BAB IV HASIL DAN PEMBAHASAN
4.3 Analisis Verifikatif
Setelah diuraikan gambaran data variabel penelitian, selanjutnya diuji pengaruh pemberian kredit dan risiko kredit terhadap profitabilitas baik secara simultan maupun parsial menggunakan analisis regresi berganda. Pengujian akan dilakukan melalui tahapan yaitu, pengujian uji asumsi klasik, analisis regresi linier, koefisien korelasi parsial, koefisien determinasi serta pengujian hipotesis. Pengujian tersebut dilakukan dengan bantuan software SPSS dan untuk lebih jelasnya akan dibahas berikut ini.
Tabel 4.4
Statistik Deskriptif dari Tingkat Profitabilitas (Y), Pemberian Kredit (X1), dan Resiko Kredit (X2)
Descriptive Statistics
N Minimum Maximum Mean Std. Deviation
Tingkat Profitabilitas 28 .6100 5.6900 2.812143 1.4172884 Pemberian Kredit 28 2.1200 3.8200 3.220714 .3478072 Resiko Kredit 28 438307 1996229 1328242.04 500487.953 Valid N (listwise) 28
Sumber: output SPSS, diolah peneliti, 2015 Berdasarkan tabel 4.4 diatas dapat dijelaskan bahwa:
1. Variabel independen berupa pemberian kredit pada PT.BPR NBP 20 DELITUA yang menjadi sampel dalam penelitian ini memiliki nilai
minimum sebesar 2,12, nilai maksimum sebesar 3,82dan nilai rata-rata sebesar 3,22 dengan standar deviasi sebesar 0,34.
2. Variabel independen berupa resiko kredit pada PT.BPR NBP 20 DELITUA yang menjadi sampel dalam penelitian ini memiliki nilai minimum sebesar 438307, nilai maksimum sebesar 1996229 dan nilai rata-rata sebesar 1328242.04 dengan standar deviasi sebesar 500487.953.
3. Variabel dependen berupa tingkat profitabilitas pada PT.BPR NBP 20 DELITUA yang menjadi sampel dalam penelitian ini memiliki nilai minimum sebesar 0.6100, nilai maksimum sebesar 5.6900 dan nilai rata-rata 2.812143 dengan standar deviasi sebesar 1.4172884.
4.4 Uji Asumsi Klasik
Sebelum dilakukan pengujian hipotesis, terlebih dahulu dilakukan pengujian untuk memenuhi persyaratan untuk memperoleh penaksiran yang terbaik.Menurut Ghozali (2006 : 123), asumsi klasik yang harus dipenuhi adalah :
o Berdistribusi normal
o Non-Multikolinearitas, artinya antara variabel independen dalam model regresi tidak memiliki korelasi atau hubungan secara sempurna ataupun mendekati sempurna.
o Non-Autokorelasi, artinya kesalahan pengganggu dalam model regresi tidak saling berkorelasi.
o Non-Heterokedastisitas, artinya variance variabel independen dari satu pengamatan ke pengamatan lain adalah konstan atau sama.
4.4.1 Uji Normalitas
Uji normalitas bertujuan untuk menguji apakah dalam model regresi, variabel pengganggu atau residual memiliki distribusi normal. Uji dan mengasumsikan bahwa nilai residual mengikuti distribusi normal. Kalau asumsi ini dilanggar maka uji statistik menjadi tidak valid untuk jumlah sampel kecil (Ghozali, 2011:160, Gujarati, 2003:339, Field, 2009:221, Supranto, 2005:90). Dalam penelitian ini, uji normalitas terhadap residual dengan menggunakan uji Kolmogorov-Smirnov. Tingkat signifikansi yang digunakan . Dasar pengambilan
keputusan adalah melihat angka probabilitas , dengan ketentuan sebagai berikut:
4.4.1.1 Hasil Pengujian Asumsi Klasik Regresi
Sebelum dilakukan pengujian hipotesis menggunakan analisis regresi linier berganda, ada beberapa asumsi yang harus terpenuhi agar kesimpulan dari regresi tersebut tidak bias, diantaranya adalah uji normalitas, uji multikolinieritas (untuk regresi linear berganda), uji heteroskedastisitas dan uji autokorelasi (untuk data yang berbentuk deret waktu). Pada penelitian ini keempat asumsi yang disebutkan diatas tersebut diuji karena variabel bebas yang digunakan pada penelitian ini lebih dari satu (berganda) dan data yang dikumpulkan mengandung unsur deret waktu (7 tahun pengamatan).
