sehingga dapat disimpulkan bahwa data dalam model regresi terdistribusi secara normal.
b. Uji Multikolinearitas
Ghozali 2005:91 menyatakan “uji ini bertujuan untuk menguji apakah model regresi ditemukan adanya korelasi yang kuat antar
variabel bebas independen”. Multikolinearitas menunjukkan ada tidaknya variabel independen yang memiliki hubungan yang kuat
dengan variabel independen lain dalam model regresi, agar pengambilan keputusan pengaruh pada uji parsial masing-masing
variabel independen tidak bias. Untuk mengetahui ada tidaknya multikolinearitas dapat dilihat dari nilai Variance Inflation Factor
VIF, apabila nilai VIF 10 dan nilai tolerance 0.1 maka terjadi multikolinearitas Ghozali, 2005:92.
Universitas Sumatera Utara
Tabel 4.3 Hasil uji Multikolinearitas
Coefficients
a
Model Unstandardized
Coefficients Standardize
d Coefficients
T Sig.
Collinearity Statistics
B Std. Error Beta
Toleran ce
VIF 1
Constant 34.591 4.908
7.048 .000
LN_LDR -.816 .933
-.113 -.875
.385 .937
1.067 LN_ROA .283
.374 .115
.756 .453
.675 1.481
LN_CAR -.491 .840
-.079 -.585
.561 .864
1.157 LN_NPL -.492
.389 -.189
-1.265 .211
.709 1.411
a. Dependent Variable: LN_PemberianKredit
Sumber: Hasil Pengolahan SPSS 2010 Berdasarkan tabel 4.3 diatas dapat dilihat bahwa tidak ada satupun
variabel bebas yang memiliki nilai VIF lebih dari 10 dan tidak ada yang memiliki tolerance value lebih kecil dari 0,1. Jadi dapat
disimpulkan bahwa penelitian ini bebas dari adanya multikolinearitas. Dari hasil analisis, didapat nilai VIF untuk variabel LDR adalah 1,067
10 dan nilai tolerance sebesar 0,937 0,1, untuk variabel ROA nilai VIF nya adalah 1,481 10 dan nilai tolerance sebesar 0,675
0,1, untuk variabel CAR nilai VIF nya adalah 1,157 10 dan nilai tolerance sebesar 0,864 0,1, untuk variabel NPL nilai VIF nya
adalah 1,411 10 dan nilai tolerance sebesar 0,709 0,1. Dari hasil
Universitas Sumatera Utara
ini maka dapat disimpulkan bahwa semua variabel bebas yang dipakai dalam penelitian ini lolos uji gejala multikolinearitas.
c. Uji Autokorelasi.
Uji ini bertujuan untuk melihat apakah dalam suatu model linear ada korelasi antar kesalahan pengganggu pada periode t dengan
kesalahan periode t-1 sebelumnya. Model regresi yang baik adalah yang bebas dari autokorelasi. Masalah autokorelasi umumnya terjadi
pada regresi yang datanya time series. Untuk mendeteksi masalah autokorelasi dapat dilakukan dengan menggunakan uji Durbin Watson.
Mengacu kepada pendapat Santoso 2002, secara umum panduan mengenai angka Durbin-Watson dapat diambil patokan sebagai
berikut: 1
angka D-W dibawah -2 berarti ada autokorelasi positif, 2
angka D-W di antara -2 sampai +2, berarti tidak ada autokorelasi, 3
angka D-W di atas +2 berarti ada autokorelasi negatif.
Tabel 4.4 Hasil Uji Autokorelasi
Model Summary
b
Model R
R Square Adjusted R
Square Std. Error of the
Estimate Durbin-Watson
1 .266
a
.071 .008
2.16162 .744
a. Predictors: Constant, LN_NPL, LN_LDR, LN_CAR, LN_ROA b. Dependent Variable: LN_PemberianKredit
Sumber: Hasil Pengolahan SPSS 2010
Universitas Sumatera Utara
Hasil uji autokorelasi diatas menunjukkan nilai statistic Durbin- Watson DW sebesar 0,744, nilai ini akan dibandingkan dengan nilai
tabel Durbin-Watson dengan menggunakan signifikansi 5, jumlah sampel 66 n dan jumlah variabel independen 4 k=4, maka di tabel
Durbin-Watson didapat nilai batas atas du 1,7318 dan nilai batas bawah dl 1,4756 . Oleh karena itu, nilai DW berada diantara batas
atas DU dan 4-DU 1.7318 0.744 2.2682, berarti ada autokorelasi.
. d. Uji Heteroskedastisitas
Dalam penelitian ini, untuk mendeteksi ada tidaknya gejala heteroskedastisitas adalah dengan melihat plot grafik yang dihasilkan
dari pengolahan data menggunakan program SPSS. Dasar pengambilan keputusannya adalah:
1 jika pola tertentu, seperti titik-titik yang teratur maka telah terjadi heteroskedastisitas,
2 jika tidak ada pola tertentu, serta titik-titik yang menyebar tidak
tertentu diatas dan di bawah angka 0 pada sumbu Y, maka tidak terjadi heteroskedatisitas atau terjadi homokedastisitas.
Berikut ini dilampirkan grafik scatterplot untuk menganalisis apakah terjadi heteroskedastisitas atau terjadi homokedastisitas dengan
mengamati penyebaran titik-titik pada gambar.
Universitas Sumatera Utara
Tabel 4.5 Heteroskedastisitas
Gambar 4.3 Hasil Uji Heteroskedastisitas
Sumber: Hasil Pengolahan SPSS 2010 Dari grafik scatterplot terlihat bahwa titik-titik menyebar secara
acak serta tersebar baik diatas maupun di bawah angka 0 pada sumbu Y. Hal ini dapat disimpulkan bahwa tidak terjadi heteroskedastisitas
pada model regresi. Dengan demikian, model ini layak dipakai untuk memprediksi jumlah volume kredit pada perusahaan perbankan yang
go public di Indonesia berdasarkan masukan variabel independen LDR, ROA, CAR dan NPL.
Universitas Sumatera Utara
2. Analisis Regresi dan Uji Hipotesis a. Persamaan Regresi