BAB IV HASIL DAN PEMBAHASAN
B. Hasil Uji Analisis Data Penelitian
2. Hasil Uji Asumsi Klasik
Pengujian asumsi klasik yang digunakan atas data sekunder
dalam penelitian ini meliputi uji normalitas, multikolinearitas,
heterokedastisitas dan autokorelai dengan hasil pengujian sebagai
berikut:
a. Hasil Uji Normalitas
Uji normalitas bertujuan untuk menguji apakah dalam
model regresi, variable pengganggu atau residual memiliki
distribusi normal atau tidak. Pada software Eviews 8.0, pengujian sebuah data dilakukan dengan Jarque-Bera test. Jarque-Bera test
adalah uji statistik untuk mengetahui apakah data berdistribusi
64
dari nilai Chi-Square tabel dengan degree of freedom sebanyak data sampel yang ada dan nilai probability lebih besar dari nilai
signifikansi 0,05.75
Hasil dari uji normalitas dengan menggunakan Test
Jarque-Bera dapat dilihat pada grafik dibawah ini:
Gambar 4.4 Grafik Test Normalitas Jarque-Bera
0 2 4 6 8 10 12 -4 -2 0 2 4 6 8 10 12
Series: Standardized Residuals Sample 2011 2015 Observations 50 Mean 1.57e-15 Median -0.534999 Maximum 11.21834 Minimum -4.075714 Std. Dev. 2.638693 Skewness 1.786515 Kurtosis 8.143189 Jarque-Bera 81.70610 Probability 0.000000
Sumber: data sekunder diolah (output Eviews 8.0)
Dari histogram diatas, menunjukan nilai Jarque Bera
sebesar 81,70610, sementara nilai Chi Square dengan melihat jumlah variabel independen yang digunakan adalah 4 variabel dan
nilai signifikansi yang digunakan adalah 0,05 atau 5% didapat nilai
Chi Square tabel sebesar 9,488, yang berarti nilai Jarque Bera hitung > Chi Square tabel, dan nilai probability sebesar 0,00010 yang berarti nilai probability < nilai signifikansi, yang berarti data
dalam penelitian ini tidak berdistribusi normal.
75
Karena dari hasil uji normalitas diatas menunjukan bahwa
data penelitian tidak berdistribusi dengan normal, maka semua data
variabel pada penelitian ini dilakukan Ln untuk mendapatkan hasil
yang lebih baik.
Berikut ini merupakan histogram hasil uji normalitas setelah semua
data variabel pada penelitian ini dilakukan Ln.
Gambar 4.5 Hasil Uji Normalitas Setelah di Ln
0 2 4 6 8 10 12 -0.3 -0.2 -0.1 0.0 0.1 0.2 0.3 0.4
Series: Standardized Residuals Sample 2011 2015 Observations 50 Mean -1.20e-16 Median -0.014776 Maximum 0.362620 Minimum -0.305633 Std. Dev. 0.139370 Skewness 0.574330 Kurtosis 3.634176 Jarque-Bera 3.586670 Probability 0.166404 Sumber: data sekunder diolah (output Eviews 8.0)
Dari histogram diatas, menunjukan nilai Jarque Bera
sebesar 3,586670, sementara nilai Chi Square dengan melihat jumlah variabel independen yang digunakan adalah 4 dan nilai
signifikansi yang digunakan adalah 0,05 atau 5%, didapat nilai Chi Square tabel sebesar 9,488, yang berarti nilai Jaerque Bera hitung < Chi Square tabel, dan nilai probability sebesar 0,166404 yang
66
berarti nilai probability > nilai signifikansi, yang berarti data dalam
penelitian ini terdistribusi normal.
b. Hasil Uji Multikolinearitas
Multikolinearitas (multicollinearity) merupakan hubungan linier antara variabel independen di dalam regresi berganda.76 Pada
software Eviews 8.0, untuk mendeteksi ada tidaknya multikolinearitas dengan melihat nilai koefisien korelasi pada
masing-masing variabel independen melalui uji matriks korelasi.
