BAB IV HASIL PENELITIAN
C. Analisis Hasil Penelitian
2. Analisis Hasil Statistik
Data-data dalam penelitian ini adalah data sekunder berupa
informasi-informasi keuangan yang berasal dari laporan keuangan perusahaan debitur. Data
yang dibutuhkan tersebut diperoleh dari Bank Syariah Mandiri cabang Stabat
Langkat, dimana proses menginput data dan mengolahnya dilakukan dengan
menggunakan bantuan program SPSS versi 16.0. (Lampiran 1). Berikut penulis
membuat deskripsi rasio-rasio keuangan dan kebutuhan pembiayaan murabahah
Tabel 4.1
Rasio-rasio Keuangan dan Pembiayaan Murabahah Rata-Rata
Perusahaan CR DER NPM ATO ROA
Pembiayaan Rata-Rata A 2.940 0.031 0.968 0.123 0.120 3.796 B 2.920 0.660 0.214 1.078 0.233 2.530 C 4.810 0.010 0.332 1.027 0.341 2.530 D 1.850 0.010 0.539 0.785 0.423 10.121 E 1.973 0.068 0.288 0.591 0.170 2.277 F 2.577 0.422 0.342 0.130 0.044 3.796 G 8.650 0.013 0.134 0.094 0.012 2.530 H 88.980 0.002 0.117 8.914 0.338 3.796 I 2.330 0.381 0.102 0.954 0.098 3.036 J 17.160 0.019 0.153 2.167 0.331 3.796 K 1.073 0.226 0.160 1.136 0.182 2.530 L 24.520 0.013 0.153 2.167 0.331 3.289 M 2.262 0.310 0.121 2.037 0.247 5.567 N 1.692 0.325 0.140 0.158 0.022 1.265 O 2.203 0.002 0.520 0.251 0.132 2.530 P 1.810 0.340 0.113 1.538 0.178 5.061 Q 11.625 0.580 0.113 3.479 0.390 1.518 R 4.420 0.240 0.290 0.622 0.300 2.530 S 1.427 0.259 0.815 0.263 0.082 15.182 T 12.800 0.033 0.126 0.225 0.281 3.289 U 4.487 0.109 0.098 2.510 0.248 3.289 V 5.450 0.102 0.198 7.521 0.124 1.265 W 2.428 0.088 0.080 1.160 0.092 1.265 X 7.500 0.105 0.838 0.162 0.135 1.518 Y 5.063 0.114 0.155 1.267 0.306 1.822 Z 1.214 0.785 0.160 1.130 0.181 1.265 AA 20.330 0.015 0.130 5.636 0.732 1.771 BB 4.111 0.163 0.219 2.106 0.461 3.543 CC 1.136 0.146 0.084 1.544 0.130 1.265 DD 3.793 0.100 0.492 0.690 0.339 2.024 Sumber : Lampiran 1
a. Uji Asumsi Klasik
Salah satu syarat yang mendasari model regresi berganda adalah terpenuhinya
semua asumsi klasik, agar hasil pengujian bersifat tidak bias dan efisien.
Pengujian asumsi klasik dalam penelitian ini dilakukan dengan bantuan program
klasik lainnya agar hasil pengujian tidak bersifat bias dan efisien. Menurut
Ghozali (2005:123) asumsi klasik yang harus dipenuhi adalah berdistribusi
normal, non-multikolinearitas, non autokorelasi dan non heterokedastisitas.
1) Uji Normalitas
Uji normalitas bertujuan untuk mengetahui apakah dalam model
regresi, variabel pengganggu atau residual memiliki distribusi normal
serta untuk menghindari bias dalam model regresi. Pengujian ini
diperlukan karena untuk melakukan uji t dan uji F mengasumsikan
bahwa nilai residual mengikut i distribusi normal (Erlina, 2008:102).
Untuk menguji kenormalitasan data tersebut, dapat digunakan analisis
grafik histogram yang membandingkan data observasi dengan
distribusi yang mendekati distribusi normal dan yang lebih handal
adalah dengan melihat normal probability plot. Jila distribusi normal,
garis yang menggambarkan data akan mengikuti garis diagonal
(Ghozali, 2005:110). Selain uji grafik, juga dianjurkan untuk
melakukan lagi uji statistik Kolmogorov-Smirnov (KS) yang
dijelaskan Ghozali (2005:115), pedoman pengambilan keputusan
tentang data tersebut merupakan distribusi normal dapat dilihat dari:
a) bila nilai signifikansi <0,05 berarti distribusi data tidak normal
b) bila nilai signifikansi >0,05 berarti distribusi data normal.
Berikut ini adalah hasil pengujian dengan menggunakan uji statistik
Tabel 4.2
One-Sample Kolmogorov-Smirnov Test
Unstandardized Residual
N 30
Normal Parametersa Mean .0000000
Std. Deviation 2.53891817
Most Extreme Differences Absolute .198
Positive .198
Negative -.132
Kolmogorov-Smirnov Z 1.082
Asymp. Sig. (2-tailed) .192
a. Test distribution is Normal. Sumber : Lampiran 2
Dari hasil pengolahan data, diperoleh nilai unstandarized residual atau
nilai signifikansi sebesar 0,192. Dari data tersebut dapat terlihat bahwasanya nilai
signifikansi lebih besar dari 0,05, sehingga dapat ditarik kesimpulan bahwa model
regresi secara keseluruhan terdistribusi secara normal.
Untuk lebih jelas, berikut ini turut dilampirkan grafik histogram dan plot
Gambar 3.1
Sumber : Lampiran 2
Gambar 3.2
Sumber : Lampiran 2
mendekati distribusi normal, dari grafik histogram di atas dapat disimpulkan
bahwa distribusi data masih dapat dikatakan normal karena distribusi data masih
mengikuti garis diagonal yang tidak terlalu menceng (skewness) kiri maupun
menceng kanan.
