BAB IV ANALISIS DATA DAN PEMBAHASAN
B. Analisis Data
1. Statistik Deskriptif
Statistik deskriptif memberikan gambaran atau deskripsi suatu data yang dilihat dari rata-rata (mean), standar deviasi, maksimum, minimum, merupakan ukuran untuk melihat apakah variabel terdistribusi secara normal atau tidak. Analisis statistik deskriptif pada populasi yang digunakan dalam penelitian ini, yaitu Bank Umum Syariah selama tahun 2015 sampai dengan 2017.
Variabel dependen dalam penelitian ini adalah Usaha Mikro Kecil dan Menengah (UMKM) sedangkan variabel independennya Dana Pihak Ketiga, Capital Adequacy Ratio (CAR) dan Non Performing Finance (NPF).
Tabel 4.1
Hasil Uji Statistik Deskriptif
Variabel N Mean Std. Dev Maximum Minimum
DPK 36 12,1516 0,13360 12,38 12,00
CAR 36 15,5486 1,00476 17,91 14,09
NPF 36 5,0875 0,44271 6,17 4,41
UMKM 36 12,0047 0,09216 12,15 11,89
Sumber: Data sekunder yang diolah oleh SPSS 23, 2018.
Berdasarkan hasil dari analisis deskriptif pada tabel di atas menunjukkan bahwa terdapat jumlah 36 sampel (N) pada tiap-tiap variabel yang diteliti. UMKM sebagai variabel dependen memiliki rata-rata (mean) sebesar 12,0047 dan nilai standar deviasi sebesar 0,09216 dengan nilai minimum 11,89 dan nilai maximum 12,15.
Pada variabel Dana Pihak Ketiga menunjukkan nilai terkecil (minimum) 12,00 sedangkan nilai maksimum12,38, nilai standar deviasi sebesar 0,13360 dan nilai rata-rata 12,1516.
Pada variabel Capital Adequacy Ratio (CAR) menunjukkan bahwa terdapat jumlah 36 sampel (N) pada tiap-tiap variabel yang diteliti. Variabel Capital Adequacy Ratio (CAR) pada tabel diatas menunjukkan bahwa CAR pada data perbulan selama periode 2015-2017 memiliki nilai terkecil (minimum) sebesar 14,09% yang terdapat pada bulan Desember tahun 2015, sedangkan untuk nilai terbesar (maksimum) sebesar 17,91% yakni pada bulan Desember tahun 2017. Nilai rata-rata (mean) yang dimiliki CAR adalah sebesar 15,5486 dan memiliki standar deviasinya sebesar 1,00476. Nilai standar deviasi menunjukkan nilai yang lebih rendah dibandingkan dengan nilai mean, hal ini menunjukkan bahwa simpangan data pada variabel CAR tidak terlalu besar, dengan begitu dapat dikatakan bahwa variasi antara nilai minimum dan maksimum pada periode pengamatan relatif rendah, sehingga dapat dikatakan baik, karena tidak ada kesenjangan yang relatif besar antara nilai maksimum dan miminum pada CAR.
Variabel Non Perfoming Financing (NPF), pada tabel diatas menunjukkan bahwa NPF pada data perbulan selama periode 2015-2017 memiliki nilai minimum sebesar 4,41% yang terdapat pada bulan September periode 2017, sedangkan untuk nilai maksimum NPF sebesar 6,17% yakni pada bulan Mei tahun 2016. Nilai rata-rata (mean) yang
dimiliki NPF adalah 5,0875 dengan standar deviasi 0,44271. Nilai standar deviasi menunjukkan nilai yang lebih rendah dibandingkan dengan nilai mean, hal ini menunjukkan bahwa simpangan data pada variabel NPF tidak terlalu besar. Dengan begitu dapat dikatakan bahwa variasi antara nilai minimum dan maksimum pada periode pengamatan relatif rendah, sehingga dapat dikatakan baik, karena tidak ada kesenjangan yang relatif besar antara nilai maksimum dan minimum pada NPF.
2. Uji Asumsi Klasik
a. Uji Normalitas Data
Pada penelitian ini dilakukan uji normalitas data untuk melihat apakah data dari variabel-variabel yang digunakan berdistribusi normal. Berikut adalah tabel hasil uji normalitas menggunakan SPSS 23.
Tabel 4.2
Hasil Uji Normalitas
Sampel Kolmogorov-Smirnov Signifikansi Keterangan
36 0,073 0,200 Normal
Sumber : Data sekunder yang diolah SPSS 23, 2018.