Jika nilai koefisien korelasi antar masing-masing variabel
independen kurang dari 0,80, maka model dapat dikatakan terbebas
dari multikolinearitas. Jika lebih dari 0,80 maka diasumsikan
terjadi korelasi (interaksi hubungan) yang sangat kuat antar
variabel independen sehingga terjadi multikolinearitas.77
Berdasarkan hasil perhitungan yang dilakukan dengan eviews
diperoleh hasil sebagai berikut:
Tabel 4.6 Korelasi variabel independen
ROA ROE FDR SIZE
ROA 1.000000 0.611316 -0.129391 -0.006293
ROE 0.611316 1.00000 -0.097704 0.466545
FDR -0.129391 -0.097704 1.000000 0.003855
SIZE -0.006293 0.466545 0.003855 1.000000
Sumber : Data Sekunder Diolah (Output Eviews 8.0)
76
Agus Widarjono, Analisis Statistika Multivariat Terapan, hlm.76 77
Dedi Rosadi, Ekonometrika & Analisis Runtun Waktu Terapan dengan Eviews, (Yogyakarta: ANDI, 2012) hlm.271
Dari tabel diatas terlihat bahwa tidak ada variabel independen yang
mempunyai korelasi dengan variabel independen lainnya bernilai
dibawah 0,8. Sehingga dapat dikatakan data dalam penelitian ini
tidak terdapat multikolinearitas. Maka dapat disimpulkan semua
variabel independen dalam model regresi terbebas dari
multikolinearitas dan dapat digunakan dalam penelitian ini.
c. Hasil Uji Heterokedastisitas
Uji heterokedastisitas bertujuan untuk menguji apakah dalam
model regresi terjadi ketidaksamaan variance dari residual satu pengamatan ke pengamatan yang lain. Model regresi yang baik
adalah yang homoskedastisitas atau tidak terjadi
heteroskedastisitas.78 Dalam penelitian ini, heterokedastisitas
dapat dilakukan dengan uji Park,79 dimana nilai residual data yang
telah di log natural diregresikan dengan variabel independen yang
ada. Jika nilai probability < alpha (0,05), maka terdapat masalah heterokedastisitas, tetapi jika nilai nilai probability > alpha (0,05), yang berarti bahwa tidak terdapat masalah heterokedastisitas.
Hasil uji Park dapat dilihat dati tabel dibawah ini:
78
Nachrowi D. Nachrowi dan Hardius Usman, Pendekatan Populer dan Praktis Ekonometrikal untuk Analisis Ekonomi dan Keuangan, hlm. 109.
79
68
Tabel 4.7 Uji Park
Test Equation:
Dependent Variable: RESID^2 Method: Least Squares Date: 06/14/16 Time: 17:20 Sample: 1 50
Included observations: 50
Variable Coefficient Std. Error t-Statistic Prob.
C 8.713201 5.687427 1.532011 0.1328 ROA -0.151258 0.248752 -0.608069 0.5463 ROE -0.078351 0.095365 -0.821592 0.4158 FDR -0.248683 0.269846 -0.921574 0.3619 SIZE -0.006765 0.010793 -0.626790 0.5341
Sumber : Data Sekunder Diolah (Output Eviews 8.0)
Berdasarkan tabel diatas dapat dilihat bahwa tingkat
signifikansi variabel independen dalam penelitian ini berada
diatas 5% atau 0,05. Hal ini menunjukan bahwa model regresi
dalam penelitian ini tidak terjadi heterokedastisitas. Sehingga
model regresi layak digunakan untuk melakukan penelitian ini.
d. Hasil Uji Autokorelasi
Autokorelasi berarti adanya korelasi antara anggota
observasi satu dengan observasi lain yang berlainan waktu.
Dalam konteks ini autokorelasi merupakan korelasi antara satu
residual dengan residual yang lain.80 Jika terjadi korelasi maka
80
dinyatakan terjadi masalah autokorelasi, dan model yang baik
adalah model yang bebas dari autokorelasi.
