ANALISIS DAN PEMBAHASAN
A. Sekilas Gambaran Umum Objek Penelitian
1. Uji Asumsi Klasik a. Uji Normalitas
Uji asumsi ini akan menguji data variabel bebas (DPK, SBIS, NPF dan ROA) dan data variabel terikat (Pembiayaan Murabahah) pada persamaan regresi yang dihasilkan, apakah berdistribusi normal atau berdistribusi tidak normal. Persamaan regresi dikatakan baik jika mempunyai data variabel bebas dan data variabel terikat berdistribusi mendekati normal atau normal sama sekali.
Dalam penelitian ini, cara mendeteksi apakah residual berdistribusi normal atau tidak yaitu dengan analisis grafik dan analisis statistik.
1) Analisis Grafik
Gambar 4.6 Grafik Histogram
Sumber: Hasil Output SPSS
Berdasarkan Gambar 4.6 terlihat bahwa grafik histogram menyerupai bentuk bel, lonceng atau genta, maka nilai residual tersebut dinyatakan normal atau data berdistribusi normal.
87 Uji grafik selanjutnya untuk pengujian normalitas yaitu dengan melihat Grafik Normal P-P Plot.
Gambar 4.7 Grafik Normal P-P Plot
Sumber: Hasil Output SPSS
Berdasarkan Gambar 4.7 terlihat bahwa data (titik-titik) menyebar disekitar garis diagonal dan mengikuti arah garis diagonal yang berarti bahwa data berdistribusi normal.
Dengan melihat tampilan Grafik Histogram maupun Grafik Normal P-P Plot, maka dapat disimpulkan bahwa kedua grafik tersebut menggambarkan keadaan data yang berdistribusi normal. Sehingga dapat disimpulkan bahwa model data penelitian ini bebas masalah asumsi klasik normalitas.
2) Uji Statistik
Untuk mendukung bahwa data dalam penelitian ini berdistribusi normal, maka dapat dilakukan uji normalitas secara statistik yaitu dengan uji Kolmogorov-Smirnov.
88 Tabel 4.8 Uji Kolmogorov-Smirnov
One-Sample Kolmogorov-Smirnov Test
Unstandardized Residual
N 96
Normal Parametersa,b Mean 0.E-7
Std. Deviation ,25799465
Most Extreme Differences
Absolute ,093
Positive ,057
Negative -,093
Kolmogorov-Smirnov Z ,911
Asymp. Sig. (2-tailed) ,378
a. Test distribution is Normal. b. Calculated from data.
Sumber: Hasil Output SPSS
Berdasarkan Tabel 4.8 hasil uji Kolmogorov-Smirnov, terlihat bahwa nilai Asymp. Sig. (2-tailed) sebesar 0,378 atau lebih besar dari 0,05 (Sig. > α). Hal tersebut berarti nilai residualnya terdistribusi secara normal.
Dapat disimpulkan dari analisis grafik maupun uji statistik bahwa model regresi bebas dari masalah normalitas atau dapat dikatakan bahwa data berdistribusi secara normal.
b. Uji Multikolinieritas
Uji multikolinieritas bertujuan untuk menguji apakah model regresi ditemukan adanya korelasi antar variabel bebas (independen). Model regresi yang baik seharusnya tidak terjadi korelasi di antara variabel bebasnya. Untuk mendeteksi ada atau tidaknya multikolinieritas di dalam model regresi dapat dilihat pada nilai Tolerance dan Variance Inflation Factor (VIF).
