terdistribusi secara normal atau tidak. Berikut ini adalah hasil uji K-S setelah ditransformasikan.
Tabel 4.3 Hasil Uji Normalitas UjI Kolmogorov – Smirnov
LnROA LnCAR
LnNPL LnNIM
LnBOPO LnLDR
N 130
130 130
130 130
130 Normal
Parameters
a,b
Mean 1.3131
2.9190 .3619
2.2058 4.2726
4.2798 Std. Deviation
.34480 .29386
1.01265 .23766
.11633 .28235
Most Extreme Differences
Absolute .046
.063 .092
.060 .102
.116 Positive
.035 .063
.052 .060
.065 .054
Negative -.046
-.040 -.092
-.032 -.102
-.116 Kolmogorov-Smirnov Z
.526 .721
1.053 .681
1.159 1.325
Asymp. Sig. 2-tailed .945
.676 .218
.743 .136
.060 a. Test distribution is Normal.
b. Calculated from data. Sumber: Hasil Penelitian, 2013 Data Diolah
Tabel 4.3 dapat dilihat bahwa nilai K-S untuk variabel ROA adalah 0.526 dengan sig = 0, 945, nilai K-S variabel CAR 0,721 dengan sig = 0.676, variabel
NPL memiliki nilai K-S 1,053 dengan sig = 0,218, nilai K-S variabel NIM adalah 0,681 dengan sig = 0.743, nilai K-S variabel BOPO 1,159 dengan sig = 0,136 dan
variabel LDR memiliki nilai K-S 1.325 dengan sig = 0,60, semua variabel dapat terdistribusi dengan normal karena memiliki nilai signifikansi diatas 0,05.
4.3.2. Uji Heteroskedastisitas
Uji heteroskedastisitas bertujuan untuk menguji apakah dalam model regresi terjadi ketidaksamaan varians dari residual satu pengamatan ke
pengamatan yang lain. Jika varians dari residual satu pengamatan ke pengamatan yang lain berbeda maka disebut heteroskedastisitas. Ada tidaknya
Universitas Sumatera Utara
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 didalam model regresi antara lain dapat dilakukan dengan Scatterplot.
Hasil dari uji heteroskedastisitas dapat dilihat pada grafik Scatterplot berikut ini:
Sumber : Hasil Penelitian, 2013 Data Diolah
Gambar 4.3 Grafik
Scatterplot
Berdasarkan Gambar 4.3 diatas tersebut terlihat titik-titik menyebar secara acak tidak membentuk sebuah pola tertentu yang jelas serta tersebar baik diatas
maupun dibawah angka 0 pada sumbu Y. Hal ini berarti tidak terjadi heteroskedastisitas pada model regresi, sehingga model regresi layak dipakai
untuk memprediksi LDR berdasarkan masukan variabel independennya.
Universitas Sumatera Utara
4.3.3. Uji Autokorelasi
Uji autokorelasi bertujuan untuk menguji apakah dalam model regresi linear ada korelasi antara kesalahan penganggu pada periode t dengan kesalahan
penganggu pada periode t-1 sebelumnya. Model regresi yang baik adalah apabila model tersebut tidak mengandung autokorelasi. Cara mengetahui adanya
autokorelasi dapat dilakukan dengan uji Durbin-Watson. Hasil uji autokorelasi dapat dilihat pada Tabel 4.4 berikut ini:
Tabel 4.4 Hasil Uji Autokorelasi Durbin-Watson
Model R
R Square Adjusted R
Square Std. Error of the
Estimate Durbin-Watson
1 .444
a
.197 .165
17.01870 1.535
a. Predictors: Constant, BOPO, NPL, NIM, CAR, ROA b. Dependent Variable: LDR
Sumber: Hasil Penelitian, 2013 Data Diolah
Berdasarkan Uji Autokorelasi pada Tabel 4.4 diperoleh hasil bahwa nilai Durbin-Watson DW sebesar 1,535, penelitian ini diantara 1,5 sampai 2,5.
Sehingga penelitian ini berarti tidak terdapat autokorelasi.
4.3.4. Uji Multikolinearitas
