tingkat signifikansi sebesar 0,05. Untuk itu penulis melakukan transformasi pada data yang tidak normal tersebut sehingga dapat
dihasilkan Asympt Sig 2- Tailed di atas 0,05 yang artinya data memiliki distribusi normal dan pengujian dapat dilakukan.
a. Uji Normalitas Data
Uji normalitas data dalam penelitian ini menggunakan uji Kolmogrov - Smirnov K-S. Uji normalitas bertujuan untuk menguji
apakah dalam model regresi, variabel dependen dan variabel independen mempunyai distribusi normal atau tidak.
Berikut ini adalah hasil uji normalitas menggunakan Kolmogorov Smirnov K-S.
Tabel 4. Hasil Uji Normalitas
One-Sample Kolmogorov-Smirnov Test
Unstandardized Residual
N 0,125
Normal Parameters
a,b
Mean -0,080
Std. Deviation
0,505 Most Extreme
Differences Absolute
0,118 Positive
0,091 Negative
-0,118 Kolmogorov-Smirnov Z
1,320 Asymp. Sig. 2-tailed
0,061 a. Test distribution is Normal.
b. Calculated from data.
Sumber: Lampiran 33, halaman 128
Hasil uji normalitas Kolmogorov-Smirnov menunjukkan bahwa nilai Asymp. Sig 2 tailed 0,061 0,05. Hal itu menunjukkan
bahwa hipotesis nol diterima yang berarti secara keseluruhan variabel berdistribusi normal sehingga penelitian dapat dilanjutan ke
tahap selanjutnya. b.
Uji Multikolinearitas Uji ini bertujuan untuk menguji apakah pada model regresi
ditemukan adanya korelasi antar variabel independen. Pada model regresi yang baik seharusnya antar variabel independen tidak terjadi
korelasi. Menurut Ghozali 2009, untuk mendeteksi ada atau tidaknya multikolinearitas di dalam model regresi adalah dengan
melihat nilai tolerance dan Variance Inflation Factor VIF. Kedua ukuran ini menunjukkan variabel independen manakah yang
dijelaskan oleh variabel independen lainnya. Nilai batas yang digunakan untuk menunjukkan adanya multikolinearitas adalah nilai
tolerance 0,10 dan nilai VIF 10. Hasil pengujian multikolinearitas diperoleh sebagai berikut:
Tabel 5. Hasil Uji Multikolinearitas
Coefficients
a
Model Unstandardized
Coefficients Standardized
Coefficients t
Sig. Collinearity
Statistics B
Std. Error
Beta Toler
ance VIF
1 Constant
5,880 1,222 4,810 0,000
CAR -0,027 0,028
-0,069 -0,972 0,333 0,939 1,065 BOPO
-0,057 0,009 -0,498 -6,422 0,000 0,780 1,282
NPL 0,020 0,078
0,018 0,252 0,802 0,878 1,139 NIM
1,040 0,268 0,305 3,877 0,000 0,759 1,318
LDR -0,007 0,007
-0,071 -0,983 0,328 0,903 1,107
a. Dependent Variable: ROA Sumber: Lampiran 34, halaman 129
Berdasarkan tabel di atas, dapat disimpulkan bahwa semua variable bebas memiliki tolerancetoleransi di atas 0,1 dan memiliki
nilai VIF di bawah 10. Hal ini menunjukkan bahwa tidak terjadi multikolinearitas pada variabel independen dalam model regresi.
c. Uji Autokorelasi
Autokorelasi adalah keadaan residual pada periode pengamatan berkorelasi dengan residual lain. Autokorelasi
menyebabkan parameter yang diestimasi menjadi bias dan variannya tidak minimal serta tidak efisiennya parameter atau estimasi. Salah
satu cara untuk mengetahui ada tidaknya autokorelasi adalah dengan melakukan uji run test. Run test digunakan untuk melihat apakah
data residual terjadi secara acak atau sistematis. Berikut ini adalah hasil uji run test:
Tabel 6. Hasil Uji Autokorelasi
Runs Test
Unstandardized Residual
Test Value
a
-0,090 Cases Test Value
62 Cases = Test Value
63 Total Cases
125 Number of Runs
63 Z
-0,089 Asymp. Sig. 2-tailed
0,929 a. Median
Sumber: Lampiran 35, halaman 130 Berdasarkan hasil uji autokorelasi di atas, dapat disimpulkan
bahwa nilai Asymp. Sig. 2-tailed adalah sebesar 0,929. Nilai signifikansi sebesar 0,929 lebih besar dari 0,05 yang berarti data
residual terjadi secara acak dan tidak terjadi autokorelasi pada model regresi.
d. Uji Heteroskedastisitas
Uji heteroskedastisitas digunakan untuk mengetahui ada tidaknya salah satu penyimpangan asumsi klasik, yaitu varian dari
residual tidak konstan. Uji heteroskedastisitas dilakukan untuk menguji apakah dalam sebuah model regresi terjadi ketidaksaman
varians residual dari satu pengamatan ke pengamatan yang lain.