Berdasarkan hasil uji normalitas menggunakan model Kolmogorov-Smirnov menunjukkan angka sebesar 0,073 dan nilai signifikansi yang ditunjukkan sebesar 0,200. Untuk melihat data yang digunakan berdistribusi normal atau tidak, maka dapat diketahui dengan melihat nilai signifikansi. Data tabel uji normalitas di atas menunjukkan nilai signifikansi sebesar 0,200. Nilai tersebut lebih
besar dari α = 0,05, artinya bahwa data variabel independen berasal
dari data yang berdistribusi normal. b. Uji Heteroskedastisitas
Uji Heterokedastisitas dilakukan untuk mengetahui apakah dalam model regresi terdapat kesamaan varians dari residual satu pengamatan ke pengamatan lainnya. Model regresi yang baik mensyaratakan tidak adanya masalah heterokedastisitas. Heterokedastisitas menyebabkan penaksiran atau estimator menjadi sangat tinggi untuk mendeteksi ada tidaknya heterokedastisitas dengan melihat pola titik-titik pada scatterplot regresi.
Sumber: Hasil Output SPSS 23, data diolah 2018
Gambar 4.1
Berdasarkan kriteria scatterplot regresi diketahui bahwa:
1. Titik-titik data penyebar di atas dan di bawah atau di sekitar angka 0.
2. Titik-titik tidak mengumpul hanya di atas atau di bawah sja. 3. Penyebaran titik-titik data tidak membentuk pola bergelombang
melebar kemudian menyempit dan melebar kembali. 4. Penyebaran titik-titik data tidak berpola.
Dari kriteria scatterplot regresi di atas dengan demikian dapat disimpulkan bahwa tidak terjadi masalah heterokedastisitas, karena model regresi yang baik dan ideal dapat terpenuhi dan sesuai dengan kriteria.
c. Uji Autokorelasi
Autokorelasi (autocorrelation) adalah hubungan antara residual satu observasi dengan residual observasi lainnya. Autokorelasi lebih mudah timbul pada data yang bersifat runtut waktu, karena berdasarkan sifatnya, data masa sekarang dipengaruhi data pada masa-masa sebelumnya. Salah satu ukuran dalam menentukan ada tidaknya masalah autokorelasi adalah dengan menggunakan uji Runs (Runs Test). Dikatakan tidak terjadi autokorelasi apabila nilai Asymp. Sig atau probabilitas diatas 0,05. Hasil uji Runs Test ditunjukkan dengan tabel dibah ini sebagai berikut:
Tabel 4.3 Uji Autokorelasi
Sampel Runs Test Keterangan
36 0,063 Tidak terjadi autokorelasi
Sumber: Data sekunder yang diolah SPSS 23, 2018.
Hasil uji autokorelasi dengan model Runs Test menunjukkan angka sebesar 0,063, sementara jumlah data (n) pada penelitian ini berjumlah 36. Berdasarkan ketentuan uji Runs Test yang apabila nilai probabilitas (Asymp Sig.) > dari 0,05 maka dapat dinyatakan data pada penelitian ini tidak terjadi autokorelasi.
d. Uji Multikolineatitas
Uji ini dilakukan untuk melihat apakah terdapat korelasi antar variabel independen. Nilai yang umum dipakai untuk menunjukkan adanya gejala multikolinearitas dengan melihat nilai tolerance < 0,10 atau sama dengan nilai VIF > 10. Hasil uji multikolinearitas pada penelitian ini ditunjukkan dengan tabel sebagai berikut:
Tabel 4.4 Uji Multikolinearitas
Variabel Tolerance VIF Keterangan
DPK 0,180 5,554 Tidak terjadi multikolinearitas CAR 0,202 4,958 Tidak terjadi multikolinearitas NPF 0,459 2,180 Tidak terjadi multikolinearitas Sumber: Data sekunder yang diolah oleh SPSS 23, 2018.
Hasil uji multikolinearitas ditunjukkan oleh tabel 4.4 dengan melihat nilai tolerance atau VIF (variance inflation factor). Penelitian ini menggunakan variabel DPK, CAR dan NPF. Nilai VIF dari variabel independen DPK sebesar 5,554, CAR sebesar 4,985 dan NPF
sebesar 2,180. Nilai-nilai tersebut lebih kecil dari 10. Maka dapat disimpulkan bahwa tidak terjadi multikolinearitas.