Pada tahun 2009 nilai Non Performing Loan NPL tertinggi pada PT Bank Rakyat Indonesia Tbk yaitu sebesar 9,14. Nilai Non Performing Loan NPL
terendah pada PT Bank Central Asia sebesar 0,7. Pada tahun 2010 nilai Non
Performing Loan NPL tertinggi pada PT Bank Rakyat Indonesia yaitu sebesar 10,77. Nilai terendah Non Performing Loan NPL pada PT Bank Central Asia
Tbk sebesar 0,6.
Pada tahun 2011 nilai Non Performing Loan NPL tertinggi pada PT Bank Rakyat Indonesia yaitu sebesar 9,56. Nilai Non Performing Loan NPL
terendah pada PT Bank Central Asia sebesar 0,5.
4.3 Analisis Data
4.3.1 Uji Asumsi Klasik 4.3.1.1 Uji Normalitas
Uji normalitas bertujuan untuk menguji apakah dalam suatu model regresi linier variabel terikat dan variabel bebas keduanya mempunyai distribusi normal
atau tidak. Model regresi yang baik adalah yang memiliki distribusi data normal atau mendekati normal. Data yang baik adalah data yang mempunyai pola seperti
distribusi normal, yakni distribusi data tersebut tidak miring ke kiri atau miring ke kanan. Dengan adanya tes normalitas maka hasil penelitian kita bisa
digeneralisasikan pada populasi. Dalam pandangan statistik itu sifat dan karakteristik populasi adalah terdistribusi secara normal.
Untuk memastikan apakah data di sepanjang garis diagonal berdistribusi normal maka dilakukan uji kolmogrov smirnov 1 sample KS dengan melihat
data residualnya apakah berdistribusi normal atau tidak. Apabila pada table
Universitas Sumatera Utara
terlihat bahwa nilai Asymp.Sig. 2-tailed lebih besar signifikan 0.05 maka dinyatakan normal Situmorang dan Lufti, 2011.
4.3.1.1.1 Analisis Grafik
Sumber : Hasil Olahan SPSS 16, 17 Juli 2013
Gambar 4.1 Histogram
Pada Gambar 4.1 terlihat bahwa grafik histogram berdistribusi normal yang ditunjukan oleh data tersebut tidak miring ke kiri atau miring ke kanan. Uji
normalitas dapat juga dilakukan dengan analisis statistik selain dengan analisis grafik histogram melalui grafik normal p-p plot of regression standardized
residual, dengan melihat titik-titik di sepanjang garis diagonal. PP plot akan membentuk plot antara nilai-nilai sumbu X melawan nilai-nilai yang ada pada
sumbu Y. Apabila plot dari keduanya berbentuk linier dapat didekati oleh garis
Universitas Sumatera Utara
lurus, hal ini berarti variabel residual berdistribusi normal. Namun, jika data menyebar jauh dari garis diagonal atau tidak mengikuti arah garis diagonal, maka
dapat disimpulkan bahwa data tidak berdistribusi normal.
Sumber: Hasil Olahan SPSS 16, 17 Juli 2013
Gambar 4.2 Normal P-P Plot of Regression Standardized Residual
Pada Gambar 4.2 menunjukkan bahwa titik-titik pada scatter plot mengikuti data di sepanjang garis diagonal. Hal ini menunjukkan bahwa data
residual mempunyai distribusi normal. Uji normalitas dapat juga dilakukan dengan analisis statistik. Analisis statistik memberikan hasil yang lebih akurat
dibandingkan dengan analisis grafik. Uji normalitas yang digunakan dalam analisis statistik adalah uji statistik non parametrik one-sample kolmogrof-smirnov
Universitas Sumatera Utara
test, yakni dengan melihat data residualnya apakah berdistribusi normal atau tidak. Jika nilai Asym.sig 2-tailed
taraf nyata α = 0,05 maka data residual berdistribusi normal, sebaliknya jika nilai Asym.sig 2-tailed
taraf nyata α maka data residual tidak berdistribusi normal.
Tabel 4.5 Uji Normalitas
One-Sample Kolmogorov-Smirnov Test
Unstandardiz ed Residual
N 33
Normal Parameters
a
Mean .0000000
Std. Deviation 1.13519061E
2 Most Extreme
Differences Absolute
.119 Positive
.097 Negative
-.119 Kolmogorov-Smirnov Z
.685 Asymp. Sig. 2-tailed
.736 a. Test distribution is Normal.
Tabel 4.5 memperlihatkan bahwa nilai Asymp. Sig 2-tailed Unstandardized Residual masing-masing bernilai 0,736 yang lebih besar dari taraf
nyata α yaitu 0,05. Hal ini berarti data residual berdistribusi normal.
