BAB IV HASIL PENELITIAN DAN PEMBAHASAN
4.2 Hasil Penelitian
4.2.1 Pengujian Asumsi Klasik 4.2.1.1 Uji Normalitas
Tujuan uji normalitas adalah ingin mengetahui apakah distribusi sebuah data mengikuti atau mendekati distribusi normal, yakni distribusi data dengan bentuk lonceng. Data yang baik adalah data yang mempunyai pola seperti distribusi normal, yakni distribusi data tersebut tidak menceng ke kiri atau menceng ke kanan. Uji normalitas dapat dilakukan dengan pendekatan Histogram, Grafik dan Kolmogorv-Smirnov.
a. Pendekatan Histogram
Sumber: Hasil olahan SPSS
Gambar 4.1
Histogram Dependent Variabel ResikoKredit
Gambar 4.1menunjukkan bahwa kurva histogram memberikan pola distribusi yang menceng (skewnes) ke kiri dan tidak normal.
b. Pendekatan Grafik
Sumber: Hasil olahan SPSS
Gambar 4.2
Normal P-P Plot ResikoKredit
Pada scatter plot terlihat titik yang mengikuti data di sepanjang garis diagonal. Hal ini berarti data berdistribusi normal. Namun seringkali data kelihatan normal karena mengikuti garis diagonal. Padahal belum tentu data tersebut berdistribusi normal. Untuk itu, dilakukan dengan uji statistik (Kolmogorv-Smirnov) untuk bebas dari keragu-raguan.
c. Pendekatan Kolmogorv-Smirnov
Tabel 4.1
One-Sample Kolmogorov-Smirnov Test
Unstandardized Residual
N 50
Normal Parametersa Mean .0000000
Std. Deviation .68816950
Most Extreme Differences Absolute .141
Positive .141
Negative -.094
Kolmogorov-Smirnov Z .998
Asymp. Sig. (2-tailed) .272
a. Test distribution is Normal.
Pada Tabel 4.1 diperoleh nilai Asymp. Sig (2-tailed) adalah 0.272 > 0.05 (di atas nilai signifikan). Hal ini berarti variabel residual berdistribusi normal.
4.2.1.2 Uji Heteroskedastisitas
Uji Heteroskedastisitas bertujuan 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 homokesdastisitas, dan jika berbeda disebut heterokedastisitas. Uji heterokedastisitas pada penelitian ini dilakukan dengan pendekatan grafik yaitu dengan melihat penyebaran dari varians residual pada diagram pencar (scatter plot).
Sumber: Hasil Penelitian (data diolah)
Gambar 4.3
Regression Standardized Predicted Value ResikoKredit
Berdasarkan Gambar 4.3 terlihat titik-titik menyebar secara merata di atas dan di bawah garis nol, tidak berkumpul di satu tempat, serta tidak membentuk
pola tertentu sehingga dapat disimpulkan bahwa pada uji regresi ini tidak terjadi masalah heteroskedastisitas.
4.2.1.3 Uji Autokorelasi
Uji ini digunakan untuk mengetahui apakah model regresi linier terdapat hubungan yang kuat baik positif maupun negatif antar data yang ada pada variabel-variabel pada penelitian. Model regresi yang baik adalah regresi yang bebas dari autokorelasi. Sehingga dengan demikian dapat dikatakan bahwa autokorelasi terjadi apabila observasi yang berturut-turut sepanjang waktu mempunyai korelasi antara satu dengan yang lainnya. Dalam penelitian ini digunakan Metode The Breusch-Godfrey (BG) Test untuk melihat apakah model regresi layak dikatakan bebas dari autokorelasi. Kriteria pengambilan keputusan adalah melihat apakah koefisien parameter untuk variabel auto (lag) menunjukkan probabilitas signifikan atas 0,05 (5%).