89 Tabel 4.9 Uji Multikolinieritas
Coefficientsa
Model Collinearity Statistics
Tolerance VIF 1 (Constant) LN_DPK ,363 2,754 LN_SBIS ,362 2,765 LN_NPF ,945 1,058 LN_ROA ,913 1,096
a. Dependent Variable: LN_PMURABAHAH Sumber: Hasil Output SPSS
Berdasarkan output Coefficients yang terlihat pada Tabel 4.8, nilai Tolerance variabel LN_DPK = 0,363, LN_SBIS = 0,362, LN_NPF = 0,954 dan LN_ROA = 0,913. Sedangkan nilai VIF variabel LN_DPK = 2,754, LN_SBIS = 2,765, LN_NPF = 1,058 dan LN_ROA = 1,096. Karena nilai Tolerance > 0,10 dan nilai VIF < 10 maka dapat disimpulkan bahwa model regresi dinyatakan tidak terjadi multikolinieritas.
c. Uji Heteroskedastisitas
Uji heterokedastisitas bertujuan menguji apakah dalam model regresi terjadi ketidaksamaan variance dari residual satu pengamatan ke pengamatan yang lain. Persamaan regresi yang baik adalah jika tidak terjadi heteroskedastisitas. Pengujian heteroskedastisitas pada penelitian ini menggunakan analisis grafik dan uji statistik.
1) Analisis Grafik
Deteksi ada tidaknya heteroskedastisitas dapat dilakukan dengan melihat ada tidaknya pola tertentu pada grafik Scatterplot.
90 Gambar 4.8 Grafik Scatterplot
Sumber: Hasil Output SPSS
Berdasarkan tampilan grafik Scatterplot yang tertera pada Gambar 4.8 bahwa titik-titik menyebar secara acak serta tersebar baik di atas maupun di bawah angka 0 pada sumbu Y. Hal tersebut dapat disimpulkan bahwa tidak terjadi heteroskedastisitas pada model regresi.
2) Uji Statistik
Selain melihat grafik Scatterplot, uji heteroskedastisitas juga dapat dilakukan secara statistik. Ada beberapa uji statistik yang dapat digunakan untuk mendeteksi ada tidaknya heteroskedastisitas seperti Uji Park, Uji Glesjer maupun Uji White. Dalam penelitian ini, untuk pengujian gejala heteroskedastisitas yaitu menggunakan Uji Glesjer.
91 Tabel 4.10 Uji Heteroskedastisitas dengan Metode Glesjer
Coefficientsa Model Unstandardized Coefficients Standardized Coefficients t Sig. B Std. Error Beta 1 (Constant) ,205 ,201 1,020 ,310 LN_DPK -,031 ,020 -,262 -1,561 ,122 LN_SBIS ,035 ,019 ,305 1,811 ,073 LN_NPF ,019 ,022 ,091 ,871 ,386 LN_ROA ,022 ,017 ,135 1,269 ,208
a. Dependent Variable: ABS_RES Sumber: Hasil Output SPSS
Berdasarkan output Coefficients dalam Tabel 4.10, terlihat bahwa Nilai Sig. variabel bebasnya jika diuraikan adalah LN_DPK = 0,122, LN_SBIS = 0,073, LN_NPF = 0,386 dan LN_ROA = 0,208. Hasil tampilan output SPSS dengan jelas menunjukan bahwa tidak ada satupun variabel independen yang signifikan secara statistik mempengaruhi variabel dependen nilai Absolut Residual (ABS_RES). Maka dapat disimpulkan bahwa pada model regresi tidak terjadi gejala heteroskedastisitas. Hal ini terlihat dari probabilitas signifikansinya di atas tingkat kepercayaan 5% (Sig. > α).
d. Uji Autokorelasi
Uji autokorelasi dilakukan untuk mengetahui apakah ada korelasi antara kesalahan pengganggu pada periode t dengan kesalahan pada periode t sebelumnya pada model regresi linier yang dipergunakan. Untuk mengetahui ada atau tidaknya autokorelasi pada penelitian ini peneliti menggunakan Uji Durbin-Watson (DW Test).
92 Tabel 4.11 Uji Durbin-Watson
Model Summaryb
Model R R Square Adjusted R
Square
Std. Error of the Estimate
Durbin-Watson
1 ,972a ,944 ,942 ,26360 ,299
a. Predictors: (Constant), LN_ROA, LN_SBIS, LN_NPF, LN_DPK b. Dependent Variable: LN_PMURABAHAH
Sumber: Hasil Output SPSS
Berdasarkan output SPSS Tabel 4.12, terlihat bahwa nilai Durbin-Watson sebesar 0,299. Jika kita bandingkan dengan tabel Durbin-Durbin-Watson dengan jumlah observasi (n) = 96 dan jumlah variabel independen 4 (k=4) diperoleh nilai tabel dL (Lower) = 1,5821 dan dU (Upper) = 1,7553. Oleh karena nilai DW = 0,299 berada di bawah dL = 1,5821, maka dapat disimpulkan terjadi autokorelasi positif.
