BAB IV. ANALISIS HASIL PENELITIAN
B. Analisis Hasil Penelitian
2. Uji Asumsi Klasik
Pengujian normalitas data dalam penelitian ini mengunakan uji statistik non parametrik Kolmogorov-Smirnov (K-S) dengan membuat hipotesis: H0 : Data residua l berdistribusi normal
Apabila nilai signifikansinya lebih besar dari 0,05 maka H0 diterima, sedangkan jika nilai signifikansinya lebih kecil dari 0,05 maka H0 ditolak.
Tabel 4.2
Uji Normalitas Sebelum Data Ditransformasi One-Sample Kolmogorov-Smirnov Test
One-Sample Kolmogorov-Smirnov Test
Unstandardized Residual
N 76
Normal Parametersa Mean .0000000
Std. Deviation .07722683
Most Extreme Differences Absolute .158
Positive .158
Negative -.113
Kolmogorov-Smirnov Z 1.376
Asymp. Sig. (2-tailed) .045
a. Test distribution is Normal.
Sumber: Data yang diolah penulis, 2009.
Dari hasil pengolahan data tersebut, besarnya nilai
Kolmogorov-Smirnov adalah 1,376 dan signifikansi pada 0,045 maka disimpulkan data
tidak terdistribusi secara normal karena p= 0,045 < 0,05. Data yang tidak terdistribusi secara normal tersebut juga dapat dilihat melalui grafik histogram dan grafik normal plot data.
Gambar 4.1
Histogram ( sebelum data ditransformasi ) Sumber : Data Diolah Penulis, 2009.
Dengan cara membandingkan antara data observasi dengan distribusi yang mendekati distribusi normal, dari grafik di atas dapat disimpulkan bahwa distribusi data tidak normal karena grafik histogram menunjukkan distribusi data tidak mengikuti garis diagonal yaitu menceng kekiri (positive skewness).
Gambar 4.2
Grafik Normal P-P Plot ( sebelum data ditransformasi ) Sumber: Data yang diolah penulis, 2009.
Demikian pula dengan hasil uji normalitas dengan menggunakan grafik plot. Pada grafik normal plot, terlihat titik-titik menyebar disekitar garis diagonal serta penyebarannya agak menjauh dari garis diagonal sehingga dapat disimpulkan bahwa data dalam model regresi terdistribusi secara normal. Dari hasil uji normalitas dengan Kolmogorov-Smirnov (K-S), grafik histogram dan grafik normal Plot menunjukkan data tidak terdistribusi secara normal. Ada beberapa cara mengubah model regresi menjadi normal menurut Erlina (2007:106), yaitu:
b. lakukan trimming, yaitu membuang data outlier,
c. lakukan winsorizing, yaitu mengubah nilai data yang outlier ke suatu nilai tertentu.
Untuk mengubah nilai residual agar berdistribusi normal, penulis melakukan transformasi data ke model SQRT dari persamaan ROE = f(CAR, DER, NPL, OR, LDR), menjadi DPR = f( SQRT_CAR, SQRT_DER, SQRT_NPL, SQRT_OR, SQRT_LDR). Kemudian, data diuji ulang berdasarkan asumsi normalitas. Berikut ini hasil pengujian
Kolmogorov-Smirnov (K-S):
Tabel 4.3
Uji Normalitas Setelah Data Ditransformasi One-Sample Kolmogorov-Smirnov Test
One-Sample Kolmogorov-Smirnov Test
Unstandardized Residual
N 73
Normal Parametersa Mean .0000000
Std. Deviation .09437178
Most Extreme Differences Absolute .080
Positive .080
Negative -.055
Kolmogorov-Smirnov Z .685
Asymp. Sig. (2-tailed) .736
a. Test distribution is Normal.
Sumber: Data yang diolah penulis, 2009.
