38 menggunakan histogram bahwa data telah terdistribusi normal.Karena
secara keseluruhan data telah terdistribusi secara normal, maka dapat dilakukan pengujian asumsi klasik lainnya.
4.2.2.2. Uji Multikolinieritas
Untuk melihat ada atau tidaknya multikolinieritas dalam model regresi dapat dilihat dari:
1 nilaitolerence dan lawannya, 2 Variance Inflatin Factor VIF.
Kedua ukuran ini menunjukkan setiap variabel independen manakah yang dijelaskan oleh variabel independen lainnya.Tolerance mengukur
variabilitas variabel independen yang terpilih yang tidak dijelaskan oleh variabel independen lainnya. Jadi, nilai Tolerance yang rendah sama dengan
nilai VIF yang tinggi karena VIF = 1tolerence. Nilai cutoff yang umum dipakai untuk menunjukkan adanya mutikolineritas adalah nilai Tolerence
0,10 atau sama dengan VIF 10 Ghozali, 2005.
Tabel 4.3 HASIL UJI MULTIKOLINIERITAS
Coefficients
a
Model Unstandardized Coefficients
Standardized Coefficients
t Sig.
Collinearity Statistics B
Std. Error Beta
Tolerance VIF
1 Constant
6.722 1.466
4.587 .000
EPS .003
.001 .536
5.488 .000
.561 1.783
FS -.065
.059 -.111
-1.095 .277
.524 1.910
BOPO -5.107
.988 -.453
-5.167 .000
.696 1.437
a. Dependent Variable: ROA
Sumber :Output SPSS, diolah Peneliti, 2013
Universitas Sumatera Utara
39 Berdasarkan tabel 4.3 dapat disimpulkan bahwa penelitian ini bebas
dari adanya multikolinieritas.Hal tersebut dapat dilihat dengan membandingkannya dengan nilai Tolerance atau VIF. Masing-masing
variabel independen yang digunakan dalam penelitian ini memiliki nilai Tolerence yang lebih besar dari 0,10. Jika dilihat dari VIFnya, bahwa
masing-masing variabel bebas lebih kecil dari 10.Dengan demikian dapat disimpulkan bahwa tidak terjadi gejala multikolinieritas dalam variabel
bebasnya.
4.2.2.3. Uji Heteroskedastisitas
Ghozali 2005 menyatakan “uji heteroskedastisitas bertujuan untuk menguji apakah dalam model regresi terjadi ketidaksamaan variance dari
residual satu pengamatan ke pengamatan yang lain. Jika variance dari satu pengamatan ke pengamatan lain tetap, maka disebut homoskedastisitas dan
jika berbeda disebut heteroskedastisitas”. Model regresi yang baik adalah tidak terjadi heteroskedastisitas. Cara mendeteksi ada tidaknya gejala
heteroskedastisitas adalah dengan melihat grafik scatterplot yang dihasilkan dari pengolahan data menggunakan program SPSS. Dasar pengambilan
keputusannya menurut Ghozali 2005 adalah sebagai berikut: 1.
jika ada pola tertentu, seperti titik-titik yang ada membentuk pola tertentu yang teratur bergelombang, melebar kemudian
menyempit, maka mengindikasikan telah terjadi heteroskedastisitas.
2. jika tidak ada pola yang jelas, serta titik-titik menyebar di atas dan
di bawah angka 0 pada sumbu Y, maka tidak terjadi heteroskedastisitas.
Universitas Sumatera Utara
40 Berikut ini dilampirkan grafik scatterplot untuk menganalisis apakah
terjadi gejala heteroskedastisitas atau tidak dengan cara mengamati penyebaran titik-titik pada grafik.
HASIL UJI HETEROSKEDASTISITAS
Gambar 4.3
Sumber :Output SPSS, diolah Peneliti, 2013 Dari grafik scatterplot terlihat bahwa titik-titik menyebar secara acak
dengan tidak adanya pola yang jelas serta tersebar baik di atas maupun di bawah angka 0 pada sumbu Y. Hal tersebut menunjukkan bahwa tidak
terjadi heteroskedastisitas, sehingga model ini layak dipakai untuk memprediksi tingkat profitabilitaspada Bank Konvensional yang terdaftar
diBursa Efek Indonesia berdasarkan masukan variabel independen yaitu Earning Per Share X1, Firm Size X2, BOPO X3.
Universitas Sumatera Utara
41
4.2.2.4. Uji Autokorelasi