Tabel 4.2
Hasil Analisis Uji Autokorelasi
Coefficientsa Model Unstandardized Coefficients Standardized Coefficients t Sig. B Std. Error Beta 1 (Constant) 3.200 5.161 .620 .539 ROA -.039 .345 -.062 -.113 .911 ROE .012 .033 .166 .363 .719 CAR .024 .047 .086 .509 .613 NPL -.134 .168 -.157 -.802 .427 FirmSize -.479 .495 -.241 -.969 .338 BOPO .004 .025 .058 .163 .872 Auto .400 .158 .404 2.532 .065
a. Dependent Variable: Unstandardized Residual Sumber: Hasil Penelitian (data diolah)
Pada Tabel 4.2 dapat terlihat bahwa koefisien parameter untuk variabel auto (lag), menunjukkan probabilitas signifikan 0,65 atau diatas 0.05. Ini berarti data tidak terkena autokorelasi.
4.2.1.4 Uji Multikolinieritas
Uji Multikolonieritas bertujuan untuk mengetahui apakah dalam model regresi ditemukan adanya korelasi antar variabel bebas (independen). Model regresi yang baik seharusnya tidak terjadi korelasi diantara variabel independen. Adanya multikolinearitas dapat dilihat dari tolerance value atau nilai variance inflation factor (VIF). Jika nilai tolerance di bawah 1 dan nilai Variance Inflation Factor (VIF) tidak lebih dari 10 maka model terbebas dari multikolinearitas.
Berdasarkan analisis data didapat nilai Tolerance dan nilai VIF untuk masing-masing variabel independen seperti pada Tabel 4.3.
Tabel. 4.3
Hasil Analisi Uji Multikolineritas Coefficientsa Model Unstandardized Coefficients Standardized Coefficients t Sig. Collinearity Statistics B Std.
Error Beta Tolerance VIF
1 (Constant) 33.822 5.345 6.328 .000 ROA .737 .366 .770 2.013 .050 .069 4.515 ROE -.050 .035 -.452 -1.443 .156 .103 9.739 CAR -.103 .049 -.242 -2.099 .042 .758 1.319 NPL -.283 .171 -.215 -1.657 .105 .599 1.669 FirmSize -3.517 .491 -1.163 -7.162 .000 .382 2.619 BOPO -.041 .026 -.386 -1.575 .123 .168 5.969 a. Dependent Variable: ResikoKredit
Tabel 4.3 menunjukkan bahwa variabel bebas memiliki nilai Tolerance di bawah 1 dan nilai VIF kurang dari 10, maka dapat dikatakan model telah bebas dari multikolinearitas.
4.2.2 Pengujian Hipotesis 4.2.2.1 Uji Koefisien Determinasi
Analisis ini digunakan untuk mengetahui besarnya persentase pengaruh variabel yang diteliti, yaitu antara variabel Return on Asset (ROA), Return on Equity (ROE), Capital Adequacy Ratio (CAR), Non Performing Loan (NPL), Firm Size, dan BOPO (X6) terhadap Risiko kredit (Y) pada sepuluh peringkat bank terbaik di Indonesia.
Tabel 4.4
Hasil Analisis Uji Determinasi Model Summaryb
Model R R Square Adjusted R Square
Std. Error of the Estimate
1 .753a .567 .506 .73461
a. Predictors: (Constant), BOPO, CAR, NPL, FirmSize, ROE, ROA b. Dependent Variable: ResikoKredit
Sumber: Hasil Penelitian (data diolah)
Dari hasil perhitungan pada Tabel 4.4 dapat diketahui koefisien determinasi (Adjusted R-square) adalah 50,6%. Koefisien determinasi sebesar 50,6%, berarti risiko kredit (Y) dipengaruhi ROA (X1), ROE (X2), CAR (X3), NPL (X4), Firm Size (X5), dan BOPO (X6) secara simultan sebesar 50,6%. Sisanya sebesar 100 % - 50,6 % = 49,4% dipengaruhi oleh faktor lain yang tidak diteliti pada kesempatan ini.
