Kecukupan modal Penyauran Profitabilitas Kredit

Risiko

periode 2011-2015. Berdasarkan kriteria yang pertama yaitu Perusahaan sektor perbankan yang terdaftar di BEI antara tahun 2011-2015 adalah 30 perusahaan, maka jumlah sampel tahap pertama adalah 30 perusahaan. Selanjutnya pada tahap kedua dan ketiga, dilakukan pemilihan sampel dengan kriteria perusahaan yang menyediakan laporan keuangan tahunan dan memiliki data secara lengkap dengan variabel CAR, ROA, LDR dan NPL. Sedangkan pada kriteria yang keempat bank yang mampu menghasilkan keuntungan selama periode 2011-2015 yaitu 25 perusahaan. Dengan demikian jumlah sampel dalam penelitian ini adalah 25 perbankan.

Pengukuran Variabel

Ada empat variabel yang akan digunakan yaitu kecukupan modal yang diukur dengan CAR, rumus CAR sendiri adalah

𝐶𝐴𝑅 =^{Modal Bank}

ATMR ... (1) Penyaluran kredit dengan menggunakan Loan to Deposit Ratio (LDR), dengan rumus sebagai berikut:

LDR = 𝑇𝑜𝑡𝑎𝑙 𝐾𝑟𝑒𝑑𝑖𝑡

𝑇𝑜𝑡𝑎𝑙 𝑑𝑒𝑝𝑜𝑠𝑖𝑡+𝑒𝑞𝑢𝑖𝑡𝑦 ... (2) Risiko perbankan diukur dengan menggunakan Non Performing Loan (NPL), dengan rumus sebagai berikut:

𝑁𝑜𝑛 𝑃𝑒𝑟𝑓𝑜𝑟𝑚𝑖𝑛𝑔 𝐿𝑜𝑎𝑛 =Kredit Bermasalah

Total Kredit ... (3) Profitablitas yang diukur dengan rasio Return On Asset (ROA). Rumus ROA sendiri yaitu:

𝑅𝑒𝑡𝑢𝑟𝑛 𝑂𝑛 𝐴𝑠𝑠𝑒𝑡 = Laba Bersih

Rata−rata total aset ... (4) Jenis dan Sumber Data

Jenis dan sumber data dalam penelitian ini adalah data sekunder yang diambil dari laporan keuangan tahunan sektor perbankan yang diterbitkan oleh Bank Indonesia untuk mencari nilai CAR, LDR, NPL dan ROA. Sumber penelitian yang diperoleh secara tidak langsung atau melalui media perantara dengan rentang waktu selama 2011-2015.

Teknik Analisis Data Statistik Deskriptif

Analisis deskriptif adalah analisis yang digunakan untuk memberikan gambaran umum atau lukisan secara sistematika, faktual dan akurat tentang data yang telah diperoleh (Nazir, 2005).

Data deskriptif statistik meliputi nilai minimum, maximum, mean, dan standard deviation untuk merangkum dan menggambarkan data yang telah terkumpul tanpa bermaksud untuk menarik kesimpulan secara umum (Felix 2015). Teknik analisis statistik deskriptif dalam penelitian ini dilakukan dengan menggunakan alat bantu SPSS versi 23.0.

Uji Normalitas

Sebelum melakukan pengujian hipotesis, terlebih dahulu dilakukan uji asumsi klasik berupa uji normalitas data yang dilakukan melalui Kolmogorov Smirnov. Jika hasil pengujian normalitas menunjukkan bahwa seluruh data terdistribusi normal maka uji asumsi klasik terpenuhi.

Sebaliknya, jika hasil pengujian normalitas menghasilkan data yang berdistribusi tidak normal maka data akan ditransformasikan dalam bentuk logaritma. Apabila hasil pengujian normalitas tetap menunjukkan hasil yang sama meskipun telah dilakukan transformasi data, selanjutnya data akan ditransformasikan lagi dalam bentuk akar kuadrat. Tetapi apabila hasilnya tetap tidak berubah atau sama meskipun sudah dilakukan tranformasi data dengan logaritma dan akar kuadrat, maka dilakukan dengan membuang data outlier. Teknik analisis ini dilakukan dengan menggunakan alat bantu SPSS versi 20.0.

