HASIL PENELITIAN DAN PEMBAHASAN
4.2 Hasil Penelitian .1 Statistik Deskriptif .1 Statistik Deskriptif
Statistik deskriptif digunakan untuk menunjukkan jumlah data yang digunakan dalam penelitian ini serta dapat menunjukkan nilai maksimum, nilai
minimum, nilai rata-rata serta standar deviasi dari masing-masing variabel. Variabel dalam penelitian ini meliputi variable CAR, NPL, OER, LDR, dan Pertumbuhan laba. Hasil olah data deskriptif dapat dilihat pada tabel 4.1 sebagai berikut:
Tabel 4.1 Statistik Deskriptif
N Minimum Maximum Mean Std. Deviation
CAR 60 -22.29 33.27 15.7785 7.31509 NPL 60 .06 10.42 2.1703 2.02452 OER 60 41.99 1226.28 102.3962 148.05277 LDR 60 45.60 102.20 77.3078 13.55054 PERTUMBUHAN_LABA 60 -3630.58 1025.21 -12.5275 496.48826 Valid N (listwise) 60
Sumber: Data sekunder yang diolah
Pada tabel 4.1 diatas menunjukkan bahwa N atau jumlah data pada setiap variabel adalah 60 yang di teliti selama periode 2007 - 2010. Dari 60 sampel data CAR, nilai minimum sebesar -22,29 terdapat pada Bank Mutiara tahun 2008 dan nilai maksimum sebesar 33,27 terdapat pada Bank Swadesi tahun 2008. Berdasarkan hasil perhitungan diatas tampak bahwa standard deviasi CAR sebesar 7,31 lebih kecil dibanding dengan nilai mean (rata – rata) yaitu sebesar 15,77. Hal ini menunjukkan bahwa secara statistik, selama periode penelitian rasio CAR
telah memenuhi standar yang diberikan Bank Indonesia yaitu minimal 8%. Sehingga dapat disimpulkan bahwa rasio kecukupan modal yang dimiliki perbankan swasta devisa yang terdaftar di website BI dapat dikatakan relatif baik.
Dari 60 sampel data NPL, nilai minimum sebesar 0,06 terdapat pada Bank Central Asia pada tahun 2008 dan 2010. Nilai maksimum sebesar 10,42 terdapat pada Bank Mutiara pada tahun 2008. Nilai mean (rata – rata) NPL sebesar 2,17 dan nilai standar deviasi sebesar 2,02. Hal ini menunjukkan bahwa secara statistik, selama periode penelitian tingkat rasio NPL perbankan swasta devisa yang terdaftar di website BI efisien karena nilai rata-rata rasio NPL tidak melebihi ketentuan yang ditetapkan oleh BI yaitu maksimal 5%.
Dari 60 sampel data OER, nilai minimum sebesar 41,99 terdapat pada Bank Central Asia pada tahun 2008 dan maksimum sebesar 1226,28 terdapat pada Bank Mutiara tahun 2008. Nilai mean (rata – rata) sebesar 102,39 dengan standar deviasi 148,05. Hal ini menunjukkan bahwa secara statistik, selama periode penelitian, tingkat efisiensi operasi perbankan swata devisa yang terdaftar di website BI tidak baik karena nilai mean (rata-rata) rasio BOPO diatas 100%.
Dari 60 sampel data LDR, nilai minimum sebesar 45,60 terdapat pada Bank Ekonomi Raharja pada tahun 2009 dan nilai maksimum sebesar 102,20 terdapat pada Bank Himpunan Saudara 1906 pada tahun 2008. Nilai mean (rata – rata) sebesar 77,30 dengan standard deviasi sebesar 13,55. Secara statistik, dengan nilai mean (rata – rata) 77,30 dapat disimpulkan bahwa tingkat likuiditas yang dicapai perbankan swasta devisa yang terdaftar di website BI rendah karena dibawah standar yang ditetapkan yaitu 85%.
Sama halnya dengan variabel pertumbuhan laba, dari 60 sampel data, nilai minimum sebesar -3630,58 terdapat pada Bank Mutiara pada tahun 2007-2008 dan nilai maksimum sebesar 1025,21 terdapat pada Bank International Indonesia pada tahun 2009-2010. Nilai mean (rata – rata) sebesar -12,52 dengan standar deviasi 496,48. Standar deviasi lebih besar dari mean (rata – rata) pertumbuhan laba dan hal ini menunjukkan bahwa simpangan data pada variabel pertumbuhan laba dapat dikatakan tidak baik.
Standar deviasi menunjukkan seberapa jauh kemungkinan nilai yang diperoleh menyimpang dari nilai yang diharapkan (dalam hal ini variabel Pertumbuhan Laba, CAR, NPL, OER, LDR). Semakin besar nilai standar deviasi maka semakin besar kemungkinan nilai riil menyimpang dari yang diharapkan (Gujarati 1995).
