HASIL DAN PEMBAHASAN
B. Hasil Analisis dan Pembahasan
1. Analisis Deskriptif
Statistik Deskriptif memberikan gambaran suatu data yang dapat dilihat dari nilai rata-rata (mean), standar deviasi, nilai maksimum dan minimum. Berikut adalah hasil statistik deskriptif penelitian yang dapat dilihat pada tabel 4.1:
Tabel 4.1
Hasil Statistik Deskriptif
Descriptive Statistics
N Minimum Maximum Mean Std. Deviation KREDIT 72 137401.00 503972.00 285283.3889 98526.37149 SBK 72 .00960 .01267 .0110782 .00081237 NPL 72 .02210 .11050 .0475194 .02490706 ROA 72 .02430 .04230 .0309111 .00461677 KURS 72 8508.00 12151.00 9469.5278 808.73567 Valid N (listwise) 72
Sumber : Hasil output SPSS
Berdasarkan tabel 4.1 diatas menunjukkan bahwa jumlah data yang digunakan dalam penelitian ini sebanyak 72 sampel data yang diambil dari laporan keuangan publikasi Bank Indonesia, Statistik Perbankan Indonesia (SPI) Bank Persero periode 2007 sampai dengan 2012.
Berdasarkan tabel 4.1 di atas juga menunjukkan bahwa variabel terikat (dependent) JumlahPermintaan Kredit memliki nilai minimum137401 atau Rp 137,401 triliun pada bulan Januari tahun 2007 sedangkan untuk nilai maksimumnya sebesar 503972 atau Rp 503,972 triluin pada bulan Desember 2012. Nilai rata-rata (mean) Jumlah Permintaan Kredit sebesar 285283,3889 atau Rp 285,2833889 triliun dan ukuran penyebaran data dari
97 rata-ratanya (standar deviasi) sebesar 98526,37149 atau Rp 98,52637149 trilun.
Variabel bebas Suku Bunga Kredit memliki nilai minimum 0,0096 atau 0,96% pada bulan Juni tahun 2011 sedangkan untuk nilai maksimumnya sebesar 0,01267 atau 1,27% pada bulan Januari 2007. Nilai rata-ratanya (mean) sebesar 0,0110782 atau 1,11% dan ukuran penyebaran data dari rata-ratanya (standar deviasi) sebesar 0,00081237 atau 0,081%.
Variabel bebas NPL memliki nilai minimum 0,02210 atau 2,21% pada bulan Desember tahun 2012 sedangkan untuk nilai maksimumnya sebesar 0,11050 atau 11,05% pada bulan Februari tahun 2007. Nilai rata-ratanya (mean) sebesar 0,0475194 atau 0,47% dan ukuran penyebaran data dari rata-ratanya (standar deviasi) 0,02490706atau 2,49 %.
Variabel bebas ROA memliki nilai minimum 0,02430atau 2,43% pada bulan Juni 2008 sedangkan untuk nilai maksimumnya sebesar 0,04230atau 4,23% pada bulan Februari 2012. Nilai rata-ratanya (mean) sebesar 0,0309111atau 3,09% dan ukuran penyebaran data dari rata-ratanya (standar deviasi) 0,00461677atau 0,46%.
Variabel bebas nilai tukar rupiah dengan US Dollar (Kurs) memliki nilai minimum 8508.00 atau Rp 8.508 pada bulan Juli 2011 sedangkan untuk nilai maksimumnya sebesar 12151.00 atau Rp 12.151 pada bulan November 2008. Nilai rata-ratanya (mean) sebesar 9.469,5278 atau Rp 9.469,5278 dan ukuran penyebaran data dari rata-ratanya (standar deviasi) 808,73567 atau Rp 808,73567.
