BAB IV HASIL PENELITIAN DAN PEMBAHASAN
4.2. Hasil Penelitian
a. Uji Normalitas Data
Tujuan uji normalitas adalah ingin mengetahui apakah distribusi sebuah data mengikuti atau mendekati distribusi normal, data tersebut tidak menceng ke kiri atau menceng ke kanan. Cara yang digunakan untuk mendeteksi apakah residual berdistribusi normal atau tidak dalam penelitian ini adalah dengan melakukan analisis grafik, yang terdiri dari histogram dan Normal Probability Plot, serta analisis statistik dengan menggunakan uji Kolmogorov-Smirnov (K-S). Hasil pengolahan data ditunjukkan pada gambar dibawah ini.
51 Sumber : Output SPSS yang diolah penulis (2015)
Gambar 4.1 Histogram
Sumber : Output SPSS yang diolah penulis (2015)
Gambar 4.2 Normal P-P Plot
52 Hasil uji grafik diatas telah menunjukkan distribusi residual yang relative normal, ditunjukkan dengan grafik histogram yang tidak menceng ke kiri atau ke kanan. Namun pada normal probability plot terlihat titik tidak mengikuti garis diagonal, hal ini berarti data berdistribusi tidak normal. Menurut Situmorang (2012) beberapa cara yang dilakukan jika data menyebar secara tidak normal adalah : 1. Melakukan transformasi data, misalnya mengubah data menjadi bentuk
logaritma (Log) atau natural (Ln) 2. Menambah jumlah data
3. Menghilangkan data yang dianggap sebagai penyebab tidak normalnya data 4. Menerima data apa adanya.
Pada penelitian ini dilakukan transformasi data untuk menormalkan data, kemudian dilakukan pengujian ulang terhadap uji normalitas untuk melihat kembali apakah data penelitian ini telah berdistribusi normal atau tidak. Hasil pengujian normalitas setelah transformasi dapat dilihat sebagai berikut :
Sumber : Output SPSS yang diolah penulis (2015)
Gambar 4.3
53 Sumber : Output SPSS yang diolah penulis (2015)
Gambar 4.4
Normal P-P Plot (setelah transformasi data)
Hasil uji grafik diatas telah menunjukkan distribusi residual yang relative normal, ditunjukkan dengan grafik histogram yang tidak menceng ke kiri atau ke kanan. Pada Normal probability plot terlihat titik yang mengikuti data disepanjang garis diagonal, hal ini berarti data berdistribusi normal. Hasil pengujian ini juga dikuatkan dengan pengujian Kolmogrov-Smirnov seperti yang ditunjukkan Tabel 4.1 dibawah ini :
54
Tabel 4.1
Hasil Uji Kolmogorov-Smirnov(setelah transformasi data) One-Sample Kolmogorov-Smirnov Test
Unstandardized Residual
N 120
Normal Parametersa,b Mean .0000000 Std. Deviation .48072275
Most Extreme Differences
Absolute .089 Positive .065 Negative -.089 Kolmogorov-Smirnov Z .979 Asymp. Sig. (2-tailed) .293
a. Test distribution is Normal. b. Calculated from data.
Sumber : Output SPSS yang diolah penulis (2015)
b. Uji Multikolinearitas
Uji Multikolinearitas bertujuan untuk menguji apakah pada model regresi ditemukan adanya korelasi antar variabel independen. Istilah multikolinearitas menunjukkan adanya lebih dari satu hubungan linear yang sempurna. Pada regresi yang baik seharusnya tidak terjadi korelasi antar variabel independen.Untuk mengetahui ada tidaknya gejala multikolinearitas pada suatu model dapat dilihat dari besarnya Variance Inflation Factor (VIF) dan nilai
Tolerance dengan ketentuan sebagai berikut :
Bila VIF > 5, maka terdapat multikolinearitas Bila VIF < 5, maka tidak terjadi multikolinearitas
Tolerance > 0.1, maka tidak terjadi multikolinearitas Tolerance < 0.1, maka terjadi multikolinearitas
55
Tabel 4.2
Hasil Uji Multikolinearitas(setelah transformasi data) Coefficientsa
Model Unstandardized Coefficients
Standardized Coefficients
t Sig. Collinearity Statistics
B Std. Error Beta Tolerance VIF
1 (Constant) -.515 .401 -1.285 .202 Log_CAR -.097 .419 -.021 -.231 .817 .924 1.082 Log_NPL .091 .129 .065 .707 .481 .925 1.081 Log_NPM -.534 .184 -.358 -2.909 .004 .516 1.938 Log_ROA .088 .173 .066 .508 .613 .465 2.151 Log_LDR -.297 .585 -.045 -.508 .613 .990 1.010
a. Dependent Variable: Log_PERTUMBUHANLABA
Sumber : Output SPSS yang diolah penulis (2015)
Hasil perhitungan nilai Tolerance pada Tabel 4.2 menunjukkan tidak ada variabel independen yang memiliki nilai tolerance kurang dari 0.10 yang berarti tidak ada korelasi antar variabel yang nilainya lebih dari 95%. Hasil perhitungan nilai
Variance Inflation Factor (VIF) juga menunjukkan hal yang sama, tidak ada
variabel bebas yang memiliki nilai VIF lebih dari 5. Jadi, dapat disimpulkan bahwa tidak ada multikolinearitas antar variabel bebas dalam model regresi.
