55
Gambar 4.2 Grafik Plot
Hasil uji normalitas menggunakan
probability plot
, dimana terlihat bahwa titik-titik menyebar di sekitar garis diagonal sehingga dapat disimpulkan bahwa
data dalam model regresi terdistribusi secara normal. Semua hasil pengujian melalui analisis grafik dan statistik di atas
menunjukkan hasil yang sama yaitu normal, dengan demikian telah terpenuhi asumsi normalitas dan dapat dilakukan pengujian asumsi klasik berikutnya pada
data yang telah disajikan
4.3.2. Uji Heteroskedastisitas
Uji heteroskedastisitas dilakukan untuk menguji apakah dalam model regresi terjadi ketidaksamaan varians dari residual dari satu pengamatan ke
pengamatan yang lain. Jika varians dari residual satu pengamatan ke pengamatan yang lain tetap, maka disebut homoskedastisitas dan jika berbeda akan disebut
Universitas Sumatera Utara
56 heteroskedastisitas. Untuk mengetahui ada tidaknya heteroskedastisitas antar
variabel independen dapat dilihat dari grafik plot antara nilai prediksi terikatnya independen dapat dilihat dari grafik plot antara nilai prediksi variabel ZPRED
dengan residual SRESID. Heteroskedastisitas ini dapat dilihat dengan Grafik
Scatterplot
. Hasil dari uji heteroskedastisitas dapat dilihat pada grafik scaterplotberikut ini:
Gambar 4.3 Grafik Scatterplot
Sumber: Hasil Penelitian, 2015 Data Diolah
Berdasarkan Gambar 4.3, terlihat bahwa titik-titik tidak terlalu menyebar secara acak diatas dan di bawah angka 0 pada sumbu Y, serta sedikit menyempit
menumpuk. Hal ini mengindikasikan tidak terjadi heteroskedastisitas pada model regresi sehingga model regresi layak dipakai untuk memprediksi ROA
berdasarkan masukan variabel independennya. Selain dengan grafik, hasil uji heteroskedastisitas dapat dilihat pada
statistik berikut ini:
Universitas Sumatera Utara
57
Tabel 4.3 Hasi Uji Heteroskedastisitas
Model Unstandardized
Coefficients Standardized
Coefficients T
Sig. B
Std. Error Beta
1 Constant
.448 .519
.864 .391
BOPO -.003
.005 -.072
-.544 .588
NPL -.007
.040 -.025
-.187 .852
CAR .008
.010 .110
.832 .409
LDR -.003
.003 -.117
-.850 .399
NIM .016
.027 .083
.588 .559
a. Dependent Variable: ABS_RES Sumber: Hasil Penelitian, 2015 Data Diolah
4.3.3. Uji Autokorelasi
Uji autokorelasi ini digunakan untuk menguji asumsi klasik regresi berkaitan dengan adanya autokorelasi. Model regresi yang baik adalah model
yang tidak mengandung autokorelasi. Pengujian ini menggunakan
Runs Test
untuk mendeteksi ada tidaknya autokorelasi. Hasil pengujian Runs Test dapat dilihat pada Tabel 4.4 berikut ini
Universitas Sumatera Utara
58
Tabel 4.4 Hasil Uji Runs
Unstandardized Residual
Test Value
a
-.00236 Cases Test Value
34 Cases = Test Value
34 Total Cases
68 Number of Runs
37 Z
.489 Asymp. Sig. 2-tailed
.625
a. Median Sumber: Hasil Penelitian, 2015 Data Diolah
Hasil uji autokorelasi pada Tabel 4.4 menunjukkan bahwa nilai Asymp.Sig 2-tailed sebesar 0,625 0,05 sehingga dapat disimpulkan bahwa residual
random artinya tidak terjadi autokorelasi antar residual. Dalam hal ini berarti model penelitian ini sudah memenuhi kriteria
Best Linear Unbiased Estimator
BLUE yang disyaratkan sebelum melakukan pengujian hipotesis. Berikut ini adalah cara lain untuk mendeteksi ada atau tidaknya autokorelasi, yaitu dengan
menggunakan Uji Durbin-Watson DW
test
:
Tabel 4.5 Pengujian Autokorelasi
Model Summary
b
Model R
R Square Adjusted R
Square Std. Error of the
Estimate Durbin-
Watson 1
.889
a
.790 .773
.38612 2.062
a. Predictors: Constant, NIM, CAR, NPL, BOPO, LDR b. Dependent Variable: ROA
Sumber: Hasil Penelitian, 2015 Data Diolah
Universitas Sumatera Utara
59 Hasil output SPSS menunjukkan nilai DW sebesar 2.062, nilai ini akan
dibandingkan dengan nilai tabel dengan menggunakan derajat kepercayaan 5, jumlah sampel n = 68 dan jumlah variabel bebas k = 5, maka di tabel Durbin-
Watson didapatkan nilai dL durbin-watson
lower
batas bawah = 0.972, nilai dU durbin-watson
upper
batas atas = 2.062 dan 4 dU = 2.238. Pengambilan keputusannya adalah dU 0.972 d 2.062 4 dU 2.238, artinya tidak ada
autokorelasi positif atau negatif. Dengan demikian, tidak terdapat adanya autokorelasi pada model regresi.
4.3.4. Uji Multikolinearitas