75
4.2.2 Uji Asumsi Klasik 4.2.2.1 Uji Normalitas
Pengujian ini dilakukan untuk mengetahui apakah distribusi sebuah data telah mengikuti atau mendekati distribusi normal. Data yang baik adalah data
yang mempunyai pola seperti distribusi normal, yaitu distribusi data tidak menceng ke kiri atau ke kanan. Cara yang digunakan untuk mendeteksi apakah
data berdistribusi normal atau tidak yaitu dengan pendekatan histogram, grafik, dan Kolmogorov-Smirnov.
Sumber: Hasil Penelitian, 2016 Data Diolah
Gambar 4.1 Hasil Uji Normalitas
Berdasarkan histogram pada Gambar 4.1 dapat diketahui bahwa data variabel berdistribusi normal. Hal ini ditunjukkan oleh distribusi data yang tidak
menceng ke kiri atau menceng ke kanan kurvanya berbentuk lonceng. Cara lain untuk menguji normalitas data dengan grafik yakni dengan melihat penyebaran
Universitas Sumatera Utara
76 data titik pada garis diagonal dari grafik normalitas Normal P-P Plot. Jika data
menyebar di sekitar garis diagonal, maka dapat disimpulkan bahwa data berdistiribusi normal. Namun, jika data menyebar jauh dari garis diagonal atau
tidak mengikuti arah garis diagonal, maka dapat disimpulkan bahwa data tidak berdistribusi normal.
Sumber: Hasil Penelitian, 2016 Data Diolah
Gambar 4.2 Hasil Uji Normalitas Normal P-P Plot
Berdasarkan grafik normal probability plot pada Gambar 4.3 dapat diketahui bahwa titik-titik mengikuti data disepanjang garis diagonal. Hal ini
berarti data berdistribusi normal. Untuk memastikan apakah data di sepanjang garis diagonal tersebut berdistribusi normal atau tidak, maka dilakukan uji
Kolmogorov-Smirnov 1 sample K-S yang hasilnya tampak pada Tabel 4.2 berikut ini:
Universitas Sumatera Utara
77
Tabel 4.2 Hasil Uji Normalitas Uji Kolmogorov-Smirnov
Unstandardized Residual
N 100
Normal Parameters
a,b
Mean ,0000000
Std. Deviation ,00416392
Most Extreme Differences Absolute
,099 Positive
,073 Negative
-,099 Kolmogorov-Smirnov Z
,994 Asymp. Sig. 2-tailed
,277 a. Test distribution is Normal.
b. Calculated from data.
Sumber: Hasil Penelitian, 2016 Data Diolah
Berdasarkan uji Kolmogorov-Smirnov 1 sample K-S pada Tabel 4.2 menunjukkan besarnya nilai Asymp. Sig. 2-tailed adalah 0,277 berada di atas
nilai signifikan 0,05 dan nilai Kolmogorov-Smirnov Z sebesar 0,994 lebih kecil dari 1,97. Hal ini berarti data terdistribusi normal, sehingga dari uji ini
menunjukkan bahwa model regresi memenuhi asumsi normalitas.
4.2.2.2 Uji Multikolinearitas
Uji multikolinieritas bertujuan untuk melihat apakah dalam model regresi ditemukan adanya korelasi antara variabel independen satu dengan yang lainnya.
Uji ini dilakukan dengan melihat collinearity statistics dan koefisien korelasi antara variabel independen. Untuk mendeteksi ada atau tidaknya multikolinieritas
dapat dilakukan dengan melihat nilai tolerance variable dan Variance Inflation Factor VIF.
