Uji Normalitas Uji Asumsi Klasik

Tabel 4.2 Hasil Uji Multikolinearitas Coefficients a Model Unstandardized Coefficients Standardized Coefficients T Sig. Collinearity Statistics B Std. Error Beta Tolerance VIF 1Constant 8946.369 2414.746 3.705 .003 DewanKomisaris 187.827 151.635 .425 1.239 .241 .357 2.805 DewanDireksi -290.283 133.528 -.772 -2.174 .043 .332 3.009 LnKomite-Komite -1678.391 525.367 -.804 -3.195 .009 .661 1.513 LnDPS 40.371 26.915 .415 1.500 .162 .548 1.824 a. Dependent Variable: NPM Berdasarkan pada output hasil analisis menggunakan Variance Inflation Factor VIF menunjukkan bahwa nilai koefisien VIF untuk semua variabel independen 10. Dengan demikian dapat dinyatakan bahwa tidak terdapat hubungan antara variabel-variabel independen sehingga dapat dikatakan model ini tidak terjadi multikolinearitas. 3. Uji Heterokedastisistas Uji heterokedastisistas bertujuan menguji apakah dalam model regresi terjadi ketidaksamaan variance dari residual satu pengamatan ke pengamatan yang lain. Jika variance dari residual atau pengamatan ke pengamatan lain tetap, maka disebut homokedastisitas dan jika berbeda disebut heteroskedastisitas. Model regresi yang baik adalah yang homokedastisitas atau tidak terjadi heteroskedastisitas. Salah satu cara menghitung uji heteroskedastisitas yang mudah dan dapat diaplikasikan di SPSS adalah Uji Glejser. Uji Glejser secara umum dinotasikan sebagai berikut: | e | = b1 + b 2 X 2+v Di mana: | e | = Nilai Absolut dari residual yang dihasilkan dari regresi model X 2 = Variabel Penjelas Tabel 4.3 Hasil Uji Heterokedastisitas Coefficients a Model Unstandardized Coefficients Standardized Coefficients t Sig. B Std. Error Beta 1 Constant 2111.066 927.756 2.275 .044 DewanKomisaris 82.653 72.557 .481 1.139 .279 DewanDireksi -75.547 75.908 -.517 -.995 .341 LnKomite-Komite -486.086 216.582 -.599 -2.244 .046 LnDPS 501.683 325.856 .541 1.540 .152 a. Dependent Variable: Ares Apabila t hitung t tabel maka tidak terjadi heteroskedastisitas diantara data pengamatan dengan nilai residual absolutnya. Berdasarkan pada hasil output analisis menunjukkan t hitung hubungan antara variabel bebas dengan residual absolutnya jauh lebih kecil dari koefisien t tabel 1,139; -0,995; - 2,244; 1,540 1,795. Dengan demikian, dapat disimpulkan bahwa data yang diperoleh tidak terdapat adanya heteroskedastisitas. 4. Uji Autokorelasi Autokorelasi merupakan korelasi yang terjadi antar observasi dalam satu variabel. Autokorelasi dapat terjadi jika observasi yang berturut-turut sepanjang waktu memiliki korelasi antara satu dengan yang lain. Model regresi yang baik mensyaratkan tidak adanya masalah autokorelasi. Dalam penelitian ini uji autokorelasi dilakukan dengan menggunakan statistik Durbin Watson. Dasar pengambilan keputusannya adalah sebagai berikut 6 : a Angka DW di bawah -2 berarti ada autokorelasi positif. b Angka DW di antara -2 sampai +2, berarti tidak ada autokorelasi. c Angka DW di atas +2 berarti ada autokorelasi negatif. Berdasarkan tabel hasil uji autokorelasi dibawah ini diketahui bahwa nilai Durbin Waston adalah sebesar 0,786 berada diantara -2 sampai +2, sehingga dapat disimpulkan bahwa model regrersi dalam penelitian ini terbebas dari adanya autokorelasi. 6 Singgih Sasonto, Aplikasi SPSS pada Statistik Parametrik Jakarta: Elex Media Komputindo, 2012, h. 243. Tabel 4.4 Hail Uji Autokorelasi Model Summary b Model R R Square Adjusted R Square Std. Error of the Estimate Durbin-Watson 1 .734 a .539 .372 2,266.95857 .786 a. Predictors: Constant, LnKomite-Komite, DewanDireksi, LnDPS, DewanKomisaris b. Dependent Variable: NPM