Dari tabel diatas, besarnya Kolmogorv-Smirnov (K-S) adalah 0,685 dan signifikansi pada 0,736 sehingga dapat disimpulkan bahwa data dalam model regresi telah terdistribusi secara normal, dimana nilai signifikansinya lebih
dari 0,05 (p=0,736 > 0,005). Dengan demikian, secara keseluruhan dapat disimpulkan bahwa nilai-nilai observasi data telah terdistribusi secara normal dan dapat dilanjutkan dengan uji asumsi klasik lainnya. Untuk lebih jelas, berikut ini turut dilampirkan grafik histogram dan plot data yang terdistribusi normal.
Gambar 4.3
Histogram ( setelah data ditransformasi ) Sumber: Data yang diolah penulis, 2009.
Gambar 4.4
Grafik Normal P-P Plot ( setelah data ditransformasi ) Sumber: Data yang diolah penulis, 2009.
Dengan cara membandingkan antara data observasi dengan distribusi yang mendekati distribusi normal, dari grafik di atas dapat disimpulkan bahwa distribusi data normal karena grafik histogram menunjukkan distribusi data mengikuti garis diagonal yang tidak menceng (skewness) ke kiri maupun ke kanan atau normal.
Demikian pula dengan hasil uji normalitas dengan menggunakan grafik plot. Pada grafik normal plot, terlihat titik-titik menyebar disekitar garis diagonal serta penyebarannya agak mendekati dengan garis diagonal sehingga dapat disimpulkan bahwa data dalam model regresi terdistribusi secara normal.
b. Uji Multikolinieritas
Menurut Erlina dan Mulyani (2007: 107), “Uji ini bertujuan untuk menguji apakah model regresi ditemukan adanya korelasi diantara variabel independen.” Dalam penelitian ini, untuk mendeteksi ada tidaknya gejala multikolinieritas adalah dengan melihat besaran korelasi antar variabel independen dan besarnya tingkat kolinieritas yang masih dapat ditolerir, yaitu:
Tolerance > 0.10 dan Variance Inflation Factor (VIF) < 10. Berikut disajikan
tabel hasil pengujian:
Tabel 4.4 Uji Multikolinieritas
f(SQRT_CAR, SQRT_DER, SQRT_NPL, SQRT_OR, SQRT_LDR)
Coefficientsa Model Unstandardized Coefficients Standardized Coefficients T Sig. Collinearity Statistics
B Std. Error Beta Tolerance VIF
1 (Constant) 1.691 .339 4.993 .000 SQRT_X1 -.320 .340 -.163 -.942 .350 .296 3.384 SQRT_X2 -.009 .047 -.036 -.187 .853 .243 4.115 SQRT_X3 -.449 .166 -.273 -2.698 .009 .865 1.156 SQRT_X4 -.760 .231 -.365 -3.282 .002 .720 1.389 SQRT_X5 -.502 .130 -.426 -3.866 .000 .734 1.363
a. Dependent Variable: SQRT_Y
Tabel 4.5
Coefficient Correlations untuk ROE =
f(SQRCAR, SQRDER, SQRNPL, SQROR, SQRLDR)
Coefficient Correlationsa Model SQRT_X5 SQRT_X3 SQRT_X1 SQRT_X4 SQRT_X2 1 Correlations SQRT_X5 1.000 -.043 .477 -.141 .501 SQRT_X3 -.043 1.000 -.001 -.229 -.098 SQRT_X1 .477 -.001 1.000 -.238 .822 SQRT_X4 -.141 -.229 -.238 1.000 -.403 SQRT_X2 .501 -.098 .822 -.403 1.000 Covariances SQRT_X5 .017 .000 .021 -.004 .003 SQRT_X3 .000 .028 -.000061 -.009 .000 SQRT_X1 .021 -.000061 .116 -.019 .013 SQRT_X4 -.004 -.009 -.019 .054 -.004 SQRT_X2 .003 .000 .013 -.004 .002
a. Dependent Variable: SQRT_Y
Sumber: Data yang diolah penulis, 2009.
Hasil perhitungan nilai tolerance pada tabel 4.4 menunjukkan tidak ada variabel independen yang memiliki nilai tolerance kurang dari 0.10 yang berarti tidak terjadi korelasi antar variabel independen yang nilainya lebih dari 95%. Hasil perhitungan nilai Variance Inflation Factor (VIF) juga menunjukkan hal yang sama, tidak ada variabel bebas yang memiliki nilai VIF lebih dari 10. Berdasarkan tabel diatas dapat disimpulkan bahwa tidak ada multikolonieritas antar variabel independen dalam model regresi.
