dengan variabel terikat yang disebut Y Situmorang dan Lufti, 2012:166. Regresi berganda digunakan untuk mengetahui arah dan besar pengaruh dari variabel
bebas yang jumlahnya lebih dari satu terhadap variabel terikatnya.
Model persamaan regresi linier berganda data panel adalah sebagai berikut: Y
= a + b
1
X
1it
+ b
2
X
2it
+ b
3
X
3it
+ b
4
X
4it
+ b
5
X
5it
+ e di mana:
Y = Return on Asset ROA
a = Konstanta.
b
1,
b
2,
b
3,
b
4,
b
5
= Koefisien regresi variabel independen. X
1
= Capital Adequacy Ratio CAR X
2
= Non Performing Loan NPL X
3
= Biaya Operasi terhadap Pendapatan Operasi BOPO X
4
= Net Interest Margin NIM X
5
= Loan to Deposit Ratio LDR
t = Waktu
i = Perusahaan
e = Error term
3.9 Pengujian Asumsi Klasik 3.9.1 Uji Normalitas
Uji normalitas dimaksudkan untuk menguji apakah nilai residual yang telah terstandarisasi pada model regresi berdistribusi normal atau tidak. Nilai
residual dikatakan berdistribusi normal jika nilai residual terstandarisasi tersebut sebagian besar mendekati nilai rata-ratanya. Tidak terpenuhinya normalitas pada
umumnya disebabkan karena distribusi data tidak normal, karena terdapat nilai ekstrem pada data yang diambil Suliyanto, 2011:69.
Universitas Sumatera Utara
Menurut Winarno 2011:539 untuk mendeteksi normalitas data dapat dilakukan dengan melihat koefisien Jarque-Bera dan probabilitasnya. Kedua
angka ini saling mendukung. Ketentuannya adalah sebagai berikut: 1. Bila nilai J-B tidak signifikan lebih kecil dari 2, maka data berdistribusi
normal. 2. Bila probabilitas lebih besar dari tingkat signifikansi atau α 5, maka data
berdistribusi normal hipotesis nolnya adalah data berdistribusi normal. Dalam perangkat Eviews yang peneliti gunakan dalam penelitian ini,
normalitas dapat diketahui dengan melihat kepada histogram dan uji Jarque-Bera JB dengan nilai X2 tabel. Jika nilai JB X2 tabel maka nilai residual
terstandarisasi dinyatakan berdistribusi normal Suliyanto, 2011:75.
3.9.2 Uji Multikolinieritas
Multikolinieritas bertujuan untuk menguji apakah dalam model regresi yang terbentuk ada korelasi yang tinggi atau sempurna di antara variabel bebas
Suliyanto, 2011:82. Multikolinieritas adalah hubungan linier antar variabel independen didalam regresi berganda. Model yang baik seharusnya tidak terjadi
korelasi diantara variabel independen. Menurut Widarjono 2010:75 jika ada multikolinieritas antar variabel
independen, estimasi dengan menggunakan metode Ordinary Least Square OLS masih menghasilkan estimator yang tidak bias, linier dan mempunyai varian yang
minimum BLUE karena estimator yang BLUE tidak memerlukan asumsi terbebas dari masalah multikolinieritas. Metode untuk mendeteksi ada atau
tidaknya masalah multikolinieritas dalam penelitian ini dilakukan dengan metode
Universitas Sumatera Utara
korelasi parsial antar variabel independen. Sebagai aturan kasar rule of thumb, jika koefisien korelasi cukup tinggi di atas 0,85 maka kita duga multikolinieritas
dalam model. Sebaliknya jika koefisien korelasi kurang dari 0,85 maka kita duga model tidak mengandung unsur multikolinieritas. Akan tetapi perlu kehati-hatian
terutama pada data time series seringkai menunjukan korelasi antara variabel independen yang cukup tinggi. Korelasi tinggi ini terjadi karena data time series
seringkali menunjukan unsur trend, yaitu data bergerak naik dan turun secara bersamaan Widarjono, 2010:77.
3.9.3 Uji Autokorelasi
Menurut Ghozali 2012:110 uji autokorelasi bertujuan menguji apakah dalam model regresi linear ada korelasi antara kesalahan pengganggu pada
periode t dengan kesalahan pada periode t-1 sebelumnya. Jika terjadi korelasi, maka dinamakan ada problem autokolerasi. Model regresi yang baik adalah
regresi yang bebas dari autokorelasi. Untuk mendeteksi ada tidaknya autokolerasi, digunakan metode uji Durbin-Watson DW. Dasar pengambilan keputusan ada
tidaknya autokolerasi dengan menggunakan nilai uji Durbin-Watson yaitu sebagai berikut :
1. Angka D-W di bawah -2, berarti ada autokorelasi positif, 2. Angka D-W di antara -2 sampai +2, berarti tidak ada autokorelasi,
3. Angka D-W di atas +2, berarti ada autokorelasi negatif.
3.9.4 Uji Heteroskedastisitas
Uji heteroskedastisitas bertujuan untuk menguji apakah dalam model regresi yang terbentuk terjadi ketidaksamaan varian dari residual model regresi.
Universitas Sumatera Utara
Data yang baik adalah data yang homokedastisitas. Homoskedastisitas terjadi jika varian variabel pada model regresi memiliki nilai yang sama atau konstan
Suliyanto, 2011:95. Heteroskedastisitas berarti varians variabel gangguan yang tidak konstan. Masalah heteroskedastisitas dengan demikian lebih sering muncul
pada cross section daripada timeseries. Pendeteksian heteroskedastisitas pada penelitian ini digunakan metode
Generalized Least Square cross section weight. Hipotesis yang diajukan dalam uji heteroskedastisitas adalah sebagai berikut:
H : homoskedastisitas
H
1
: heteroskedastisitas Terima H
jika p-value nilai signifikansi 0.05; maka H
1
ditolak. Apabila hasil pengujian menunjukkan probabilitas variabel yang lebih dari 0.05
maka tidak terdeteksi adanya heteroskedastisitas.
3.10 Pengujian Hipotesis