HASIL DAN PEMBAHASAN
4.2 Analisis Data
4.2.2 Uji Asumsi Klasik
Didalam pengujian asumsi klasik, peneliti akan melakukan uji atas data-data yang telahdiperoleh yang disebut dengan uji asumsi klasik. Uji asumsi klasik dilakukanuntuk melihat apakah data telah terdistribusi dengan normal dengan ujinormalitas, dan untuk melihat apakah penelitian tersebut terjadi multikolinearitas, heteroskedastisitas dan autokorelasi atau tidak.
4.2.2.1 Uji Normalitas
Tujuan uji normalitas adalah ingin mengetahui apakah distribusi sebuah data mengikuti atau mendekati distribusi normal, yakni distribusi data dengan bentuk lonceng. Data yang baik adalah data yang mempunyai pola seperti distribusi normal, yakni distribusi data tersebut tidak menceng ke kiri atau menceng ke kanan. Dengan adanya tes normalitas, maka hasil penelitian kita bisa digeneralisasikan pada populasi. Dalam pandangan statistik itu sifat dan karakteristik populasi adalah terdistribusi normal (Situmorang dan Lutfi, 2014:114).
60 (Ghozali, 2005:110) untuk mendeteksi apakah residual berdistribusi normal atau tidak dapat dilakukan dengan dua cara, yaitu melalui uji statistikdan analisis grafik. Uji statistik yang digunakan untuk menguji normalitas data dalam penelitian ini adalah dengan menggunakan uji statistik non parametric
Kolmogorov-Smirnov (K-S) dan melalui analisis grafik, yaitu dengan melihat
pendekatan grafik histogram dan grafik normal probability plot. Hipotesis Nol (H0) : Data terdistribusi secara normal
Hipotesis Altenatif (Ha) : Data tidak terdistribusi secara normal • Apabila nilai signifikansinya lebih besar dari 0,05 maka H0 diterima, • sedangkan jika nilai signifikansinya lebih kecil dari 0,05 maka H0 ditolak.
Hasil pengujian normalitas dapat dilihat pada gambar 4.1 sebagai berikut : Tabel 4. 2
Hasil Uji Normalitas
One-Sample Kolmogorov-Smirnov Test
Unstandardized Residual
N 44
Normal Parametersa Mean .0000000
Std.
Deviation .61251970 Most Extreme Differences Absolute .083
Positive .055
Negative -.083
Kolmogorov-Smirnov Z .547
Asymp. Sig. (2-tailed) .925
a. Test distribution is Normal.
Berdasarkan Tabel 4.2 dapat dideskripsikan besarnya Kolmograv- Smirnov (K-S) adalah 0.547 dan signifikansi 0.925. Hal ini menunjukkan bahwa data
61 tersebut telah berdistribusi normal karena nilai signifikansinya atau Asymp. Sig. (2-tailed) lebih besar dari 0.05 yakni 0.925
Selain uji Kolmograv – Smirnov, hasil uji normalitas juga dapat dilihat pada diagram histogram dan Normal Probability Plot yang ditampilkan pada gambar 4.1 dan 4.2 berikut ini:
Gambar 4. 1 Histogram Uji Normalitas Sumber : Output SPSS 18.00 (Data diolah)
Grafik Histogram pada gambar 4.1 di atas menunjukkan bahwa distribusi data memiliki kurva berbentuk lonceng dimana distribusi data tidak menceng ke kiri maupun menceng ke kanan. Hal ini menunjukkan bahwa data telah terdistribusi secara normal. Hal ini juga didukung dengan hasil uji normlitas dengan menggunakan grafik plot
62 Gambar 4. 2 Grafik Normal Probability Plot
Sumber : Output SPSS 18.00 (Data diolah)
Gambar 4.2 merupakan grafik Normal Probability Plot yang menunjukkan bahwa titik- titik data menyebar di sekitar garis diagonal. Hal tersebut menunjukkan Hal tersebut berarti data berdistribusi normal. Hasil pengujian dengan grafik histogram dan grafik Scatter plotsejalan dengan hasil pengujian dengan menggunakan model Kolmogorov-Smirnov, yaitu yang berkesimpulan bahwa data telah terdistribusi normal.
