5.1.2. Pengujian Asumsi Klasik
Berikut ini penulis akan melakukan uji atas data yang penulis peroleh yang disebut dengan uji asumsi klasik yang terdiri dari uji normalitas, uji
heteroskedastisitas, uji multikolinearitas dan uji autokorelasi. 5.1.2.1. Uji normalitas
Pengujian normalitas data dapat dilakukan dengan beberapa cara yaitu dengan menggunakan uji statistik Kolmogorov-Smirnov dan melihat grafik histogram. Uji
normalitas dengan uji statistik Kolmogorov-Smirnov maksudnya ialah apabila probabilitas signifikansinya di atas 0,05 berarti variabel tersebut berdistribusi normal.
Hasil uji Kolmogorov-Smirnov dapat dilihat pada Tabel 5.2 berikut ini:
Tabel 5.2. Uji Statistik Kolmogorov-Smirnov Sebelum Data Outlier Dikeluarkan
Unstandardiz ed Residual
N 100
Normal Parameters a.b Mean
.0000000 Std. Deviation
.55647794 Most Extreme
Absolute .153
Differences Positive
.153 Negative
-.084 Kolmogorov-Smirnov Z
1.533 Asymp. Sig. 2-tailed
.018 a.
Test distribution is Normal. b.
Calculated from data.
Sumber: Hasil Penelitian, 2010 Data Diolah
Dari Tabel 5.2 dapat dilihat bahwa nilai Kolmogorov-Smirnov sebelum data outlier dikeluarkan berdistribusi tidak normal, disebabkan probabilitas signifikansi
sebesar 0.018, di mana jika probabilitas signifikansi lebih kecil dari á 0.05, hal itu berarti data tidak berdistribusi normal. Apabila variabel tidak berdistribusi normal,
p d f Machine
A pdf w rit er t hat produces qualit y PDF files w it h ease
Produce quality PDF files in seconds and preserve the integrity of your original docum ents. Com patible across nearly all Windows platform s, sim ply open the docum ent you want to convert, click “print”, select the
“ Broadgun pdfMachine printer” and that’s it Get yours now
Universitas Sumatera Utara
maka harus dilakukan transformasi data. Transformasi data dapat dilakukan dengan cara Logaritma Natural Ln maupun SQRT akar kuadrat. Tetapi karena data
penelitian mempunyai data yang bernilai negatif dan jika ditransformasikan ke dalam bentuk Logaritma Natural Ln akan menjadi missing data, maka hal tersebut tidak
dilakukan, dan tahap selanjutnya adalah mendeteksi adanya outlier pada data yang ada. Outlier adalah kasus atau data yang memiliki karakteristik unik yang terlihat
sangat jauh berbeda jauh dari observasi-observasi lainnya dan muncul dalam bentuk nilai ekstrim.
Deteksi terhadap univariate outlier dapat dilakukan dengan batas yang akan dikategorikan sebagai data outlier yaitu dengan cara mengkonversi nilai data
kedalam skor standardized atau yang biasa disebut z-score, dan untuk sampel 80 standar skor dinyatakan outlier jika data tersebut nilainya lebih besar dari 3 Ghozali,
2009. Dan setelah data outlier dikeluarkan dari observasi, maka didapat hasil seperti yang ditunjukkan dalam Tabel 5.3 berikut ini:
Tabel 5.3. Uji Statistik Kolmogorov-Smirnov Setelah Data Outlier Dikeluarkan
Unstandardized Residual
N 98
Normal Parameters a.b Mean
.0000000 Std. Deviation
.45636341 Most Extreme
Absolute .085
Differences Positive
.085 Negative
-.039 Kolmogorov-Smirnov Z
.838 Asymp. Sig. 2-tailed
.484 a.
Test distribution is Normal. b.
Calculated from data.