c. Uji Heterokedastisitas
Uji Heterokedastisitas bertujuan untuk menguji apakah sebuah grup mempunyai varians yang sama diantara anggota grup tersebut. Jika varians sama, dan ini yang seharusnya terjadi maka dikatakan ada homokedastisitas. Sedangkan jika varians tidak sama dikatakan terjadi heterokedastisitas. Model regresi yang baik adalah tidak terjadi heterokedastisitas atau terjadi homokedastisitas. Deteksi ada tidaknya heterokedastisitas adalah dengan melihat ada tidaknya pola tertentu
56 yang terbentuk. Jika membentuk pola tertentu maka telah terjadi gejala heterokedastisitas. Hasil dari Uji Heteroskedastisitas dapat ditunjukkan pada Gambar 4.3 dibawah ini.
Sumber : Output SPSS yang diolah penulis (2015)
Gambar 4.3
Hasil Uji Heterokedastisitas(setelah transformasi data)
Dari hasil pengujian dapat disimpulkan tidak terjadi heterokedastisitas, dilihat daripola output di atas, diagram pencar residual tidak membentuk pola tertentu serta titik-titik menyebar di atas dan di bawah angka 0 baik pada sumbu Y maupun sumbu X. Kesimpulannya adalah bahwa regresi terbebas dari kasus heteroskedastisitas dan memenuhi persyaratan uji asumsi klasik tentang heteroskedastisitas.
57
d. Uji Autokorelasi
Uji Autokorelasi bertujuan menguji apakah dalam model regresi linear ada korelasi antara kesalahan pengganggu pada periode t dengan kesalahan pengganggu pada periode sebelumnya. Autokorelasi muncul karena observasi yang berurutan sepanjang waktu berkaitan satu sama lainnya. Metode regresi yang baik adalah tidak terdapat autokolerasi. Alat penguji yang digunakan adalah metode Durbin Watson.
Menurut Situmorang (2012), kriteria pengambilan keputusan ada tidaknya auokorelasi adalah sebagai berikut :
1. Tidak ada autokorelasi positif jika 0 < d < dl 2. Tidak ada autokorelasi positif jika dl ≤ d ≤ du 3. Tidak ada korelasi negatif jika 4 - dl < d < 4 4. Tidak ada korelasi negatif jika 4 - du ≤ d ≤ 4 - dl
5. Tidak ada autokorelasi positif atau negatif jika du < d < 4 - du
Hasil dari uji autokorelasi ditunjukkan pada tabel 4.3 di bawah ini :
Tabel 4.3
Hasil Uji Autokorelasi(setelah transformasi data) Model Summaryb
Model R R Square Adjusted R Square
Std. Error of the Estimate
Durbin-Watson
1 .330a .109 .070 .49115 2.048
a. Predictors: (Constant), Log_LDR, Log_NPL, Log_NPM, Log_CAR, Log_ROA b. Dependent Variable: Log_PERTUMBUHANLABA
58 Dari Tabel 4.3 diatasterlihat nilai DW sebesar 2.048, dan dari tabel DW nilai dl = 1.6164 dan du =1.7896, artinya nilai du < d < 4 - du, 1.7896 ≤ 2.048 ≤ 2.2104, berarti tidak ada autokorelasi positif atau negatif.
4.2.2. Statistik Deskriptif
Hasil Uji Statistik Deskriptif ditunjukkan pada Tabel 4.4 dibawah ini.
