Hasil Analisis dan Pembahasan - NPF Sektor Konstruksi

NPF Sektor Konstruksi

B. Hasil Analisis dan Pembahasan

Semua data yang digunakan dalam analisis ini merupakan data sekunder deret waktu (time series) mulai tahun 2012 sampai 2015. Penelitian tentang Non Performing Finance (NPF) sektor konstruksi pada Bank Umum Syariah dan Unit Usaha Syariah disini menggunakan data pada Statistik

0 20 40 60 80 100 120 Jan -12 Ap r-12 Ju l-12 Oct-12 Jan -13 Ap r-13 Ju l-13 Oct-13 Jan -14 Ap r-14 Ju l-14 Oct-14 Jan -15 Ap r-15 Ju l-15 Oct-15

BOPO

Perbankan Syariah sebagai variabel dependen. Sedangkan variabel independen terdiri dari Financing to Deposit Ratio (FDR), Capital Adequacy Ratio (CAR), dan Biaya Operasional Pendapatan Operasional (BOPO) keseluruhan dari data yang digunakan sebagai bahan penelitian diperoleh dari laporan bulanan Statistik Perbakan Syariah yang dipublikasi oleh Bank Indonesia dan Otoritas Jasa Keuangan.

Sebagaimana yang telah dijelaskan pada bab sebelumnya model yang digunakan peneliti sebagai alat analisis regresi berganda adalah Ordinary Least Square (OLS). Model OLS merupakan model estimasi yang sering digunakan untuk mengestimasi fungsi regresi populasi dari fungsi regresi sampel.³⁸ Pengolahan data dilakukan secara elektronik dengan menggunakan Microsoft Excel 2010 dan Eviews 9 untuk mempercepat hasil yang dapat menjelaskan variabel-variabel yang akan diteliti.

1. Uji Asumsi Klasik a. Uji Normalitas

Uji Normalitas yang digunakan dalam penelitian ini adalah menggunakan uji Jarque Bera dengan melihat nilai probability. Jika probability lebih besar dari nilai derajat α = 0.05, maka penelitian ini tidak ada permasalahan normalitas atau dengan kata lain, data terdistribusi normal. Sebaiknya, jika nilai probabilitasnya lebih kecil dari derajat kesalahan α = 0.05, maka dalam penelitian ini ada

Shochrul Rohmatul Ajija, dkk, Cara Cerdas Menguasai Eviews (Jakarta: Salemba Empat, 2011), h.23.

permasalahan normalitas atau dengan kata lain, data tidak terdistribusi normal. Tabel 4.1 Uji Normalitas 0 2 4 6 8 10 -2.5 -2.0 -1.5 -1.0 -0.5 0.0 0.5 1.0 1.5 2.0 Series: Residuals Sample 2012M01 2015M12 Observations 47 Mean -4.38e-15 Median -0.176395 Maximum 2.074105 Minimum -2.368769 Std. Dev. 0.945612 Skewness -0.092721 Kurtosis 3.516068 Jarque-Bera 0.588902 Probability 0.744941

Sumber: Hasil Output EViews 9

Berdasarkan Tabel 4.1, terlihat nilai probability sebesar 0.744941, lebih besar dari tingkat signifikansi sebesar 0.05, artinya data terdistribusi normal yang berarti H0 diterima.

b. Uji Multikolinieritas

Uji Multikolinieritas dilakukan untuk mengetahui ada tidaknya hubungan (korelasi) yang signifikan diantara dua atau lebih variabel independen dalam model regresi. Deteksi adanya multikolinieritas dilakukan dengan menggunakan uji korelasi parsial antar variabel independen. Dengan melihat nilai koefisien korelasi (r) antar variabel independen, dapat diputuskan apakah data terkena multikolinieritas atau tidak, yaitu dengan menguji koefisien korelasi antar variabel independen, jika terjadi korelasi, maka terdapat multikolinieritas, dimana model regresi

yang baik adalah tidak terjadi multikollinieritas antar variabel independen dengan variabel dependen. Hasil pengujian multikolinieritas menggunakan uji korelasi (r) dapat dilihat sebagai berikut:

Tabel 4.2

Hasil Uji Correlation Matrix

FDR CAR BOPO

FDR 1.000000 -0.047228 -0.746422 CAR -0.047228 1.000000 -0.083789 BOPO -0.746422 -0.083789 1.000000 Sumber: Hasil Output EViews 9

Dari tabel 4.2 diatas dapat dilihat hasil analisis uji multikolinieritas dengan Correlation Mattrix menunjukkan bahwa korelasi antar variabel independen antara FDR dan CAR maupun sebaliknya -0.047228, antara FDR dengan BOPO maupun sebaliknya sebesar -0.746422. dan antara CAR dengan BOPO maupun sebaliknya sebesar -0.083789.