Jika nilai probabilitas (Asymp. Sig. (2-tailed)) 0,05, maka asumsi normalitas terpenuhi. Jika probabilitas (Asymp. Sig. (2-tailed)) < 0,05, maka asumsi normalitas tidak terpenuhi.
Tabel 4.5 Hasil Uji Normalitas
One-Sample Kolmogorov-Smirnov Test
Unstandardize d Residual
N 28
Kolmogorov-Smirnov Z .480
Asymp. Sig. (2-tailed) .975
a. Test distribution is Normal.
Berdasarkan Tabel 4.5, diketahui nilai probabilitas atau
Asymp. Sig. (2-tailed) sebesar 0,975. Karena nilai probabilitas , yakni 0,975, lebih besar dibandingkan tingkat signifikansi, yakni 0,05. Hal ini berarti asumsi normalitas terpenuhi.
Pengujian asumsi normalitas dapat juga digunakan pendekatan analisis grafik, histogram. Pada untuk pendekatan histogram, jika kurva berbentuk kurva normal, maka asumsi normalitas dipenuhi. Pada pendekatan normal probability plot, jika titik-titik (dots) menyebar jauh (menyebar berliku-liku pada garis diagonal seperti ular) dari garis diagonal, maka diindikasi asumsi normalitas error tidak dipenuhi. Jika titik-titik menyebar sangat dekat pada garis diagonal, maka asumsi normalitas dipenuhi.
Gambar 4.2 dan Gambar 4.3 merupakan output dari SPSS. Perhatikan bahwa kurva pada histogram berbentuk kurva normal, sehingga disimpulkan bahwa asumsi normalitas error dipenuhi. Di samping itu pada normal probability plot (Gambar 4.2), titik-titik menyebar cukup dekat pada garis diagonal, maka disimpulkan bahwa asumsi normalitas dipenuhi.
Gambar 4.2
Histogram untuk Pengujian Asumsi Normalitas
Gambar 4.3
Normalitas dengan Normal Probability Plot
Sumber: output SPSS, diolah peneliti, 2015
4.4.2 Uji Multikolinearitas
Untuk memeriksa apakah terjadi multikolinearitas atau tidak dapat dilihat dari nilai variance inflation factor (VIF). Nilai VIF yang lebih dari 10 diindikasi suatu variabel bebas terjadi multikolinearitas (Myers dalam Stevens, 2009 : 75).
Tabel 4.6
Hasil Uji Multikolinearitas
Model Collinearity Statistics Tolerance VIF 1 (Constant) Pemberian Kredit .994 1.006 Resiko Kredit .994 1.006
Sumber: output SPSS, diolah peneliti, 2015
Perhatikan bahwa berdasarkan Tabel 4.6, nilai VIF dari variabel Pemberian Kredit adalah 1,006, dan nilai VIF dari variabel Resiko Kredit adalah 1,006. Karena masing-masing nilai VIF tidak lebih besar dari 10, maka tidak terdapat gejala multikolinearitas yang berat.
4.4.3 Uji Autokorelasi
Asumsi mengenai independensi terhadap residual (non-autokorelasi) dapat diuji dengan menggunakan uji Durbin-Watson (Field dalam Gio, 2015 : 31). Nilai statistik dari uji Durbin-Watson berkisar di antara 0 dan 4. Field (2009 : 220) menyatakan sebagai berikut.
