BAB IV ANALISIS HASIL PENELITIAN
B. Analisis Hasil Penelitian
2. Hasil Uji Asumsi Klasik
Pengujian hipotesis dilakukan dengan menggunakan uji regresi linier berganda. Uji-uji ini terdiri dari uji normalitas data, uji multikolinearitas, autokorelasi dan uji heteroskedastisitas.
a. Hasil Uji Normalitas Data
Ada dua cara yang dapat digunakan untuk mendeteksi apakah residual berdistribusi normal atau tidak, yaitu dengan analisis grafik dan uji statistik. Pada penelitian ini akan digunakan kedua cara tersebut.
a. Analisis grafik
Analisis grafik dapat dilakukan dengan dua alat, yaitu grafik histogram dan grafik P-P Plot. Data yang baik adalah data yang memiliki pola distribusi normal. Pada grafik histogram, data yang mengikuti atau mendekati distribusi normal adalah distribusi data dengan bentuk lonceng. Pada grafik P-P Plot, sebuah data dikatakan berdistribusi normal apabila titik-titik datanya tidak menceng ke kiri atau ke kanan melainkan menyebar disekitar garis diagonal. Pada penelitian ini distribusi data pada grafik histogram (gambar 4.1) berbentuk lonceng dan pada grafik P-P plot (gambar 4.2), titik-titiknya tidak condong ke salah satu sisi, kiri atau kanan, sehingga dapat disimpulkan bahwa pola distribusi datanya adalah normal.
Gambar 4.1 Grafik Histogram
Sumber: Hasil Olahan Data SPSS, 2009
Gambar 4.2 Grafik P-P Plot
b. Uji statistik
Pengujian normalitas data dengan hanya melihat grafik dapat menyesatkan kalau tidak melihat secara seksama. Oleh sebab itu, ada baiknya dilakukan juga uji normalitas data dengan menggunakan statistik agar lebih meyakinkan. Untuk memastikan apakah data di sepanjang garis diagonal berdistribusi normal, maka dilakukan uji kolmogorov smirnov (1 sample KS) dengan melihat data residualnya apakah berdistribusi normal atau tidak. Hasil uji kolmogorov smirnov dapat di lihat pada tabel 4.4.
Tabel 4.4
One – Sample Kolmogorov – Smirnov Test
One-Sample Kolmogorov-Smirnov Test
Unstandardized Residual
N 48
Normal Parametersa Mean .0000000
Std. Deviation .01696917
Most Extreme Differences Absolute .082
Positive .082
Negative -.078
Kolmogorov-Smirnov Z .569
Asymp. Sig. (2-tailed) .903
a. Test distribution is Normal.
Sumber: Hasil Olahan Data SPSS, 2009
Berdasarkan tabel 4.4 dapat dilihat bahwa nilai signifikansi variabel independen dan variabel dependen menunjukkan data terdistribusi secara normal, karena hasil signifikansinya adalah 0,903 dan di atas nilai signifikansi 0,05 dengan kata lain variabel residual berdistribusi normal.
c. Hasil Uji Heteroskedastisitas
Model regresi yang baik adalah yang homokedastisitas, artinya
variance dari residual satu pengamatan ke pengamatan tetap. Pengujian
heteroskedastisitas dapat dilakukan dengan cara grafik dan cara statistik. Pada penelitian ini digunakan cara grafik untuk mengetahui ada tidaknya gejala heteroskedastisitas. “Deteksi ada tidaknya heteroskedastisitas dapat dilakukan dengan melihat ada tidaknya pola tertentu pada grafik scatterplot antara SRESID dan ZPRED dimana sumbu Y adalah Y yang telah diprediksi dan sumbu X adalah residual” (Ghozali, 2005: 105).