Terlihat dari tabel 4.2 diatas nilai korelasi variabel independen (yaitu FDR, CAR dan BOPO) tertinggi hanya mencapai -0.746422 yaitu antara FDR dengan BOPO maupun dengan sebaliknya. Karena nilai -0.746422 < 0.85 sehingga diputuskan tidak terdapat multikolinieritas. Hasil ini menginformasikan model Ordinary Least Square (OLS) yang dilakukan dapat dikatakan terbebas dari gejala multikolinieritas.

c. Uji Heteroskedastisitas

Uji heteroskedastisitas bertujuan untuk menguji apakah dalam model regresi terjadi ketidaksamaan variance dari residual satu pengamatan ke pengamatan yang lain. Jika variance dari residual satu pengamatan ke pengamatan lain tetap, maka disebut Homoskedastisitas dan jika variance tidak konstan atau berubah-ubah disebut dengan Heteroskedastisitas. Metode pertama yang digunakan untuk mendeteksi adanya heteroskedastisitas pada penelitian ini adalah dengan melihat pola residualnya.

Gambar 4.5

Uji Heteroskedastisitas Dengan Melihat Pola Residual

-3 -2 -1 0 1 2 3 2 4 6 8 10

I II III IV I II III IV I II III IV I II III IV

2012 2013 2014 2015

Residual Actual Fitted

Sumber: Hasil Output EViews 9

Dengan melihat hasil tersebut, kita dapat menduga bahwa tidak terjadi heteroskedastisitas pada hasil estimasi, dimana residualnya

tidak membentuk suatu pola. Dengan kata lain, residual cenderung konstan.

Selanjutnya model kedua yang dapat dilakukan untuk mendeteksi adanya heteroskedastisitas pada penelitian ini adalah dengan melakukan Uji Glejser.

Tabel 4.3 Hasil Uji Glejser

Variable Coefficient Std. Error t-Statistic Prob.

C 0.813445 4.077459 0.199498 0.8428 FDR -0.010226 0.025126 -0.407010 0.6860 CAR 0.112307 0.100788 1.114292 0.2713 BOPO -0.009818 0.015776 -0.622361 0.5370 Sumber: Hasil Output EViews 9

Dari tabel di atas dapat disimpulkan bahwa semua variabel memiliki probabilitas di atas 5% atau 0.05. Oleh karena itu, dapat disimpulkan bahwa keseluruhan variabel telah lolos uji heteroskedastisitas.

d. Uji Autokorelasi

Penelitian ini menggunakan nilai Durbin-Watson untuk menguji autokorelasi. Menurut Singgih Santoso, panduan mengenai angka D-W untuk mendeteksi autokorelasi secara umum bisa diambil patokan:³⁹

 Angka D-W di bawah -2 berarti ada korelasi positif.

 Angka D-W diantara -2 sampai +2 berarti tidak ada korelasi.

Singgih Santoso, Buku Latihan SPSS Statistik Parametik (Jakarta: PT. Alex Media Komputindo, 2012), h. 243.

 Angka D-W di atas +2 berarti ada korelasi negatif.

Berikut ini hasil Uji Autokorelasi dengan variabel dependen Non Performing Financing:

Tabel 4.4

Uji Autokorelasi dengan Melihat Durbin-Watson

R-squared 0.102669 Mean dependent var -4.38E-15 Adjusted R-squared -0.006762 S.D. dependent var 0.945612 S.E. of regression 0.948804 Akaike info criterion 2.851515 Sum squared resid 36.90941 Schwarz criterion 3.087704 Log likelihood -61.01060 Hannan-Quinn criter. 2.940395 F-statistic 0.938207 Durbin-Watson stat 1.829260 Prob(F-statistic) 0.466573

Sumber: Hasil Output EViews 9

Berdasarkan tabel di atas dapat disimpulkan, bahwa hasil regresi dari nilai Durbin-Watson statistik sebesar 1.829260. Maka dapat disimpulkan pada model regresi ini tidak terdapat gejala autokorelasi karena nilai D-W diantara -2 dan +2 atau -2 < 1.829260 < +2.

