maka model regresi memenuhi asumsi normal. Sekali lagi hal ini konsisten dengan uji sebelumnya.
b. Uji Multikolinearitas
Uji multikolinearitas digunakan untuk mendeteksi ada tidaknya hubungan antara beberapa variabel independen dalam model regresi.
Multikolinearitas merupakan keadaan dimana satu atau lebih variabel independen dinyatakan ssbagai kondisi linier dengan variabel lain. Artinya
bahwa jika perubahan-perubahan bebas digunakan sama sekali tidak berkorelasi satu dengan yang lain maka bisa dikatakan tidak terjadi
multikolinearitas. Untuk menguji asumsi multikolinearias dapat menggunak VIF
Variance inflation factor, dimana Gujarati 2003 mengatakan bila nilai
VIF 10 berarti terdapat kolinearitas sangat tinggi dan sebaliknya apabila nilai VIF 10 maka tidak terjadi multikolinearitas. Maka regresi yang
baik seharusnya tidak terjadi korelasi diantara variabel bebas.
80
Tabel 4.12 Data Output Uji Multikolinearitas
Collinearity Statistics Model
Tolerance VIF
Constant CAR
.752 1.330
NPL .616
1.622 OCR
.521 1.920
LDR .865
1.156 SIZE
.495 2.020
GDP .486
2.057 INFLASI
.175 5.713
SMC .528
1.893 1
CONC .139
7.219 a. Dependent Variable: ROA
Dari tabel 4.12 terlihat bahwa hasil perhitungan nilai tolerance menunjukkan tidak ada variabel independen yang memiliki nilai tolerance
kurang dari 0.10 yang berarti tidak ada korelasi antar variabel independen. Hasil tersebut diperkuat dengan tidak ada lagi korelasi antar variabel
independen yang memiliki VIF lebih dari sepuluh. Jadi dapat disimpulkan bahwa tidak ada mutikolinearitas antar variabel independent dalam model
regresi.
c. Uji Autokorelasi
Uji autokorelasi bertujuan untuk menguji apakah model regresi linier ada korelasi antara kesalahan pengganggu pada periode pengamatan. Jika
81
terjadi autokorelasi, maka dinamakan ada problem autokorelasi, autokorelasi muncul karena observasi yang berurutan sepanjang waktu
berkaitan satu sama lainnya. Uji autokorelasi dapat dilakukan dengan uji Durbin-Watson yang
hanya digunakan untuk autokorelasi tingkat satu first order autocorelation
dan mensyaratkan adanya intercept konstanta dalam model regresi dan tidak ada variabel lagi diantara variable independen.
Tabel 4.13 Data Output Uji Autokorelasi
Model Summary
b
Durbin-Watson Model
R R Square
Adjusted R Square
Std. Error of the Estimate
1 .845
a
.715 .673
.784368 2.136
a. Predictors: Constant, CONC, CAR, LDR, NPL, SMC, GDP, OCR, SIZE, INFLASI b. Dependent Variable: ROA
Berdasarkan tabel 4.13 diatas, diperoleh nilai Durbin-Watson DW adalah sebesar 2.136, jika kita bandingkan dengan nilai tabel dengan
menggunakan nilai signifikasi 5 , jumlah sampel 72 n dan jumlah variabel independen 9 k=9, maka di tabel Durbin Watson akan didapat
nilai 1.748 dan 4-Du = 2.252. Jadi dapat disimpulkan bahwa nilai tersebut berada diantara DuD4-Du yang berarti bahwa tidak terjadi gejala
autukorelasi baik positif maupun negative pada model regresi yang dibuat dalam penelitian ini.
82
d. Uji Heteroskedastisitas