ANALISIS HASIL PENELITIAN
4.1 Gambaran Umum Objek Penelitian
4.2.2 UjiAsumsi Klasik
Salah satu syarat yang mendasari model regresi berganda dengan metode estimasi Ordinary Least Square (OLS) adalah terpenuhinya semua asurasi klasik, agar hasil pengujian bersifat tidak bias da efisien. Pengujian asumsi klasik dalam penelitian ini dilakaukan dengan bantuan program statistiki nomialitas data, autokorelasi, heteroskedastisitas dan asumsi-asumsi klasik lainnya agar hasil pengujian tidak bersifat bias dan efisien. Men unit Ghozali (2005:123) asumsi
klasik yang harus dipenuhi adalah berdistribusi normal, non-multikolinearitas, non-autokorelasi dan non-heteroskedasitas.
1. Uji Normalitas
a. Uji Normalitas Kolmogorov Smirno
Uji normalitas bertujuan untuk mengetahui apakah dalam model regresi, variabel pengganggu atau residual memiliki distribusi normal seita untuk menghindari bias dalam model regresi. Pengujian normalitas dalam penelitian ini menggimakan uji statistik non-parametrik Kolmogorov-Smirnov (K-S), deitgan menbuat hipotesis:
Ho : Data residual berdistribusi nonnal Ha ; Data residual tidak berdistribusi normal
Apabila signifikansi lebih besar dari 0,05 maka H0 diterima. sedangkan jika nilai signifikansi lebih kecil dari 0.05 maka H0 ditolak. Uji Normalitas dengan menggimakan Kolmogorov-Smimov adalah sebagai beriknt:
Tabel 4.2
Hasil Uji Normalitas One-Sample Kolmogorov-Smirnov Test
Unstandardized Residual
N 66
Normal Parametersa-b Mean 0000000
Std. Deviation Z2S9703S4E7
Most Extreme Differences Absolute .204
Positive .204
Negative -.202
Kolmogorov-Smirnov Z 1.661
Asymp. Sig. (2-tailed) .008
a. Tesi distribution is Normal. b.Calculated from data.
Pada pengujian awal nomalitas dengan kohnogorov-Smirnov terlihat bahwa nilai Asymp.Sig (2-tailed) adalah sebesar 0,008 <0,05. Dengan demikian, data tidak berdistribusi secara nonnal oleh karena itu, maka data liarus ditransformasikan ke dalam bentuk Logarirma Natural (LN).
Untuk itu data di-treatment dengan menggunakan model log-log (Nachrowi, 2002:86), yaitu melakiikan transformasi data ke model logaritma natural (LNJ dari Kredit = f(DPK, CAR, ROA, NPL) menjadi LN_Kredit = f(LNJ3PK, LN_CAR, LN_ROA, LN__NPL). Kemudian data diuji ulang berdasarkan asunisi nonnalitas, berikut ini hasil pengujian dengan Kolmogorov-Smirnov setelah melakukan transformasi ke bentuk Logaritma Natural (LN):
Tabel 4.3
Hasil Uji Normalitas Setelah Transformasi Logaritma Natural One-Sample Kolmogorov-Smirnov Test
Unstandardized Residual
N 66
Normai Parametersa.d Mean .0000000
Std. Deviation .28738400
Most Extreme Differences Absolute .138
Positive .089
Negative -.138
Kolmogorov-Smirnov Z 1.118
Asymp. Sig. (2-tailed) .164
a. Test distribution is Normal, b. Calculated from data.
Sumher. Hasil Pengolahan SPSS (2015)
Berdasarkan Tabel 4.3 terlihat bahwa nilai Asymp. Sig. (2-tailed) sebesar 0,164>0,05 sehingga berdasarkan kriteria pengujian maka data dapat dinyatakan telah berdistribusi normal
pada Gambar 4.1 berikut dapat dilihat hasil uji normalitas dengan pendekatan Histogram
Sumber: Hasil Pengolahan SPSS (2015)
Gambar 4.1 Histogram
Berdasarkan Gambar 4.1 terlihat bahwa Uji Normalitas Data dengan pendekatan histogram di atas menunjukkan bahwa model regresi yang digunakan telah berdistribusi normal, hal ini dapat dilihat dari garis histogram tidak terlalu menceng ke kiri atau ke kanan, sehingga penyebaran datanya telah berdistribusi secara normal.
c. Pendekatan Grafik
Pendekatan lainnya yang digunakan dalam untuk menguji normalitas data adalah Pendekatan Grafik. Pendekatan Grafik yang digunakan adalah Normality
Probability Plot. Berikut adalah hasil Uji Normalitas Data dengan pendekatan Grafik (Normality Probability Plot).
Sumber: Hasil Pengolahan SPSS (2015)
Gambar 4.2 Grafik Normality Probability Plot
Berdasarkan hasil Uji Normalitas dengan pendekatan grafik diatas, dapat diketahui bahwa data memiliki distribusi atau penyebaran yang normal, hal ini dapat dilihat dari penyebaran titik berada disekitar sumbu diagonal dari grafik. 2. Uji Multikolinearitas
Ghozali (2005:91) menyatakan "uji ini bertujuan untuk menguji apakah model regresi ditemukan adanya korelasi yang kuat antar variabel bebas (independen)".