1. Pengujian Hipotesis Statistik

Hasil pengolahan data atau hasil estimasi yang dilakukan dengan menggunakan program komputer Eviews 9 dengan menggunakan metode regresi linier berganda atau Ordinary Least Square (OLS) yang ditampilkan pada tabel berikut:

a. Uji Parsial (Uji t)

Uji-t bertujuan untuk mengetahui pengaruh secara parsial (individu) variabel-variabel independen (FDR, CAR, BOPO) terhadap variabel dependen yaitu Non Performing Finance (NPF). Salah satu cara untuk melakukan uji t adalah dengan melihat nilai probabilitas pada tabel uji statistik t.

Tabel 4.5 Uji t

Variable Coefficient Std. Error t-Statistic Prob. C 29.16743 6.294873 4.633521 0.0000 FDR -0.190300 0.038790 -4.905942 0.0000 CAR 0.030439 0.155599 0.195624 0.8458 BOPO -0.057241 0.024355 -2.350225 0.0234

Dari tabel 4.5 Didapatkan hasil uji statistik t yang dilakukan yaitu sebagai berikut:

1) Pengaruh t-statistik untuk FDR terhadap Non Performing Finance

(NPF).

Berdasarkan pada tabel 4.5 Diperoleh hasil thitung sebesar -4.905942 dengan tingkat signifikansi sebesar 0.0000. karena tingkat signifikansi lebih kecil dari 0.05 maka secara parsial FDR berpengaruh secara negatif dan signifikan terhadap Non Performing Finance (NPF).

2) Pengaruh t-statistik untuk CAR terhadap Non Performing Finance

(NPF).

Berdasarkan pada tabel 4.5 Diperoleh hasil t-hitung sebesar 0.195624. dengan tingkat signifikansi 0.8458. Karena tingkat signifikansi lebih besar dari 0.05 maka secara parsial CAR tidak berpengaruh terhadap

Non Performing Finance (NPF).

3) Pengaruh t-statistik untuk BOPO terhadap Non Performing Finance

(NPF).

Berdasarkan pada tabel 4.5 Diperoleh hasil t-hitung sebesar -2.350225 dengan tingkat signifikansi sebesar 0.0234. karena tingkat signifikansi lebih besar dari 0.05 maka secara parsial BOPO berpengaruh secara negatif dan tidak signifikan terhadap Non Performing Finance (NPF).

b. Uji F

Uji-F bertujuan untuk mengetahui pengaruh semua variabel independen (FDR, CAR dan BOPO) secara simultan (bersama-sama) terhadap variabel dependen yaitu Non PerformingFinance (NPF).

Tabel 4.6 Uji F

R-squared 0.399935 Mean dependent var 6.415745 Adjusted R-squared 0.358070 S.D. dependent var 1.220714 S.E. of regression 0.978043 Akaike info criterion 2.874739 Sum squared resid 41.13242 Schwarz criterion 3.032198 Log likelihood -63.55636 Hannan-Quinn criter. 2.933992 F-statistic 9.552950 Durbin-Watson stat 1.305364 Prob(F-statistic) 0.000059

Berdasarkan tabel 4.6, diperoleh hasil F-Statistik sebesar 9.552950 dengan nilai probabilitas (F-Statistik) sebesar 0.000059. karena hasil probabilitas (signifikansi) lebih kecil dari nilai α = 0.05 (0.00 < 0.05) berarti dapat disimpulkan bahwa FDR, CAR dan BOPO secara bersama-sama mempunyai pengaruh yang signifikan terhadap Non Performing Finance (NPF).

2. Koefisien Determinasi

Koefisien determinasi R² (R Square) yang digunakan dalam penelitian ini adalah menggunakan nilai Adjusted R² pada saat mengevaluasi model regresi terbaik. Hal tersebut dikarenakan variabel independen yang digunakan dalam penelitian ini lebih dari satu.

Tabel 4.7

Koefisien Determinasi (R²)

Sumber: Hasil Output EViews 9

Berdasarkan hasil regresi pada tabel 4.7 dapat diketahui bahwa nilai Adjusted R Squared sebesar 0.358070. hal ini menunjukkan bahwa variasi variabel dependen Non Performing Finance (NPF) secara bersama-sama dapat dijelaskan oleh variabel independen (FDR, CAR dan BOPO) sebesar 35,8%. Sedangkan sisanya 64,2% dijelaskan oleh faktor atau variabel lain diluar variabel yang diteliti.

Dalam dokumen Faktor-faktor yang Mempengaruhi Pembiayaan Bermasalah Sektor Konstruksi pada Bank Umum Syariah dan Unit Usaha Syariah di Indonesia Periode 2012-2015 (Halaman 74-84)