Uji Autokorelasi

Setelah melakukan pengujian normalitas dilakukan uji autokorelasi. Uji autokorelasi bertujuan untuk menguji apakah dalam model regresi linear ada korelasi antara kesalahan pengganggu pada periode t dengan kesalahan pengganggu periode t-1 (sebelumnya). Autokorelasi muncul disebabkan adanya observasi yang berurutan sepanjang waktu berkaitan satu sama lain.

Model regresi yang baik adalah regresi yang bebas dari autokorelasi. Untuk mendeteksi ada tidaknya autokorelasi ada 3 metode yang dilakukan yaitu dengan menggunakan uji Durbin-Watson (DW), Run-Test, Fist Difference.

Uji Heterokedastisitas

Heterokedastisitas tidak akan terjadi apabila nilai signifikansi > alfa. Ada beberapa metode

pengujian yang bisa digunakan diantaranya yaitu uji koefisien korelasi Spearman, uji Park, melihat pola grafik regresi, dan uji Glesjer.

Regresi Data Panel

Regresi data panel merupakan sekumpulan teknik untuk memodelkan pengaruh peubah penjelas terhadap peubah respon pada data panel, dimana data panel adalah data yang merupakan hasil dari pengamatan pada beberapa individu atau unit cross section yang masing-masing diamati dalam beberapa periode waktu yang berurutan atau unit time series (Gujarati dan Porter, 2009:237). Terdapat 3 parameter penggabungan model regresi data panel yaitu: Koefisien Tetap Antar Waktu dan Individu (Common Effect), Model Efek Tetap (Fixed Effect), dan Efek Random (Random Effect).

Dalam metode Common Effect tidak memperhatikan dimensi individu maupun waktu.

Diasumsikan bahwa perilaku data antar perusahaaan sama dalam berbagai kurun waktu. Bila terdapat asumsi bahwa α dan β akan sama (konstan) untuk setiap data time series dan cross section, maka α dan β dapat diestimasi dengan model berikut menggunakan N x T dalam pengamatan penelitian ini adalah sebagai berikut:

Yit = α + β1X1 + β2ŷ + γ ŷX2+ εit; i = 1,2,…,N; t = 1,2,…, T...(5) Ŷit = α + β1X1+ εit; i = 1,2,…,N; t = 1,2,…, T……..………..(6) Model Efek Tetap (Fixed Effect) terdapat variabel-variabel yang tidak semuanya masuk dalam persamaan model dan memungkinkan adanya intersep yang tidak konstan. Individu atau perusahaan memiliki intersep yang sama besar untuk setiap perbedaan waktu demikian juga dengan koefisien regresinya yang tetap dari waktu ke waktu (time variant). Cara untuk membedakan antara individu atau perusahaan dengan perusahaan lainnya digunakan variabel dummy (D) sebagai variabel contoh atau semu sehingga metode ini sering disebut least square dummy variables (LSDV). Bila terdapat asumsi bahwa α akan sama (konstan) dan β tidak konstan untuk setiap data time series dan cross section, maka α dan β dapat diestimasi dengan model koefisien dummy (δ) berikut menggunakan N x T dalam pengamatan penelitian ini:

Yit = αi + β1X1+ β2i ŷit + γi ŷX2it + δi Di + εit; i = 1,2,…,N; t = 1,2,…, T...(5) Ŷit = α + β1X1+ δi Di + εit; i = 1,2,…,N; t = 1,2,…, T …….……..……….(6)

Model Efek Random (Random Effect) Teknik ini memperhitungkan bahwa error mungkin berkorelasi sepanjang time series dan cross section. Model random effect juga sering disebut dengan error component model (ECM). Bila terdapat asumsi bahwa α akan sama (konstan) dan β bersifat random atau stokastik untuk setiap data time series dan cross section, maka α dan β dapat diestimasi dengan model error term (W) berikut menggunakan N x T dalam pengamatan penelitian ini:

Yit = α + β1X1+ β2i ŷit + γi ŷX2it + Wit; i = 1,2,…,N; t = 1,2,…, T.……...(5) Ŷit = α + β1X1+ Wit; i = 1,2,…,N; t = 1,2,…, T…….……….……….(6) Keterengan:

Y = variabel terikat (Profitabilitas)

α, β dan γ = Koefisian konstanta untuk variabel terikat, bebas dan moderat secara berturut- turut