One-Sample Kolmogorov-Smirnov Test
Universitas Sumatera Utara
78 Dengan ketentuan jika VIF 10 atau tolerance 0,1 maka tidak terjadi
multikolinieritas. Hasil pengujian statistik multikolinieritas tampak pada Tabel 4.3 berikut ini:
Tabel 4.3 Hasil Uji Multikolinearitas
Coefficients
a
Model Unstandardized
Coefficients Standardized
Coefficients t
Sig. Collinearity
Statistics B
Std. Error
Beta Tolerance
VIF
1 Constant
,089 ,005
17,747 ,000
CAR -,018
,009 -,061
-2,089 ,039
,871 1,149
NPL -,003
,016 -,007
-,207 ,837
,736 1,359
NIM ,201
,031 ,191
6,513 ,000
,858 1,166
BOPO -,092
,003 -,910 -29,312
,000 ,767
1,304 LDR
-,003 ,004
-,026 -,890
,376 ,899
1,113 a. Dependent Variable: ROA
Sumber: Hasil Penelitian, 2016 Data Diolah
Pengujian ada tidaknya multikolinearitas dapat dilakukan dengan menggunakan perhitungan Tolerance TOL dan metode VIF Variance Inflation
Factor Tolerance mengukur variabilitas variabel bebas yang terpilih yang tidak dapat dijelaskan oleh variabel bebas lainnya. Berdasarkan dari hasil perhitungan
nilai VIF pada Tabel 4.3, tidak satupun variabel independen yang memiliki lebih dari 10, karena nilai VIF tertinggi sebesar 1,359 dan nilai tolerance seluruh
variabel independen menunjukkan hasil lebih dari 0,1 sehingga dapat ditarik keseimpulan pada model regresi tidak terjadi gejala multikolinieritas antar
variabel independen.
Universitas Sumatera Utara
79
4.2.2.3 Uji Heteroskedastisitas
Uji heteroskedastisitas bertujuan untuk menguji apakah sebuah grup mempunyai varians yang sama diantara anggota grup tersebut. Model regresi yang
baik adalah tidak terjadi heteroskedastisitas. Cara untuk melihat apakah heteroskedastisitas atau tidak, dapat dilakukan melalui pendekatan grafik.
Ada atau tidaknya problemmasalah heteroskedastisitas dalam penelitian ini dapat
dideteksi dengan melihat sebaran pada scatter plot dalam gambar 4.3 di bawah ini
Sumber: Hasil Penelitian, 2016 Data Diolah
Gambar 4.4 Scatterplot
Dari grafik Scatterplot yang disajikan, terlihat titik-titik yang menyebar secara acak tidak membentuk sebuah pola tertentu yang jelas serta tersebar baik di
atas maupun dibawah angka nol pada sumbu Y. Hal ini berarti tidak terjadi heteroskedastisitas pada model regresi.
Universitas Sumatera Utara
80 Cara lain untuk menguji heteroskedastisitas data adalah dengan Uji
Spearman’s rho dengan ketentuan jika nilai signifikansi lebih besar dari 0,05 kesimpulannya adalah tidak terjadi heteroskedastisitas. Sebaliknya, jika nilai
signifikansi lebih kecil dari 0,05 kesimpulannya adalah terjadi heteroskedastisitas. Hasil dari Uji Spearman’s rho dapat dilihat pada Tabel 4.4 dibawah ini:
Tabel 4.4 Uji Spearman’s Rho
Sumber : Hasil Penelitian, 2016 Data Diolah
Correlations
CAR NPL
NIM BOPO
LDR
ROA Unstandardized
Residual
e a
a s
o CAR
Correlation Coefficient
1,000 -,228
,013 -,205
,168 ,194
,125 Sig. 2-tailed
. ,023
,897 ,040
,094 ,053
,214 N
100 100
100 100
100 100
100 NPL
Correlation Coefficient
-,228 1,000
-,073 ,354
-,186 -,310 ,039
Sig. 2-tailed ,023
. ,471
,000 ,064
,002 ,703
N 100
100 100
100 100
100 100
NIM Correlation
Coefficient ,013
-,073 1,000
-,237 -,108
,308 -,171
Sig. 2-tailed ,897
,471 .
