84
b. Uji Multikolilinieritas
Salah satu asumsi model regresi linier berganda adalah tidak terjadi korelasi yang signifikan antara variabel bebasnya.
Peneltian dilakukan pengujian terhadap data bahwa data harus terbebasdari gejala multikoliniearitas. Gejala ini ditunjukkan dengan
korelasi antar variabel independen.Pengujian dalam uji multikoliniearitas dengan melihat nilai variance inflation factor VIF harus berada
dibawah 10 dan nilai tolerance harus diatas 0,10. Hal ini akan dijelaskan sebagai berikut:
Tabel 4.7 Uji Multikolinieritas dengan Nilai
Tolerance dan VIF Variance Inflation Factor
Coefficients
a
Model Collinearity Statistics
Tolerance VIF
1 Constant
CAR ,489
2,043 LDR
,788 1,268
NPL ,660
1,515 BOPO
,515 1,943
a. Dependent Variable: ROA
Sumber : Hasil Output SPSS Dari tabel 4.7 di atas menunjukkan suatu model regresi
dinyatakan bebas dari multikolinearitas adalah jika data mempunyai nilai tolerance lebih besar dari 0,10 dan nilai VIF lebih kecil dari 10.
Dari tabel perhitungan di atas diperoleh hasil bahwa semua variabel bebas memiliki nilai tolerance lebih besar dari 0,10 dan nilai VIF
lebih kecil dari angka 10. Hasil regresi pada tabel tersebut sesuai
85
dengan pendapat Ghozali,2011:105. Dengan demikian dalam model ini tidak terdapat multikolinearitas.
c. Uji Heteroskedastisitas
Heterokedastisitas yaitu kondisi dimana semua residual atau error mempunyai varian yang tidak konstan atau berubah-ubah. Untuk
mengetahui apakah suatu data bersifat heteroskedastisitas atau tidak, maka perlu pengujian. Pengujian heteroskedastisitas pada penelitian ini
menggunakan metode analisis grafik Scatterplot dan metode Glejser. Berikut adalah hasil dari metode yang dilakukan:
1. Metode Analisis Grafik Scatterplot Berikut adalah tampilan scatterplot pada gambar 4.3 di bawah ini:
Gambar 4.3
Sumber : Hasil Output SPSS
86
Berdasarkan tampilan Scatterplot pada gambar 4.3 di atas maka dapat disimpulkan bahwa plot menyebar secara acak diatas
maupun dibawah angka nol pada sumbu Regression Studentized Residual. Oleh karena itu pada model regresi yang dibentuk
dinyatakan tidak terjadi gejala heteroskedastisitas. 2.
Metode Glejser Selain
dengan menggunakan
metode grafik,
deteksi heteroskedastisitas juga dapat di deteksi dengan menggunakan metode
Glejser. Uji glejser jika dilihat berdasarkan hasil SPSS, maka yang kita lihat adalah hasil sig dari output. Jika sig 5 maka H
tidak dapat ditolak, berarti tidak terjadi heteroskedastisitas. Dengan kata
lain jika sig 5 maka terjadi homokedastisitas. Berikut hasil dari uji Glejser :
Tabel 4.8 Uji Heterokedastisitas dengan Metode Glejser
Coefficients
a
Model Unstandardized Coefficients
Standardized Coefficients
t Sig.
B Std. Error
Beta Constant
5,044 1,110
4,544 ,000
CAR -,066
,037 -,289
-1,785 ,080
LDR -,005
,010 -,059
-,460 ,647
NPL -,013
,045 -,041
-,296 ,768
BOPO -,025
,015 -,264
-1,671 ,100
a. Dependent Variable: ABSRESID
Sumber : Hasil Output SPSS
87
Berdasarkan hasil tabel diatas dari kelima variabel independent CAR, LDR, NPL dan BOPO diperoleh hasil nilai
Sig. 5. Karena nilai Sig. 5 maka dapat dikatakan bahwa tidak terdapat heteroskedastisitas dan hasil uji dapat
dilanjutkan.
d. Uji Autokorelasi
Uji Autokorelasi bertujuan untuk mengetahui apakah ada korelasi antara anggota serangkaian data observasi yang diuraikan menurut waktu
time-series atau ruang cross section. Salah satu penyebab munculnya masalah otokorelasi adalah adanya kelambaman inertia artinya
kemungkinan besar
akan mengandung
saling ketergantungan
interdependence pada data observasi periode sebelumnya dan periode sekarang.
Salah satu ukuran dalam menentukan ada tidaknya masalah otokorelasi adalah dengan uji Durbin-Watson DW. Berikut adalah hasil
uji otokorelasi dengan metode Durbin Watson DW pada tabel 4.9 di bawah ini:
Tabel 4.9 Uji Durbin Watson DW
Model Summary
b
Model R
R Square Adjusted R
Square Std. Error of the
Estimate Durbin-Watson
1 ,821
a
,675 ,651
1.78149 1,255
a. Predictors: Constant, BOPO, LDR, NPL, CAR b. Dependent Variable: ROA
Sumber : Hasil Output SPSS
88
Berdasarkan pada tabel 4.9 diatas nilai Durbin-Watson DW sebesar 1,255. Maka dapat disimpulkan pada model regresi ini tidak
terdapat gejala otokorelasi karena nilai DW diantara -2 dan +2.
3. Pengujian Hipotesis
a. Uji Goodness Of Fit Uji F
Uji F ini bertujuan untuk mengetahui apakah seluruh variabel independen secara bersama-sama memiliki pengaruh yang signifikan
terhadap variabel Independen Priyatno, 2011 : 258 Nilai F-tabel didapat dari niali Degree of freedom df
1
= k –
1, degree of freedom df
2
= n – k.
F- tabel = {α ; df
1
= k – 1, df
2
= n – k}
= 5 ; df
1
= 5 – 1, df
2
= 60 – 5
= 0,050 ; df
1
= 4, df
2
= 55 = 2.54
Tabel 4.10 Uji F
ANOVA
a
Model Sum of Squares
Df Mean Square
F Sig.
Regression 361,976
4 90,494
28,514 ,000
b
Residual 174,554
55 3,174
Total 536,530
59 a. Dependent Variable: ROA
b. Predictors: Constant, BOPO, LDR, NPL, CAR
Sumber : Hasil Output SPSS