“Specifically, it (Durbin-Watson) tests whether adjacent residuals are correlated. The test statistic can vary between 0 dan 4 with a value 2 meaning that the residuals are uncorrelated".
Nilai statistik dari uji Durbin-Watson yang lebih kecil dari 1 atau lebih besar dari 3 diindikasi terjadi autokorelasi. Field (2009 : 220-221) menyatakan sebagai berikut :
“The size of the Durbin-Watson statistic depends upon the number of predictors in the model and the number of observations. For accuracy, you should look up the exact acceptable values in Durbin and Watson's (1951) original paper. As very conservative rule of thumb, values less then 1 or greater than 3 are definitely cause for concern; however, values closer to 2 may stil be problematic depending on your sample and model”.
Tabel 4.7
Hasil Uji Autokorelasi
Model
Durbin-Watson
1 1.140
Berdasarkan Tabel 4.7, nilai dari statistik Durbin-Watson adalah 1,140. Perhatikan bahwa karena nilai statistik Durbin-Watson terletak di antara 1 dan 3, maka asumsi non-autokorelasi terpenuhi. Dengan kata lain, tidak terjadi gejala autokorelasi yang tinggi pada residual.
4.4.4 Uji Homoskedastisitas
Deteksi ada tidaknya heteroskedastisitas dapat dilakukan dengan melihat ada tidaknya pola tertentu pada grafik scatter plot antara SRESID pada sumbu Y, dan ZPRED pada sumbu X. (Ghozali, 2011 : 139). Menurut Ghozali (2011 : 139) menyatakan dasar analisis adalah jika ada pola tertentu, seperti titik-titik yang ada membentuk pola tertentu yang teratur (bergelombang, melebar, kemudian menyempit), maka mengindikasikan telah terjadi heteroskedastisitas. Jika tidak ada pola yang jelas, serta titik-titik menyebar di atas dan di bawah angka 0 pada sumbu Y, maka tidak terjadi heteroskedastisitas.
Gambar 4.4
Hasil Uji Heteroskedastisitas
Perhatikan bahwa berdasarkan Gambar 4.4, tidak terdapat pola yang begitu jelas, serta titik-titik menyebar di atas dan di bawah angka 0 pada sumbu Y, maka tidak terjadi heteroskedastisitas.
4.5 Pengujian Hipotesis
Pada pengujian hipotesis, akan dilakukan analisis koefisien determinasi, pengujian signifikansi koefisien regresi parsial secara menyeluruh atau simultan (uji ), dan uji signifikansi koefisien regresi parsial secara individu (uji ).
4.5.1 Uji Signifikansi Simultan (Uji F)
Uji signifikansi koefisien regresi parsial secara menyeluruh merupakan suatu uji untuk menguji apakah seluruh variabel bebas secara bersamaan atau simultan mempengaruhi variabel Tingkat Profitabilitas.
Seluruh variabel bebas secara bersamaan atau simultan tidak memiliki pengaruh yang signifikan secara statistik terhadap variabel Tingkat Profitabilitas.
: Paling tidak terdapat satu variabel bebas yang pengaruhnya signifikan secara statistik terhadap Tingkat Profitabilitas.
Gambar 4.5
Menentukan Nilai Tabel dengan Microsoft Excel
Tabel 4.8
Uji Signifikansi Simultan (Uji F) ANOVAb
Model Sum of Squares df Mean Square F Sig.
