BAB IV TEMUAN PENELITIAN
D. Uji Asumsi klasik
1. Uji Normalitas
Uji normalitas bertujuan untuk menguji apakah dalam model regresi variabel pengganggu atau residual memiliki distribusi normal. Model regresi yang baik memiliki distribusi data normal atau mendekati normal. Untuk mendeteksi apakah variabel residual berdistribusi normal atau tidak yaitu
dengan analisis grafik. Sedangkan normalitas suatu variabel umumnya dideteksi dengan grafik atau uji statistik non-parametrik Kolmogorof-Smirnov(K-S). Suatu variabel dikatakan terdistribusi normal jika nilai signifikansinya > 0,05 .
Tabel 4.5 Uji Normalitas
One-Sample Kolmogorov-Smirnov Test
Unstandardized Residual
N 20
Normal Parametersa,b Mean ,0000000
Std. Deviation 15,46075726
Most Extreme Differences
Absolute ,135
Positive ,135
Negative -,087
Kolmogorov-Smirnov Z ,602
Asymp. Sig. (2-tailed) ,861
a. Test distribution is Normal. b. Calculated from data.
Berdasarkan data tabel 4.5 uji normalitas One-Sample Kolmogorov-Smirnov Test di atas dapat dilihat bahwa hasil nilai Asymp. Sig. (2-tailed) sebesar 0,861. Karena nilai hasil pengujian normalitas di atas lebih besar dari nilai standaridzed 0,05 maka dapat disimpulkan bahwa data berdistribusi normal. Untuk lebih jelasnya dapat dilihat pada gambar normal P-P plot of regression standardized residual pada gambar di bawah ini :
Gambar 4.3 Normal P-P Plot Regression
Gambar 4.3 uji normalitas P-P Plot standardized di atas mengindikasikan bahwa pengujian normalitas model regresi pada penelitian ini telah memenuhi asumsi yang telah dikemukakan sebelumnya, sehingga data dalam model regresi penelitian ini cenderung merapat ke garis dan dapat disimpulkan uji normalitas pada variabel penelitian ini kesemuanya berdistribusi normal. Dengan demikian asumsi atau persyaratan normalitas terpenuhi.
2. Uji Multikolinearitas
Uji multikolinearitas digunakan untuk mengetahui ada tidaknya variabel independen yang memiliki kemiripan dengan variabel independen lain dalam satu model. Model regresi yang baik adalah tidak terjadi korelasi diantara variabel bebas. Untuk mendeteksi adanya multikolinearitas yaitu jika nilai variance inflantion factor (VIF) tidak lebih dari 10 maka model terbebas dari multikolinearitas.
Tabel 4.6 Uji Multikolinearitas Coefficientsa Model Unstandardized Coefficients Standardized Coefficients T Sig. Collinearity Statistics B Std. Error
Beta Tolerance VIF
1 (Constant) 29,493 8,763 3,365 ,004 Pendapatan bagi hasil pembiayaan mudharabah (X1) 8,995 ,000 ,554 2,362 ,030 ,587 1,704 Pendapatan bagi hasil pembiayaan musyarakah (X2) -5,525 ,000 -,878 -3,745 ,002 ,587 1,704
a. Dependent Variable: ROE (Y)
Berdasarkan Tabel 4.6 pada bagian Collinearity Statistics diketahui nilai Tolerance untuk variabel pendapatan bagi hasil pembiayaan mudharabah (X1) dan pendapatan bagi hasil pembiayaan musyarakah (X2) adalah 0.587 lebih besar dari 0,10. Sementara nilai variance inflantion factor (VIF) untuk variabel pendapatan bagi hasil pembiayaan mudharabah (X1) dan pendapatan bagi hasil pembiayaan musyarakah (X2) adalah 1,704 tidak lebih dari 10 maka mengacu pada dasar pengambilan keputusan dalam uji multikolinearitas dapat disimpulkan bahwa tidak terjadi gejala antar variabel independen.
