Uji Normalitas. Analisis Persamaan Regresi Linier Berganda.

4.3. Teori Analisis dan Uji Hipotesis

4.3.1. Uji Normalitas.

Uji normalitas data digunakan untuk mengetahui apakah suatu data mengikuti sebaran normal atau tidak, yang dapat dilakukan dengan berbagai metode diantaranya adalah Kolomogrov Smirnov. Berdasarkan penelitian yang telah dilakukan dapat diketahui bahwa nilai statistik Kolomogrov Smirnov dan Shapiro Wilk yang diperoleh nilai signifikan variabel Pertambahan Dana X 1 sebesar 0,670, variabel Besarnya Gaji X 2 sebesar 0,675 dan variabel Jumlah Pemberian Kredit Y sebesar 0,778 Lampiran 4 ketiga variabel tersebut mempunyai taraf signifikan yang lebih besar dari 0,05. Hal ini membuktikan bahwa semua variabel yang diteliti berdistribusi normal.

4.3.2. Uji Asumsi Klasik.

Pengujian asumsi klasik ini perlu dilakukan untuk mengetahui apakah hasil estimasi regresi yang dilakukan betul-betul terbatas dari adanya gejala autokorelasi, gejala multikolinearitas, dan gejala heterokedastisitas. Hasil pengujiannya disajikan sebagai berikut :

4.3.2.1. Autokorelasi.

Dapat didefinisikan sebagai korelasi antara anggota serangkaian observasi yang diurutkan menurut waktu Gujarati, 1995: 201. Gambar 4.1. : Uji Durbin Watson ada Daerah daerah ada auto kore auto keraguan keraguan lasi negatif korelasi tidak ada autokorelasi positif dan tidak ada autokore lasi negatif dL dU 4-dU 2,706 4-dL 0,697 1,641 2,359 2.538 Dari tabel Durbin Watson untuk n=10 jumlah sampel dan k=2 banyaknya variabel bebas diketahui nilai dU sebesar 1,641, 4-dU sebesar 2,359. Dari tabel durbin Watson untuk n=10 jumlah sampel dan k=2 banyaknya variabel bebas diketahui Nilai dL 0,697 dan 4-dL sebesar 3,303. dari hasil perhitungan regresi linier berganda lampiran 6 pada tabel model summary diperoleh nilai uji Durbin Watson sebesar 2,706. Dimana nilai tersebut lebih tinggi dari 4-dU yaitu 2,359 berarti berada di daerah keraguan sehingga dapat dikatakan tidak terjadi autokorelasi positif maupun negatif.

4.3.2.2. Multikolinearitas.

Uji asumsi multikolinieritas digunakan untuk mengetahui adanya hubungan linear yang sempurna atau pasti di antara beberapa atau semua variabel yang menjelaskan dari model regresi Gujarati, 1995: 157. Salah satu cara yang digunakan untuk mengetahui ada atau tidaknya multikolinieritas yaitu dengan melihat besarnya nilai Variance Inflation Faktor VIF. Jika VIF melebihi angka 10 maka variabel tersebut mengindikasikan adanya multikolinieritas. Dalam pengujian asumsi klasik terhadap analisi regresi linier berganda ini menyatakan bahwa hasil analisis penelitian ini menunjukkan tidak adanya gejala multikolinearitas pada semua variabel dimana nilai VIF pada variabel nilai VIF untuk Pertambahan Dana X 1 = 2,188, Besarnya Gaji X 2 = 2,188. nilai VIF 10 Tabel 4.4. Hasil Pengujian Multikolinier. No Variabel VIF 1. Pertambahan Dana X 1 . 2,188 2. Besarnya Gaji X 2 . 2,188 Sumber : Lampiran 5

4.3.2.3. Heterokedastisitas.

Adapun hasil korelasi Rank Spearman pada variabel Pertambahan Dana X 1 , Besarnya Gaji X 2 adalah sebagai berikut : Tabel 4.5. Hasil Korelasi Rank Spearman. No Variabel Bebas KoefisienKorelasi Rank Spearman Tingkat Signifikan 1. Pertambahan Dana X 1 -0,079 0,829 2. Besarnya Gaji X 2 0,248 0,489 Sumber : Lampiran 6. Hasil uji heteroskedastisitas menunjukkan bahwa tingkat signifikan pada variabel Pertambahan Dana X 1 dan Besarnya Gaji X 2 diatas 5 sig 5 maka dapat disimpulkan bahwa antar variabel bebas dengan residual tidak terjadi heteroskedastisitas.

4.3.3. Analisis Persamaan Regresi Linier Berganda.

Analisis regresi berganda ini dilakukan umtuk menghitung besarnya pengaruh antara variabel bebas yang terdiri dari Pertambahan Dana dan Besarnya Gaji terhadap variabel terikat yaitu Jumlah Pemberian Kredit. Dari hasil analisis perhitungan komputer menggunakan SPSS diperoleh hasil sebagai berikut: Tabel 4.6. Data Koefisien Regresi Linier Berganda Koefisien Regresi Koefisien Baku Parameter B Std. Error Beta t Sig Konstanta. -25354205,8 551525182 -0,46 0,965 Pertambahan Dana. -0,114 9,645 -0,002 -0.12 0,991 Besarnya Gaji. 0,587 0,133 0,928 4,397 0,003 R =0,926 N 10 Dependent Variabel : Keputusan Pemberian Kredit. Sumber : Lampiran 6. Dari tabel 4.6 dapat dilihat hasil dari perhitungan sebagai berikut 1. Hasil Regresi R adalah sebesar 0,926 Lampiran 6 2. Berdasarkan pada tabel di atas dapat diketahui persamaan regresi linier berganda sebagai berikut : Y= β0+β 1 X 1 + β 2 X 2 +µi Y= -25354205,8 –0,114 X 1 + 0,587 X 2 Dari persamaan regresi linier berganda diatas dapat diuraikan sebagai berikut : a. Konstanta β0 = -25354205,8 Nilai konstanta sebesar -25354205,8 menunjukkan apabila variabel Pertambahan Dana dan Besarnya Gaji besanya nol atau konstan. Maka nilai Jumlah Pemberian Kredit akan turun adalah sebesar 25354205,8. b. Koefisien Regresi Pertambahan Dana X 1 = -0,114 Nilai koefisen regresi dari Pertambahan Dana sebesar -0,114 dan bertanda negatif menunjukkan perubahaan berlawanan antara Pertambahan Dana X 1 dengan Jumlah Pemberian Kredit, artinya apabila Pertambahan Dana X 1 naik satu satuan maka Jumlah Pemberian Kredit akan turun sebesar 0,114. Demikian sebaliknya bila Pertambahan Dana X 1 turun satu satuan maka Jumlah Pemberian Kredit akan naik sebesar 0,114 dengan asumsi variabel Besarnya Gaji X 2 adalah konstan. c. Koefisien Regresi Besarnya Gaji X 2 = 0,587 Nilai koefisen regresi dari Besarnya Gaji X 2 sebesar 0,587 artinya apabila Besarnya Gaji X 2 naik satu satuan maka Jumlah Pemberian Kredit akan naik sebesar 0,587 . Demikian sebaliknya bila Besarnya Gaji X 2 turun satu satuan maka Jumlah Pemberian Kredit perusahaan akan turun sebesar 0,587 dengan asumsi variabel Pertambahan Dana X 1 adalah konstan.

4.3.4. Koefisien Determinasi R