4.2.2.2 Uji Signifikan Simultan (Uji-F)
Pengujian ini dilakukan untuk mengetahui apakah semua variabel bebas secara bersama-sama atau serempak mempunyai pengaruh yang signifikan terhadap variabel terikat. Langkah-langkah melakukan Uji F adalah sebagai berikut:
1. Merumuskan Formulasi Hipotesis
H0 : b1=b2=b3=b4=b5=b6= 0, artinya variabel ROA, ROE, CAR, NPL, Firm Size, BOPO secara simultan tidak mempunyai pengaruh yang signifikan terhadap Risiko Kredit.
H1 : b1#b2#b3#b4#b5#b6#b7#0, artinya ROA, ROE, CAR, NPL, Firm Size, dan BOPO secara simultan mempunyai pengaruh yang signifikan terhadap Risiko Kredit.
2. Menentukan Tingkat Kepercayaan
Tingkat kepercayaan dalam penelitian ini adalah 95%, α = 5%. df pembilang = k-1 (7-1 = 6)
df penyebut = n-k (50-7 = 43) maka diperoleh nilai F tabel = 2,32 3. Merumuskan Kriteria Pengujian
Jika F hitung < F table maka H0 diterima Jika F hitung > F table maka H0 ditolak 4. Analisis Data
Tabel 4.5
Analisis Uji Signifikan Simultan (Uji-F) ANOVAb
Model
Sum of
Squares Df Mean Square F Sig.
1 Regression 30.357 6 5.060 9.376 .000a
Residual 23.205 43 .540
Total 53.563 49
a. Predictors: (Constant), BOPO, CAR, NPL, FirmSize, ROE, ROA b. Dependent Variable: ResikoKredit
Sumber: Hasil Penelitian (data diolah)
Pada Tabel 4.4 dapat dilihat bahwa Fhitung adalah 9.376 dengan tingkat signifikansi 0,000. Sedangkan Ftabel pada alpha 5% 2.32. Oleh karena Fhitung > Ftabel dan tingkat signifikansinya 0,000 < 0,05 menunjukkan bahwa pengaruh variabel independen (ROA, ROE, CAR, NPL, Firm Size, dan BOPO) secara serempak adalah positif dan signifikan terhadap Resiko Kredit.
4.2.2.3 Uji Parsial (Uji-t)
Dilakukan untuk menguji setiap variabel bebas (ROA, ROE, CAR, NPL, Firm Size, dan BOPO) apakah mempunyai pengaruh yang signifikan terhadap variabel terikat (Resiko Kredit) secara parsial.
Tabel 4.6
Hasil Analisis Uji Parsial (Uji-t)
Model Unstandardized Coefficients Standardized Coefficients T Sig. B Std. Error Beta 1 (Constant) 33.822 5.345 6.328 .000 ROA .737 .366 .770 2.013 .040 ROE -.050 .035 -.452 -1.443 .156 CAR -.103 .049 -.242 -2.099 .042 NPL 283 .171 -.215 2.657 .105 FirmSize -3.517 .491 -1.163 -7.162 .000 BOPO -.041 .026 -.386 -1.575 .123
Sumber: Hasil Penelitian (data diolah)
Berdasarkan Tabel 4.6 pengujian masing-masing variabel dapat diinterpretasikan sebagai berikut:
1. Variabel Return On Asset (ROA)
Variabel Return on Aset (ROA) menghasilkan nilai Thitung (2.013) < Ttabel (2.017) dan tingkat signifikansinya 0,040 < 0,05 menunjukkan bahwa variabel independen ROA berpengaruh negatif dan signifikan terhadap resiko kredit.
2. Return on Equity (ROE)
Variabel Return on Equity (ROE) menghasilkan nilai Thitung (-1.443) < Ttabel (2.017) dan tingkat signifikansinya 0,156 > 0,05 menunjukkan bahwa variabel independen ROE berpengaruh negatif dan tidak signifikan terhadap resiko kredit.