3. Uji Autokorelasi
Uji autokorelasi bertujuan untuk menguji apakah dalam model regresi linear ada korelasi antara kesalahan pengganggu pada periode t dengan kesalahan pengganggu periode t-1 (sebelumnya). Persamaan regresi
yang baik adalah yang tidak memiliki masalah autokorelasi, jika terjadi autokorelasi maka persamaan tersebut menjadi tidak baik/tidak layak dipakai prediksi. Adapun pengujiannya dapat dilakukan dengan Uji Durbin-Watson (DW test) dengan ketentuan adanya intercept (konstanta) dalam model regresi dan tidak ada variable lagi diantara variable independen. Salah satu ukuran dalam menentukan ada tidaknya masalah autokorelasi dengan uji Durbin-Watson (DW) dengan ketentuan sebagai berikut:
a. Terjadi autokorelasi positif, jika nilai DW di bawah -2 (DW < -2) b. Tidak terjadi autokorelasi, jika nilai DW berada di antara - 2 dan +
2 atau – 2 < DW ≤ ± 2
c. Terjadi autokorelasi negatif jika nilai DW di atas + 2 atau DW > + 2
Tabel 4.7
Hasil Uji Autokorelasi dengan uji Durbin Watson Test
Model Summaryb
Model R R Square Adjusted R
Square
Std. Error of the Estimate
Durbin-Watson
1 ,672a ,452 ,388 16,345 ,891
a. Predictors: (Constant), Pendapatan bagi hasil pembiayaan musyarakah (X2), Pendapatan bagi hasil pembiayaan mudharabah (X1)
b. Dependent Variable: ROE (Y)
Berdasarkan tabel 4.7 dapat dilihat bahwa Angka Durbin Watson sebesar 0,891, dimana nilai DW berada di antara - 2 dan + 2 atau – 2 < DW ≤ ± 2 berarti tidak terjadi autokorelasi sehingga memenuhi asumsi autokorelasi.
4. Uji Heteroskedastisitas
Uji Heteroskedastisitas bertujuan menguji apakah dalam model regresi terjadi ketidaksamaan variansi dari residual satu pengamatan ke pengamatan lain. Model regresi yang baik tidak terjadi heteroskedastisitas. Jika Scatterplot membentuk pola tertentu, hal itu menunjukkan adanya
masalah heteroskedastisitas pada model regresi yang dibentuk. Sedangkan jika Scatterplot menyebar secara acak diatas dan dibawah 0 pada sumbu Y maka hal menunjukkan tidak terjadi masalah heteroskedastisitas pada model regresi yang dibentuk jelas, serta titik-titik menyebar maka tidak terjadi heteroskedastisitas.
Berdasarkan hasil olahan dengan menggunakan metode grafik, maka didapatkan hasil uji heteroskedastisitas, yakni:
Gambar 4.4 Hasil Uji Heteroskedastisitas dengan Scatterplot
Dari gambar 4.4 dapat disimpulkan bahwa model regresi tidak mempunyai masalah ketidaksamaan varian dari residual atau pengamatan lainnya, dengan kata lain tidak terjadi heteroskedastisitas karena titik-titik tersebut menyebar dan tidak membentuk pola tertentu serta sebarannya berada diatas dan dibawah titik 0.
Selain dengan melihat gambar Scatterplot, uji heteroskedastisitas dapat dilakukan juga dengan uji Glejser. Uji Glejser mengusulkan untuk meregresikan nilai absolute residual yang diperoleh atas variabel bebas. Adapun prosedur pengujiannya adalah dengan cara meregresi nilai absolute residual terhadap variabel dependen undstandardizet residual sebagai
variabel dependen, sedangkan variabel independennya adalah variabel X1 dan X2. sedangkan dasar pengambilan keputusan adalah jika nilai signifikansi > 0,05, maka tidak terjadi heteroskedastisitas. Dan jika < 0,05, maka terjadi heteroskedastisitas.
Pengujian heteroskedastisitas dengan uji Glejser dapat dilihat pada tabel berikut ini:
Tabel 4.8
Hasil Uji Heteroskedastisitas dengan uji Glejser
Coefficientsa Model Unstandardized Coefficients Standardized Coefficients T Sig. B Std. Error Beta 1 (Constant) 18,183 4,867 3,736 ,002 Pendapatan bagi hasil pembiayaan mudharabah (X1) -1,139 ,000 -,161 -,535 ,600 Pendapatan bagi hasil pembiayaan musyarakah (X2) -5,160 ,000 -,186 -,619 ,544
a. Dependent Variable: ROE (Y)
Berdasarkan tabel 4.8 dapat dilihat nilai signifikan dari variabel pendapatan bagi hasil pembiayaan mudharabah (X1) sebesar 0,600 dan pendapatan bagi hasil pembiayaan musyarakah (X2) sebesar 0,544. Dapat dikatakan bahwa nilai signifikan dari kedua variabel tersebut > 0,05 sehingga dapat disimpulkan bahwa tidak terjadi gejala heteroskedastisitas.
