KERANGKA PEMIKIRAN
2. Koefisien Determinasi (R 2 )
Akurasi model dugaan (goodness of fit) dengan memperhatikan koefisien determinasi (R2) untuk mengukur besarnya variasi variabel independent yang dijelaskan oleh model. Semakin besar tingkat keragaman yang dapat dijelaskan oleh suatu model maka semakin besar koefisien determinasi yang diperoleh (Gujarati 1997). Dengan katab lain, model semakin dapat merepresentasikan apa yang terjadi di lapangan.
Koefisien determinasi dirumuskan sebagai berikut:
3. Uji-t
Pengujian signifikansi variabel-variabel bebas secara individu dengan uji t. Hipotesis dan rumus uji t dirumuskan sebagai berikut :
H0 : b1 = 0 (Variabel X tidak mempengaruhi variabel Y)
H1 : b1≠ 0 (Variabel X mempengaruhi variabel Y)
Rumus Uji F (Walpole, 1993) : Keterangan :
b = Slope variabel Xi b0 = Slope konstanta
SE = Standard Error
Kriteria Uji :
1. t-hit > t tabel, maka tolak H0 artinya variabel-variabel bebas yang diuji
berpengaruh nyata terhadap variabel tak bebas.
2. t-hit < t tabel, maka terima H0 artinya variabel-variabel bebas tidak
berpengaruh nyata terhadap variabel tak bebas.
Asumsi Analisis Regresi Linear Berganda
Analisis regresi berganda digunakan untuk menganalisis hubungan dua variabel atau lebih dan menelusuri pola hubungan yang belum diketahui sempurna modelnya atau mengetahui bagaimana variasi beberapa variabel independen yang mempengaruhi variabel dependen (Abdurahman 2007). Jika X1,
X2,…XK adalah variabel-variabel independen dan Y adalah variabel dependen,
maka terdapat hubungan fungsional antara variabel X dan Y.
Menurut (Yamin, Rachmach, dan Kurniawan 2011), asumsi pada analisis regresi linear berganda, yaitu:
1. Uji Normalitas
Pembuktian bahwa kesimpulan yang diambil dalam uji global dan parsial valid. Kenormalan diperlukan dalam regresi linear berganda karena merupakan metode analisis parametrik. Salah satu cara yang digunakan untuk melihat normalitas data adalah melihat plot garis dari Standardized Residual Cumulative Probability. Apabila sebaran data berada pada garis normal maka dapat dikatakan data yang diuji memiliki sebaran normal (Standardized Residual Cumulative Probability P-value > α).
2. Uji Heteroskedastisitas
Heteroskedastisitas terjadi ketika variasi di sekitar persamaan regresi bernilai berbeda untuk semua nilai variabel-variabel bebas. Untuk mengetahui ada tidaknya heteroskedastisitas dengan cara membuat scatter plot dari persamaan regresi. Jika membentuk pola tertentu, akan terjadi heteroskedastisitas. Jika tidak membentuk pola yang jelas serta titik-titik tersebut tersebar di atas dan di bawah angka nol pada sumbu Y, heteroskedastisitas tidak terjadi atau disebut homoskedastisitas.
3. Uji Multikolinearitas
Multikolinearitas terjadi ketika variabel-variabel bebas saling berkorelasi. Variabel-variabel bebas yang berkorelasi membuat pendugaan koefisen menjadi tidak stabil. Pengujian multikolinearitas dilakukan dengan melihat nilai VIF (Variance Inflation Factors) pada setiap variabel bebas, jika nilai VIF>10 menunjukkan adanya multikolinearitas. Nilai VIF >10 menunjukkan variabel berkolinear berganda. Adanya kolinear ganda dalam model mengakibatkan pendugaan koefisien regresi menjadi tidak nyata.
4. Uji Autokorelasi
Autokorelasi terjadi ketika residu-residu berhubungan yang berada dalam regresi linear berganda saling berkorelasi. Autokorelasi diuji menggunakan uji
Durbin-Watson. Nilai d (statistik Durbin-Watson) berkisar dari nol hingga empat. Jika nilai d berkisar pada angka dua, hal tersebut menunjukkan model tidak mengandung autokorelasi.
