ANALISIS HASIL PENELITIAN
4.3. Pengujian Asumsi Klasik 1.Uji Normalitas 1.Uji Normalitas
Uji normalitas bertujuan untuk mengetahui apakah dalam model regresi ada variabel pengganggu atau residual memiliki distribusi normal. Pengujian ini diperlukan karena melakukan uji t dan uji F mengamsumsikan bahwa nilai residual mengikuti distribusi normal (Erlina, 2007:103).
Pengujian normalitas dalam penelitian ini menggunakan dua cara yaitu analisis grafik yang terdiri dari histogram dan normal probability plot dan analisis statistik dengan menggunakan uji nonparametric Kolmogorov Smirnov (K-S) memberikan pedoman pengambilan keputusan tentang data-data yang mendekati atau merupakan distribusi normal dapat dilihat dari:
a. Nilai sig. atau signifikan atau protitabilitas < 0,05 maka distribusi data adalah tidak normal.
b. Nilai sig. atau signifikan atau profitabilitasnya > 0,05 maka distibusi data adalah normal.
Uji Kolmogorov-Smirnov dilakukan dengan membuat hipotesis: H0 : data resiudal berdistribusi normal.
Ha : data residual tidak berdistribusi normal
Hasil uji normalitas dengan menggunakan tes Kolmogorov Smirnov (KS) adalah sebagai berikut:
Tabel 4.3. Hasil Uji Normalitas (1)
One-Sample Kolmogorov-Smirnov Test
Unstandardized Residual
N 75
Normal Parametersa,b Mean .0000000
Std. Deviation .15779185
Most Extreme Differences Absolute .411
Positive .411
Negative -.333
Kolmogorov-Smirnov Z 3.556
Asymp. Sig. (2-tailed) .000
a. Test distribution is Normal. b. Calculated from data.
Sumber : SPSS 18.0, diolah Penulis, 2013.
Berdasarkan hasil uji statistik dengan model Kolmogorov-Smirnov seperti yang terdapat dalam tabel 4.9 dapat disimpulkan bahwa data tidak terdistribusi normal, hal ini dapat dilihat dari nilai Asymp.Sig.(2-tailed) Kolmogorov-Smirnov sebesar 0.000 yang lebih kecil dari 0.05, sehingga data tidak terdistribusi normal.
(X2), Penempatan Dana Pada Bank Lain (X3), dan Penyertaan Modal (X4) memiliki distribusi normal atau tidak, dapat dilakukan dengan menggambarkan kurva histogram dan grafik Normality Probability Plot yaitu sebagai berikut:
Gambar 4.1. Histogram Sumber : SPSS 18.0, diolah Penulis, 2013.
Dari hasil tampilan kurva histogram di atas dapat terlihat bahwa kemiringan kurva cenderung ke kanan, hal ini menunjukkan bahwa data tidak terdistribusi dengan normal.
Gambar 4.2. Grafik Normal P-Plot Sumber : SPSS 18.0, diolah Penulis, 2013.
Dari hasil grafik Normal P-Plot Regression di atas dapat dilihat titik-titik menyebar jauh dari garis diagonal yang menunjukkan data tidak terdistribusi dengan normal.
Menurut Erlina (2008) ada beberapa cara mengubah model regresi menjadi normal yaitu :
a. lakukan transformasi data ke bentuk lainnya, b. lakukan trimming, yaitu membuang data outlier,
Untuk mengubah nilai residual agar berdistribusi normal, peneliti melakukan transformasi data ke model logaritma natural (Ln). Setelah itu, data diuji ulang berdasarkan asumsi normalitas. Berikut ini adalah hasil pengujian dengan Kolmogorov-Smirnov setelah dilakukan transformasi:
Tabel 4.4. Hasil Uji Normalitas (2)
Setelah Transformasi Dengan Logaritma Natural
One-Sample Kolmogorov-Smirnov Test
Unstandardized Residual
N 24
Normal Parametersa,b Mean .0000000
Std. Deviation .30225133
Most Extreme Differences Absolute .108
Positive .088
Negative -.108
Kolmogorov-Smirnov Z .529
Asymp. Sig. (2-tailed) .942
a. Test distribution is Normal. b. Calculated from data.
Sumber : SPSS 18.0, diolah Penulis, 2013.
Tabel 4.10 menunjukkan bahwa hasil pengujian statistik dengan model Kolmogorov-Smirnov menunjukkan bahwa data telah terdistribusi normal karena nilai Asymp.Sig (2-tailed) Kolmogorov-Smirnov 0.945 lebih besar dari 0.05. Hasil pengujian normalitas dengan histogram dan Normal P-Plot Regression Standardized Residual juga dapat dilihat pada gambar berikut:
Gambar 4.3. Histogram Setelah Transformasi Sumber : SPSS 18.0, diolah Penulis, 2013.
Grafik histogram di atas menunjukkan bahwa data telah terdistribusi secara normal. Hal ini dapat dilihat dari grafik histogram yang menunjukkan distribusi data mengikuti garis diagonal yang tidak menceng (skewness) kiri maupun menceng ke kanan.
Gambar 4.4. Grafik Normal P-Plot Setelah Transformasi Sumber : SPSS 18.0, diolah Penulis, 2013.
