4.3.3. Uji Autokorelasi
Uji autokorelasi ini digunakan untuk menguji asumsi klasik regresi berkaitan dengan adanya autokorelasi. Model regresi yang baik adalah model
yang tidak mengandung autokorelasi. Pengujian ini menggunakan Runs Test untuk mendeteksi ada tidaknya autokorelasi. Hasil pengujian Runs Test dapat
dilihat pada Tabel 4.4 berikut ini
Universitas Sumatera Utara
58
Tabel 4.4 Hasil Uji Runs
Unstandardized Residual
Test Value
a
-.00236 Cases Test Value
34 Cases = Test Value
34 Total Cases
68 Number of Runs
37 Z
.489 Asymp. Sig. 2-tailed
.625
a. Median Sumber: Hasil Penelitian, 2015 Data Diolah
Hasil uji autokorelasi pada Tabel 4.4 menunjukkan bahwa nilai Asymp.Sig 2-tailed sebesar 0,625 0,05 sehingga dapat disimpulkan bahwa residual
random artinya tidak terjadi autokorelasi antar residual. Dalam hal ini berarti model penelitian ini sudah memenuhi kriteria Best Linear Unbiased Estimator
BLUE yang disyaratkan sebelum melakukan pengujian hipotesis. Berikut ini adalah cara lain untuk mendeteksi ada atau tidaknya autokorelasi, yaitu dengan
menggunakan Uji Durbin-Watson DW test:
Tabel 4.5 Pengujian Autokorelasi
Model Summary
b
Model R
R Square Adjusted R
Square Std. Error of the
Estimate Durbin-
Watson 1
.889
a
.790 .773
.38612 2.062
a. Predictors: Constant, NIM, CAR, NPL, BOPO, LDR b. Dependent Variable: ROA
Sumber: Hasil Penelitian, 2015 Data Diolah
Universitas Sumatera Utara
59 Hasil output SPSS menunjukkan nilai DW sebesar 2.062, nilai ini akan
dibandingkan dengan nilai tabel dengan menggunakan derajat kepercayaan 5, jumlah sampel n = 68 dan jumlah variabel bebas k = 5, maka di tabel Durbin-
Watson didapatkan nilai dL durbin-watson lowerbatas bawah = 0.972, nilai dU durbin-watson upper
batas atas = 2.062 dan 4 dU = 2.238. Pengambilan keputusannya adalah dU 0.972 d 2.062 4 dU 2.238, artinya tidak ada
autokorelasi positif atau negatif. Dengan demikian, tidak terdapat adanya autokorelasi pada model regresi.
4.3.4. Uji Multikolinearitas
Uji multikolinearitas bertujuan untuk menguji apakah dalam sebuah model regresi ditemukan adanya korelasi antar variabel independen. Uji yang dilakukan
untuk menguji multikolinearitas adalah dengan menghitung nilai VIF untuk masing-masing variabel independen. Suatu variabel menunjukkan gejala
multikolinearitas dapat dilihat dari nilai VIF yang tinggi pada variabel-variabel bebas suatu model regresi. Jika dalam penelitian nilai VIF 10 maka ini
menunjukkan adanya gajala multikolinearitas dalam model regresi. Hasil dari uji multikolinearitas dapat dilihat pada Tabel 4.6 berikut ini :
Universitas Sumatera Utara
60
Tabel 4.6 Pengujian Multikolinearitas
Coefficients
a
Model Unstandardized
Coefficients Standardized
Coefficients t
Sig. Collinearity
Statistics B
Std. Error Beta
Tolerance VIF 1 Constant 8.267
.706 11.710
.000 BOPO
-.084 .007
-.804 -12.895 .000
.870 1.150 NPL
-.017 .054
-.019 -.307
.760 .896 1.116
CAR -.009
.014 -.040
-.650 .518
.879 1.137 LDR
.001 .004
.023 .362
.719 .807 1.240
NIM .115
.036 .210
3.161 .002
.769 1.300
a. Dependent Variable: ROA Sumber: Hasil Penelitian, 2015 Data Diolah
Hasil uji multikolinearitas pada Tabel 4.6 menunjukkan bahwa keseluruhan variabel mempunyai nilai VIF 10, sehingga dapat disimpulkan
bahwa variabel tersebut tidak terjadi multikolinearitas. Tolerance mengukur variabilitas variabel bebas yang terpilih yang tidak
dapat dijelaskan oleh variabel bebas lainnya. Jadi, nilai tolerance yang rendah sama dengan nilai VIF tinggi karena VIF = 1Tolerance. Hasil penelitian ini
mengindikasikan bahwa tidak terjadi multikolinearitas di antara variabel independen dalam penelitian.
4.4. Analisis Regresi Berganda