Hipotesis Regresi Linear Berganda
Berdasarkan ide penulis yang disesuaikan dengan hasil wawancara dengan manajer pemasaran PT BRI AGRO Semarang dan berdasarkan beberapa penelitian terdahulu mengenai variabel-variabel yang sesuai untuk digunakan dalam analisis regresi berganda. Hasil dari wawancara dan beberapa penelitian tersebut agar menjadi bahan rekomendasi untuk penelitian Faktor yang Mempengaruhi Jumlah Realisasi dan Ramalan Permintaan KKP-E pada PT BRI AGRO Tbk Semarang, maka:
1. Lama pendidikan diduga berpengaruh positif terhadap jumlah realisasi KKP-E. Semakin lama pendidikan formal akan semakin besar pemahaman kredit maka manajemen usaha yang diterapkan akan semakin baik sehingga realisasi KKP-E yang diberikan akan semakin besar karena debitur dianggap lebih bertanggung jawab dalam pengembalian KKP-E. Hipotesis yang digunakan adalah:
H0 = Koefisien Lama pendidikan tidak berpengaruh nyata
2. Jumlah tanggungan keluarga diduga berpengaruh terhadap jumlah pengeluaran keluarga sehingga mempengaruhi kemampuan debitur dalam pengembalian kredit. Hal tersebut berhubungan negatif terhadap jumlah realisasi KKP-E. Semakin banyak tanggungan keluarga, maka semakin kecil jumlah realisasi KKP-E. Hipotesis yang digunakan adalah:
H0 = Koefisien jumlah tanggungan keluarga tidak berpengaruh nyata
H1 = Koefisien jumlah tanggungan keluarga berpengaruh nyata
3. Lama usaha diduga berpengaruh positif terhadap jumlah realisasi KKP-E karena semakin lama usaha berjalan, maka debitur diharapkan telah mengetahui strategi untuk menjalankan usaha, membuktikan usaha debitur mampu bersaing, dan memiliki prospek yang baik. Sehingga semakin lama usaha, maka semakin besar jumlah realisasi KKP-E yang diberikan. Hipotesis yang digunakan adalah:
H0 = Koefisien lama usaha tidak berpengaruh nyata
H1 = Koefisien lama usaha berpengaruh nyata
4. Pendapatan bersih dihitung dari penjumlahan usaha utama (berternak) dan sampingan (bertani) dimana penerimaan kotor usaha debitur sebelum menerima pinjaman KKP-E dikurangi oleh biaya-biaya pengelolaan ternak dan tani. Pendapatan bersih usaha per bulan diduga berpengaruh positif terhadap jumlah realisasi KKP-E. Semakin kecil pendapatan bersih per bulan, maka semakin kecil kemampuan debitur membayar angsuran KKP-E sehingga semakin kecil pula jumlah realisasi KKP-E yang diberikan. Hipotesis yang digunakan adalah:
H0= Koefisien pendapatan bersih usaha per bulan tidak berpengaruh nyata
H1 = Koefisien pendapatan bersih usaha per bulan berpengaruh nyata
5. Pengalaman meminjam diduga berimplikasi positif terhadap jumlah realisasi KKP-E, semakin banyak pengalaman meminjam maka semakin besar jumlah realisasi KKP-E yang diberikan. Semakin banyak pengalaman meminjam, membuktikan debitur tidak mempunyai masalah dengan pihak (bank) lain dalam proses realisasi kredit sehingga PT BRI AGRO percaya untuk merealisasikan KKP-E karena telah menilai karakter, riwayat usaha, dan kredit debitur. Hipotesis yang digunakan adalah:
H0 = Koesfisien frekuensi pinjaman tidak berpengaruh nyata
H1 = Koesfisien frekuensi pinjaman berpengaruh nyata
6. Agunan diduga berpengaruh positif terhadap jumlah realisasi KKP-E. Agunan bersifat mengikat antara debitur dengan PT BRI AGRO Semarang, sehingga adanya agunan membuat jumlah realisasi KKP-E semakin besar karena tingkat kepercayaan PT BRI AGRO Semarang lebih besar terhadap KKP-E yang diberikan. Selain itu, agunan sebagai penjamin dan pengganti dana bank yang telah diberikan jika debitur tidak dapat mengembalikan KKP-E. Hipotesis yang digunakan adalah:
H0 = Koefisien agunan tidak berpengaruh nyata
H1 = Koefisien agunan berpengaruh nyata Analisis Peramalan
Menurut Heizer dan Render (2006), peramalan adalah seni dan ilmu untuk memperkirakan kejadian di masa depan yang dapat dilakukan dengan melibatkan pengambilan data masa lalu dan menempatkannya ke masa mendatang dengan
suatu bentuk model matematik. Kegunaan dari peramalan dapat dilihat pada saat pengambilan keputusan, karena adanya perbedaan waktu antara kesadaran akan dibutuhkannya suatu kebijakan baru dengan waktu pelaksanaan kebijakan tersebut dan untuk memperkirakan peluang, serta kesempatan yang ada dan ancaman yang mungkin terjadi di masa mendatang. Menurut Santoso (2009), peramalan berdasarkan sifat ramalan yang telah disusun dibedakan atas dua macam, yaitu metode peramalan kualitatif dan kuantitatif.
Menuurt Heizer dan Render (2006), metode peramalan kuantitatif dibagi menjadi dua, yaitu metode deret waktu (time series) dan peramalan kausal. Metode time series dapat digunakan untuk dua pola data, yaitu data stasioner dan tidak stasioner. Pola data yang akan digunakan pada metode peramalan adalah tidak stasioner dan diduga mengandung unsur trend. Oleh karena itu, metode peramalan yang digunakan adalah Double Exponential Smoothing (Holt).Metode ini digunakan untuk pola data tidak stasioner yang diduga mengandung pola
trend, karena metode ini menambahkan pertumbuhan atau faktor trend dari persamaan dasar smoothing. Metode ini memiliki dua komponen, yaitu komponen level dan trend. Rumus metode ini adalah
Komponen level estimate: Komponen trendestimate: Peramalan periode ke p: Keterangan:
L : level estimate (dipengaruhi oleh besaran α) T : trend estimate (dipengaruhi oleh besaran β)
Ŷ : nilai peramalan untuk periode mendatang