75
lebih canggih dengan maksud untuk meningkatkan efisiensi. Tabel 4.14 berikut adalah distribusi pernyataan responden tentang indikator perkembangan
teknologi:
Tabel 4.14 Deskripsi tentang Perkembangan Teknologi
Pernyataan SS S TS
STS F F F F
Peralatan yang saya gunakan mengikuti
perkembangan teknologi. 0.0
0.0 61 61.0 39 39.0
Saya selalu menyediakan anggaran untuk
memperbarui peralatan. 4
4.0 42
42.0 45 45.0 9 9.0
Sumber : Data primer yang diolah tahun 2011
Berdasarkan tabel 4.14 dapat diketahui bahwa nasabah PD. BPR BKK Wonosobo belum menggunakan peralatan sesuai dengan perkembangan
teknologi dan juga belum menyediakan anggaran untuk memperbarui alat-alat yang digunakan.
4.1.3 Hasil Pengujian
4.1.3.1 Uji Asumsi Klasik
1. Uji Normalitas
Kenormalan data dapat dilihat dari uji normalitas Kolmogorov- Smirnof berdasarkan nilai unstandardized residual e. Data dianalisis
dengan bantuan komputer program SPSS 16.0. Dasar pengambilan keputusan berdasarkan probabilitas. Jika probabilitas 0,05 maka data
76
penelitian berdistribusi normal. Hasil uji normalitas selengkapnya dapat dilihat berdasarkan output SPSS versi 16,0 seperti pada tabel berikut :
Tabel 4.15 Hasil Uji Normalitas Menggunakan Kolmogorov Smirnov
dengan Variabel dependen Kredit Macet
One-Sample Kolmogorov-Smirnov Test
Unstandardi zed
Residual N
100 Normal Parameters
a
Mean .0000000
Std. Deviation 1.92337910
Most Extreme Differences
Absolute .058
Positive .058
Negative -.037
Kolmogorov-Smirnov Z .584
Asymp. Sig. 2-tailed .884
Test distribution is normal
Berdasarkan tabel 4.15 pada baris Asymp. Sig untuk dua sisi diperoleh nilai signifikansi untuk kredit macet sebagai variabel dependen
adalah sebesar 0,884 0,05 yang berarti bahwa Ho diterima atau model regresi yang diperoleh berdistribusi normal. Di samping menggunakan uji
Kolmogorov Smirnov, analisis kenormalan data ini juga dapat dilihat pada grafik normalitas dan didukung dengan Plot of Regression Standardized
Residual. Apabila grafik yang diperoleh berdasarkan output SPSS versi 16.0 ternyata titik-titik mendekati garis diagonal, dapat disimpulkan bahwa
model regresi berdistribusi normal. Lebih jelasnya hasil uji normalitas data dapat dilihat pada gambar 4.1 dan 4.2 berikut :
77
Gambar 4.1 Grafik Normalitas
Gambar 4.2 Normal P-P Plot
Berdasarkan gambar 4.2, titik-titik mendekati garis diagonal yang berarti bahwa model regresi berdistribusi normal.
78
2. Uji Multikolinearitas
Syarat berlakunya model regresi ganda adalah antar variabel bebasnya tidak memiliki hubungan sempurna atau tidak mengandung
multikolinieritas. Uji multikolinearitas digunakan untuk mengetahui adanya hubungan yang sempurna atau mendekati sempurna diantara
beberapa atau semua variabel independen yang menjelaskan model regresi. Pengujian multikolinieritas ini dapat dilihat berdasarkan nilai variance
inflation factor VIF. Antara variabel bebas dikatakan multikolinearitas apabila toleransinya 0,1 dan VIF 10. Hasil pengujian multikoliniaritas
selengkapnya dapat dilihat pada tabel 4.16 berikut:
Tabel 4.16 Uji Multikolinearitas coefficient
a
Model Collinearity Statistics
Tolerance VIF constant
Faktor Internal 1.000
1.000 Faktor eksternal
1.000 1.000
Dependen Variabel : kredit macet Berdasarkan tabel 4.16 diketahui nilai Variance Inflaction Faktor
VIF di bawah 10 dan nilai tolerance di atas 0,1. Jadi dapat disimpulkan tidak terjadi multikolinearitas antara variabel bebas faktor internal dan
eksternal nasabah yang mempengaruhi kredit macet pada PD.BPR BKK Wonosobo.
79
3. Uji Heteroskedastisitas
Uji heteroskedastisitas digunakan untuk mengetahui apakah terjadi penyimpangan model karena varian gangguan yang berbeda antara satu
observasi ke observasi yang lain. Model yang bebas berdasarkan heteroskedastisitas memiliki grafik Scatterplot dengan pola titik-titik yang
menyebar di atas dan di bawah sumbu Y atau tidak adanya pola tertentu pada gambar Scatterplot 4.3 berikut ini :
Gambar 4.3 Scatterplot
Berdasarkan gambar scatterplot 4.3 dapat diketahui bahwa terdapat beberapa titik yang membentuk pola berbentuk garis miring yang
menyebar di atas dan di bawah angka nol pada sumbu Y. Dari gambar di atas maka dapat disimpulkan bahwa model regresi memiliki gejala
heteroskedastisitas. Untuk dapat membuktikan bahwa model regresi benar- benar tidak memiliki gejala heteroskedastisitas, maka diperlukan uji
80
statistik yang lebih dapat menjamin keakuratan hasil. Maka dari itu dilakukan pengujian dengan menggunakan uji glejser. Jika nilai
probabilitas signifikansinya di atas tingkat kepercayaan 5 0,05, maka dapat disimpulkan model regresi tidak mengandung adanya
heteroskedastisitas. Hasil dari uji glejser dengan menggunakan program SPSS 16 adalah sebagai berikut :
Tabel 4.17 Hasil Uji Glejser coefficient
a
Model Unstandardized
coefficient Standardized
coeficient t Sig
B Std.error Beta constant
1.394E-15 2.664
.000 1.000 Faktor internal
.000 .042
.000 .000 1.000
Faktor Eksternal .000
.132 .000
.000 1.000 a.
Dependent Variabel : AbRes Berdasarkan hasil uji glejser terlihat bahwa nilai probabilitas
signifikansinya 0,05, maka dapat disimpulkan model regresi tidak mengandung adanya heterokedastisitas.
4. Uji Autokorelasi
Uji Autokorelasi bertujuan menguji apakah dalam model regresi linear ada korelasi antara kesalahan pengganggu pada periode t dengan
kesalahan pengganggu pada periode t-1 sebelumnya. Hasil uji autokorelasi dengan menggunakan spss versi 16 dapat dilihat pada tabel
4.18.
81
Tabel 4.18 Uji Autokorelasi Model Summary
b
model R RSquare Adjusted R
Square Std Error of
the Estimate Durbin-Watson
1 .342
a
.117 .099
1.94311 2.220
a. Predictors: Constant, faktor eksternal, faktor internal b. Dependent Variable: kredit macet
Berdasarkan tabel 4.18 diketahui nilai DW Durbin Watson sebesar 2,220 lebih besar dari du yaitu 1,715 dan lebih kecil dari 4-du
yaitu 4 - 1,715, artinya bahwa tidak ada autokorelasi positifnegatif, dengan kata lain tidak terdapat autokorelasi.
4.1.3.2 Analisis Regresi Linear Berganda