4.2.2.2 Uji Multikolinearitas
Uji ini bertujuan untuk menguji apakah dalam model regresi ditemukan sadanya korelasi antara variabel independent. Model yang baik seharusnya tidak terjadi korelasi yang tinggi diantara variabel bebas.Suatu model regresi yang bebas dari masalah multikolinearitas apabila mempunyai nilai
tolerance lebih dari 0.10 dan nilai Variance Inflation Factor (VIF) kurang dari 5
63 Tabel 4. 3
Hasil Uji Multikolinearitas Coefficientsa Model Unstandardized Coefficients Standardized Coefficients T Sig. Collinearity Statistics
B Std. Error Beta Tolerance VIF
1 (Constant) 4.794 1.241 3.861 .000 LDR -.094 .016 -.828 -5.946 .000 .414 2.418 NPL -.013 .060 -.022 -.223 .825 .823 1.216 EAR .015 .045 .032 .321 .750 .783 1.276 LAR .102 .024 .560 4.157 .000 .442 2.265 CAR -.215 .061 -.460 -3.533 .001 .472 2.117 NIM .471 .061 1.047 7.695 .000 .433 2.309
a. Dependent Variable: ROA
Sumber : Output SPSS 18.00 (Data diolah)
Berdasarkan Tabel 4.3 dapat diketahui bahwa nilai Tolerance dari masing- masing variabel lebih besar dari 0.10, yaitu pada variabel LDR sebesar 0.414, variabel NPL sebesar 0.823, variabel EAR sebesar 0.783, variabel LAR sebesar 0.442, variabel CAR sebesar 0.472 dan pada variabel NIM sebesar 0.433. Selain itu, nilai Variance Inflation Factor (VIF) untuk masing- masing variabel juga lebih kecil dari 5 yakni, untuk variabel LDR sebesar 2.418, variabel NPL sebesar 1.216, variabel EAR sebesar 1.276, variabel LAR sebesar 2.265, variabel CAR sebesar 2.117 dan pada variabel NIM sebesar 2.309. Dengan demikian dapat disimpulkan bahwa pada penelitian ini tidak terdapat gejala Multikolinearitas. 4.2.2.3 Uji Autokorelasi
Uji autokorelasi bertujuan untuk menguji apakah dalam suatu model regresi linear ada korelasi antara kesalahan pengganggu pada periode t dengan kesalahan
64 pengganggu pada periode t-1 (sebelumnya). Jika terjadi korelasi, dapat disimpulkan adanya problem autokorelasi. Autokorelasi muncul karena penelitian yang berurutan sepanjag waktu berkaitan satu sama lainnya (Gozali, 2011). Uji autokorelasi dapat diuji dengan menggunakan uji run test. Uji run test menunjukkan tidak terjadi autokorelasi antar nilai residual, jika nilai test di atas 0.05. Berikut ini adalah tabel 4.3 yang menunjukkan hasil uji autokorelasi.
Tabel 4. 4
Hasil uji autokorelasi
Runs Test
Unstandardized Residual
Test Valuea .05213
Cases < Test Value 22
Cases >= Test Value 22
Total Cases 44
Number of Runs 26
Z .763
Asymp. Sig. (2-tailed) .446
a. Median
Sumber : Output SPSS 18.00 (Data diolah)
Berdasarkan tabel 4.3 dapat diketahui bahwa nilai Asymp sig (2- tailed) lebih besar dari 0.05 yakni 0.446 Oleh karena itu dapat disimpulkan bahwa data pada penelitian ini tidak terdapat autokorelasi.
4.2.2.4 Uji Heteroskedastisitas
Uji heteroskedastisitas bertujuan untuk menguji apakah dalam model regresi terjadi ketidaksamaan varians dari residual dari satu pengamatan ke pengamatan yang lain (Ghozali 2011:105). Untuk mendeteksi ada atau tidaknya
65 heteroskedastisitas dilakukan dengan melihat ada atau tidaknya pola tertentu pada grafik scatterplot antara SRESID dan ZPRED. Jika terdapat pola tertentu seperti titik-titik yang ada membentuk suatu pola tertentu yang teratut (bergelombang, melebar kemudian menyempit), maka terjadi heteroskedasitas. Adapun hasil uji heteroskedasitas dalam penelitian ini dapat dilihat pada gambar 4.3
Gambar 4. 3 Grafik scatterplot Sumber : Output SPSS 18.00 (Data diolah)
Gambar uji scatter plot diatas menjelaskan bahwa data sampel tersebar secara acak dan tidak membentuk suatu pola tertentu. Data tersebar baik berada di atas maupun di bawah angka 0 pada sumbu Y. Hal ini menunjukkan tidak terdapat heterokodesitas dalam model regresi yang digunakan.
66