85 bulan Desember 2011 yaitu sebesar 16,05, sedangkan tinfkat CAR tertinggi
terjadi pada bulan Februari 2007 yaitu sebesar 23,02.
B. Analisis dan Pembahasan
1. Hasil Uji Asumsi Klasik
a Hasil Uji Normalitas
Model Regresi yang baik adalah memiliki distribusi data normal atau mendekati normal. Pengujian apakah distribusi data normal, salah satunya
dengan menggunakan analisis grafik. Cara yang paling sederhana adalah dengan melihat histogram yang membandingkan antara observasi dengan
distribusi yang mendekati distribusi normal sebagaimana Gambar 4.2 berikut:
Gambar 4.2 Hasil Uji Normalitas
Sumber: Data diolah
86 Dengan melihat tampilan grafik histogram, dapat disimpulkan bahwa
grafik histogram memberikan pola distribusi normal. Namun demikian dengan hanya melihat histogram, hal ini dapat memberikan hasil yang
meragukan khususnya untuk jumlah sampel kecil. Metode yang handal adalah dengan melihat Normal Probability Plot, dimana pada grafik normal
plot terlihat titik – titik menyebar disekitar garis diagonal serta
penyebarannya mengikuti arah garis diagonal, sebagaimana ditampilkan pada Gambar 4.3 berikut:
Gambar 4.3 Hasil Uji Normalitas
Sumber: Data diolah
87
Tabel 4.6 Hasil Uji Normalitas
One-Sample Kolmogorov-Smirnov Test
Standardized Residual
N 60
Normal Parameters
a,b
Mean 0E-7
Std. Deviation .95668921
Most Extreme Differences Absolute
.110 Positive
.083 Negative
-.110 Kolmogorov-Smirnov Z
.854 Asymp. Sig. 2-tailed
.459 a. Test distribution is Normal.
b. Calculated from data.
Berdasarkan output diatas terlihat bahwa nilai sig. 2-tailed sebesar 0,459 0,05. Hal itu berarti nilai residual terstandarisasi dinyatakan
menyebar secara normal. Berdasar grafik histogram, grafik normal plot, dan uji kolmogorov-
smirnov menunjukkan bahwa model regresi layak dipakai dalam penelitian ini karena memenuhi asumsi normalitas.
b Hasil Uji Multikolonieritas
Dalam mendeteksi ada tidaknya gejala multikolinearitas antar variabel independen pada model persamaan pertama digunakan variance inflation
factor VIF. Berdasarkan atas hasil yang ditunjukkan dalam output SPSS
maka besarnya VIF dari masing-masing variabel independen dapat dilihat pada tabel 4.7 sebagai berikut:
88
Tabel 4.7 Hasil Uji Multikolonieritas
Coefficients
a
Model Collinearity Statistics
Tolerance
VIF
Constant DPK
1 NILAI TUKAR SUKU BUNGA SBI
INFLASI CAR
.173 .395
.345 .836
.328
5.795 2.533
2.898 1.196
3.053
a. Dependent Variable: ROA
Sumber: Data diolah Besar tabel 4.7 menunjukkan bahwa keempat variabel independen tidak
terjadi multikolonearitas karena VIF 10. Sehingga dapat disimpulkan tidak terdapat pengaruh antar variabel independen. Dengan demikian lima variabel
independen DPK, Nilai Tukar, Suku Bunga SBI, Inflasi dan CAR dapat digunakan untuk memprediksi ROA.
c Hasil Uji Autokorelasi
Penyimpangan autokorelasi dalam penelitian diuji dengan uji Durbin Watson DW-Test. Hasil regreasi dengan level of significance
0,05 α =0,05 dengan sejumlah variabel independen k=5 dan banyaknya data n=60.
Besarnya angka durbin-watson ditunjukan pada tabel 4.8 yang menunjukan hasil dari residual statistik.
89
Tabel 4.8 Hasil Uji Autokorelasi
Model Summary
b
Model R
R Square Adjusted R
Square Std. Error of the
Estimate Durbin-Watson
1 .858
a
.736 .711
.10412
1.779
a. Predictors: Constant, CAR, INFLASI, SUKU BUNGA SBI, NILAI TUKAR, DPK b. Dependent Variable: ROA
Sumber: Data diolah Berdasarkan hasil hitung Durbin Watson sebesar 1,779; sedangkan
dalam tabel DW untuk k=5 dan n=60 besarnya DW-tabel: dl durbin lower = 1,4083; du durbin upper = 1,7671; 4-du = 2,2329; dan 4-dl = 2,5917 maka
dari perhitungan disimpulkan bahwa DW-test terletak pada daerah uji. Hal ini dapat dilihat pada Gambar 4.4 sebagai berikut:
Gambar 4.4 Hasil Uji Durbin Watson
Sumber : Imam Ghazali, 2012
Autokorelasi Positif
Autokorelasi Negatif
Tidak Terjadi Autokorelasi
Daerah keragu- raguan
Daerah Keragu- raguan
dl 1,408
du 1,767
DW hit
1,779
4-du 2,233
4-dl 2,592
d 4
90 Sesuai dengan Gambar 4.4 tersebut menunjukkan bahwa Durbin Watson berada
di daerah tidak terjadi autokorelasi, maka dapat dikatakan bahwa data tersebut tidak terjadi autokorelasi dan tidak terdapat kesalahan data pada periode lalu yang
mempengaruhi kesalahan data pada periode sekarang.
d Hasil Uji Heterokedaktisitas
Dalam menentukan heterokedastisitas juga dapat menggunakan grafik scatterplot
, titik-titik yang terbentuk harus menyebar secara acak, tersebar baik diatas maupun dibawah angka 0 pada sumbu Y, bila kondisi ini terpenuhi
maka tidak terjadi heterokedastisitas dan model regresi layak digunakan. Hasil uji heterokedastisitas dengan menggunakan grafik scatterplot ditunjukan pada
gambar 4.5 berikut ini:
Gambar 4.5 Hasil Uji Heterokedaktisitas
Sumber: Data diolah
91
2. Hasil Uji Hipotesis