97
dari nilai statistik Hausman. Dengan demikian maka dapat disimpulkan bahwa H
1
diterima dan H ditolak yang berarti model
yang lebih tepat digunakan dalam penelitian ini adalah model Fixed Effect.
2. Uji Asumsi Klasik
a. Uji Normalitas
Uji Normalitas dimaksudkan untuk menguji apakah nilai residual yang telah terstandarisasi pada model regresi bedistribusi
normal atau tidak. Nilai residual dikatakan bedistribusi normal jika nilai residual terstandarisasi tersebut sebagian besar mendekati
nilai rata-ratanya. Tidak terpenuhinya normalitas pada umumnya disebabkan karena distribusi data tidak normal, karena terdapat
nilai ekstrem pada data yang diambil Suliyanto, 2011:69. Menurut Winarno 2011:539 untuk mendeteksi normalitas
data dapat dilakukan dengan melihat koefisien Jarque-Bera dan probabilitasnya. Kedua angka ini salin mendukung. Ketentuannya
adalah sebagai berikut: 1 Bila nilai J-B tidak signifikan lebih kecil dari 2, maka data
berdistribusi normal. 2 Bila probabilitas
lebih besar dari tingkat signifikansi atau α 5, maka data berdistribusi normal.
Menurut Suliyanto 2011:75 dalam perangkat Eviews yang digunakan dalam penelitian ini normalitas dapat diketahui dengan
98
melihat kepada histogram dan uji Jarque-Bera JB dengan nilai X
2
tabel. jika JB X
2
tabel maka nilai residual terstadarisasi dinyatakan berdistribusi normal.
Berikut adalah hasil dari uji normalitas data yang digunakan dalam penelitian ini:
Gambar 4.1 Uji Normalitas
Sumber: Data diolah Dari grafik histogram diatas dapat dilihat bahwa nilai Jarque-
Bera sebesar 3,769679 atau berada dibawah nilai X² tabel yaitu sebesar 9,488. Selain itu, nilai probabilitasnya sebesar 0,151853,
nilai tersebut lebih besar dari derajat kesalahan yaitu 5 atau 0,05 maka dapat disimpulkan bahwa data dalam penelitian ini
berdistribusi normal.
b. Uji Multikolinieritas
Uji Multikolinieritas bertujuan untuk menguji apakah dalam model regresi yang terbentuk terdapat korelasi tinggi atau
sempurna diantara variabel bebas Suliyanto, 2011:82.
2 4
6 8
10 12
14 16
-1.0 -0.8
-0.6 -0.4
-0.2 0.0
0.2 0.4
0.6 0.8
Series: Standardized Residuals Sample 2006 2012
Observations 70 Mean
-6.34e-18 Median
0.067002 Maximum
0.887752 Minimum
-1.070745 Std. Dev.
0.377985 Skewness
-0.424179 Kurtosis
3.756802 Jarque-Bera 3.769679
Probability 0.151853
99
Pada penelitian ini, ada atau tidaknya multikolinieritas dapat diketahui atau dilihat dari koefisien korelasi masing-masing
variabel bebas. Jika koefisien korelasi diantara masing-masing variabel bebas lebih besar dari 0,85 maka terjadi multikolinieritas.
Berikut ini adalah hasil uji multikolinieritas:
Tabel 4.10 Uji Multikolinieritas
CAR NPL
BIRATE KURS
CAR 1.000000
-0.267092 0.278098
0.157953 NPL
-0.267092 1.000000
-0.270728 0.073197
BIRATE 0.278098
-0.270728 1.000000
0.018512 KURS
0.157953 0.073197
0.018512 1.000000
Sumber: Data diolah Dari tabel diatas dapat dilihat bahwa nilai koefisien korelasi
antar variabel independen dalam penelitian ini berada pada kisaran angka di bawah 0,85 sehingga dapat disimpulkan bahwa data yang
digunakan dalam
penelitian ini
terbebas dari
masalah multikolinieritas.