,018 ,283
,002 ,089
N 100
100 100
100 100
100 100
BOPO Correlation
Coefficient -,205
,354 -,237
1,000 -,061 -,914
,146 Sig. 2-tailed
,040 ,000
,018 .
,545 ,000
,148 N
100 100
100 100
100 100
100 LDR
Correlation Coefficient
,168 -,186
-,108 -,061 1,000
,036 ,097
Sig. 2-tailed ,094
,064 ,283
,545 .
,721 ,336
N 100
100 100
100 100
100 100
ROA Correlation
Coefficient ,194
-,310 ,308
-,914 ,036
1,000 ,094
Sig. 2-tailed ,053
,002 ,002
,000 ,721
. ,352
N 100
100 100
100 100
100 100
Unstandardized Residual
Correlation Coefficient
,125 ,039
-,171 ,146
,097 ,094
1,000 Sig. 2-tailed
,214 ,703
,089 ,148
,336 ,352
. N
100 100
100 100
100 100
100 . Correlation is significant at the 0.05 level 2-tailed.
. Correlation is significant at the 0.01 level 2-tailed.
Universitas Sumatera Utara
81 Hasil uji Heterokedastisitias pada Tabel 4.4 menunjukkan bahwa nilai
Asymp. Sig. 2-tailed masing-masing variabel independen seluruhnya lebih besar daripada
α 0,05, sehingga dapat disimpulkan bahwa tidak terjadi heteroskedastisitas pada model regresi.
4.2.2.4 Uji Autokorelasi
Uji autokorelasi bertujuan untuk menguji apakah dalam model regresi linear ada korelasi antara kesalahan pengganggu pada periode t dengan kesalahan
penggangggu pada periode t-1 sebelumnya. Cara mengetahui adanya autokorelasi dapat dilakukan dengan uji The Run Test. Hasil dari uji autokorelasi
dapat dilihat pada Tabel 4.5 berikut ini:
Tabel 4.5 Autokorelasi
Model Summary
b
Model R
R Square Adjusted R
Square Std. Error of the
Estimate Durbin-Watson
1 ,965
a
,931 ,927
,0042732 2,116
a. Predictors: Constant, LDR, NIM, CAR, BOPO, NPL b. Dependent Variable: ROA
Sumber: Hasil Penelitian, 2016 Data Diolah
Pada Tabel 4.5 dapat dilihat bahwa nilai Durbin Watson DW adalah 2,116. Hasil regresi dengan level signifikan 0,05
α = 0,05 dan nilai dL dan Du dengan n=20 dan k=5 adalah
Besarnya DW tabel untuk dL batas luar =. 0,7918. Besarnya DW tabel untuk dU batas dalam = 1,9908. Maka disimpulkan 4-dU
2,0092 DW2,116 4-dL 3,2082 sehingga dapat disimpulkan tidak ada autokorelasi negatif. Untuk mendukung uji autokorelasi maka dapat dilakukan
dengan uji The Run Test. Hasil dari uji autokorelasi dapat dilihat pada Tabel 4.6 berikut ini:
Universitas Sumatera Utara
82
Tabel 4.6 Hasil Uji Autokorelasi
Runs Test
Unstandardized Residual
Test Value
a
,00024 Cases Test Value
50 Cases = Test Value
50 Total Cases
100 Number of Runs
49 Z
-,402 Asymp. Sig. 2-tailed
,688 a. Median
Sumber: Hasil Penelitian, 2016 Data Diolah
Hasil uji autokorelasi pada Tabel 4.6 menunjukkan bahwa nilai test adalah 0,00024 dan nilai Asymp. Sig. 2-tailed sebesar 0,688 lebih besar daripada
α 0,05, sehingga dapat disimpulkan bahwa residual bersifat random atau tidak
terjadi autokorelasi positif atau negatif pada model regresi penelitian ini.
4.2.3 Analisis Regresi Linear Berganda
