Uji Regresi Linier Berganda Uji Asumsi Klasik

68

2. Uji Regresi Linier Berganda

1. Uji Asumsi Klasik

Data yang digunakan adalah data sekunder maka untuk menentukan ketepatan model perlu dilakukan pengujian atas beberapa asumsi klasik yang digunakan yaitu : Uji Normalitas, Uji Multikolinieritas, Uji Heteroskedastisitas dan Uji Autokorelasi yang secara rinci dapat dijelaskan sebagai berikut. a Uji Normalitas Sebelum melakukan uji statistik langkah awal yang harus dilakukan adalah penyaringan Screening terhadap data yang akan diolah. Salah satu asumsi penggunaan uji statistik parametrik adalah asumsi normality atau biasa disebut asumsi normalitas. Asumsi normalitas merupakan asumsi bahwa setiap variabel dan semua penggabungan linear dari variabel berdistribusi normal. Jika asumsi dipenuhi, maka nilai residual analisis berdistribusi normal dan independen Ghozali, 2012:29. 69 Gambar 4.1 Berdasarkan gambar 4.1 di atas, normal plot dapat dilihat pada gambar, dapat dilihat bahwa titik – titik menyebar mengikuti garis diagonal bahwa distribusi normal. Hal ini mengindikasikan bahwa model regresi cukup memenuhi asumsi normalitas. b Uji Multikolinieritas Asumsi model regresi berganda yang harus dipenuhi selanjutnya adalah bahwa dalam model persamaan regresi tidak terjadi korelasi yang signifikan antar variabel bebasnya. Dalam statistika, tidak terjadi multikolineritas. Multikolinearitas adalah kondisi adanya hubungan linier antar variabel independen. 70 Multikolinearitas dapat dilihat dari nilai tolerance dan lawanya variance inflation factor disingkat VIF. Kedua ukuran ini menunjukan setiap variabel independen manakah yang dijelaskan oleh variabel independen lainya. Dalam pengertian sederhana setiap variabel independen menjadi variabel dependen dan diregres terhadap variabel independen lainya. Tolerance mengukur variabilitas variabel independen yang terpilih dan yang tidak dijelaskan oleh variabel lainya. Kriteria untuk pengambilan keputusan ada atau tidaknya masalah multikolinearitas adalah nilai Tolerance 0.10 atau sama dengan nilai VIF 10 maka kesimpulanya adalah model regresi terdapat masalah multikolinearitas. Tabel 4.6 Coefficients a Model Unstandardized Coefficients Standardized Coefficients T Sig. Collinearity Statistics B Std. Error Beta Tolerance VIF 1 Constant 21.957 8.242 2.664 .010 CAR_X1 -137.973 42.304 -.053 -3.261 .002 .694 1.441 NPF_X2 -54.137 105.533 -.009 -.513 .610 .619 1.616 DPK_X3 1.028 .024 1.049 42.962 .000 .310 3.223 SBIS_X4 -.555 .274 -.047 -2.028 .047 .343 2.919 71 Coefficients a Model Unstandardized Coefficients Standardized Coefficients T Sig. Collinearity Statistics B Std. Error Beta Tolerance VIF 1 Constant 21.957 8.242 2.664 .010 CAR_X1 -137.973 42.304 -.053 -3.261 .002 .694 1.441 NPF_X2 -54.137 105.533 -.009 -.513 .610 .619 1.616 DPK_X3 1.028 .024 1.049 42.962 .000 .310 3.223 SBIS_X4 -.555 .274 -.047 -2.028 .047 .343 2.919 a. Dependent Variable: Pembiayaan_Y Pada hasil output diatas dapat dilihat bahwa nilai variance inflation factor dari semua variabel independen meliputi CAR, NPF, DPK, dan SBIS kurang dari 10, jadi dapat disimpulkan bahwa tidak ada masalah multikolienearitas dalam model regresi ini. c Uji Heteroskedastisitas 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 yang lain berbeda maka disebut heteroskedastisitas Ghozali, 2009. Untuk mendeteksi ada atau tidak adanya heteroskedastisitas didalam model regresi antara lain dapat dilakukan dengan Uji 72 Glejser, yakni meregresikan absolut nilai residual sebagai variabel dependen dengan variabel independen. Jika probabilitas signifikansinya diatas tingkat kepercayaan 5 maka tidak terdapat heteroskedastisitas Ghozali, 2009. Gambar 4.2 Scatterplot Heteroskedastisitas Berdasarkan tampilan Scatterplot dalam gambar diatas, terlihat bahwa plot yang menyebar diatas maupun dibawah angka nol tidak membentuk pola tertentu yang jelas pada sumbu Regression Standardized Residual. Oleh karena itu maka berdasarkan uji heteroskedastisitas menggunakan analisis grafik pada model regresi yang terbentuk, dinyatakan tidak terjadi gejala heteroskedastisitas. 73

d Uji Autokorelasi

Autokorelasi pada model regresi adalah adanya korelasi antar anggota sampel yang diurutkan berdasarkan waktu dan saling bekorelasi. Untuk mengetahui adanya autokorelasi dalam suatu model regresi, dilakukan pengujian uji Durbin – Watson Uji D – W dengan ketentuan sebagai berikut : 1 Jika angka D – W berkisar antara -2 sampai dengan +2, koefisien regresi bebas dari gangguan autokorelasi; 2 Jika angka D – W berada dibawah -2, terdapat autokorelasi positif; dan 3 Jika angka D – W berada diatas +2, terdapat autokorelasi negatif Santoso dalam Thobarry,2009 Tabel 4.7 Model Summary Model R R Square Adjusted R Square Std. Error of the Estimate Change Statistics Durbin- Watson R Square Change F Change df1 df2 Sig. F Change 1 .994 a .988 .987 6.468877 .988 1335.364 4 67 .000 .273 Dalam tabel diatas Model Summary diatas menunjukkan bahwa nilai uji Durbin – Watson pada penilitian ini berkisar antara -2 sampai dengan +2 berada pada nilai 0.273. Jadi, dapat disimpulkan bahwa koefisien regresi bebas dari gangguan autokorelasi. 74

2. Uji Regresi