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