Berdasarkan tabel 4.5, nilai koefisien korelasi antar masing – masing variabel independen masih di bawah 95%, maka dapat dikatakan bahwa tidak terjadi gejala multikolonieritas.
c. Uji Heteroskedastisitas
Menurut Erlina dan Mulyani (2007: 107), “Uji ini bertujuan untuk melihat apakah dalam model regresi terjadi ketidaksamaan variabel dari residual satu pengamatan ke pengamatan lain.”
Dalam penelitian ini, untuk mendeteksi ada tidaknya gejala heteroskedastisitas adalah dengan melihat plot grafik yang dihasilkan dari pengolahan data dengan menggunakan program SPSS. Dasar pengambilan keputusannya adalah:
1) jika ada pola tertentu, seperti titik-titik yang ada membentuk pola tertentu yang teratur (bergelombang, melebar kemudian menyempit), maka mengindikasikan telah terjadi heteroskedastisitas,
2) jika tidak ada pola yang jelas, seperti titik-titik menyebar di atas dan di bawah angka 0 pada sumbu Y, maka tidak terjadi heteroskedastisitas atau terjadi homoskedastisitas.
Berikut ini dilampirkan grafik scatterplot untuk menganalisis apakah terjadi heteroskedastisitas atau terjadi homoskedastisitas dengan mengamati penyebaran titik-titik pada gambar.
Gambar 4.5 Scatterplot Sumber: Data yang diolah penulis, 2009.
Dari grafik scatterplot terlihat bahwa titik-titik menyebar secara acak serta tersebar baik di atas maupun di bawah angka 0 pada sumbu Y, sehingga dapat disimpulkan bahwa tidak terjadi heteroskedastisitas pada model regresi. Adanya titik-titik yang menyebar menjauh dari titik-titik yang lain dikarenakan adanya data observasi yang sangat berbeda dengan data observasi yang lain .
d. Uji Autokorelasi
Ghozali (2005:95) menyatakan bahwa :
Uji autokorelasi bertujuan untuk menguji apakah dalam model regresi linear ada korelasi antara kesalahan pengganggu pada periode t dengan kesalahan pengganggu pada periode t-1 (sebelumnya). Jika terjadi korelasi, maka dinamakan ada problem autokorelasi. Autokorelasi muncul
karena observasi yang berurutan sepanjang waktu berkaitan satu sama lainnya. Masalah ini timbul karena residual (kesalahan pengganggu) tidak bebas dari satu observasi ke observasi lainnya. Hal ini sering ditemukan pada data runtut waktu (time series) karena “gangguan” pada seseorang individu/kelompok cenderung mempengaruhi “gangguan” pada individu/kelompok yang sama pada periode berikutnya.
Cara yang dapat digunakan untuk mendeteksi masalah autokorelasi adalah dengan menggunakan nilai uji Durbin Watson dengan ketentuan sebagai berikut:
1) angka D-W dibawah -2 berarti ada autokorelasi positif,
2) angka D-W di antara -2 sampai +2, berarti tidak ada autokorelasi, 3) angka D-W di atas +2 berarti ada autokorelasi negatif.
Tabel 4.6
Hasil Uji Autokorelasi
Model Summaryb Model R R Square Adjusted R Square Std. Error of the Estimate Durbin-Watson 1 .636a .404 .360 .0978298 1.812 a. Predictors: (Constant), SQRT_X5, SQRT_X3, SQRT_X1, SQRT_X4, SQRT_X2 b. Dependent Variable: SQRT_Y
Sumber: Data yang diolah penulis, 2009.
Pada bagian model summary, memperlihatkan nilai statistik D-W sebesar 1.812 atau (-2<1.812<+2), karena angka D-W diantara -2 sampai +2, maka dapat disimpulkan bahwa dalam penelitian ini tidak ada autokorelasi.