Tabel 4.4
Hasil Uji Statistik Deskriptif(setelah transformasi data) Descriptive Statistics
N Minimum Maximum Mean Std. Deviation
CAR 120 .1035 .4575 .171188 .0530978 NPL 120 .0014 .5096 .025813 .0474302 NPM 120 -1.3294 2.9329 .342664 .4226141 ROA 120 -.1290 .0542 .021309 .0192879 LDR 120 .4022 1.1330 .803298 .1310921 PERTUMBUHANLABA 120 -5.7718 50.8616 .861153 4.7532077 Valid N (listwise) 120
Sumber : Output SPSS yang diolah penulis (2015)
Dari Tabel 4.4 diatas dijelaskan bahwa :
a. variabel CARmemiliki nilai minimum 0.1035 yang dimiliki oleh Bank Woori Saudara 1906 pada tahun 2011dan nilai maksimum 0.4575 yang dimiliki oleh Bank QNB Indonesia pada tahun 2011. Nilai rata-rata CAR0.1711 dengan standar deviasi 0.05309. Hal ini menunjukkan bahwa selama periode tahun 2010-2013 secara statistik dapat dijelaskan bahwa CAR sudah memiliki standar yang baik. Adapun nilai rata-rata (mean) lebih besar dibanding nilai standar deviasi (standard deviation) menunjukkan bahwa data sudah terdistribusi dengan baik.
59 b. variabel Non Performing Loans(NPL) memiliki nilai minimum 0.0014 yang
dimiliki oleh Bank of India Indonesia tahun 2012 dan nilai maksimum 0.5096 yang dimiliki oleh Bank Pundi Indonesia tahun 2010. Nilai rata-rata
NPL0.0258dengan standar deviasi 0.0474. Hal ini menunjukkan bahwa selama periode tahun 2010-2013 secara statistik dapat dijelaskan bahwa NPL belum memenuhi standar dengan baik. Adapun nilai rata-rata (mean) lebih kecil dibanding nilai standar deviasi (standard deviation) menunjukkan bahwa data tidak terdistribusi dengan baik.
c. variabel Net Profit Margin (NPM)memiliki nilai minimum -1.3294 Bank Pundi Indonesia tahun 2010 dan nilai maksimum 2.9329 yang dimiliki oleh Bank Woori Saudara tahun 2011. Nilai rata-rata NPM0.3426 dengan standar deviasi 0.4226. Hal ini menunjukkan bahwa selama periode tahun 2010-2013 secara statistik dapat dijelaskan bahwa NPM belum memenuhi standar dengan baik. Adapun nilai rata-rata (mean) lebih kecil dibanding nilai standar deviasi (standard
deviation) menunjukkan bahwa data tidak terdistribusi dengan baik.
d. variabel Return on Asset(ROA) memiliki nilai minimum -0.1290yang dimiliki oleh Bank Pundi Indonesia tahun 2010dan nilai maksimum 0.0542 dimiliki oleh Bank Mestika Dharma tahun 2013. Nilai rata-rata ROA0.0213 dengan standar deviasi 0.0192. Hal ini menunjukkan bahwa selama periode tahun 2010- 2013 secara statistik dapat dijelaskan bahwa ROA sudah memiliki standar yang baik. Adapun nilai rata-rata (mean) lebih besar dibanding nilai standar deviasi (standard deviation) menunjukkan bahwa data sudah terdistribusi dengan baik.
60 e. variabel LDR (Loan to Deposit Ratio) memiliki nilai minimum 0.4022 yang
dimiliki oleh Bank Victoria International tahun 2010 dan nilai maksimum 1.1330 yang dimiliki oleh Bank QNB Indonesia tahun 2013. Nilai rata- rataLDR0.8032 dengan standar deviasi 0.1310. Hal ini menunjukkan bahwa selama periode tahun 2010-2013 secara statistik dapat dijelaskan bahwa LDR sudah memiliki standar yang baik. Adapun nilai rata-rata (mean) lebih besar dibanding nilai standar deviasi (standard deviation) menunjukkan bahwa data sudah terdistribusi dengan baik.
f.variabel Pertumbuhan Labamemiliki nilai minimum -57.718 yang dimiliki oleh Bank QNB Indonesia tahun 2012 dan nilai maksimum 50.8616 yang dimiliki oleh Bank Victoria International tahun 2010. Nilai rata-rata Pertumbuhan Laba0.8611 dengan standar deviasi 4.7532. Hal ini menunjukkan bahwa selama periode tahun 2010-2013 secara statistik dapat dijelaskan bahwa Pertumbuhan Laba belum memenuhi standar dengan baik. Adapun nilai rata-rata (mean) lebih kecil dibanding nilai standar deviasi (standard deviation) menunjukkan bahwa data tidak terdistribusi dengan baik.