ŷ = Nilai prediksi Kredit

X1 = Variabel CAR

ŷX2 = variabel moderator (Non Performing Loan terhadap Kredit) N = banyaknya data cross section yaiu 25 perusahaan Perbankan T = banyaknya data time series yaitu 5 tahun observasi (2011-2015) N x T = banyaknya data panel = 25 x 5 = 125 data panel

ε = error term (residual)

Wit = error term kombinasi (cross section dan time series)

Sementara itu, dalam pemilihan teknik mana yang seharusnya dipilih untuk regresi data panel dilakukan menggunakan bantuan eviews 9 dengan beberapa pengujian yaitu Uji Statistik F/Likehood Ratio, Uji Langrange Multiplier (LM), dan Uji Hausman. Uji Statistik F merupakan uji perbedaan dua regresi menggunakan uji chow dengan residual sum of squares(RSS). Uji statistik F digunakan untuk memilih antara metode Common Effect atau fixed effect. Uji LM digunakan untuk mengetahui apakah model random effect atau model common effect (OLS) yang paling tepat digunakan. Sedangkan Uji Hausman digunakan untuk memilih antara fixed effect atau random effect.

13 Hasil Dan Pembahasan

Analisis Statistik Deskriptif

Analisis deskriptif statistik dilakukan sebelum melakukan pengujian hipotesis, karena untuk memberikan gambaran tentang data sampel yang digunakan dalam penelitian. Data sampel yang digunakan dalam penelitian ini yaitu 25 perbankan selama 5 tahun, sehingga jumlah observasinya 125 dengan variabel CAR, Kredit yang diukur dengan LDR, NPL dan Profitabilitas yang diukur dengan ROA. Gambaran mengenai hasil pengujian deskriptif statistik dan matrix correlation antar variabel yang sudah diolah berdasarkan SPSS disajikan dalam tabel 1 sebagai berikut:

Tabel 1

Statistik Deskriptif dan Matrix Correlation

MIN MAX MEAN Standar

Dalam mengujian statistik deskriptif diatas menggunakan data panel dengan rentang waktu selama 2011 sampai 2015. Pada tabel 1 menunjukkan bahwa modal tertinggi yang diproksikan dengan CAR yaitu sebesar 27,91 dimiliki oleh PT Bank Woori Saudara Indonesia Tbk dengan kode emiten SDRA, sedangkan modal terendah dimiliki oleh Bank Mayapada Internasional Tbk dengan kode emiten MAYA yaitu sebesar 10,25 yang artinya bahwa modal terendah cukup besar dan sesuai dengan peraturan Bank Indonesia mengenai kewajiban penyediaan modal minimum sebesar 8%.

Hasil statistik deskriptif variabel Kredit yang diproksikan dengan LDR memiliki nilai terendah sebesar 44,24yang dimiliki oleh Bank Capital Indonesia Tbk dengan kode emiten BACA dan nilai tertinggi dimiliki oleh Bank Tabungan Negara Tbk dengan kode emiten BBTN yaitu sebesar 108,86 yang artinya kredit yang disalurkan sangat rendah karena batas minimal LDR sebesar 78% dan batas maksimal LDR sebesar 92%.

Selanjutnya, nilai tertinggi NPL dimiliki oleh Bank Victoria Internasional Tbk (BVIC) yaitu sebesar 4,48 yang artinya bahwa risiko penyaluran kredit atau kredit bermasalah memiliki risiko yang rendah, dimana peraturan Bank Indonesia yang menetapkan rasio NPL total kredit bank secara bruto (gross) dikatakan baik apabila kurang dari 5%. Sedangkan nilai minimal NPL sangat rendah yaitu sebesar 0,21yang dimiliki oleh Bank Bumi Arta Tbk (BNBA).

Variabel Profitabilitas yang diproksikan dengan ROA tertinggi diwakilkan oleh Bank Rakyat Indonesia Tbk (BBRI) yakni sebesar 5,15dan nilai terendah ROA diwakilkan oleh Bank Permata Tbk (BNLI) yaitu sebesar 0,20 artinya bahwa perusahaan perbankan mampu menghasilkan keuntungan.