98
2. Pengujian Asumsi Klasik
a. Uji Normalitas
Uji normalitas dilakukan untuk melihat apakah variabel bebas dan variabel terikat mempunyai distribusi normal. Maksud data distribusi normal adalah data akan mengikuti arah garis diagonal dan menyebar disekitar garis diagonal. Uji normalitas dimaksudkan untuk menguji apakah nilai residual yang telah distandarisasi pada model regresi berditribusi normal atau tidak. Nilai residual dikatakan berdistribusi normal jika residual nilai residual terstandarisasi tersebut sebagian besar mendekati nilai rata-ratanya. Dalam penelitian ini, peneliti menggunakan uji normalitas dengan analisis grafik dan uji Kolmogorov-Smirnov.
Berikut adalah hasil dari uji ini: c. Analisa Grafik Histogram
Gambar 4.1 Histogram
99 Berdasarkan gambar diatas histogram Regression Residual membentuk kurva seperti lonceng maka nilai residual tersebut dinyatakan normal atau data berdistribusi normal.
d. Analisa Grafik dengan Normal Probability Plot (Normal P-P Plot)
Gambar 4.2 Grafik P-P Plot
Sumber : Hasil output SPSS
Berdasarkan grafik diatas, titik-titik mengikuti atau merapat ke garis diagonal maka data dalam penelitian ini berdistribusi normal.Untuk mendukung bahwa data dalam penelitian ini berdistribusi normal maka data juga diuji dengan derajat α0,05 (5%) dengan uji kolmogorov-smirnov.
100 e. Uji Kolmogorov-Smirnov
Tabel 4.2
Uji Kolmogorov-Smirnov
One-Sample Kolmogorov-Smirnov Test
Standardized Residual
N 72
Normal Parametersa,,b Mean .0000000 Std. Deviation .97142265 Most Extreme Differences Absolute .118
Positive .050
Negative -.118
Kolmogorov-Smirnov Z 1.004
Asymp. Sig. (2-tailed) .266
a. Test distribution is Normal. b. Calculated from data.
Sumber : Hasil output SPSS
Berdasarkan tabel 4.2 di atas, maka dapat disimpulkan data dalam penelitian ini berdistribusi normal dilihat dari nilai Sig. > derajat α 0,05 (5%) atau 0,266> 0,05.
b. Uji Multikolilinieritas
Yaitu munculnya peluang diantara beberapa variabel bebas untuk saling berkorelasi, pada praktiknya multikolinieritas tidak dapat dihindari. Mengukur multikolinieritas dapat dilihat dari nilai Tolerance dan Variance Inflation Factor (VIF). Tolerance mengukur variabilitas variabel independen lainnya. Jadi nilai tolerance yang rendah sama dengan nilai VIF tinggi karena VIF = 1/tolerance. Nilai cut off yang umum dipakai untuk menunjukkan tidak adanya multikolinieritas adalah nilai tolerance > 0.10 atau sama dengan VIF <10. Berikut adalah hasil dari uji Multikolinieritas pada tabel 4.3:
101
Tabel 4.3
Uji Multikolinieritas dengan Nilai Tolerance dan VIF (Variance Inflation Factor) Coefficientsa Model Collinearity Statistics Tolerance VIF 1 (Constant) LnSBK .192 5.200 LnNPL .355 2.814 LnROA .317 3.151 LnKURS .646 1.549
a. Dependent Variable: LnKREDIT Sumber : Hasil Output SPSS
Berdasarkan tabel 4.3 diatas, nilai Tolerance variabel bebas Ln Suku Bunga Kredit = 0,192 , LnNPL=0,340 , LnROA = 0,317 dan LnKurs =0,646. Sedangkan nilai VIF variabel Ln Suku Bunga Kredit = 5,200 , LnNPL=2,814 , LnROA =3,151 dan LnKurs = 1,549. Dapat disimpulkan bahwa model regresi dinyatakan tidak terjadimultikolinearitas karena nilai tolerance > 0,10 dan nilai VIF < 10.