F. Uji Regresi Linear Berganda

1. Persamaan Regresi Linear Berganda

Tabel 4.5 Hasil Uji Regresi Berganda Coefficients a Model Unstandardized Coefficients Standardized Coefficients t Sig. Collinearity Statistics B Std. Error Beta Tolerance VIF 1Constant 8946.369 2414.746 3.705 .003 DewanKomisaris 187.827 151.635 .425 1.239 .241 .357 2.805 DewanDireksi 290.283 133.528 -.772 -2.174 .043 .332 3.009 LnKomite-Komite 1678.391 525.367 -.804 -3.195 .009 .661 1.513 LnDPS 40.371 26.915 .415 1.500 .162 .548 1.824 a. Dependent Variable: NPM Dari output data hasil olahan SPSS dalam kolom coefficients B diperoleh model regresi linear berganda sebagai berikut: Y = 8946,369 + 187,827X 1 + 290,283X 2 + 1678,391X 3 + 40,371X 4 Untuk dapat membaca koefisien regresi yang dimiliki oleh variabel bebas dapat menggunakan kolom t dengan membandingkan nilai nyata t hitung lebih besar dari alpha yang ditetapkan yaitu 0,05. Jika diperoleh nilai nyata t hitung � 0,05, maka H o ditolak yang artinya terdapat pengaruh X terhadap Y. Dari hasil perbandingan nyata tersebut, diperoleh model regresi linier baru yang memperlihatkan variabel X mempengaruhi variabel Y berikut: Y = 8946,369 + 290,283X 2 + 1678,391X 3 Dari hasil olahan data yang diperoleh, maka model regresi linier berganda di atas dapat diinterpretasikan sebagai berikut : a. Nilai koefisien konstanta adalah 8946,369. Hal ini dapat diartikan, apabila nilai variabel bebas X 2 dan X 3 konstan, maka besar nilai variabel terikat Y menjadi 8946,369. b. Variabel X 2 dewan direksi memiliki tingkat nyata t hitung 0,043 dengan taraf alpha 0,05. Jika nilai t hitung 0,05, maka variabel dewan direksi ini memiliki pengaruh nyata terhadap variabel NPM. Nilai koefisien beta positif 290,283, diartikan bahwa variabel X 2 memiliki pengaruh positif terhadap variabel Y, yaitu jika terjadi peningkatan faktor dewan direksi, maka akan meningkat pula kinerja perbankan sebesar 290,283. c. Variabel X 3 komite-komite memiliki tingkat nyata t hitung 0,009 dengan taraf alpha 0,05. Jika nilai t hitung 0,05, maka variabel komite-komite ini memiliki pengaruh nyata terhadap variabel NPM. Nilai koefisien beta positif 1678,391, diartikan bahwa variabel X 3 memiliki pengaruh positif terhadap variabel Y, yaitu jika terjadi peningkatan faktor komite-komite, maka akan meningkatan pula kinerja perbankan sebesar 1678,391.

2. Koefisien Determinasi

Untuk mengetahui hubungan antara variabel bebas dengan variabel terikat akan dihitung dengan menggunakan software SPSS 17 sebagai berikut: Tabel 4.6 Uji Koefisien Determinasi Model Summary b Model R R Square Adjusted R Square Std. Error of the Estimate Durbin-Watson 1 .734 a .539 .372 2,266.95857 .786 a. Predictors: Constant, LnKomite-Komite, DewanDireksi, LnDPS, DewanKomisaris b. Dependent Variable: NPM Dari tabel tersebut, diketahui nilai Adjusted R Square = 0,372 yang berarti 37,2. Hal ini menunjukan bahwa variabel dewan komisaris X 1 , dewan direksi X 2 , komite-komite X 3 , dan DPS X 4 memiliki kontribusi sebesar 37,2 terhadap kinerja perbankan Y, sedangkan sisanya 62,8 100 - 37,2 dijelaskan oleh variabel lain di luar variabel bebas yang