Hubungan korelasi antar variabel disajikan pada tabel 4.1. Hasilnya menunjukkan bahwa rasio NPL dengan ROA mempunyai hubungan paling tinggi yaitu sebesar 0,33 dengan tanda negatif. Hasil tersebut bisa dijadikan indikasi bahwa NPL negatif akan mempengaruhi hubungan LDR terhadap ROA. Sedangkan rasio ROA mempunyai hubungan sangat lemah dengan nilai korelasi sebesar 0,19. Sisanya yaitu rasio LDR dan NPL tidak mempunyai hubungan karena nilai korelasinya sebesar 0,00 dan 0,07.

Uji Asumsi Klasik Uji Normalitas

Sebelum melakukan pengujian hipotesis terlebih dahulu dilakukan pengujian asumsi klasik yaitu dengan uji normalitas. Uji normalitas digunakan untuk melihat apakah variabel dependent dan independent berdistribusi normal atau tidak. Data dikatakan normal jika nilai signifikansi lebih besar dari alfa yaitu 0,05. Untuk pengujian normalitas data dilakukan menggunakan aplikasi SPSS dengan teknik analisis Kolmogorov-Smirnov (Uji K-S). Setelah dilakuakan pengujian normalitas diketahui bahwa hasil dari variabel CAR, LDR, NPL, dan ROA memiliki nilai signifikansi lebih besar dari alfa yaitu 0,512, 0,090, 0,612 dan 0,054. Sehingga dapat disimpulkan bahwa keempat variabel tersebut bedistribusi secara normal.

Autokorelasi

Uji autokorelasi bertujuan untuk menguji apakah dalam model regresi linear ada korelasi antara kesalahan pengganggu pada periode t dengan kesalahan pengganggu periode t-1 (sebelumnya). Autokorelasi muncul disebabkan adanya observasi yang berurutan sepanjang waktu

berkaitan satu sama lain. Model regresi yang baik adalah regresi yang bebas dari autokorelasi.

Untuk mendeteksi ada tidaknya autokorelasi maka dilakukan uji Durbin-Watson (DW). Dalam pengujian autokorelasi pada persamaan regresi pertama (CAR terhadap ROA), kedua (CAR Terhadap LDR), ketiga (LDR terhadap ROA), dan keempat (LDR terhadap ROA melalui NPL), diperoleh nilai DW dari hipotesis 1 sampai 4 adalah 0,683, 0,640, 0,684, dan 0,644. Nilai DW diperbandingkan kedalam nilai tabel dengan tingkat signifikansi 0,05, maka diperoleh nilai batas bawah (DL) yaitu 1,6919 dan nilai batas atas (DU) yaitu 1,7241. Dapat dilihat bahwa nilai DW lebih kecil dari batas bawah (DL) yang berarti terdapat autokorelasi positif. Kemudian dilakukan pengujian dengan menggunakan Run-Test diperoleh signifikansi adalah 0 yang artinya belum memenuhi uji autokorelasi. Selanjutnya dilakukan pengujian dengan mengubah data kedalam bentuk fist difference terlebih dahulu. Setelah itu, dilakukan pengujian kembali dengan menggunakan uji DW dan diperoleh nilai DW adalah 1,903, 2,159, 1,903, dan 2,006, yang artinya bahwa nilai DW lebih besar dari batas atas (DU) dan kurang dari (4-DU) yaitu 4-1.7241 = 2.2759.

Sehingga dapat disimpulkan bahwa tidak terdapat autokorelasi.

Heterokedastisitas

Uji heteroskedastisitas digunakan untuk menguji apakah dalam model regresi terjadi ketidaksamaan varians dari residual satu kepengamatan yang lain (Ghozali, 2006). Persyaratan yang harus terpenuhi dalam model regresi adalah tidak terjadi heteroskedastisitas. Ada beberapa metode pengujian yang bisa digunakan diantaranya yaitu uji koefisien korelasi Spearman, uji Park, melihat pola grafik regresi, dan uji Glesjer. Dalam penelitian ini yang pertama dilakukan yaitu dengan menggunakan pengujian uji koefisien korelasi Spearman. Dari hasil uji yang dilakukan dengan tingkat signifikansi α = 0,05, menunjukan bahwa nilai signifikansi pada model regresi pertama sampai keempat adalah CAR terhadap ROA sebesar 0,129, CAR terhadap LDR sebesar 0,511, LDR terhadap ROA sebesar 0,121, dan LDR terhadap ROA melalui NPL sebesar 0,000.