c. Uji Heteroskedastisitas
Heterokedastisitas yaitu kondisi dimana semua residual atau error mempunyai varian yang tidak konstan atau berubah-ubah. Untuk mengetahui apakah suatu data bersifat heteroskedastisitas atau tidak, maka perlu pengujian. Pengujian heteroskedastisitas pada penelitian ini menggunakan metode analisis grafik Scatterplot dan metode Glejser. Berikut adalah hasil dari metode yang dilakukan:
102 1. Metode Analisis Grafik Scatterplot
Berikut adalah tampilan scatterplot pada gambar 4.3 di bawah ini:
Gambar 4.3 Scatterplot
Sumber : Hasil output SPSS
Berdasarkan tampilan Scatterplot pada gambar 4.3 di atas maka dapat disimpulkan bahwa plot menyebar secara acak diatas maupun dibawah angka nol pada sumbu Regression Studentized Residual. Oleh karena itu pada model regresi yang dibentuk dinyatakan tidak terjadi gejala heteroskedastisitas.
2. Metode Glejser
Selain dengan menggunakan metode grafik, deteksi heteroskedastisitas juga dapat di deteksi dengan menggunakan metode Glejser. Menurut Glejser, varian variabel gangguan nilainya tergantung dari variabel independen yang ada di dalam model. (Agus Widarjono, 2009:120). Uji Glejser dilakukan
103 dengan meregresikan semua variabel bebas terhadap nilai mutlak residualnya. Jika terdapat pengaruh variabel bebas yang signifikan terhadap nilai mutlak residualnya maka dalam model regersi terdapat masalah heterokedastisitas. Berikut hasil dari uji Glejser :
Tabel 4.4
Uji Heterokedastisitas dengan Metode Glejser
Coefficientsa Model Unstandardized Coefficients Standardized Coefficients t Sig. B Std. Error Beta 1 (Constant) 2.406 1.853 1.299 .198 LnSBK .268 .228 .320 1.176 .244 LnNPL -.049 .028 -.349 -1.746 .085 LnROA -.009 .090 -.021 -.101 .920 LnKURS -.142 .115 -.183 -1.234 .222
a. Dependent Variable: abres
Sumber : Hasil output SPSS
Berdasarkan Tabel 4.4 diatas, nilai signifikan variabel bebas Ln Suku Bunga Kredit = 0,244 , LnNPL = 0,085 , LnROA = 0,920 dan LnKurs = 0,222 . Dapat disimpukan bahwa model regresi tidak terjadi gejala heteroskedastisitas karena nilai signifikan seluruh variabel bebas > 0,05.
d. Uji Autokorelasi
Uji Autokorelasi bertujuan untuk mengetahui apakah ada korelasi antara anggota serangkaian data observasi yang diuraikan menurut waktu (time-series) atau ruang (cross section). Salah satu penyebab munculnya masalah otokorelasi adalah adanya kelembaman (inertia) artinya kemungkinan besar akan mengandung saling
104 ketergantungan (interdependence) pada data observasi periode sebelumnya dan periode sekarang.
Salah satu ukuran dalam menentukan ada tidaknya masalah otokorelasi adalah dengan uji Durbin-Watson (DW). Berikut adalah hasil uji otokorelasi dengan metode Durbin Watson (DW) pada tabel 4.6 di bawah ini:
Tabel 4.5
Uji Durbin Watson (DW)
Model Summaryb
Model Durbin-Watson
1 .519
a. Predictors: (Constant), LnKURS, LnNPL, LnROA, LnSBK
b. Dependent Variable: LnKREDIT Sumber : Hasil output SPSS
Berdasarkan pada tabel 4.5 diatas nilai Durbin-Watson (DW) sebesar 0,519. Jika dibandingkan dengan tabel Durbin-Watson dengan jumlah observasi (n)=72 dan jumlah variabel independen 4 (k=4) diperoleh nilai tabel dl (lower)=1,494 dan du (upper)=1,735. Oleh karena itu nilai DW=0,519 berada dibawah dl=1,494, maka dapat disimpulkan terjadi autokorelasi positif.