Pada grafik normal p-plot terlihat bahwa data menyebar disekitar garis diagonal dan mengikuti arah garis diagonal, maka dapat disimpulkan bahwa model regresi telah memenuhi asumsi normalitas.
4.3.2. Uji Multikolinieritas
Multikolinearitas adalah keadaan dimana variabel-variabel independen dalam persamaan regresi mempunyai korelasi (hubungan) yang erat satu sama lain Pengujian multikolinearitas dapat dilakukan dengan melihat Variance Inflation
factor (VIF) dan korelasi diantara variabel independen. Jika nilai VIF > 10 atau tolerance < 0.10 maka terjadi multikolinearitas sedangkan apabila nilai VIF < 10 atau tolerance > 0.10 maka tidak terjadi multikolinearitas, jika kolerasi diantara variabel independen lebeih besar dari 0.9.
Uji multikolinearitas dengan melihat tolerance dan VIF menunjukkan hasil seperti pada tabel 4.5 berikut :
Tabel 4.5. Hasil Uji Multikolinieritas
Coefficientsa
Model Collinearity Statistics Tolerance VIF 1 (Constant) LN_X1 .126 7.962 LN_X2 .493 2.028 LN_X3 .143 6.981 LN_X4 .200 5.010
a. a. Dependent Variable: LN_Y
Sumber : SPSS 18.0, diolah Penulis, 2013.
Tabel 4.5. di atas menunjukkan bahwa penelitian ini bebas dari adanya multikolinearitas. Hal ini bisa dilihat dengan membandingkan nilai tolerance dan VIF. Masing-masing variabel bebas yang digunakan dalam penelitian ini memiliki nilai tolerance yang lebih besar dari 0.01 yaitu untuk LN_X1 nilai tolenrance 0.126; LN_X2 nilai tolenrance 0.493; LN_X3 nilai tolenrance 0.143; LN_X4 nilai tolenrance 0.200.
Sedangkan jika dilihat dari VIF-nya bahwa masing-masing variabel bebas lebih kecil dari 10 yaitu, untuk VIF LN_X1 sebesar 7.962; VIF LN_X2 2.028, VIF LN_X3 6.981 dan VIF LN_X4 sebesar 5.010. Dengan demikian dapat
disimpulkan bahwa tidak terjadi gejala multikolinearitas antara variabel independen, dengan dasar nilai VIF untuk setiap variabel tidak ada yang lebih dari 10 dan nilai tolerance tidak ada yang kurang dari 0.1.
4.3.3. Uji Heteroskedastisitas
Uji heteroskedastisitas bertujuan untuk menguji apakah dalam model regresi terjadi ketidaksamaan variance dari residual satu pengamatan ke pengamatan yang lain. Jika variance dari satu pengamatan ke pengamatan yang lain tetap, maka disebut homokedastisitas dan jika berbeda disebut heteroskedastisitas. Model regersi yang baik adalah tidak terjadi heteroskedastisitas. Untuk menghilangkan heteroskedastisitas dapat dengan mengonversi ke dalam bentuk logaritma atau dengan menjalankan regresi sistem kuadrat terkecil tertimbang (weigthed least square ), (Pratisto, 2009).
Dari grafik scatterplot terlihat bahwa titik-titik menyebar secara acak dengan tidak adanya pola yang serta tersebar baik di atas maupun di bawah angka 0 pada sumbu Y. Dengan demikian, dapat disimpulkan bahwa tidak tejadi heteroskedastitas sehingga model ini layak dipakai untuk memprediksi rentabilitas bank yang terdaftar di Bursa Efek indonesia berdasarkan masukan varibel independen kredit, surat-surat berharga, penempatan dana pada bank lain, dan penyertaan modal. Ada tidaknya heterokedastitas pada penelitian ini dapat dilihat dari grafik scatterplot pada gambar 4.5 berikut ini:
Gambar 4.5. Grafik Scatterplot Sumber : SPSS 18.0, diolah Penulis, 2013.
4.3.4. Uji Autokorelasi
Uji autokorelasi digunakan untuk mengetahui apakah terjadi korelasi antar anggota sampel yang diurutkan berdasarkan waktu. Diagnosa adanya autokorelasi dilakukan melalui pengujian terhadap nilai uji Durbin Watson (uji DW). Jika nilai uji Durbin Watson (DW) menunjukkan angka 1.65 sampai 2.35 maka tidak terjadi autokorelasi. Berikut ini hasil uji autokorelasi:
Tabel 4.6. Uji Autokorelasi Model Summaryb Model R R Square Adjusted R Square Std. Error of the Estimate Durbin-Watson 1 .839a .703 .641 .33255 1.678 a. Predictors: (Constant), LN_X4, LN_X2, LN_X3, LN_X1
b. Dependent Variable: LN_Y
Sumber : SPSS 18.0, diolah Penulis, 2013.
Dari hasil tabel uji autokorelasi tersebut diketahui bahwa nilai Durbin Watson (DW) sebesar 1.678. Angka tersebut berada diantara 1.65 sampai 2.35 maka tidak terjadi autokorelasi.
4.4. Pengujian Hipotesis