Gambar 4.3 Scatterplot
Sumber: Hasil Olahan Data SPSS, 2009
Pada gambar 4.3 dari grafik scatterplot yang disajikan, terlihat titik-titik membentuk pola tertentu baik di atas maupun di bawah angka nol pada sumbu Y. Dengan demikian model regresi menunjukkan adanya
gejala heteroskedastisitas. Oleh sebab itu dilakukan treatment dengan membuat transformasi data dalam bentuk logaritma natural (LN). data setelah ditransformasi dalam bentuk LN dapat dilihat pada tabel berikut:
Tabel 4.5
Data Setelah Ditransformasi dalam Bentuk LN
TAHUN BULAN TABUNGAN DEPOSITO KREDIT
2005 Januari - - - Februari -4.475065896 -4.007713852 -4.521362249 Maret -3.66573351 - -3.411507651 April - -3.895638506 - Mei -4.222981874 - -3.477116265 Juni -5.407545008 -4.513921069 -4.236633268 Juli -3.773393052 -2.785202744 -5.053726276 Agustus - -4.150277166 -4.421302366 September - - -4.932509822 Oktober -3.148841368 -3.916943677 -3.970331205 November - -3.224231391 - Desember - -2.527390237 -4.22705091 2006 Januari - - - Februari -1.415611812 -0.985452675 -1.17960516 Maret -4.079902516 -3.103373329 -3.505901143 April - - - Mei -5.321367284 -2.278439653 -3.418773444 Juni -4.384417148 -4.129303473 -4.307488274 Juli -4.585613268 -4.261069211 -4.163619308 Agustus - -3.144330494 -4.512777821 September -5.996914815 -4.426761841 -4.212692496 Oktober -4.51678124 -5.320766527 -5.301727194 November -4.251435913 -3.303072102 -5.483136513 Desember -3.767191266 -5.435691752 -4.062415679 2007 Januari -3.622437746 -5.276332511 -5.382105412 Februari -4.254068203 - -4.632065904 Maret -4.61555601 - -4.037010473 April -3.782373446 -3.283017524 -4.108911252 Mei -4.912355608 -4.354589661 -4.431456562 Juni -3.887144282 - -4.695091089 Juli -4.268661648 -3.526354563 -5.972562034
Agustus -6.673227412 - -4.64459904 September -4.193824706 - -4.517780192 Oktober -3.966564228 -3.954285411 - November -4.129214783 -2.638411418 -5.228321295 Desember -3.431974262 -2.799952493 -4.832259951 2008 Januari -3.946487085 - - Februari -3.783841515 - -6.066452132 Maret -4.934491383 - -3.589330488 April -3.434659741 -5.75216892 -4.053511584 Mei -6.147717944 -4.022755145 -4.78145639 Juni -3.638985716 - -3.608697669 Juli -3.668405817 -4.371574734 -4.57357256 Agustus - - -3.847181834 September -3.919621823 -4.765209371 -3.845292747 Oktober - -3.189914086 -4.734056321 November -5.307071777 -4.823229095 -3.732641567 Desember -3.624753914 - -4.229775221
Dari data tersebut diatas terlihat bahwa beberapa data tidak memiliki nilai. Hal ini disebabkan karena adanya proses transformasi dalam ke dalam bentuk logaritma natural (LN). Data yang memiliki nilai negatif tidak bisa ditransformasikan dalam bentuk LN sehingga data tersebut menjadi tidak ada. Akibat adanya transformasi data, maka model regresi:
Y = a + bX1 + bX2 + e berubah menjadi:
LN_Y = a + b(LN_X1) + b(LN_X2) + e
Ketika dilakukan pengujian kembali, maka diperoleh hasil seperti gambar dibawah ini:
Gambar 4.4 Scatterplot
Sumber: Hasil Olahan Data SPSS, 2009
Pada gambar 4.4 dari grafik scatterplot yang disajikan, terlihat titik-titik menyebar secara acak dan tidak membentuk suatu pola tertentu baik di atas maupun di bawah angka nol pada sumbu Y. Dengan demikian model regresi tidak menunjukkan adanya gejala heteroskedastisitas. Hal ini berarti model regresi layak digunakan untuk memprediksi perkembangan jumlah kredit yang diberikan.