1 Regression 18.009 2 9.005 6.214 .006a
Residual 36.226 25 1.449
Total 54.235 27
a. Predictors: (Constant), Resiko Kredit, Pemberian Kredit
b. Dependent Variable: Profitabilitas
Berdasarkan tabel 4.8, diketahui nilai F hitung adalah 6,214. Perhatikan bahwa karena nilai F hitung (6,214) F tabel (3,38519), serta nilai sig (0,006) 0,05 maka disimpulkan bahwa pengaruh simultan variabel bebas terhadap Tingkat Profitabilitas signifikan secara statistik. 4.5.2 Uji Signifikansi Parsial (Uji t)
Uji signifikansi koefisien regresi parsial secara individu merupakan suatu uji untuk menguji apakah nilai dari koefisien regresi parsial secara individu bernilai nol atau tidak (Gujarati, 2003 : 250). Dalam uji-t digunakan hipotesis sebagai berikut:
H0 : Variabel pemberian kredit dan resiko kredit tidak berpengaruh signifikan secara parsial terhadap tingkat profitabilitas.
Ha : Variabel pemberian kredit dan resiko kredit berpengaruh signifikan secara parsial terhadap tingkat profitabilitas.
- H0 diterima dan Ha ditolak jika nilai signifikansi (∝) lebih besar dari 0,05
- Ha diterima dan H0 ditolak jika nilai signifikansi (∝) lebih kecil dari 0,05.
Tabel 4.9
Uji Signifikansi Koefisien Regresi Parsial Secara Individu
Model Unstandardized Coefficients Standardized Coefficients T Sig. B Std. Error Beta 1 (Constant) 6.155 2.296 2.681 .013 Pemberian Kredit -1.518 .668 -.373 -2.272 .032
Resiko Kredit 1.165E-6 .000 .411 2.509 .019
Sumber: hasil olahan software SPSS 17
Berdasarkan Tabel 4.9 diperoleh persamaan regresi linear sebagai berikut berikut.
Y = 6,155 -1,518 Pemberian Kredit + 0,00000165 Resiko Kredit + e
Berdasarkan hasil uji-t pada tabel 4.9, maka dapat disimpulkan hasil signifikansi atau pengaruh variabel-variabel independen terhadap variabel dependen sebagai berikut:
1. Variabel pemberian kredit memiliki nilai signifikansi < 0,05 (0,32 < 0,05) sehingga dapat disimpulkan bahwa pemberian kredit (X1) berpengaruh signifikan terhadap tingkat profitabilitas pada PT. BPR NBP 20 Delitua.
2. Variabel resiko kredit memiliki nilai signifikansi < 0,05 (0,019 < 0,05) sehingga dapat disimpulkan bahwa pemberian kredit (X2) berpengaruh signifikan terhadap tingkat profitabilitas pada PT. BPR NBP 20 Delitua.
4.5.3 Analisis Koefisien Determinasi
Koefisien determinasi ( ) merupakan suatu nilai (nilai proporsi) yang mengukur seberapa besar kemampuan variabel-variabel bebas yang digunakan dalam persamaan regresi, dalam menerangkan variasi variabel tak bebas (Gujarati, 2003 : 212). Nilai koefisien determinasi berada di sekitar 0 dan 1. Nilai koefsien determinasi yang kecil (mendekati nol) berati kemampuan variabel-variabel tak bebas secara simultan dalam menerangkan variasi variabel tak bebas amat terbatas. Nilai koefisien determinasi yang mendekati 1 berarti variabel-variabel bebas memberikan hampir semua informasi yang dibutuhkan untuk memprediksi variasi variabel tak bebas (Gio, 2015:20).
Tabel 4.10
Hasil Koefisien Determinasi Mod el R R Square Adjusted R Square 1 .576a .332 .279
Sumber: output SPSS, diolah peneliti, 2015
Berdasarkan Tabel 4.10, nilai koefisien determinasi terletak pada kolom R-Square. Diketahui nilai koefisien determinasi sebesar . Nilai tersebut berarti seluruh variabel bebas secara simultan mempengaruhi variabel Tingkat Profitabilitas sebesar 33,2%, sisanya sebesar 66,8% dipengaruhi oleh faktor-faktor lain.
