Uji Asumsi Klasik 1. Uji Normalitas

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