Sumber: Hasil Penelitian, 2010 Data Diolah
p d f Machine
A pdf w rit er t hat produces qualit y PDF files w it h ease
Produce quality PDF files in seconds and preserve the integrity of your original docum ents. Com patible across nearly all Windows platform s, sim ply open the docum ent you want to convert, click “print”, select the
“ Broadgun pdfMachine printer” and that’s it Get yours now
Universitas Sumatera Utara
Dari tabel di atas, dapat dilihat bahwa variabel penelitian sudah berdistribusi normal, dengan probabilitas signifikansi sebesar 0,484 di mana probabilitas tersebut
lebih besar dari á 0,05 yang artinya variabel penelitian telah berdistribusi normal. Cara berikutnya untuk melihat data berdistribusi normal atau tidak dapat
dilakukan melalui grafik histogram.
6 4
2 -2
Regression Standardized Residual
40 30
20 10
Fr eq
ue nc
y
Mean = 2.45E-16 Std. Dev. = 0.964
N = 100
Dependent Variable: ROR Histogram
Gambar 5.1. Histogram Sebelum Data Outlier Dikeluarkan
1.0 0.8
0.6 0.4
0.2 0.0
Observed Cum Prob
1.0 0.8
0.6 0.4
0.2 0.0
Ex pe
cte d C
um P
ro b
Dependent Variable: ROR Normal P-P Plot of Regression Standardized Residual
Gambar 5.2. P-P Plot Sebelum Data Outlier Dikeluarkan
Sumber: Hasil Penelitian, 2010 Data Diolah
Sumber: Hasil Penelitian, 2010 Data Diolah
p d f Machine
A pdf w rit er t hat produces qualit y PDF files w it h ease
Produce quality PDF files in seconds and preserve the integrity of your original docum ents. Com patible across nearly all Windows platform s, sim ply open the docum ent you want to convert, click “print”, select the
“ Broadgun pdfMachine printer” and that’s it Get yours now
Universitas Sumatera Utara
Hasil tampilan grafik histogram sebelum Outlier bahwa grafik histogram memberikan pola distribusi yang menceng skewnewss ke kiri dan tidak normal,
sedangkan pada grafik normal plot terlihat titik-titik menyebar di sekitar garis normal, serta penyebarannya agak menjauh dari garis diagonal. Kedua grafik ini menunjukkan
bahwa model regresi menyalahi asumsi normalitas. Dan setelah Data Outlier dikeluarkan terlihat grafik sebagai gambar berikut:
Gambar 5.3. Histogram Setelah Data Outlier Dikeluarkan
1.0 0.8
0.6 0.4
0.2 0.0
Observed Cum Prob
1.0 0.8
0.6 0.4
0.2 0.0
Ex pe
cte d C
um Pr
ob
Dependent Variable: ROR Normal P-P Plot of Regression Standardized Residual
Gambar 5.4. Grafik Normal Plot Setelah Data Outlier Dikeluarkan
3 2
1 -1
-2
Regression Standardized Residual
20 15
10 5
Frequency
Mean = 3.64E-16 Std. Dev. = 0.963
N = 98
Dependent Variable: ROR Histogram
Sumber: Hasil Penelitian, 2010 Data Diolah
Sumber: Hasil Penelitian, 2010 Data Diolah
p d f Machine
A pdf w rit er t hat produces qualit y PDF files w it h ease
Produce quality PDF files in seconds and preserve the integrity of your original docum ents. Com patible across nearly all Windows platform s, sim ply open the docum ent you want to convert, click “print”, select the
“ Broadgun pdfMachine printer” and that’s it Get yours now
Universitas Sumatera Utara
Setelah dilakukan outlier data, kita juga melihat dari tampilan grafik histogram dan grafik normal plot, terlihat bahwa grafik histogram memberikan pola
distribusi yang normal, dan pada grafik normal plot terlihat titik-titik berada di sekitar garis diagonal, serta penyebarannya berada di sekitar garis diagonal. Hal ini
menyatakan setelah dilakukan outlier, data telah berdistribusi normal. 5.1.2.2. Uji multikolinearitas
Pengujian multikolinearitas dilakukan dengan melihat nilai Toleran dan Varian Inflation Factor VIF masing-masing variabel. Adapun hasil pengujian
multikolinearitas dapat dilihat pada tabel di bawah ini.
Tabel 5.4. Uji Multikolinearitas Coefficients
Unstandardized Coefficients
Standardized Coefficients
Collinearity Statistic
Model
B Std.
