Hasil Uji Asumsi Klasik

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