Dapat dilihat bahwa pada model regresi pertama, kedua dan ketiga adalah 0,129 dan 0,511 dan 0,121 yang memiliki nilai lebih besar dari 0,05 yang artinya tidak ada heteroskedastisitas. Pada pengujian model regresi keempat dengan menggunakan uji park melihat pola grafik regresi, dan uji Glesjer masih terdapat heteroskedastisitas. Selanjutnya dilakukan pengujian menggunakan

White test memperoleh nilai signifikansi 0,85 sehingga dapat disimpulkan bahwa model regresi keempat tidak ada heteroskedastisitas.

Pengujian Model Regresi Data Panel

Pengujian model regresi data panel dilakukan untuk melihat kesesuaian model yang baik dilakukan ketika menggunakan common effext, atau fixed effect atau random effect. Pengujian ini meggunakan uji Likehood Ratio dan uji Hausman. Uji Likehood Ratio dilakukan untuk melihat apakah model common effect atau fixed effect dengan hipotesis H0 untuk model common effect dan H1 untuk model fexed effect. Sedangkan uji Hausman dilakukan untuk melihat apakah model fixed effect atau random effect dengan hipotesis H0 untuk model random effect dan H1 untuk model fexed effect. Adapun hasil uji Likehood Ratio yang sudah dilakukan disajikan dalam tabel 2 sebagai berikut:

Tabel 2

Hasil Uji Likehood Ratio dan Uji Haussman

Uji Likehood Ratio (Effects Test) Statistic d.f. P(value)

Cross- Section F 16,68 (24,97) 0,00

Cross- Section Chi-square 204,32 24 0,00

Uji Haussman (Test Sammary) Chi-square Statistic Chi-square d.f. P(value)

Cross- Section random 4,56 3 0,21

Sumber: Data Sekunder yang diolah Eviews, 2016

Tabel diatas menunjukkan bahwa nilai p-value cross section chi-square yaitu sebesar 0,00 dan nilai signifikansi cross section F sebesar 0,00 yang artinya tolak H0 terima H1, karena nilai p-value cross section chi-square lebih kecil dari 0,05. Dari hasil tersebut dapat disimpulkan bahwa alternatif model data panel yang dapat digunakan dalam penelitian ini adalah model fixed effect dan random effect. Berdasarkan tabel uji Haussman diatas dapat dilihat bahwa nilai Chi-square statistik sebesar 4,56 lebih kecil dari nilai df (3) adalah 7,81 dan nilai signifikansi sebasar 0,21 lebih besar dari 0,05 yang artinya terima H0 tolak H1. Berdasarkan hasil tersebut, maka dapat disimpulkan bahwa model data panel yang sesuai dengan penelitian ini adalah model random effect.

17 Persamaan Regresi Data Panel

Berdasarkan pengujian yang telah dilakukan, maka diperoleh model yang sesuai dalam penelitian ini adalah random effect dengan persaman regresi sebagai berikut:

Tabel 3

Model Random Effect

Variabel Koefisien Random Effect (Cross) Intersep

C 1078, 727 BBKP -0,343

Sumber: Data Sekunder yang diolah Eviews, 2016

Pada tabel 4.4 terdapat konstanta sebesar 1078,727 yang menunjukkan bahwa apabila seluruh variabel bebas, intervening dan moderator yaitu CAR, LDR dan NPL bernilai nol, maka ROA bernilai postif 1078,727. Sedangkan nilai koefisien tetap LDR caping sebesar negatif 12,975 menunjukkan bahwa LDR caping memiliki pengaruh negatif terhadap ROA. Nilai koefisien tetap CAR yaitu 0,174 menunjukkan bahwa CAR memiliki pengaruh positif terhadap ROA dan apabila nilai CAR meningkat setelah ditambah dengan intersep perbankan sampel sebesar 100%, maka ROA juga akan meningkat sebesar 0,174.