Beta t
Sig. Tolerance
VIF
1 Constant
-.837 .809
-.1.034 .304
CAR X
1
1.201 .968
.140 1.240
.218 .809
1.237 NPL X
2
.211 1.584
.014 .133
.894 .978
1.022 ROA X
3
4.484 6.777
.134 .662
.510 .251
3.982 ROE X
4
.264 .349
.084 .758
.451 .841 1.1.189
NIM X
5
.750 2.504
.034 .300
.765 .778
1.286 BOPO X
6
.954 .824
.234 1.158
.250 .252
3.969 LDR X
7
-.250 .248
-.105 -1.008
.316 .952
1.050 a. Dependent Variable: ROR
Sumber: Hasil Penelitian, 2010 Data Diolah
Dari Tabel 5.4 di atas dapat dilihat bahwa hasil perhitungan nilai Tolerance menunjukkan tidak ada variabel independen yang memiliki nilai Tolerance kurang
dari 0.10 yang berarti tidak ada korelasi antar variabel independen yang nilainya lebih dari 95. Hasil perhitungan nilai Variance Inflation Factor VIF juga menunjukkan
p d f Machine
A pdf w rit er t hat produces qualit y PDF files w it h ease
Produce quality PDF files in seconds and preserve the integrity of your original docum ents. Com patible across nearly all Windows platform s, sim ply open the docum ent you want to convert, click “print”, select the
“ Broadgun pdfMachine printer” and that’s it Get yours now
Universitas Sumatera Utara
hal yang sama, tidak ada satu variabel independen yang memiliki nilai VIF lebih dari 10. Jadi dapat disimpulkan bahwa tidak ada multikolonieritas antarvariabel
independen dalam model regresi. 5.1.2.3. Uji autokorelasi
Pada penelitian ini, uji autokorelasi dapat dilakukan dengan melihat nilai Durbin Watson. Cara mendeteksi apakah model yang digunakan mengalami gejala
autokorelasi adalah dengan melihat nilai statistik Durbin Watson. Hasil dari nilai Durbin Watson sebelum transformasi dapat dilihat pada tabel di bawah ini.
Tabel 5.5. Uji Autokorelasi Model Summary
b
Model R
R Square Adjusted
R Square Std. Error of
the Estimate Durbin
Watson
1 .271
a
.073 .001
.4737786 1.703
a. Predictors: Constants, LDR, CAR, ROA, NPL, ROE, NIM, BOPO
b. Dependent Variable: ROR
Sumber: Hasil Penelitian, 2010 Data Diolah
Dari Tabel 5.5 dapat dilihat bahwa nilai Durbin Watson sebesar 1,703, yang artinya jika nilai Durbin Watson berada di bawah 2, maka tidak terjadi autokorelasi.
5.1.2.4. Uji heteroskedastisitas Uji heteroskedastisitas dalam penelitian ini dilakukan dengan melihat grafik
scatterplot. Deteksi ada tidaknya heteroskedastisitas dapat dilihat dengan melihat ada tidaknya pola tertentu pada grafik scatterplot. Hasil dari uji heteroskedastisitas dapat
dilihat pada gambar berikut ini.
p d f Machine
A pdf w rit er t hat produces qualit y PDF files w it h ease
Produce quality PDF files in seconds and preserve the integrity of your original docum ents. Com patible across nearly all Windows platform s, sim ply open the docum ent you want to convert, click “print”, select the
“ Broadgun pdfMachine printer” and that’s it Get yours now
Universitas Sumatera Utara
3 2
1 -1
-2 -3
Regression Standardized Predicted Value
3 2
1 -1
-2 -3
Re gr
es sio
n St
ud en
tiz ed
R es
idu al
Dependent Variable: ROR Scatterplot
Gambar 5.5. Uji Heteroskedastisitas
Dari grafik scatterplot terlihat bahwa titik-titik menyebar secara acak serta
tersebar baik di atas maupun di bawah angka 0 pada sumbu Y. Hal ini dapat disimpulkan bahwa tidak terjadi heteroskedastisitas pada model regresi.
5.1.3. Analisa Persamaan Regresi Linier Berganda