Tabel 4.5. di atas menunjukkan bahwa penelitian ini bebas dari adanya multikolinearitas. Hal ini bisa dilihat dengan membandingkan nilai tolerance dan
VIF. Masing-masing variabel bebas yang digunakan dalam penelitian ini memiliki nilai tolerance yang lebih besar dari 0.01 yaitu untuk LN_kredit nilai tolenrance
0.406; LN_surat berharga nilai tolenrance 0.420; LN_penempatan nilai tolenrance 0.343; LN_penyertaan nilai tolenrance 0.890.
Sedangkan jika dilihat dari VIF-nya bahwa masing-masing variabel bebas lebih kecil dari 10 yaitu, untuk VIF LN_kredit sebesar 2.461; VIF LN_surat
berharga 2.383, VIF LN_penempatan 2.916 dan VIF LN_penyertaan sebesar 1.123. Dengan demikian dapat disimpulkan bahwa tidak terjadi gejala
multikolinearitas antara variabel independen, dengan dasar nilai VIF untuk setiap variabel tidak ada yang lebih dari 10 dan nilai tolerance tidak ada yang kurang
dari 0.1.
4.3.3 Uji Heteroskedastisitas
Uji heteroskedastisitas bertujuan untuk menguji apakah dalam model regresi terjadi ketidaksamaan variance dari residual satu pengamatan ke
pengamatan yang lain. Jika variance dari satu pengamatan ke pengamatan yang lain tetap, maka disebut homokedastisitas dan jika berbeda disebut
heteroskedastisitas. Model regersi yang baik adalah tidak terjadi heteroskedastisitas. Untuk menghilangkan heteroskedastisitas dapat dengan
mengonversi ke dalam bentuk logaritma atau dengan menjalankan regresi sistem kuadrat terkecil tertimbang weigthed least square , Pratisto, 2009.
Universitas Sumatera Utara
Dari grafik scatterplot terlihat bahwa titik-titik menyebar secara acak dengan tidak adanya pola yang serta tersebar baik di atas maupun di bawah angka
0 pada sumbu Y. Dengan demikian, dapat disimpulkan bahwa tidak tejadi heteroskedastitas sehingga model ini layak dipakai untuk memprediksi rentabilitas
bank yang terdaftar di Bursa Efek indonesia berdasarkan masukan varibel independen kredit, surat-surat berharga, penempatan dana pada bank lain, dan
penyertaan modal. Ada tidaknya heterokedastitas pada penelitian ini dapat dilihat dari grafik scatterplot pada gambar 4.5 berikut ini:
Gambar 4.5. Grafik Scatterplot Sumber : Hasil Pengolahan Data dengan SPSS 17, 2012
4.3.4 Uji Autokorelasi
Uji autokorelasi bertujuan untuk menguji apakah dalam model regresi linerar ada korelasi antara kesalahan pengganggu pada periode t-1 sebelumnya.
Jika terjadi korelasi, maka dinamakan ada problem autokorelasi. Autokorelasi
Universitas Sumatera Utara
muncul karena observasi yang berurutan sepanjang waktu berkaitan satu sama lainnya.
Masalah ini timbul karena resiudal kesalahan pengganggu tidak bebas dari satu observasi ke observasi lainnya. Hal ini sering ditemukan pada data runtut
waktu time series karena “gangguan” pada seseorang individukelompok yang sama pada periode berikutnya.
Hasil uji autokolerasi pada penelitian ini dapat dilihat pada tabel 4.6. berikut ini :
Tabel 4.6. Uji Autokorelasi
Model Summary
b
Model R
R Square Adjusted R
Square Std. Error of the
Estimate Durbin-Watson
1 .655
a
.429 .397
.32500 2.214
a. Predictors: Constant, LN_PENYERTAAN, LN_SURATBEHARGA, LN_KREDIT, LN_PENEMPATAN
b. Dependent Variable: LN_ROA
Sumber : Hasil Pengolahan Data dengan SPSS 17, 2012
Berdasarkan tabel 4.6. di atas, diketahui bahwa nilai DW sebesar 2.214 nilai ini akan dibandingkan dengan nilai tabel dengan menggunakan nilai
signifikan 5, jumlah sampel sebanyak 75 n=75 dan jumlah varibel independen sebanyak 4 k=4, maka dari tabel statistik Durbin-Watson dihasilkan nilai batas
bawah DL sebesar 1.515 dan nilai batas atas DU sebesar 1.739. Nilai DW berada diantara DU dan 4-DU 1.739 2.214 2.261, maka dapat disimpulkan
bahwa tidak terjadi autokorelasi atau tidak terjadi kolerasi di antara kesalahan pengganggu.
Universitas Sumatera Utara
4.4 Pengujian Hipotesis