Oleh karena adanya autokorelasi maka nilai Standard Error (SE) dan t-statistik tidak dapat dipercaya sehingga diperlukan pengobatan. Pengobatan autokorelasi tergantung dari nilai yang diestimasi dengan beberapa cara seperti di bawah ini:
a. Nilai diestimasi dengan Durbin-Watson (d) = 1 - �
= 1 - ( , 99
)
= 0,8505b. Nilai diestimasi dengan Theil-Nagar (d)
= �2 −�2 + �2
�2− �2 =
962 −0,2992 + 42
962− 42 = 0,8537 c. The Cochrane-Orcutt Two-Step Procedures
93 Langkah Iterasi Pertama:
1. Dapatkan nilai lag satu residual (Ut_1) dengan perintah Transform dan Compute. Isikan pada target variabel Ut_1 dan isikan pada kotak Numeric Expression Lag(Res_1).
2. Dari menu utama SPSS, pilih Analyze, kemudian submenu Regression, lalu pilih Linear. Pada kotak dependent isikan variabel Res_1 (Ut) dan pada kotak independent isikan variabel Ut_1 (Lag satu dari Ut). Abaikan yang lain dan pilih OK. Dari persamaan regresi tersebut didapatkan nilai pada Cochrane-Orcutt Step 1.
Tabel 4.12 Estimasi Iterasi Pertama
Coefficientsa Model Unstandardized Coefficients Standardized Coefficients t Sig. B Std. Error Beta 1 (Constant) -,001 ,014 -,049 ,961 Ut_1 ,855 ,056 ,844 15,171 ,000
a. Dependent Variable: Unstandardized Residual Sumber: Hasil Output SPSS
Berdasarkan hasil output SPSS yang tertera pada Tabel 4.13, diperoleh nilai pada iterasi pertama sebesar 0,855 (yaitu koefisien variabel Ut_1)
Langkah Iterasi Kedua:
Nilai = 0,855 yang diperoleh dari iterasi pertama digunakan untuk mengestimasi model general difference equation. Lalu lakukan regresi dengan model general difference equation untuk mendapatan nilai 2, 3, 4, dan 5.
94 Tabel 4.13 Langkah Estimasi Iterasi Kedua
Coefficientsa Model Unstandardized Coefficients Standardized Coefficients t Sig. B Std. Error Beta 1 (Constant) ,415 ,053 7,795 ,000 pLN_DPK ,807 ,025 ,995 31,994 ,000 pLN_SBIS -,034 ,017 -,055 -1,926 ,057 pLN_NPF ,032 ,043 ,018 ,750 ,455 pLN_ROA -,016 ,017 -,024 -,902 ,369
a. Dependent Variable: pLN_PMURABAHAH Sumber: Hasil Output SPSS
Hasil output SPSS Tabel 4.14 memberikan nilai 2 = 0,807, 3 = -0,034, 4 = 0,032, 5 = -0,016 sedangkan nilai 1 = 1(1-) = (-0,001).*(1-0,855)= -0,000145.
Setelah mendapatkan nilai Ut, buat variabel Lag satu Ut (Lag_Ut). Lalu lakukan regresi dengan mengisikan Ut pada kotak dependen dan Lag_Ut pada kotak independen pada SPSS.