4.3.1.2 Uji Autokorelasi
Pengujian autokorelasi ini dimaksudkan untuk mengetahui apakah terjadi korelasi di antara data pengamatan atau tidak. Ada tidaknya autokorelasi dalam
penelitian ini dideteksi dengan menggunakan uji Durbin-Watson. Tahapan yang
Universitas Sumatera Utara
harus dilakukan untuk dapat menghasilkan harga koefisien Durbin-Watson dengan menggunakan SPSS 16 yaitu sebagai berikut:
Tabel 4.6 Uji Autokorelasi
Model Summary
b
Model R
R Square Adjusted R
Square Std. Error of
the Estimate Durbin-
Watson 1
.785
a
.616 .576
119.24626 1.964
a. Predictors: Constant, NPL, ATM, NIM b. Dependent Variable: EPS
Tabel 4.6 memperlihatkan bahwa nilai Durbin-Watson adalah sebesar 1,964, sedangkan hasil pengujian menurut tabel adalah sebagai berikut:
N = jumlah sampel = 33 K = jumlah variabel bebas= 3
Nilai tabel Durbin Watson pada α = 5; n = 33; k – 1 = 2 adalah dL = 1,2576 dan dU = 1,6511. Hasil pengolahan data menunjukkan nilai Durbin Watson sebesar
1,964 dan nilai tersebut berada di antara dU dan 4 – dU atau 1,964 lebih besar dari 1,6511 dan 1,964 lebih kecil dari 2,3489 maka dapat disimpulkan bahwa
dalam model regresi linier tersebut tidak terdapat Autokorelasi atau tidak terjadi korelasi di antara kesalahan penggangu.
4.3.1.3 Uji Heteroskedastisitas
Uji heteroskedastisitas bertujuan untuk menguji apakah dalam model regresi terdapat ketidaksamaan variance dari residual satu pengamatan ke
pengamatan lainnya. Model regresi yang baik adalah yang tidak terjadi
Universitas Sumatera Utara
heteroskedastisitas. Untuk melihat apakah heteroskedastisitas atau tidak dapat dilakukan dengan berbagai cara yakni: A. Cara Grafik, B. Cara Statistik
4.3.1.3.1 Cara Grafik
Cara grafik dapat dilihat bahwa titik data tidak harus mencerminkan suatu pola yang tidak sistematis atau dapat dikatakan random. Gambar grafik untuk melihat
heteroskedastisitas ditampilkan pada gambar berikut
Sumber: Hasil Olahan SPSS 16, 17 Juli 2013
Gambar 4.3 Scatterplot Dependent Variabel
Dari grafik Scatterplot yang disajikan, terlihat titik-titik menyebar secara acak tidak membentuk sebuah pola tertentu yang jelas serta tersebar baik diatas
maupun dibawah angka nol pada sumbu Y. hal ini berarti tidak terjadi heteroskedastisitas pada model regresi, sehingga model regresi layak dipakai
untuk memprediksi keputusan konsumen, berdasarkan masukan variabel independennya.
Universitas Sumatera Utara
4.3.1.3.2 Cara Statistik
Pendekatan statistik yang digunakan untuk melihat apakah terjadi heteroskedastisitas atau tidak adalah dengan menggunakan uji glejser. Berikut ini
ditampilkan Tabel uji glejser:
Tabel 4.7 Uji Glejser
Coefficients
a
Model Unstandardized
Coefficients Standardize
d Coefficients
T Sig.
B Std. Error
Beta 1
Constant -.156
55.332 -.003
.998 ATM
.004 .005
.154 .837
.410 NIM
10.271 7.441
.261 1.380
.178 NPL
4.564 5.810
.147 .785
.439 a. Dependent Variable: ABS_RES
Tabel 4.7 menunjukan bahwa berdasarkan output di atas dapat diketahui bahwa nilai signifikan ketiga variabel independen lebih dari 0,05. Dengan
demikian dapat disimpulkan bahwa tidak terjadi masalah heteroskedastisitas pada model regresi
4.3.1.4 Uji Multikolinearitas
Uji multikolinearitas ini dimaksudkan untuk membuktikan atau menguji ada tidaknya hubungan yang linier antara variabel bebas independen satu dengan
variabel bebas independen yang lainnya. Salah satu cara untuk mendeteksi ada tidaknya masalah multikolinieritas adalah dengan melihat Variance Inflation
Universitas Sumatera Utara
Factor VIF dan nilai Tolerance. Bila nilai VIF kurang dari 5 dan nilai toleransi lebih dari 0,10 maka disimpulkan tidak terdapat multikolinieritas dalam model
regresi, begitu juga sebaliknya Bila nilai VIF lebih besar dari 5 dan nilai toleransi kurang dari 0,10 maka disimpulkan terdapat multikolinieritas dalam model
regresi. Hasil uji multikolinieritas disajikan dalam Tabel 4.8 berikut ini.
Tabel 4.8 Uji Multikolinieritas
Pada Tabel 4.8 terlihat bahwa dari masing-masing variabel independen adalah
tolerance value 0,1
VIF 5 dari masing-masing variabel independen
Dapat disimpulkan tidak terdapat multikolinieritas.
4.3.2 Analisis Regresi