c. Uji Heteroskedastisitas
Uji heteroskedastisitas bertujuan untuk menguji apakah dalam model regresi yang terbentuk terjadi ketidaksamaan varian
dari residual model regresi. Data yang baik adalah data yang homoskedastisitas. Homoskedastisitas terjadi jika varian variabel
pada model regresi memiliki nilai yang sama atau konstan Suliyanto, 2011:95 untuk menguji masalah heteroskedastisitas,
peneliti menggunakan Uji Park, yaitu dengan membuat persamaan regresi dengan cara mengganti variabel dependen dengan residual
100
kuadratnya. Apabila probabilitas yang ada bernilai diatas 0,05 yang berarti tidak signifikan, maka data dinyatakan bebas dari masalah
heteroskedastisitas yang berarti bahwa data yang ada adalah data yang bersifat homoskedastisitas. Berikut ini adalah hasil Uji Park
yang dilakukan terhadap data yang digunakan dalam penelitian ini:
Tabel 4.11 Uji Heteroskedastisitas
Dependent Variable: LOGRES2 Method: Panel Least Squares
Date: 071313 Time: 01:06 Sample: 2006 2012
Periods included: 7 Cross-sections included: 10
Total panel balanced observations: 70 Variable
Coefficient Std. Error t-Statistic
Prob. C
-5.147584 5.482141 -0.938973
0.3518 CAR
0.076120 0.106466
0.714969 0.4776
NPL 0.097002
1.822981 0.053211
0.9578 BIRATE
0.124855 0.191545
0.651832 0.5172
KURS -4.59E-05
0.000554 -0.082804 0.9343
Effects Specification Cross-section fixed dummy variables
R-squared 0.203725 Mean dependent var -3.328410
Adjusted R-squared 0.018876 S.D. dependent var
2.222162 S.E. of regression
2.201090 Akaike info criterion 4.592639 Sum squared resid
271.3085 Schwarz criterion 5.042338
Log likelihood -146.7423 Hannan-Quinn criter. 4.771264
F-statistic 1.102115 Durbin-Watson stat
2.398088 ProbF-statistic
0.376590 Sumber: Data diolah
Dari tampilan tabel diatas, dapat dilihat bahwa nilai probabilitas dari setiap variabel independen berada diatas 0,05
101
dengan rincian probabilitas CAR sebesar 0,4776, probabilitas NPL sebesar 0,9578, probabilitas BI rate sebesar 0,5172, dan
probabilitas kurs sebesar 0,9343. Dengan demikian maka dalam penelitian ini tidak ditemukannya masalah heteroskedastisitas.
d. Uji Autokorelasi
Uji Autokorelasi dimaksudkan untuk mengetahui apakah ada korelasi antara anggota serangkaian data observasi yang diuraikan
meurut waktu atau ruang Suliyanto, 2011:125. Uji Autokorelasi dalam penelitian ini dilakukan dengan metode Durbin-Waston
DW.
Tabel 4.12 Hasil Uji Autokorelasi
Dependent Variable: ROA Method: Panel Least Squares
Date: 071313 Time: 01:04 Sample: 2006 2012
Periods included: 7 Cross-sections included: 10
Total panel balanced observations: 70 Variable
Coefficient Std. Error
t-Statistic Prob.
C 4.897667
1.045004 4.686743
0.0000 CAR
0.046154 0.020294
2.274213 0.0268
NPL -0.009541
0.347496 -0.027455
0.9782 BIRATE
-0.088791 0.036512
-2.431806 0.0182
KURS -0.000316
0.000106 -2.994040
0.0041 Effects Specification
Cross-section fixed dummy variables R-squared
0.746427 Mean dependent var 2.015714
Adjusted R-squared 0.687562 S.D. dependent var
0.750626 S.E. of regression
0.419571 Akaike info criterion 1.277689
Sum squared resid 9.858235 Schwarz criterion
1.727388 Log likelihood
-30.71911 Hannan-Quinn criter. 1.456315
F-statistic 12.68029 Durbin-Watson stat
1.696911 ProbF-statistic
0.000000
Sumber: Data diolah
102
Menurut Danang Sunyoto 2011:134 salah satu ukuran dalam menentukan ada tidaknya masalah autokorelasi adalah
dengan uji Durbin-Watson DW dengan ketentuan sebagai berikut: 1 Terjadi otokorelasi positif, jika nilai DW dibawah -2 DW -2
2 Tidak terjadi otokorelasi, jika nilai DW berada diantara -2 dan +2 atau -2 DW +2
3 Terjadi otokorelasi negatif jika nilai DW diatas +2 atau DW +2
Pendapat lain untuk mendeteksi tentang uji autokorelasi secara umum bisa diambil patokan Singgih, 2012:243:
1 Angka D-W dibawah -2, berarti ada autokorelasi positif 2 Angka D-W diantara -2 sampai +2, berarti tidak ada
autokorelasi 3 Angka D-W diatas +2, berarti ada autokorelasi negatif.
Dari tabel diatas, dapat dilihat bahwa nilai DW adalah sebesar 1,696911 dari model regresi yang terbentuk dari penelitian
ini berada pada daerah bebas autokorelasi sehingga dapat disimpulkan bahwa data yang digunakan dalam penelitian ini
terbebas dari masalah autokorelasi.
3. Adjusted R²