61
4.2.3. Uji Hipotesis
a. Uji Koefisien Determinasi (R2)
Tabel 4.5
Hasil Uji Adjusted R Square Model Summary
Model R R Square Adjusted R Square
Std. Error of the Estimate
1 .330a .109 .070 .49115
a. Predictors: (Constant), Log_LDR, Log_NPL, Log_NPM, Log_CAR, Log_ROA
Sumber : Output SPSS yang diolah penulis (2015)
Dari hasil pengolahan regresi berganda pada tabel di atas dapat diketahui bahwa nilai R adalah 0.330 atau 33%. Nilai R pada intinya mengukur seberapa besar hubungan antara variabel independen dengan variabel dependen. Variabel penelitian yang digunakan lebih dari 2 maka yang diukur adalah Adjusted R
Square. Adjusted R Square sebesar 0.070 berarti 7% variasi dari variabel
independen yang terdiri dari CAR, NPL, NPM, ROA dan LDR hanya mampu menjelaskan variasi variabel dependen Pertumbuhan Laba sebesar 7%, sedangkan sisanya sebesar 93.% disebabkan oleh faktor lain yang tidak dimasukkan dalam model regresi.
b. Uji Signifikan Simultan (F-Test)
Uji F bertujuan untuk menguji apakah variabelCAR, NPL, NPM, ROA dan LDR secara simultan mempunyai pengaruh yang signifikan atau tidak signifikan dengan Pertumbuhan laba. Hal ini dengan membandingkan Fhitung dengan Ftabel pada tingkat signifikan (α) = 5%. Fhitung dapat dilihat pada Tabel 4.6.
62
Tabel 4.6 Hasil UjiF-Test
ANOVAa
Model Sum of Squares df Mean Square F Sig.
1
Regression 3.356 5 .671 2.783 .021b
Residual 27.500 114 .241
Total 30.857 119
a. Dependent Variable: Log_PERTUMBUHANLABA
b. Predictors: (Constant), Log_LDR, Log_NPL, Log_NPM, Log_CAR, Log_ROA
Sumber : Output SPSS yang diolah penulis (2015)
Hasil uji ANOVA yang ditunjukkan pada tabel 4.6 diatas diketahui Fhitung sebesar 2.783 dengan tingkat signifikansi lebih kecil dari tingkat kepercayaan (0.021< 0.05). Kesimpulannya H1 diterima. Artinya secara bersama-sama
(simultan)variabel Capital Adequacy Ratio (CAR), Non Performing Loan (NPL),
Net Profit Margin (NPM), Return on Asset (ROA), dan Loan to Deposit Ratio (LDR) berpengaruh signifikan terhadap Pertumbuhan Laba.
Adapun koefisiennya adalah sebagai berikut.
Tabel 4.7 Koefisien Uji ANOVA
Coefficientsa
Model Unstandardized Coefficients Standardized Coefficients T Sig. B Std. Error Beta 1 (Constant) -.515 .401 -1.285 .202 Log_CAR -.097 .419 -.021 -.231 .817 Log_NPL .091 .129 .065 .707 .481 Log_NPM -.534 .184 -.358 -2.909 .004 Log_ROA .088 .173 .066 .508 .613 Log_LDR -.297 .585 -.045 -.508 .613
a. Dependent Variable: Log_PERTUMBUHANLABA
63 Dari tabel di atas, dapat ditentukan persamaan regresi sebagai berikut :
Y = -0.515 - 0.097X1 +0.091X2 -0.534X3 +0.088X4 -0.297X5 +e
Dimana:
Y = Pertumbuhan Laba
X1 = Capital Adequacy Ratio(CAR)
X2 = Non Performing Loan (NPL)
X3 = Net Profit Margin(NPM)
X4 = Return on Asset (ROA)
X5 =Loan to Deposit Ratio(LDR)
e = Term of error Keterangan :
1) Konstanta (a) = -0.515 artinya tanpa mempertimbangkan variabel independen
CAR, NPL, NPM, ROA dan LDR, maka Pertumbuhan Laba akan diperoleh
sebesar -0.515.
2) koefisien regresi CAR sebesar -0.097 menyatakan bahwa setiap penambahan 1
CAR maka akan menurunkan Pertumbuhan Laba sebesar -0.097,dengan asumsi nilai variabel lain dianggap konstan.
