59
2. Hasil Uji Asumsi Klasik
a. Hasil Uji Normalitas Data
Data-data bertipe skala sebagai pada umumnya mengikuti asumsi distribusi normal. Namun, tidak mustahil suatu data tidak mengikuti
asumsi normalitas. Untuk mengetahui kepastian sebaran data yang diperoleh harus dilakukan uji normalitas terhadap data yang
bersangkutan. Dengan demikian, analisis statistika yang pertama harus digunakan dalam rangka analisis data adalah analisis statistik berupa uji
normalitas. Menurut Ghozali 2009:160 uji normalitas bertujuan apakah dalam model regresi variabel dependen terikat dan variabel independen
bebas mempunyai kontribusi atau tidak. Untuk mendeteksi apakah residual berdistribusi normal atau tidak yaitu dengan analisis grafik dan
statistik, adapun hasil uji normalitas pada penelitian ini adalah sebagai berikut:
2 Hasil Uji Normalitas Secara Menggunakan Grafik P-Plot Salah satu menentukan uji normalitas yaitu dengan melihat
normal probability plot yang membandingkan distribusi kumulatif dari distribusi normal. Distribusi normal akan membentuk suatu garis
lurus diagonal dan ploting data residual akan dibandingkan dengan garis diagonal Ghozali, 2009:160. Adapun hasil perhitungan uji
normalitas dengan melihat dari segi grafik yang ditunjukan pada gambar grafik p-p plot berikut ini:
60
Gambar 4.1 Hasil Uji Normalitas Data Menggunakan Grafik P
– Plot
Sumber: Olahan Data Sekunder, Peneliti 2014
Pada grafik normal plot terlihat titik-titik menyebar di sekitar garis diagonal, serta penyebarannya mengikuti arah garis diagonal.
Kedua grafik ini menunjukkan bahwa model regresi layak dipakai karena asumsi normalitas Ghozali 2009:112.
3 Hasil Uji Normalitas Menggunakan Kolmogorov-Smirnov Uji normalitas secara grafik dapat menyesatkan kalau tidak
hati-hati secara visual kelihatan normal, padahal secara statistik bisa sebaliknya. Oleh sebab itu dianjurkan disamping uji grafik dilengkapi
dengan uji statistik Ghozali, 2009:149. Adapun hasil perhitungan uji normalitas secara statistic yang dilihat berdasarkan uji kolmogorof-
smirnov adalah sebagai berikut:
61
Tabel 4.3 Hasil Uji Normalitas Menggunakan
Kolmogorov - Smirnov
One-Sample Kolmogorov-Smirnov Test
Unstandardized Residual N
144 Normal Parameters
a,b
Mean 0E-7
Std. Deviation 40.16503440
Most Extreme Differences Absolute
.096 Positive
.096 Negative
-.074 Kolmogorov-Smirnov Z
1.151 Asymp. Sig. 2-tailed
.141 a. Test distribution is Normal.
b. Calculated from data.
Sumber: Olahan Data Sekunder, Peneliti 2014
Berdasarkan uji kolmogorov-smirnov dapat diketahui bahwa nilai Asymp. Sig. 2-tailed pada unstandardized residual memiliki
nilai sig. 0,05, ini mengartikan bahwa semua data terdistribusi dengan normal.
b. Hasil Uji Multikolinearitas
Untuk mendeteksi ada tidaknya gejala multikolinearitas antar variabel independen, digunakan nilai Tolerance dan Variance Inflation
Factor VIF. Pengujian terhadap gejala multikolinieritas ini dilakukan untuk mengetahui adanya korelasi yang sempurna antar variabel
independen yang digunakan dalam model regresi Ghozali, 2009:105.
Tabel 4.4 Hasil Uji Multikolinearitas
Coefficients
a
Model Collinearity Statistics
Tolerance VIF
1 Constant
CAR .699
1.431 ROA
.941 1.063
LDR .776
1.289 NPL
.567 1.764
a. Dependent Variable: SBD
Sumber: Olahan Data Sekunder, Peneliti 2014
62 Dari tabel di atas menunjukkan suatu model regresi dinyatakan
bebas dari multikolinearitas adalah jika data mempunyai nilai tolerance lebih besar dari 0,1 dan nilai VIF lebih kecil dari 10. Dari tabel diatas
diperoleh bahwa semua variabel bebas memiliki nilai tolerance berada di bawah 1 dan nilai VIF jauh di bawah angka 10. Dengan demikian dalam
model ini tidak ada masalah pada uji multikolinearitas.
c. Uji Heterokedastisitas
Uji Heteroskedastistas bertujuan menguji apakah dalam model regresi terjadi ketidaksamaan variance dari residual satu pengamatan ke
pengamatan yang lain. Hasil uji heteroskedastisitas adalah sebagai berikut Ghozali 2009:139:
Gambar 4.2 Hasil Uji Heterokedastisitas
Sumber: Olahan Data Sekunder, Peneliti 2014
63 Dengan melihat grafik scatterplot di atas, terlihat titik-titik
menyebar secara acak, serta tersebar baik di atas maupun di bawah angka 0 pada sumbu Y. maka dapat diambil kesimpulan bahwa tidak terdapat
gejala heterokedastisitas pada model transformasi regresi yang digunakan homokedastisitas.
d. Uji Autokorelasi
Autokorelasi digunakan untuk menguji apakah dalam sebuah model regresi linier ada korelasi antara kesalahan pengganggu pada
periode t dengan kesalahan pada periode t-1 sebelumnya. Jika terjadi korelasi, maka dinamakan ada problem autokorelasi. Untuk mendeteksi
autokorelasi dalam penelitian ini maka digunakan uji Durbin Watson DW.
Tabel 4.5 Hasil Uji Autokorelasi
Model Summary
b
Model R
R Square Adjusted R
Square Std. Error of
the Estimate Durbin-Watson
1 .269
a
.072 .045
40.73885 1.856
a. Predictors: Constant, NPL, ROA, LDR, CAR b. Dependent Variable: SBD
Sumber: Olahan Data Sekunder, Peneliti 2014 Pada tabel di atas diketahui nilai Durbin Watson d sebesar 1,856
nilai ini akan dibandingkan dengan nilai tabel dengan menggunakan nilai signifikansi 5, jumlah sampel n 144 dan jumlah variabel independen
k adalah 4. Maka dari tabel didapat nilai du = 1,78 dan 4 – du = 4 –
1,78 = 2,22. Oleh karena nilai du d 4-du atau 1,78 1,856 2,22 maka dapat disimpulkan tidak ada autokorelasi baik positif maupun
negatif.
64
3. Hasil Uji Hipotesis Penelitian