BAB IV. ANALISIS DAN PEMBAHASAN
B. Analisa dan Pembahasan
3. Analisis Pengujian Asumsi Klasik
a. Uji Normalitas
Uji normalitas dilakukan untuk melihat apakah variabel indenden dan
variabel dependen mempunyai distribusi normal. Disribusi normal adalah data
akan mengikuti garis diagonal dan menyebar disekitar garis diagonal. Uji ini
dimaksudkan untuk menguji apakah nilai residual yang telah distandarisasi
80 berdistribusi normal apabila nilai residual yang telah terstandarisasi tersebut
sebagian besar mendekati nilai rata-ratanya.
Dalam penelitian ini peneliti menggunakan uji normalitas dengan analisis
grafik dan uji Kolmogorov-Smirnov. Berikut hasil dari uji normalitas yang
telah dilakukan oleh peneliti:
Gambar 4.1
Hasil Analisis Grafik Histogram
Berdasarkan gambar 4.1 grafik histogram pada gambar tampak bahwasannya
Regression Residual membentuk kurva seperti lonceng, maka nilai residual tersebut
81
Gambar 4.2
Grafik P-Plot
Hasil analisis Grafik Normal Probabilty Plot
Berdasarkan gambar 4.2 grafik Normal Probabilty Plot pada gambar
menunjukkan bahwa hasil uji normalitas mengikuti atau merapat kegari
diagonal, maka dapat dinyatakan dan disimpulkan bahwa model yang
digunakan dalam analisis ini telah memenuhi asumsi normalitas dan atau
82
Tabel 4.8
Hasil Uji Kolmogorv-Smirnov
Berdasarkan pada tabel 4.8 diatas maka dapat disimpulkan bahwa data dalam penelitian ini be
Berdasarkan tabel 4.8 di atas, maka dapat disimpulkan data dalam penelitian
ini berdistribusi normal dilihat dari nilai Sig > α atau 0,083 > 0,05.
b. Uji multikolinieritas
Uji multikolinieritas diperlukan untuk mengetahui ada atau tidaknya
variabel independen yang memiliki kemiripan dengan variabel independen
lainnya dalam suatu model. Kemiripan antar variabel independend dalam suatu
metode dapat menyebabkan terjadinya korelasi yang sangat kuat antara variabel
satu dengan variabel yang lain. Mendektesi lewat pengujian multikolinieritas
bertujuan juga untuk menghindari kebiasan dalam proses pengambilan One-Sample Kolmogorov-Smirnov Test
Unstandardized Residual
N 84
Normal Parametersa Mean .0000000
Std. Deviation .19434180
Most Extreme Differences Absolute .138
Positive .138
Negative -.054
Kolmogorov-Smirnov Z 1.261
Asymp. Sig. (2-tailed) .083
83 kesimpulan mengenai pengaruh pada uji parsial masing-masing variabel
independen terhadap variabel dependen.
Pengukuran multikolinieritas dapat dilihat dari besaran nilai Tolerance
Dan Variance Inflation Factor ( VIF). Tolerance mengukur variabilitas variabel
independen lainnya, Jadi nilai Tolerance yang rendah sama dengan nilai VIF
yang tinggi oleh karena itu VIF=1/Tolerance. Nilai Cut off yang umum dipakai
untuk menunjukkan ada atau tidaknya multikolinieritas adalah nilai Tolerance atau sama dengan nilai VIF . Apabila terjadi hal yang sebaliknya sudah dapat dipastikan bahwa data dalam suatu metode tersebut tidak terjadi
multikolinieritas. Berikut ini adalah hasil dari uj Multikolinieritas:
Tabel 4.9
Uji Multikolinieritas dengan Nilai Tolerance dan VIF
Coefficientsa Model Unstandardized Coefficients Standardized Coefficients t Sig. Collinearity Statistics
B Std. Error Beta Tolerance VIF
1 (Constant) 4.355 .636 6.846 .000 INFLASI -.063 .014 -.626 -4.431 .000 .398 2.512 BI_Rate .070 .042 .268 1.681 .097 .312 3.207 Kurs -2.792E-5 .000 -.132 -1.148 .254 .596 1.677 LDR .028 .011 .530 2.684 .009 .204 4.906 Bank_Size -.387 .102 -.823 -3.789 .000 .168 5.950 a. Dependent Variable: NPL
84 Berdasarkan tabel 4.9 Di atas menunjukkan bahwa nilai Tolerance Variabel
bebas Inflasi = 0,398, BI Rate = 0,312, Kurs = 0,596, LDR = 0,204 dan Bank
Size = 0,168. Sedangkan untuk nilai VIF variabel bebas Inflasi = 2,512, BI
Rate = 3,207, Kurs = 1,677, LDR = 4,929 dan Bank Size = 5,950. Dengan
demikian dapat dinyatakan atau disimpulkan bahwa model regesi bebas dari
multikolinieritas karena nilai Tolerance ukuran bank dan nilai VIF .