3) koefisien regresi NPL sebesar 0.091 menyatakan bahwa setiap penambahan 1
NPL maka akan menaikkan Pertumbuhan Laba sebesar 0.091dengan asumsi nilai variabel lain dianggap konstan.
4) koefisien regresi NPM sebesar -0.534 menyatakan bahwa setiap penambahan 1
NPM maka akan menurunkan Pertumbuhan Laba sebesar -0.534dengan asumsi nilai variabel lain dianggap konstan.
64 5) koefisien regresi ROA sebesar 0.088 menyatakan bahwa setiap penambahan 1
ROA maka akan menaikkan Pertumbuhan Laba sebesar 0.088dengan asumsi nilai variabel lain dianggap konstan.
6) koefisien regresi LDR sebesar -0.297 menyatakan bahwa setiap penambahan 1
LDR maka akan menurunkan Pertumbuhan Laba sebesar -0.297dengan asumsi nilai variabel lain dianggap konstan.
c. Uji signifikan parsial (t-test)
Uji t menunjukkan seberapa jauh pengaruh variabel independen secara parsial terhadap variabel dependen. Uji t dengan melihat signifikansi untuk masing- masing variabel independen adalah sebagai berikut:
1. berdasarkan taraf signifikansi t-hitung CAR sebesar 0.817> 0.05 maka H1
ditolak. Artinya besarnya CAR secara parsial tidak berpengaruh signifikan terhadap pertumbuhan laba. Dengan melihat perbandingan antara t-hitung dengan t-tabel juga menunjukkan hasil yang sama. Nilai t-hitung untuk variabel CAR sebesar 0.817 dan t tabel (114,5) sebesar 1.65833. Dengan demikian, nilai t-hitung < dari nilai t-tabel (0.817<1.65833), maka CAR secara parsial tidak berpengaruh signifikan terhadap pertumbuhan laba.
2. berdasarkan taraf signifikansi t-hitung NPL sebesar 0.481> 0.05 maka H1
ditolak. Artinya besarnya NPL secara parsial tidak berpengaruh signifikan terhadap pertumbuhan laba. Dengan melihat perbandingan antara t-hitung dengan t-tabel juga menunjukkan hasil yang sama. Nilai t-hitung untuk variabel NPL sebesar 0.481dan t-tabel (114,5) sebesar 1.65833. Dengan
65 demikian, nilai t-hitung < dari nilai t-tabel (0.481 <1.65833), maka NPLsecara parsial tidak berpengaruh signifikan terhadap pertumbuhan laba.
3. berdasarkan taraf signifikansi t-hitung NPM sebesar 0.004< 0.05 maka H1diterima. Artinya besarnya NPM secara parsial berpengaruh signifikan
terhadap pertumbuhan laba.
4. berdasarkan taraf signifikansi t-hitung ROA sebesar 0.613> 0.05 maka H1ditolak. Artinya besarnya ROA secara parsial tidak berpengaruh signifikan
terhadap pertumbuhan laba. Dengan melihat perbandingan antara t-hitung dengan t-tabel juga menunjukkan hasil yang sama. Nilai t-hitung untuk variabel ROA sebesar 0.613dan t tabel (114,5) sebesar 1.65833. Dengan demikian, nilai t-hitung < dari nilai t-tabel (0.613<1.65833), maka ROAsecara parsial tidak berpengaruh signifikan terhadap pertumbuhan laba.
5. berdasarkan taraf signifikansi t-hitung LDR sebesar 0.613> 0.05 maka H1
ditolak. Artinya besarnya LDR secara parsial tidak berpengaruh signifikan terhadap pertumbuhan laba. Dengan melihat perbandingan antara t-hitung dengan t-tabel juga menunjukkan hasil yang sama. Nilai t-hitung untuk variabel LDR sebesar 0.613dan t tabel (114,5) sebesar 1.65833. Dengan demikian, nilai t-hitung < dari nilai t-tabel (0,613<1.65833), maka LDRsecara parsial tidak berpengaruh signifikan terhadap pertumbuhan laba.
Dengan menggunakan nilai signifikansi (α) = 5%, maka dapat diambil
kesimpulan CAR, NPL, ROA dan LDR secara parsial tidak berpengaruh signifikan terhadap pertumbuhan laba(α) >5%, hanya NPMyang berpengaruh signifikan terhadap pertumbuhan laba (α) <5%.
66
4.3. Pembahasan Hasil Penelitian