Multikolinearitas menunjukkan ada tidaknya variabel independen yang memiliki hubungan yang kuat dengan variabel independen lain dalam model regresi, agar pengambilan keputusan pengaruh pada uji parsial masing-masing variabel independen tidak bias. Untuk mengetahui ada tidaknya multikolinearitas dapat dilihat dari nilai Variance Inflation Factor (VIF), apabiia nilai VIF > 10 dan nilai tolerance < 0.1 maka terjadi multikolinearitas (Ghozali, 2005:92).
Tabel 4.4
Hasil Uji Multikolinearitas Coefficients" Model Unstandardized Coerficients Standardized Coefficients 1 Sig CoUineari tN Statistics
B Std. Error Beta Tolerance V1F
1 (Constant) -1 .592 .689 -2.310 .024
LN_DPK 1.020 .027 .978 37.694 .000 .711 1.406
LN_CAR .364 .165 .051 2.202 .031 .891 1.123
LN_ROA .030 .058 .013 .522 .603 .729 1.371
LN NPL -.043 043 -.024 -1.014 315 .888 1 127
a. Dependent Variable. LN_Volume_Kredit Sumber Hasil Pengolahan SPSS (2011)
Pada Tabel 4.4 disimpulkan bahwa pada model regresi yang digunakan tidak terlihat adalanya gejaia multikolonearitas antar variabel independen. Hal ini dapat diketahui dari nilai tolerance dan nilai VIF, hasil perhitungan menunjukkan baliwa nilai tolerance variabel Dana Pihak Ketiga(X1) adalah sebesar 0,711 > 0,1 dengan nilai VIF sebesar 1,406, nilai tolerance variabel Capital Adequacy Ratio (X2) sebesai-0,891 dengan nilai VIF sebesar 1,123, nilai tolerance variabel Return on Assets (X3) sebesar 0,729 dengan nilai VIF sebesar 1,371. Dan nilai tolerance variabel Volume Kredit sebesar 0,888 dengan nilai VIF sebesar 1,127. Dengan
demikian keseluruhan nilai tersebut telah sesuai dengan kriteria pengambilan keputusan dimana nilai tolerance > 0,1 dan nilai VIF<5,
3. Uji Heteroskedastisitas
Untuk melihat ada tidaknya Heteroskedastisitas pada model yang digntiakan, diiakukan dengan Uji Heteroskedastisitas (Scatter Plot). Berikiit hasil Uji Heteroskedastisitas dengan Scatter Plot.
a. Uji Glejser
Tabel 4.5 Hasil Uji Glejser
Coefficientsa
Mode Unstandardized Coefficients Standardized Coefficients t Sig. B Std Error Beta 1 (Constant) -.739 .721 -1.025 .309 LN_DPK .050 .028 .259 1.781 .080 LN_CAR .014 .173 .011 .033 .934 LN_ROA .012 .060 .028 .194 .847 LN NPL -.013 .045 -.038 -.293 .770
a. Dependent Variable: absut
Sumber: Hasil Pengolahan SPSS (2015)
Berdasarkan tabel 4,5 terlihat bahwa tingkat signifikansi variabel DPK sebesar 0,OSO>0,05, variabel CAR sebesar 0,934>0,05. variabel ROA sebesar 0,847>0,05, dan variabel NPL sebesar 0,770>0,05. Dengan demikiat terlihat bahwa tidak satupun variabel indipenden yang signifikan dalam mempengaruhi variabel terikat sehingga dapat disimpulkan model regresi tidak mengarah adanya heteroskedastisitas.
b. Scatter Plot
Sumber : Hasil Pengolahan SPSS (2015)
Gambar 4.3 Scatter Plot
Berdasarkan Hasil Ujt Heteroskedastisitas di atas, diketahui bahwa titik-titik penyebaran pada Scatter Plot tidak menunjukkan pola tertentii dan penyebarannya berada di atas dan di bawah angka nol, sehingga model regresi yang digunakan tidak mengalami Heteroskedastisitas.
4. Uji Autokorelasi.
Untuk mendeteksi ada atau tidaknya autokorelasi, dapat digunakan uji Durbin Watson. Hasil dari pengujiau autokorelasi adalah sebagai berikut;
Tabel 4.6
Hasil Uji Autokorelasi Model Summary"
Model R R Square Adjusted R
Square
Std. Error of the Estimate
Durbin-Watson
1 .935d .971 .969 .29666 1,892
a. Predictors: (Constant), LN^NPL, LN_ROA, LN_CAR. LNJJPK
b. Dependent Variable: UN Volume_Kredi1 SunibrcHasilPengoJahan SPSS (2015)
Hasil uji autokorelasi diatas menunjukkan nilai statistic Diirbin-Watson (DW) sebesar 1,892 , nilai ini akan dibandingkan dengan nilai tabel Durbin-Watson dengan menggunakan signifikansi 5%, jumlah sampel 66 (n) dan jumlah variabel independen 4 (k=4), maka di tabel Durbin-Watson didapat tiilai batas atas (du) 1,7319 dan nilai batas bawah (dl) 1.4758 . Oleh karena itu, nilai DW berada diantara batas atas (DU) dan 4-DU (1.7319 < 1.892 < 2.108), dengan demikian maka data tidak mengalami autokorelasi.