Dan pada grafik normal plot terlihat titik-titik menyebar di sekitar garis
diagonal serta penyebarannya agak mendekati garis diagonal sehingga dapat
disimpulkan bahwa data dalam model regresi terdistribusi secara normal.
2) Uji Multikolinearitas
Uji ini bertujuan untuk menguji apakah model regresi ditemukan
adanya korelasi yang sangat kuat di antara variabel independen. Model
regresi yang baik seharusnya tidak terjadi korelasi diantara variabel
independen karena hal ini akan megurangi keyakinan dalam pengujian
signifikansi (Ghozali, 2005:91).
Multikolinearitas adalah keadaan adanya korelasi yang kuat antara
variabel independen yang satu dengan variabel independen lainnya.
Dalam hal ini kita sebut variabel-variabel bebas tidak orthogonal.
Variabel-variabel bebas yang bersifat orthogonal adalah variabel bebas
yang memiliki nilai korelasi di antara sesamanya sama dengan nol.
Jika terjadi korelasi sempurna di antara sesama variabel bebas, maka
konsekuensinya adalah:
a) koefisien-koefisien regresi menjadi tidak dapat ditaksir,
Deteksi multikolinearitas dilakukan denagn melihat niai VIF (Variance
Inflation Factor) dan tolerance. Pedoman suatu model regresi yang
bebas dari multikolinearitas adalah VIF < 10 dan tolerance > 0,1
(Ghozali, 2005:92). Berikut adalah hasil pengolahan data yang
menunjukkan ada tidaknya gejala multikolinearitas:
Tabel 4.3 Coefficientsa Model Collinearity Statistics Tolerance VIF 1 CR .471 2.124 DER .836 1.196 NPM .806 1.240 ATO .416 2.405 ROA .796 1.257
a. Dependent Variable: Pembiayaan Murabahah Sumber : Lampiran 2
Dari tabel di atas dapat disimpulkan bahwa tidak terjadi multikolinearitas
dengan dasar nilai VIF untuk setiap variabel independen tidak ada yang melebihi
10 dan nilai tolerance tidak ada yang kurang dari 0,1, maka dapat dilakukan
3) Uji Autokorelasi
Uji autokorelasi bertujuan untuk menguji apakah dalam suatu model
regresi terdapat korelasi antara kesalahan pengganggu pada periode t
dengan kesalahan pada periode t-1 atau sebelumnya. Autokorelasi
muncul karena observasi yang berurutan sepanjang tahun berkaitan
satu sama lain. Masalah ini timbul karena residual atau kesalahan
pengganggu tidak bebas dari satu observasi ke observasi lainnya.
Model regresi yang baik adalah regresi yang bebas dari autokorelasi.
Untuk mendeteksi ada tidaknya autokorelasi, dapat digunakan uji
Durbin-Watson. Menurut Ade Fatma (2007:33), untuk menguji ada
tidaknya autokorelasi adalah dengan melihat model regresi linear
berganda apabila nilai Durbin-Watson berada di bawah angka 2, maka
model tersebut terbebas dari autokorelasi.
Hasil dari pengujian autokorelasi adalah sebagai berikut:
Tabel 4.4 Model Summaryb Model R R Square Adjusted R Square Std. Error of the Estimate Durbin-Watson 1 .452a .204 .038 2.790886 1.966
a. Predictors: (Constant), ROA, NPM, DER, CR, ATO b. Dependent Variable: Pembiayaan Murabahah Sumber : Lampiran 2
Dari tabel di atas, dapat terlihat angka Durbin-Watson sebesar 1,966. Hal
ini dapat memberikan kesimpulan bahwasanya angka 1,966 < 2, berarti model
4) Uji Heterokedastisitas
Tujuan dari uji heterokedastisitas ini adalah untuk menguji apakah
dalam sebuah model regresi terjadi ketidaksamaan varians residual dari
satu pengamatan ke pengamatan yang lain. Jika varians residual dari
satupengamatan ke pengamatan lainnya tetap, maka disebut
homokedastisitas dan jika berbeda disebut heterokedastisitas (Erlina,
2008:106). Model regresi yang baik adalah homokedastisitas. Untuk
mendeteksi ada tidaknya heterokedastisitas, menurut Ghozali
(2005:105) dapat dilihat dari grafik scatterplot antara nilai prediksi
variabel dependen yaitu ZPRED dengan nilai residualnya SRESID.
Dasar pengambilan keputusannya adalah:
a) jika ada pola tertentu seperti titik-titik yang ada membentuk pola
tertentu yang teratur, maka telah terjadi heterokedastisitas,
b) jika tidak ada pola tertentu, serta titik-titik yang menyebar tidak
tertentu di atas dan di bawah angka 0 pada sumbu Y, maka tidak
terjadi heterokedastisitas atau terjadi homokedastisitas.
Berikut ini dilampirkan grafik scatterplot untuk menganalisis apakah
terjadi heterokedastisitas atau terjadi homokedastisitas dengan
Gambar 4.3
Sumber : Lampiran 2
Dari grafik scatterplot terlihat bahwa titik-titik menyebar secar acak serta
tersebar baik di atas maupun di bawah angka 0 pada sumbu Y. Hal ini dapat
disimpulkan bahwa tidak terjadi heterokedastisitas pada model regresi. Dengan
demikian model ini layak dipakai untuk memprediksi jumlah pembiayaan
murabahah berdasarkan masukan variabel independen CR, DER, NPM, ATO, dan
ROA.