c. Uji Autokolerasi
Uji autokorelasi bertujuan menguji apakah model regresi linier ada
korelasi antara kesalahan pengganggu pada periode t dengan kesalahan
pengganggu pada periode t-1 (sebelumnya). 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 autokorelasi adalah adanya kelembaman (inertia)
artinya kemungkinan besar akan mengandung saling ketergantungan pada data
data observasi sebelumnya dan periode sekarang.
Salah satu metode analisis untuk mendeteksi ada tidaknya autokorelasi
adalah dengan melakukan pengujian nilai durbin watson (DW test) (Ghozali,
2005:100). Menurut Singgih (2012:243) uji autokolerasi dapat dilihat pada uji
Durbin Watson, Apabila nilai Durbin Watson diantara -2 sampai dengan 2+
85 Berikut hasil dari uji autokorelasi dengan metode Durbin Watson (DW):
Tabel 4.10
Uji Durbin-Watson (DW)
Pada tabel 4.10 Di atas sebesar 0,590 dan menurut Singgih (2012:243)
autokorelasi terjadi apabila nilai DW diantara kurang dari -2 ataupun lebih dari
+2 maka dapat disimpulkan dalam penelitian ini tidak terjadi gejala
autokorelasi, karena nilai Durbin Watson berada pada nilai -2 sampai +2 yaitu
sebesar 0,590.
d. Uji Heteroskedastisitas
Uji ini bertujuan untuk menguji apakah pada model regresi terjadi
ketidaksamaan variance dari residual satu pengamatan ke pengamatan lain.
Model regresi yang baik adalah homokedastisitas atau tidak terjadi Model Summaryb Model R R Square Adjusted R Square Std. Error of the Estimate Durbin-Watson 1 .617a .381 .341 .20047 .590
a. Predictors: (Constant), Bank_Size, INFLASI, Kurs, BI_Rate, LDR b. Dependent Variable: NPL
86 heterokedastisitas. Pengujian ini menggunakan analisis grafik scatterplot dan
metode Park. Berikut hasil dari metode yang dilakukan:
1) Grafik Scatterplot
Homokedastisitas atau Heteroskedastisitas pada suatu model dapat
dilihat dari pola gambar scatterplot. Berikut hasil uji grafik scatterplot:
Gambar 4.3
Hasil Uji Heteroskedastisitas
Pada gambar 4.3 Diatas menunjukkan bahwa titik-titik data menyebar
di atas dan di bawah dan disekitar angka nol. Sehingga dapat diambil
kesimpulan bahwa model regresi berganda ini terbebas dari asumsi klasik
87
2) Uji Park
Metode uji Park yaitu dilakukan dengan meregresikan nilai residual
(Lne2) dengan masing-masing variabel (LnX1, LnX2, LnX3, LnX4, LnX5)
dalam pengujiannya cukup melihat dari angka sig. jika nilai sig lebih besar
dari alfa yaitu 0,05 maka menerima Hipotesis nol yaitu terbebas dari
heterokedastisitas. Berikut hasil Uji Park:
Tabel 4.11
Hasil Uji Park
Coefficientsa Model Unstandardized Coefficients Standardized Coefficients t Sig. B Std. Error Beta 1 (Constant) -.608 40.136 -.015 .988 Ln_inflasi 1.024 1.028 .156 .996 .322 Ln_BI_rate -14.120 36.598 -.704 -.386 .701 Ln_Kurs 3.948 3.081 .171 1.282 .204 Ln_LDR -6.781 6.021 -.140 -1.126 .264 Ln_Bank_Size 22.624 71.257 .572 .317 .752
a. Dependent Variable: LN_RES_kuadrat
Dari data tabel. 4.11 maka dapat disimpulkan bahwa data terbebas dari
88