Salah satu cara untuk mendeteksi ada atau tidaknya
autokorelasi diuji dengan Durbin-Watson. Dasar pengambilan
keputusan ada tidaknya autokorelasi dalam model regresi adalah
sebagai berikut: 81
1. Terjadi autokorelasi positif, jika nilai DW dibawah -2
(DW < -2)
2. Tidak terjadi autokorelasi, jika nilai DW berada
diantara -2 dan +2 atau -2 ≤ DW ≤ +2
3. Terjadi autokorelasi negatif, jika nilai diatas +2 atau
DW > +2
Tabel 4.8 Uji Durbin-Watson Dependent Variable: Y
Method: Least Squares Date: 06/14/16 Time: 17:30 Sample: 1 50
Included observations: 50
R-squared 0.588971 Mean dependent var 8.794600 Adjusted R-squared 0.552435 S.D. dependent var 4.115786 S.E. of regression 2.753472 Akaike info criterion 4.958242 Sum squared resid 341.1723 Schwarz criterion 5.149444 Log likelihood -118.9560 Hannan-Quinn criter. 5.031053 F-statistic 16.12035 Durbin-Watson stat 0.994220 Prob(F-statistic) 0.000000
Sumber : Data Sekunder Diolah (Output Eviews 8.0)
70
Berdasarkan tabel diatas, dapat diketahui nilai Durbin-Watson
berada di antara -2 dan +2 atau -2 < DW < 2 yaitu sebesar 0.994220,
maka dapat disimpulkan bahwa data tidak terjadi autokorelasi.
3. Analisis Regresi Berganda a. Regresi Berganda
Analisis regresi linear berganda adalah suatu analisis
asosiasi yang digunakan secara bersamaan untuk meneliti
pengaruh dua variabel bebas atau lebih terhadap satu variabel
independent dengan skala pengukuran yang bersifat metrik baik
untuk variabel dependen maupun independennya.82 Hasil analisis
regresi berganda dapat dilihat dari tabel di bawah ini:
Tabel 4.9 Analisis Regresi Berganda Dependent Variable: Ln Y
Method: Least Squares Date: 06/14/16 Time: 17:14 Sample (adjusted): 1 50
Included observations: 50 after adjustments
Variable Coefficient Std. Error t-Statistic Prob. ROA -3.110513 0.497205 -6.255991 0.0000 ROE 2.564563 0.417194 6.147173 0.0000 FDR -1.594099 1.218378 -1.308378 0.1977 SIZE -1.415408 0.239604 -5.907269 0.0000 C 27.25513 5.450602 5.000389 0.0000
Sumber : Data Sekunder Diolah (Output Eviews 8.0)
Dari tabel diatas dapat dibuat model persamaan regresi sebagai
berikut:
Y= 27.26 - 3.11ROA + 2.56ROE - 1.59 FDR - 1.42 SIZE + e
Berdasarkan persamaan regresi diatas dapat dijelaskan sebagai
berikut:
1) Koefisien konstanta sebesar 27,26, dengan ini dapat
diartikan bahwa Y (DER) akan bernilai 27,26%, jika
Return On Assets (ROA), Return On Equity (ROE),
Financing to Deposit Ratio (FDR), Ukuran Perusahaan (SIZE) masing-masing bernilai 0.
2) Variabel Return On Assets (ROA) memiliki nilai koefisien regresi -3,11. Hal ini menyatakan bahwa setiap penambahan
Return On Assets (ROA) sebesar 1% dengan asumsi variabel lain tetap, maka terjadi penurunan pada Struktur
modal Bank Syariah yang diukur dengan Debt to Assets Ratio (DER) dengan nilai 3,11%.
3) Variabel Return On Equity (ROE) memiliki nilai memiliki nilai koefisien regresi 2,56. Hal ini menyatakan bahwa
setiap penambahan Return On Equity (ROE) sebesar 1% dengan asumsi variabel lain tetap, maka akan meningkatkan
pada Struktur modal Bank Syariah yang diukur dengan
72
4) Variabel Financing to Deposit Ratio (FDR) memiliki nilai koefisien regresi -1,59. Hal ini menyatakan bahwa setiap
penambahan Financing to Deposit Ratio (FDR) sebesar 1% dengan asumsi variabel lain tetap, maka terjadi penurunan
pada Struktur modal Bank Syariah yang diukur dengan
Debt to Assets Ratio (DER) dengan nilai 1,52%
5) Variabel ukuran perusahaan(SIZE) memiliki nilai memiliki
nilai koefisien regresi -1.42. Hal ini menyatakan bahwa
setiap penambahan ukuran perusahaan (SIZE) sebesar 1%
dengan asumsi variabel lain tetap, maka terjadi penurunan
pada Struktur modal Bank Syariah yang diukur dengan
Debt to Assets Ratio (DER) dengan nilai 1,42%.