61
Tabel 4.6 Uji Normalitas
One-Sample Kolmogorov-Smirnov Test
ROA BOPO
LDR CAR
N 51
51 51
51 Normal
Parametersa,b Mean
2.0553 47.8563
74.1310 16.8122
Std. Deviation .93444
26.54594 13.89340
4.12308 Most Extreme
Differences Absolute
.097 .123
.109 .123
Positive .097
.123 .052
.123 Negative
-.064 -.111
-.109 -.076
Kolmogorov-Smirnov Z .691
.877 .778
.876 Asymp. Sig. 2-tailed
.726 .425
.580 .427
a Test distribution is Normal. b Calculated from data.
Sumber: Diolah dengan SPSS 17, 2013
Data berdistribusi normal apabila nilai signifikansinya berada di atas 0.05. Berdasarkan tabel 4.6 di atas, dapat dilihat bahwa nilai signifikansi ROA sebesar
0.726, nilai signifikansi BOPO sebesar 0.425, nilai signifikansi LDR sebesar 0.580, dan nilai signifikansi CAR sebesar 0.427. Hal ini menunjukkan bahwa
masing-masing variabel yaitu ROA, BOPO, LDR, dan CAR memiliki nilai signifikansi di atas 0.05. Sehingga dapat disimpulkan bahwa keempat variabel
memiliki data yang terdistribusi normal.
4.1.4.2 Uji Multikolinearitas
Uji multikolinearitas bertujuan untuk menguji apakah dalam model regresi ditemukan adanya korelasi yang tinggi atau sempurna antar variabel
bebasindependen Imam Ghozali, 2009: 25. Uji multikolinieritas dengan
Universitas Sumatera Utara
62
melihat nilai tolerance dan VIF menunjukkan hasil seperti pada tabel 4.5 dan 4.6 berikut:
Tabel 4.7 Uji Multikolinearitas
Coefficientsa
Mode l
Unstandardized Coefficients
Standardized Coefficients
t Sig.
Collinearity Statistics
B Std.
Error Beta
Tolerance VIF
B Std.
Error 1
Constant 12.742
3.571 3.568
.001 ROA
-.260 .599
-.059 -.434
.666 .993
1.007 BOPO
-.033 .021
-.213 -1.573
.122 .995
1.005 LDR
.084 .040
.281 2.068
.044 .989
1.011 a Dependent Variable: CAR
Sumber: Diolah dengan SPSS 17, 2013
Hasil uji multikolinearitas diatas menunjukkan bahwa tidak ada variabel yang memiliki nilai tolerance 10 dan VIF 10. Dengan demikian dapat
disimpulkan bahwa dalam model regresi tersebut terdapat problem multikolinieritas, artinya seluruh variabel independen dalam persamaan regresi ini
memiliki korelasi yang lemah antar variabel.
4.1.4.3 Uji Heteroskedastisitas
Untuk mengetahui ada tidaknya heteroskedastisitas antar variabel independen dapat dilihat dari grafik plot antara nilai prediksi variabel terikat
dengan residualnya. Hasil uji heteroskedastisitas berdasarkan grafik scatterplot dapat dilihat pada gambar 4.3 berikut :
Universitas Sumatera Utara
63
Sumber: Diolah dengan SPSS 17, 2013
Gambar 4.3 Grafik
Scatterplot
Dasar analisis dari uji heteroskedastisitas melalui grafik plot adalah jika tidak ada pola yang jelas, serta titik-titik menyebar di atas dan di bawah angka 0
pada sumbu Y secara acak, maka tidak terjadi heteroskedastisitas. Berdasarkan gambar 4.3 dapat diketahui bahwa data titik-titik menyebar
secara merata di atas dan di bawah garis nol, dan tidak berkumpul di satu tempat, serta tidak membentuk pola tertentu sehingga dapat disimpulkan bahwa pada uji
regresi ini tidak terjadi masalah heteroskedastisitas.
Regression Standardized Predicted Value
1 -1
-2 -3
R egressi
on S
tandardi zed
R esi
dual
3 2
1
-1 -2
Scatterplot Dependent Variable: CAR
Universitas Sumatera Utara
64
4.1.4.4 Uji Autokorelasi