Oleh karena adanya autokorelasi maka nilai standar error dan nilai t-statistik tidak dapat dipercaya sehingga diperlukan pengobatan. Pengobatan autokorelasi tergantung dari nilai ρ yang dapat diestimasi dengan beberapa cara seperti di bawah ini:
105 1. Nilai ρ diestimasi dengan Durbin-Watson d
2. Nilai ρ diestimasi dengan Theil-Nagar d
3. The Cohrane-Orcutt two-step Procedures
Tabel 4.6
Pengobatan Uji Durbin Watson (DW)
Coefficientsa Model Unstandardized Coefficients Standardized Coefficients T Sig. B Std. Error Beta 1 (Constant) .001 .008 .082 .935 Ut_1 .741 .081 .740 9.146 .000
a. Dependent Variable: Unstandardized Residual Sumber : Hasil Output SPSS
Berdasarkan hasil output SPSS diperoleh nilai ρ pada iterasi pertama sebesar 0,741 (yaitu koefisien variabel Ut_1).
Tabel 4.7
Pengobatan Uji Durbin Watson (DW)
Coefficientsa Model Unstandardized Coefficients Standardized Coefficients t Sig. B Std. Error Beta 1 (Constant) 1.880 2.265 .830 .409 plnSBK_1 -.952 .377 -.199 -2.527 .014 plnNPL_1 -.480 .046 -.607 -10.476 .000 plnROA_1 .668 .149 .275 4.483 .000 plnKURS_1 .709 .191 .160 3.723 .000
a. Dependent Variable: plnKREDIT_1 Sumber : Hasil output SPSS
106 Berdasarkan hasil output SPSS memberikan nilai β*2 sebesar -0,952, nilai β*3 sebesar -0,480, nilai β*4 sebesar 0,668 dan nilai β*5 sebesar 0,709 , sedangkan nilai β*1=β1(1-ρ)=(0.001)*(1-0,741)=0,000259
Tabel 4.8
Pengobatan Uji Durbin Watson (DW)
Coefficientsa Model Unstandardized Coefficients Standardized Coefficients T Sig. B Std. Error Beta 1 (Constant) .099 .109 .915 .364 LagUt .986 .018 .989 54.584 .000 a. Dependent Variable: ut
Sumber : Hasil output SPSS
Berdasarkan hasil output SPSS diperoleh nilai ρ = 0,986 pada iterasi kedua. Berdasarkan pada perhitungan di atas diperoleh nilai ρ menurut berbagai metode seperti terlihat pada tabel dibawah ini:
Tabel 4.9
Pengobatan Uji Durbin Watson (DW)
Metode Nilai ρ
Durbin-Watson d 0,7405
Theil-Nagar d 0,74588
Cochrane-Orcutt Step 1 0,741
Cochrane-Orcutt Step 2 0,986
Sumber: Hasil output SPSS
Ketiga metode ternyata menghasilkan nilai ρ yang hampir sama. Untuk itu penulis memilih metode Cohrane-Orcutt Step 2 untuk mentranformasikan persamaan regresi.
107
Tabel 4.10
Pengobatan Uji Durbin Watson (DW)
Model Summaryb
Model Durbin-Watson
1 2.157
a. Predictors: (Constant), lnKURS@, lnROA@, lnNPL@, lnSBK@ b. Dependent Variable: lnKREDIT@
Sumber : Hasil outpus SPSS
Membandingkan hasil regresi persamaan asli sebelum ada transformasi dan hasil regresi setelah transformasi ternyata dapat dibandingkan . Pada persamaan asli nilai Durbin-Watson sebesar 0,519 dan terjadi autokorelasi positif, sedngkan pada tabel 4.11 menunjukkkan bahwa nilai Durbin-Watson sebesar 2,157 dengan nilai n=72 dan k=4 maka diperoleh:
Nilai dl=1,494 dan 4-dl=2,506 Nilai du=1,735 dan 4-du=2,265
Hasil perhitungan pada tabel 4.10 menunjukkan bahwa nilai DW-test beada pada daerah antara du dan 4-du, 1,735 < 2,157 < 2,265 maka dapat disimpulkan bahwa pada model regresi tidak terdapat gejala autokorelasi baik secara positif maupun negatif.