B. Analisis Data
1. Analisis Deskripstis
Statistik deskriptif memberikan gambaran umum tentang obyek penelitian yang dijadikan sampel dalam penelitian yang dilakukan. Dengan memberikan penjelasan tentang statistic deskriptif, diharapkan dapat memberikan gambaran awal tentang masalah yang diteliti dalam penelitian.
Tabel 4. 1.
Hasil Uji Statistik Deskriptif
Descriptive Statistics
N Minimum Maximum Mean Std. Deviation NPF 55 0.10% 43.99% 5.2113% 7.36561% FDR 55 46.08% 197.70% 96.4031% 21.30197% CAR 55 11.10% 63.89% 21.6329% 12.10485% ROA 55 -20.13% 3.81% 0.2376% 3.55924% Valid N (listwise) 55
Sumber: data sekunder yang diolah, 2017
Berdasarkan tabel 4.1 hasil uji statistik deskriptif, menunjukkan bahwa sampel yang digunakan dalam penelitian berjumlah 55. Nilai NPF mempunyai nilai rata-rata sebesar 5,2113%, dengan nilai minimum 0,10%, nilai maximum 43,99% dan standar deviation 7,36561%. Variabel FDR menunjukkan nilai minimum berada pada angka 46,08%, nilai maximum 197,70% dengan nilai rata-rata 96,4031% dan standar deviation 21,30197%. Variabel CAR menunjukkan nilai minimum 11,10%, nilai maximum 63,89%, nilai rata-rata 21,6329% dan standar deviation 12,10485%. Sedangkan pada variabel ROA nilai minimum menunjukkan
angka -20,13% nilai maximum 3,81% dengan nilai rata-rata 0.2376% dan standar deviation 3,55924%.
2. Uji Stasioneritas
Dalam uji stasioneritas, uji yang digunakan adalah uji Unit Root
dengan uji Augment-Dickey-Fuller (ADF). Hasil uji stasioneritas untuk masing-masing variabel penelitian dapat dilihat pada tabel 4.2 berikut:
Tabel 4. 2 Hasil Uji Stasioneritas
No Variabel Probability Unit Root Test
1 X1 – NPF 0,0276
2 X2 – FDR 0,0064
3 Y – Profitabilitas (ROA) 0,0354
4 Z – CAR 0,0309
Sumber: Data sekunder yang diolah 2017
Berdasarkan tabel di atas, dapat diketahui bahwa variabel dependen, variabel independen, dan variabel intervening memenuhi ketentuan uji stasioneritas yaitu memiliki nilai probabilitas kurang dari 0.05.
3. Uji Asumsi Klasik a. Uji Multikolineritas
Uji multikolineritas bertujuan untuk menguji apakah dalam model regresi ditemukan adanya korelasi antara variabel independen. Sedangkan model regresi yang baik ditunjukkan dengan tidak adanya hubungan antara variabel independen. Terjadinya multikolineritas dapat dideteksi melalui nilai R square yang sangat tinggi tetapi hanya
57
sedikit variabel independen yang signifikan atau bahkan tidak signifikan mempengaruhi variabel dependen.
Multikolineritas juga dapat ditandai melalui nilai tolerance
(TOL) dan nilai Variance Inflation Factor (VIF). Multikolineritas ditunjukkan dengan nilai tolerance≤ 0,10 atau sama dengan nilai VIF
≥ 10. Namun tidak dapat dideteksi secara pasti variabel-variabel independen mana saja yang saling berkolerasi (Ghozali, 2013: 106).
Tabel 4. 3. Hasil Multikolonieritas Coefficientsa Model Unstandardized Coefficients Standardized Coefficients Collinearity Statistics B Std. Error Beta Tolerance VIF
1
(Constant) -,034 1,216
NPF -,436 ,033 -,903 ,916 1,091 FDR ,027 ,016 ,163 ,459 2,176 CAR -,003 ,029 -,012 ,446 2,241 a. Dependent Variable: ROA
Sumber : data sekunder diolah, 2017
Dari keterangan tabel 4.3 dapat diketahui bahwa hasil perhitungan nilai tolerance menunjukkan tidak ada variabel yang memiliki nilai tolerance kurang dari 0,10. Hasil perhitungan nilai
Variance Inflation Factor (VIF) juga menunjukkan hal yang sama. Tidak ada variabel yang memilikinilai VIF lebih dari 10. Jadi dapat disimpulkan bahwa tidak terdapat Multikolonieritas antar variabel independen dalam model regresi.