18 Pengujian Hipotesis

Setelah melakukan pengujian model regresi data panel dan mengetahui model data panel yang sesuai dengan penelitian yaitu random effect, maka dilanjutkan pengujian hipotesis dengan koefisien determinasi, uji signifikansi simultan (uji statistik F), dan uji signifikansi parameter individual (uji t) yang disajikan pada tabel 4 sebagai berikut:

Tabel 4

Sumber: Data Sekunder yang diolah Eviews, 2016

Berdasarkan hasil pengujian koefisien determinasi diatas diperoleh nilai R-squared sebesar 0,832 atau 83,2% yang artinya bahwa variabel CAR¹, LDR caping, dan interaksi NPL_LDR mampu menjelaskan perubahan variabel ROA. Sedangkan nilai R-squared sebesar 0,817 atau 81,7% yang artinya bahwa variabel CAR²mampu menjelaskan perubahan variabel LDR. Pengaruh

secara simultan variabel-variabel bebas juga ditunjukkan dengan hasil uji statistik F yang mempunyai nilai signifikansi 0,000 lebih kecil 0,05 yang artinya bahwa secara bersama-sama CAR¹, CAR², LDR caping , efek moderasi LDR caping dan NPL memberikan kontribusi peningkatan dan penurunan ROA dan LDR secara signifikan.

Selanjutnya untuk kepentingan pengujian hipotesis dapat dilihat dari uji t test. Pada model pertama menunjukkan adanya pengaruh positif CAR terhadap ROA yaitu nilai β sebesar 0,683, tetapi tidak signifikan karena nilai p-value sebesar 0,459 lebih besar dari alfa yaitu 0,05. Dengan demikian dapat disimpulkan bahwa hipotesis null diterima atau dengan kata lain terdapat pengaruh positif dan tidak signifikan CAR terhadap ROA.

Sementara itu, pengujian hipotesis pada model kedua menunjukkan adanya pengaruh positif CAR terhadap LDR yaitu nilai β sebesar 0,174 dan signifikan karena nilai p-value sebesar 0,002 lebih kecil dari alfa yaitu 0,05. Dengan demikian dapat disimpulkan bahwa hipotesis null ditolak atau dengan kata lain terdapat pengaruh positif dan signifikan antara CAR terhadap LDR.

Pada pengujian hipotesis ketiga menunjukkan adanya pengaruh negatif LDR terhadap ROA yaitu nilai β sebesar -12, 975dan tidak signifikan karena nilai p-value sebesar 0,474 lebih besar dari alfa yaitu 0,05. Penerimaan hipotesis null menggambarkan bahwa ternyata LDR perpengaruh negatif dan tidak signifikan terhadap ROA.

Pengujian hipotesis keempat yang dapat dilihat pada tabel 4 diatas menunjukkan adanya pengaruh negatif LDR terhadap ROA melalui NPL yaitu nilai β sebesar -0,003, akan tetapi berpengaruh signifikan karena nilai p-value sebesar 0,000 lebih kecil dari 0,05 yang merupakan nilai toleransi kesalahan. Oleh karena itu dapat disimpulkan bahwa hipotesis null ditolak atau dengan kata lain terbukti bahwa NPL memperlemah pengaruh LDR terhadap ROA.

Pembahasan

Berdasarkan hasil pengujian hipotesis pertama menunjukkan bahwa kecukupan modal yang diproksikan dengan CAR tidak mempengaruhi laba yang yang diproksikan dengan ROA. Hal tersebut diduga disebabkan dua hal yaitu Pertama, adanya ketentuan Bank Indonesia yang mengharuskan setiap bank memiliki kecukupan modal minimal 8%, sehingga kemungkinan rasio kecukupan modal hanya sekedar memenuhi standar Bank Indonesia. Kedua, diduga disebabkan

karena modal yang dimiliki terlalu tinggi yang artinya terdapat dana yang menganggur (idle fund) sehingga kesempatan bank untuk memperoleh laba menjadi rendah. Menurut Mawardi (2005), tingginya CAR dapat disebabkan karena adanya penambahan modal dari pemilik yang berupa fresh money untuk mengantisipasi perkembangan skala usaha yang berupa ekspansi kredit atau pinjaman yang diberikan. Namun, sampai saat ini fungsi intermediasi bank masih belum optimal, sehingga dana pihak ketiga dibelikan Sertifikat Bank Indonesia (SBI) yang mempunyai bunga relative rendah. Oleh karena itu tingginya modal bank tidak mempengaruhi keuntungan yang dihasilkan. Penelitian ini mendukung penelitian terdahulu yang dilakukan oleh Eng (2013), Wibowo dan Syaichu (2013), Putri (2015), Putrianingsih dan Yulianto (2016) yang menyatakan bahwa CAR berpengaruh positif dan tidak signifikan terhadap ROA.