4.2.2 Uji Asumsi Klasik
a. Uji normalitas
Uji ini bertujuan untuk menguji apakah dalam model regresi variabel terikat dan variabel bebas, keduanya mempunyai distribusi normal atau tidak. Model regresi yang baik adalah memiliki distribusi data normal atau mendekati normal, salah satu metode untuk mengetahui normalitas adalah dengan menggunakan metode analisis grafik dan uji statistik. Analisis grafik dapat dilihat dengan melihat grafik secara histogram ataupun dengan melihat secara Normal Probability Plot. Uji normalitas yang
pertama dengan melihat secara histogram sebagaimana terlihat dalam gambar 4.1 di bawah ini:
Gambar 4.1 Grafik Histogram
Sumber: Data sekunder yang diolah
Dari gambar 4.1 terlihat bahwa pola distribusi mendekati normal, akan tetapi jika kesimpulan normal atau tidaknya data hanya dilihat dari grafik
histogram, maka hal ini dapat menyesatkan khususnya untuk jumlah sampel yang kecil. Metode lain yang digunakan dalam analisis grafik adalah dengan melihat normal probability plot yang membandingkan distribusi kumulatif dari distribusi normal. Jika distribusi data residual normal, maka garis yang akan menggambarkan data sesungguhnya akan mengikuti garis diagonalnya. Uji normalitas dengan melihat Normal Probability Plot dapat dilihat pada gambar 4.2 berikut:
Gambar 4.2 Grafik Normal P-Plot Sumber: Data sekunder yang diolah
Grafik probabilitas pada gambar 4.2 di atas menunjukkan data terdistribusi secara tidak normal karena distribusi data residualnya terlihat menjauhi
garis normalnya. Pengujian normalitas data secara analisis statistik dapat dilakukan dengan menggunakan uji kolmogorov – Smirnov. Data yang berdistribusi normal ditunjukkan dengan nilai signifikansi di atas 0,05 (Ghozali, 2009:165). Hasil pengujian normalitas terhadap 60 data terlihat dalam Tabel 4.2 berikut ini
Tabel 4.2
Hasil Uji Normalitas dengan Kolmogorov-Smirnov One-Sample Kolmogorov-Smirnov Test
Unstandardized Residual
N 60
Normal Parametersa,b Mean .0000000
Std. Deviation 151.57978358
Most Extreme Differences Absolute .240
Positive .240
Negative -.157
Kolmogorov-Smirnov Z 1.857
Asymp. Sig. (2-tailed) .002
a. Test distribution is Normal.
b. Calculated from data.
Berdasarkan tabel diatas menunjukkan bahwa data belum terdistribusi secara normal. Hal ini ditunjukan nilai Kolmogorov-SmirnovZ sebesar 1,857 dengan nilai signifikansi 0,002. Hal ini menunjukkan bahwa data belum terdistribusi normal. Untuk memperoleh hasil terbaik maka dilakukan transformasi normal agar data menjadi lebih normal dengan menggunakan natural logaritma (Ln) (Ghozali, 2009:35). Hasil pengujian normalitas yang kedua tampak dalam Tabel 4.3 sebagai berikut:
Tabel 4.3
Data setelah transformasi Ln One-Sample Kolmogorov-Smirnov Test
Unstandardized Residual
N 39
Normal Parametersa,b Mean .0000000
Std. Deviation 1.35245379
Most Extreme Differences Absolute .146
Positive .099
Negative -.146
Kolmogorov-Smirnov Z .911
Asymp. Sig. (2-tailed) .378
a. Test distribution is Normal. b. Calculated from data.
Dari pengujian kedua terlihat bahwa data telah terdistribusi normal dengan nilai signifikansi diatas 0,005 yaitu sebesar 0,378. Hasil terakhir di atas juga didukung hasil analisis grafiknya, yaitu grafik histogram maupun grafik Normal Probability Plot. Seperti gambar 4.3 dan 4.4 dibawah ini:
Gambar 4.3
Grafik Histogram setelah transformasi Ln
Gambar 4.4
Normal probability plot (setelah transformasi Ln) Sumber: Data sekunder yang diolah
Dengan melihat tampilan grafik histogram dapat disimpulkan bahwa pola distribusi data mendekati normal. Kemudian pada grafik normal plot terlihat titik – titik sebaran lebih mendekati garis normal jika dibandingkan dengan grafik normal plot saat sebelum dilakukan transformasi ke logaritma natural. Sehingga untuk uji asumsi klasik selanjutnya menggunakan persamaan regresi Ln_Pertumbuhan_laba = f(Ln_CAR, LnNPL, LnOER, Ln LDR).
b. Uji Multikolineritas
Uji ini bertujuan menguji apakah pada model regresi ditemukan adanya korelasi antar variabel independen. Untuk mengetahui ada tidaknya multikolinearitas dapat dilihat dari nilai Variance Imflation Factor ( VIF ) dan nilai Tolerance, apabila nilai VIF > 10 dan nilai Tolerance < 0,1 maka terjadi multikolinearitas dan apabila nilai VIF < 10 dan nilai Tolerance > 0,1 maka tidak terajadi multikolineraritas. Hasil uji mutikolinearitas dapat dilihat pada tabel berikut :
Tabel 4.4
Hasil Uji Multikolinearitas Coefficientsa Model Collinearity Statistics Tolerance VIF 1 Ln_CAR .912 1.096 Ln_NPL .963 1.038
Ln_OER .917 1.091
Ln_LDR .885 1.130
a. Dependent Variable: Ln_PERTUMBUHAN_LABA
Sumber: Data sekunder yang diolah
Dari hasil pengujian diatas dapat dilihat bahwa angka Tolerance CAR, NPL, OER, dan LDR > 0,10 dan VIF- nya < 10 maka tidak ada multikolinearitas antar variabel independen tersebut.