3. Variabel Capital Adequacy Ratio (CAR)
Variabel Capital Adequacy Ratio (CAR) menghasilkan nilai Thitung (-2.099) < Ttabel (2.017) dan tingkat signifikansinya 0,042 < 0,05 menunjukkan bahwa variabel independen CAR berpengaruh negatif dan signifikan terhadap Resiko Kredit.
4. Variabel Non Performing Loan (NPL)
Variabel Non Performing Loan (NPL) menghasilkan nilai Thitung (2.657) > Ttabel
(2.017) dan tingkat signifikansinya 0,105 > 0,05 menunjukkan bahwa variabel independen NPL berpengaruh secara positif dan tidak signifikan terhadap Resiko Kredit.
5. Variabel Firm Size
Variabel Firm Size menghasilkan nilai Thitung (-7.162) < Ttabel (2.017) dan tingkat signifikansinya 0,000 < 0,05 menunjukkan bahwa variabel independen Firm Size berpengaruh negatif dan signifikan terhadap Resiko Kredit.
6. Variabel Biaya Operasional dan Pendapatan Operasional (BOPO)
Variabel BOPO menghasilkan nilai Thitung (-1.575) < Ttabel (2.017) dan tingkat signifikansinya 0,123 > 0,05 menunjukkan bahwa variabel independen BOPO berpengaruh negatif dan tidak signifikan terhadap Resiko Kredit.
4.2.2.4 Analisis Regresi Linear Berganda
Analisis Regresi Linear Berganda digunakan untuk mengukur pengaruh
antara lebih dari satu variabel independen terhadap variabel dependen. Analisis regresi linier berganda ini digunakan untuk mengetahui pengaruh resiko kredit yang meliputi variabel ROA (X1), ROE (X2), CAR (X3), NPL (X4), Firm Size (X5) dan BOPO (X6) terhadap variabel terikat Risiko Kredit (Y).
Berdasarkan Tabel 4.6 dihasilkan suatu persamaan regresi linear berganda sebagai berikut:
Y1 = 33.822 + 737x1 - 050x2 - 103x3 + 283x4 - 3.517x5 – 041x6 + e
Interpretasi dari persamaan tersebut adalah sebagai berikut:
α = 33.822, menunjukan semua variabel independen; Return On Asset (ROA), Return on Equity (ROE), Capital Adequacy Ratio (CAR), Non Performing Loan (NPL), Firm Size dan Biaya Operasional dan Pendapatan Operasional (BOPO) dianggap konstan maka Resiko Kredit mempunyai nilai positif.
b1 = 737, menunjukan variabel Return on Asset (ROA) berpengaruh secara positif artinya apabila ROA meningkat satu satuan unit maka akan naik sebesar 737 dengan asumsi variabel lain konstan.
b2 = -050, menunjukan variabel Return on Equity (ROE) berpengaruh secara negatif artinya apabila ROE meningkat satu satuan unit maka akan turun sebesar 050 dengan asumsi variabel lain konstan.
b3 = -103, menunjukan variabel Capital Adequacy Ratio (CAR) berpengaruh secara negatif artinya apabila CAR meningkat satu satuan unit maka akan turun sebesar 103 dengan asumsi variabel lain konstan.
b4 = 283, menunjukan variabel Non Performing Loan (NPL) berpengaruh secara positif artinya apabila NPL meningkat satu satuan unit maka akan naik sebesar 283 dengan asumsi variabel lain konstan.
b5 = -3.517, menunjukan variabel Firm Size berpengaruh secara negatif artinya apabila Firm Size meningkat satu satuan unit maka akan turun sebesar 3.517 dengan asumsi variabel lain konstan.
b6 = -041, menunjukan variabel BOPO berpengaruh secara negatif artinya apabila BOPO meningkat satu satuan unit maka akan turun sebesar 041 dengan asumsi variabel lain konstan.