Penyaluran kredit sebagai salah satu kegiatan operasional bank dan sumber pendapatan terbesar bank diperoleh dengan menyalurkan kredit kepada masyarakat. Apabila bank memiliki kecukupan modal yang baik, maka pihak bank akan mampu menutup kemungkinan kerugian didalam menjalankan kegiatan perkreditan dan juga dapat meningkatkan kepercayaan masyarakat.

Masyarakat akan tertarik untuk mengambil kredit, dan pihak bank memiliki dana cadangan jika sewaktu-waktu terjadi masalah kredit macet. Hal ini sejalan dengan hasil pengujian hipotesis kedua yang menunjukkan bahwa semakin tinggi modal yang dimiliki bank maka akan meningkatkan kedit yang disalurkan atau semakin banyak kredit yang disalurkan.

Banyaknya penyaluran kredit yang diberikan kepada masyarakat menunjukkan kemampuan bank didalam menyediakan dananya dengan modal yang dimiliki. Penyaluran kredit juga menjadi tolak ukur didalam menilai likuiditas yang dimiliki suatu perbankan. Dari hasil pengujian hipotesis ketiga menunjukkan bahwa penyaluran kredit tidak berpengaruh terhadap laba yang diperoleh bank. Hasil tersebut dimungkinkan karena meskipun banyaknya kredit yang diberikan tidak menjadi tolak ukur keberhasilan manajemen bank untuk memperolah laba yang tinggi. Hal tersebut diduga karena kurangnya kehati-hatian pihak bank dalam menyalurkan dananya dalam bentuk kredit kepada masyarakat sehingga menimbulkan tingginya risiko kredit macet yang dihadapi bank. Menurut Harlim dan Iskandar (2015) menyatakan bahwa semakin tinggi presentase LDR maka akan meningkatkan risiko tidak likuidnya suatu bank.

Sementara itu, pada hasil pengujian hipotesis keempat menunjukkan bahwa risiko kredit berpengaruh negatif terhadap penyaluran kredit dan laba yang diperoleh. Semakin besar kredit yang disalurkan maka akan meningkatkan risiko kredit yang akan timbul. Timbulnya risiko kredit disebabkan karena banyaknya kredit macet atau kredit bermasalah yang tidak membayar angsuran.

Dengan banyaknya kredit bermasalah dapat berakibat pada kerugian yang dialami bank tersebut karena masyarakat yang meminjam dana dari bank dalam bentuk kredit tidak membayarkan kewajiban yang sudah disepakati, sehingga laba yang diperoleh bank akan mengalami penurunan.

Tingginya kredit bermasalah juga akan berpengaruh pada kepercayaan masyarakat untuk menyimpan dananya di bank.

Penutup Simpulan

Penelitian ini berusaha melakukan pengujian konsep permodalan, penyaluran kredit, risiko kredit dan profitabilitas. Dengan pemilihan sampel perusahaan perbankan yang terdaftar di BEI antara tahun 2011-2015, penelitian ini tidak berhasil membuktikan kecukupan modal yang diproksikan dengan CAR dan penyaluran kredit yang diproksikan dengan LDR mempengaruhi ROA, namun terbukti LDR berpengaruh terhadap ROA saat dimoderasi oleh NPL. Hasil penelitian ini juga membuktikan bahwa CAR berpengaruh terhadap LDR. Dengan demikian dapat diartikan bahwa kecukupan modal dapat mempengaruhi laba yang dihasilkan oleh perbankan jika kemampuan bank dalam menyalurkan kredit yang diimbangi dengan rendahnya risiko kredit macet yang disalurkan.

Implikasi Praktis

Investor yang berinvestasi pada saham perbankan yang mempertimbangkan laba perusahaan (ROA) sebagai keputusan transaksi, maka tidak bisa hanya memperhatikan kecukupan modal bank tetapi juga kemampuan bank dalam menyalurkan kredit dan rendahnya risiko didalam menyalurkan kredit (NPL). Investor dapat membeli saham perbankan ketika kinerjanya baik atau

Dalam dokumen DETERMINASI KECUKUPAN MODAL TERHADAP PROFITABILITAS MELALUI PENYALURAN KREDIT DAN RISIKO KERTAS KERJA (Halaman 22-54)