c. Uji Heteroskedastisitas
Uji heteroskesdastisitas 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 berbeda disebut Heteroskedastisitas. Model regresi yang baik adalah yang Homoskedastisitas atau tidak terjadi Heteroskedastisitas. Untuk mendeteksi ada tidaknya heteroskedastisitas menurut Ghozali (2005:105) dapat dilihat dari grafik scatterplot antara lain prediksi variabel dependen, yaitu ZPRED dengan residualnya SRESID. Dasar pengambilan keputusannya adalah :
1) jika ada pola tertentu, seperti titik-titik yang ada membentuk pola tertentu yang teratur (bergelombang, melebar kemudian menyempit), maka mengindikasikan telah terjadi heteroskedastisitas.
2) jika tidak ada pola yang jelas, seperti titik-titik menyebar di atas dan di bawah angka 0 pada sumbu Y, maka tidak terjadi heteroskedastisitas atau terjadi homoskedastisitas.
Hasil uji heteroskedastisitas dengan menggunakan grafik Scatterplot ditunjukkan pada Gambar 4.5 dibawah ini:
Gambar 4.5 Grafik Scatterplot
Pada grafik scatterplot terlihat bahwa titik-titik menyebar secara acak serta tersebar baik di atas maupun di bawah angka 0 pada sumbu Y, sehingga dapat disimpulkan bahwa tidak terjadi heteroskedastisitas pada model regresi.
d. Uji Autokorelasi
Uji ini bertujuan untuk melihat apakah dalam suatu model regresi linear ada korelasi antar kesalahan pengganggu pada periode t dengan kesalahan pada periode t-1. Berikut ini merupakan hasil uji Durbin-Watson yang digunakan. Tabel 4.5 Uji Durbin-Watson Model Summaryb Model Durbin-Watson dimen sion0 1 2.180a
a. Predictors: (Constant), Ln_LDR, Ln_NPL, Ln_OER, Ln_CAR b. Dependent Variable: Ln_PERTUMBUHAN_LABA
Sumber : Data sekunder yang diolah
Dari hasil uji autokorelasi Durbin – Watson dengan menggunakan spss 18 maka diperoleh nilai DW sebesar 2,180. Dengan melihat kriteria Durbin – Watson yaitu 1,65<DW<2,35 maka dapat disimpulkan tidak terjadi autokorelasi.
4.2.3 Uji Analisis Regresi Berganda
Hasil analisis regresi ditunjukkan pada tabel 4.5 berikut ini : Tabel 4.6 Analisis Regresi Coefficientsa Model Unstandardized Coefficients Standardized Coefficients t Sig. B Std. Error Beta 1 (Constant) -10.562 7.960 -1.327 .193 Ln_CAR -.484 .831 -.095 -.582 .564 Ln_NPL -.102 .256 -.064 -.400 .691
Ln_OER 2.457 1.301 .309 1.888 .068
Ln_LDR 1.110 1.177 .157 .943 .353
a. Dependent Variable: Ln_PERTUMBUHAN_LABA
Sumber: Data sekunder yang diolah
Pada tabel coefficients yang diinterpretasikan adalah nilai dalam kolom B, baris pertama menunjukkan konstanta variabel independen. Dengan melihat tabel 4.6 diatas, dapat disusun persamaan regresi sebagai berikut: Ln_Pertumbuhan Laba = - 10,562 - 0,484 Ln_CAR - 0,102 Ln_NPL +
2,457 Ln_OER+ 1,110 Ln_LDR
Dari persamaan regresi tersebut diatas maka dapat dianalisis sebagai berikut:
a. Konstanta sebesar - 10,562 menyatakan bahwa jika nilai CAR, NPL, OER, LDR adalah nol maka pertumbuhan laba yang terjadi adalah sebesar - 10,562.
b. Koefisien regresi CAR sebesar - 0,484 menyatakan bahwa setiap penambahan CAR sebesar 1% maka akan menurunkan pertumbuhan laba sebesar 0,484%.
c. Koefisien regresi NPL sebesar - 0,102 menyatakan bahwa setiap penambahan NPL sebesar 1% maka akan menurunkan pertumbuhan laba sebesar 0,102%.
d. Koefisien regresi OER sebesar 2,457 menyatakan bahwa setiap penambahan OER sebesar 1% maka akan meningkatkan pertumbuhan laba sebesar 2,457%.
e. Koefisien regresi LDR sebesar 1,110 menyatakan bahwa setiap penambahan LDR sebesar 1% maka akan meningkatkan pertumbuhan laba sebesar 1,110%.