Tabel 4.14 Estimasi Iterasi Kedua
Coefficientsa Model Unstandardized Coefficients Standardized Coefficients t Sig. B Std. Error Beta 1 (Constant) ,048 ,105 ,461 ,646 LagUt ,981 ,036 ,943 27,446 ,000 a. Dependent Variable: Ut Sumber: Hasil Output SPSS
Berdasarkan hasil output SPSS Tabel 4.15, diperoleh nilai = 0.981 pada iterasi kedua. Berdasarkan pada perhitungan di atas
95 diperoleh menurut berbagai metode seperti terlihat pada tabel di bawah ini:
Tabel 4.15 Hasil Estimasi
Metode Nilai
Durbin-Watson d 0,8505
Theil-Nagar d 0,8537
Cochrane-Orcutt Step 1 0,855
Cochrane-Orcutt Step 2 0,981
Sumber : Data Diolah
Tabel 4.16 menampilkan estimasi dari masing-masing metode. Untuk itu peneliti memilih metode Cochrane-Orcutt Step 2 untuk mentransformasikan persamaan regresi.
Tabel 4.16 Hasil Durbin-Watson Pengobatan Autokorelasi
Model Summaryb
Model R R Square Adjusted R
Square Std. Error of the Estimate Durbin-Watson 1 ,979a ,958 ,956 ,10853 2,012
a. Predictors: (Constant), LN_ROAIt@, LN_NPFIt@, LN_SBISIt@, LN_DPKIt@ b. Dependent Variable: LN_PMURIt@
Sumber: Hasil Output SPSS
Hasil regresi persamaan asli dengan sebelum ada transformasi dan hasil regresi setelah transformasi ternyata dapat dibandingkan (comparable). Hanya bedanya terletak pada nilai Durbin-Watson. Pada persamaan asli nilai DW sebesar 0,299 dan terjadi autokorelasi positif, sedangkan dengan persamaan regresi transformasi nilai Durbin-Watson sebesar 2,012 yang berarti tidak ada lagi masalah autokorelasi.
96 Gambar 4.9 Hasil Uji Durbin-Watson
Tolak H0 Bukti otokorelasi positif Daerah meragukan Terima H0 atau H0* atau keduanya Daerah meragukan Tolak H0 * Bukti otokorelasi negatif d 4 4-dU 4-dL dU dL 0 2,2447 2,4179 1,7553 1,5821 2,012
Sumber : Data Diolah 2. Analisis Regresi Linier Berganda
Tabel 4.17 Analisis Regresi Linier Berganda
Coefficientsa
Model Unstandardized
Coefficients
Standardized Coefficients
t Sig. Collinearity Statistics
B Std. Error Beta Tolerance VIF
1 (Constant) 1,368 ,372 3,675 ,000 LN_DPK ,912 ,037 1,014 24,662 ,000 ,363 2,754 LN_SBIS -,064 ,036 -,073 -1,773 ,080 ,362 2,765 LN_NPF ,255 ,041 ,158 6,209 ,000 ,945 1,058 LN_ROA ,005 ,032 ,004 ,145 ,885 ,913 1,096
a. Dependent Variable: LN_PMURABAHAH Sumber: Hasil Output SPSS
Berdasarkan Tabel 4.18, maka diperoleh persamaan sebagai berikut: LN_Y = 1,368 + 0,912LN_X1 + 0,255LN_X3
Keterangan:
LN_Y = Logaritma Natural Pembiayaan Murabahah LN_X1 = Logaritma Natural Dana Pihak Ketiga (DPK)
LN_X3 = Logaritma Natural Non Performing Financing (NPF) Bedasarkan hasil persamaan regresi tersebut, maka dapat diinterpretasikan:
97 1) Konstanta = 1,368
Apabila DPK, SBIS, NPF, dan ROA bernilai 0, maka nilai Pembiayaan Murabahah adalah sebesar 1,368%.
2) Koefisien b1= 0,912
Artinya setiap kenaikan DPK sebesar 1% maka Pembiayaan Murabahah mengalami kenaikan sebesar 0,912%, dengan catatan variabel lain dianggap konstan.
3) Koefisien b3= 0,255
Artinya setiap kenaikan NPF sebesar 1% maka Pembiayaan Murabahah mengalami kenaikan sebesar 0,255%, dengan catatan variabel lain dianggap konstan.
3. Uji Statistik