b. Hasil Uji Multikolinearitas
“Uji multikolinearitas dilakukan untuk menguji apakah pada model regresi ditemukan adanya korelasi antar variabel bebas” (Ghozali, 2005:
91). Menurut Ghozali (2005) “adanya gejala multikolinearitas dapat dilihat dari tolerance value atau nilai Variance Inflation Factor (VIF). Batas tolerance value adalah 0,1 dan batas VIF adalah 10”. Apabila
tolerance value < 0,1 atau VIF > 10 = terjadi multikolinearitas. Apabila tolerance value > 0,1 atau VIF < 10 = tidak terjadi multikolinearitas. Hasil
uji multikolinearitas pada penelitian ini dapat dilihat pada tabel 4.6 dibawah ini.
Tabel 4.6
Hasil Uji Gejala Multikolinearitas
Coefficientsa Model Unstandardized Coefficients Standardized Coefficients t Sig. Collinearity Statistics B Std.
Error Beta Tolerance VIF
1 (Constant) -2.413 .901 -2.678 .014 LN_ perkembangan jumlah tabungan .252 .195 .268 1.288 .212 .892 1.121 LN_ perkembangan jumlah deposito .222 .174 .266 1.277 .216 .892 1.121 a. Dependent Variable: LN_ jumlah kredit
Sumber: Hasil Olahan Data SPSS, 2009
Hasil pengujiannya menunjukkan tidak ada satupun variabel bebas yang memiliki nilai VIF lebih dari 10 dan tidak ada yang memiliki
tolerance value lebih kecil dari 0,1. Jadi dapat disimpulkan tidak terjadi
multikolinearitas antar variabel bebas dalam model regresi penelitian ini. Dari hasil analisis, didapat nilai VIF untuk perkembangan jumlah tabungan dan perkembangan jumlah deposito adalah 1,121 (lebih kecil dari 10) dan nilai tolerance sebesar 0,892 (lebih besar dari 0,01).
Berdasarkan hasil ini maka dapat disimpulkan bahwa variabel perkembangan jumlah tabungan dan perkembangan jumlah deposito lolos uji gejala multikolinearitas.
d. Hasil Uji Autokorelasi
Uji ini bertujuan untuk menganalisis apakah dalam model regresi linier ada korelasi antara kesalahan pengganggu pada periode t dengan tingkat kesalahan pada periode t-1. Autokorelasi muncul karena observasi yang berurutan sepanjang tahun yang berkaitan satu dengan yang lainnya, hal ini sering ditemukan pada data time series. Untuk mendeteksi masalah autokorelasi, dapat dilakukan dengan uji Durbin Watson. Mengacu pada pendapat Santoso (2002), secara umum Panduan mengenai angka Durbin Watson dapat diambil patokan sebagai berikut: Apabila Durbin Watson < -2 atau Durbin Watson > +-2 berarti terdapat autokorelasi. Apabila --2 < Durbin Watson < +2 berarti tidak terdapat autokorelasi. Hasil uji autokorelasi dapat dilihat pada tabel 4.7 berikut:
Tabel 4.7
Hasil Uji Autokorelasi
Model Summaryb
Model R R Square Adjusted R Square Std. Error of the
Estimate
Durbin-Watson
1 .435a .189 .112 .886863721807061 1.490
a. Predictors: (Constant), LN_perkembangan jumlah deposito, LN_perkembangan jumlah tabungan
b. Dependent Variable: LN_ jumlah kredit
Dari tabel 4.7 diatas dapat diketahui bahwa nilai Durbin Watson sebesar 1,490. Nilai tersebut terletak diantara -2 dan 2, maka tidak terjadi autokorelasi dalam penelitian ini.