Uji Autokorelasi bertujuan menguji apakah dalam model regresi linier 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 (Ghozali, 2013: 110).
Tabel 4. 4
Pengambilan Keputusan Autokorelasi
Hipotesis nol Keputusan Jika Tidak ada autokorelasi positif Tolak 0 < d < dI
Tidak ada autokorelasi positif No desicison dI ≤ d ≤ du
Tidak ada korelasi negative Tolak 4 – dI < d < 4 Tidak ada korelasi negative No decisicon 4 –du ≤ d ≤ 4 – Di
Tidak ada autokorelasi, Positif atau negative
Tidak ditolak Du < d < 4 – du
Tabel 4. 5 Hasil Uji Atokorelasi
Model Summaryb Model R R Square Adjusted R
Square
Std. Error of the Estimate
Durbin-Watson 1 ,881a ,776 ,763 1,73200% 2,290 a. Predictors: (Constant), CAR, NPF, FDR
b. Dependent Variable: ROA
Sumber: data sekunder yang diolah, 2017
Dari hasil pengujian dengan menggunakan uji Durbin Watson diperoleh nilai Durbin- Watson 2,290 dengan jumlah variable (k)= 3,
59
sampel = (n) 55, du (tabel) = 1,681 dan nilai 4- du = 2,319. Karena nilai du < nilai DW < nilai 4 – du maka dapat disimpulkan tidak terdapat autokorelasi.
c. Uji Heteroskedastisitas
Uji heteroskedastisitas bertujuan untuk menguji apakah dalam model regresiterjadi ketidaksamaan variance dari residual satu pengamatan ke pengamatan yang lain. Jika variance dari residual satu pengamatan ke pengamatan lain tetap disebut Homoskedastisitas dan jika berbeda disebut Heteroskedastisitas. Model regresi yang baik adalah yang Homoskedastisitas atau tidak terjadi Heteroskedastisitas.
Dalam penelitian ini uji heteroskedastisitas menggunakan Uji White. Uji White merupakan suatu uji yang dilakukan dengan meregres residual kuadrat (U2t) dengan variabel independen, variable independen kuadrat dan perkalian (interaksi) variable independen. Pengujiannya adalah apabila nilai c2 hitung < c2 tabel, maka hipotesis alternative adanya heteroskedastisitas dalam model ini ditolak (Ghozali, 2013: 143)..
Tabel 4. 6
Hasil Uji Heteroskedsatisitas
Model Summary Model R R Square Adjusted R
Square
Std. Error of the Estimate
1 .906a .821 .810 4.04837
a. Predictors: (Constant), CAR, NPF, FDR
Dari hasil pengujian dengan uji White didapat nilai hitung Chi- Square sebesar 55 x R Square = 55 x 0,821 = 45,155 dengan nilai tabel Chi-Square 67,504. Berdasarkan hasil pengujian dapat disimpulkan bahwa tidak terjadi Heteroskedastisitas, hal ini dikarenakan nilai Chi Square tabel > nilai Chi Square hitung.
d. Uji Normalitas
Menurut Ghozali (2013: 160) uji normalitas bertujuan untuk menguji apakah terdapat variabel pengganggu atau residual yang memiliki distribusi normal dalam model regresi. Dalam penelitian ini uji normalitas menggunakan uji stastistik non-parametrik Kolmogorov- Smirnov (K-S) dengan kriteria:
1) Jika nilai Asymp. Sig. (2 – tailed)≥ 0,05 data berdistribusi normal. 2) Jika nilai Asymp. Sig. (2 – tailed) ≤ 0,05 data tidak berdistribusi
normal.
Tabel 4. 7 Hasil Uji Normalitas
One-Sample Kolmogorov-Smirnov Test
Unstandardized Residual
N 55
Normal Parametersa,b
Mean ,0000000 Std.
Deviation
1,68343351
Most Extreme Differences
Absolute ,156 Positive ,126 Negative -,156 Kolmogorov-Smirnov Z 1,157 Asymp. Sig. (2-tailed) ,137 a. Test distribution is Normal.
b. Calculated from data.
61
Berdasarkan uji normalitas dengan Kolmogorov-SmirnovTest
diperoleh nilai KSZ sebesar 1,157 dengan Asymp. Sig. (2–tailed)
sebesar 0,137. Karena nilai Asymp. Sig. (2–tailed) lebih besar dari 0,05 maka keputusannya adalah menerima H1 yang berarti bahwa data berdistribusi normal. Berarti asumsi normalitas data terpenuhi.