Uji Normalitas - Uji Asumsi Klasik - Analisis Hasil Penelitian .1 Analisis Statistik Deskript

HASIL DAN PEMBAHASAN

4.2 Analisis Hasil Penelitian .1 Analisis Statistik Deskriptif .1 Analisis Statistik Deskriptif

4.2.2 Uji Asumsi Klasik

4.2.2.1 Uji Normalitas

Tujuan uji normalitas adalah ingin mengetahui apakah distribusi sebuah data mengikuti atau mendekati distribusi normal, yakni distribusi data dengan bentuk lonceng. Data yang baik adalah data yang mempunyai pola seperti distribusi normal, yakni distribusi data tersebut tidak menceng ke kiri atau menceng ke kanan. Dengan adanya tes normalitas, maka hasil penelitian kita bisa

digeneralisasikan pada populasi. Dalam pandangan statistik itu sifat dan karakteristik populasi adalah terdistribusi normal (Situmorang dan Lutfi, 2014:114). (Ghozali, 2013:160) untuk mendeteksi apakah residual berdistribusi normal atau tidak dapat dilakukan dengan dua cara, yaitu melalui uji statistik dan analisis grafik. Uji statistik yang digunakan untuk menguji normalitas data dalam penelitian ini adalah dengan menggunakan uji statistik non parametric Kolmogorov-Smirnov (K-S) dan melalui analisis grafik, yaitu dengan melihat pendekatan grafik histogram dan grafik normal probability plot.

Hipotesis Nol (H0) : Data terdistribusi secara normal

Hipotesis Altenatif (Ha) : Data tidak terdistribusi secara normal  Apabila nilai signifikansinya lebih besar dari 0,05 maka H0 diterima,  sedangkan jika nilai signifikansinya lebih kecil dari 0,05 maka H0 ditolak.

Pada pengujian awal normalitas data, baik dengan pendekatan grafik maupun pendekatan statistik Kolmogorov-Smirnov terlihat bahwa data tidak terdistribusi secara normal seperti ditunjukkan sebagai berikut :

Tabel 4.2

Pengujian Awal Normalitas Kolmogorov-Smirnov

One-Sample Kolmogorov-Smirnov Test

Unstandardized Residual

N 144

Normal Parametersa,b Mean ,0000000

Std. Deviation 10361928,53827793

Most Extreme Differences Absolute ,143

Positive ,114

Negative -,143

Kolmogorov-Smirnov Z 1,721

Asymp. Sig. (2-tailed) ,005

a. Test distribution is Normal. b. Calculated from data.

Berdasarkan Tabel 4.2 dapat dideskripsikan besarnya Kolmogorov-Smirnov (K-S) adalah 1,721 dan signifikansi 0,005<0,05 sehingga sesuai dengan kriteria pengujian jika tingkat signifikansi <0,05 maka dapat disimpulkan bahwa data tidak berdistribusi secara normal.

Sumber : Hasil Penelitian, 2016 (Data Diolah) Gambar 4.1

Pengujian Awal Normalitas dengan Histogram

Pada gambar 4.1 uji normalitas dengan pendekatan histogram terlihat bahwa histogram menunjukkan penyebaran data yang tidak terdistribusi secara normal. Hal ini terlihat dari bentuk histogram yang kurang proporsional sehingga dapat disimpulkan data tidak berdistribusi secara normal.

Selanjutnya uji normalitas dengan pendekatan grafik Normal Probability Plot dapat dilihat pada Gambar 4.2 sebagai berikut :

Sumber : Hasil Penelitian, 2016 (Data Diolah) Gambar 4.2

Pengujian Awal Normal Probability Plot

Dengan demikian pada pengujian awal normalitas dengan menggunakan tiga pendekatan diatas, dapat disimpulkan bahwa model regresi yang digunakan tidak memenuhi asumsi normalitas. Untuk mengatasi data yang tidak terdistribusi secara normal, maka dilakukan transformasi data ke bentuk Logaritma Natural (Ln). Hasil uji Asumsi Klasik setelah transformasi data adalah sebagai berikut :

Tabel 4.3

Pengujian Normalitas Kolmogorov-Smirnov dengan Logaritma Natural

One-Sample Kolmogorov-Smirnov Test

Unstandardized Residual

N 144

Normal Parametersa,b Mean ,0000000

Std. Deviation ,11382030

Most Extreme Differences Absolute ,213

Positive ,213

Negative -,144

Kolmogorov-Smirnov Z 2,557

Asymp. Sig. (2-tailed) ,000

a. Test distribution is Normal. b. Calculated from data.

Sumber : Hasil Penelitian, 2016 (Data Diolah)

Berdasarkan Tabel 4.3 dapat dideskripsikan besarnya Kolmogorov-Smirnov (K-S) adalah 2,557 dan signifikansi 0,000<0,05 sehingga sesuai dengan kriteria pengujian jika tingkat signifikansi <0,05 maka dapat disimpulkan bahwa data tidak berdistribusi secara normal.

Sumber : Hasil Penelitian, 2016 (Data Diolah) Gambar 4.3

Pada gambar 4.3 uji normalitas dengan pendekatan histogram terlihat bahwa histogram menunjukkan penyebaran data yang tidak terdistribusi secara normal. Hal ini terlihat dari bentuk histogram yang kurang proporsional sehingga dapat disimpulkan data tidak berdistribusi secara normal.

Selanjutnya uji normalitas dengan pendekatan grafik Normal Probability Plot dapat dilihat pada Gambar 4.4 sebagai berikut :

Sumber : Hasil Penelitian, 2016 (Data Diolah) Gambar 4.4

Pengujian Normal Probability Plot dengan Logaritma Natural

Pendekatan Grafik Normalitas dengan Grafik Normal Probability Plot menunjukkan bahwa data tidak berdistribusi secara normal, hal ini terlihat dari titik-titik penyebaran tidak mendekati atau jauh dari sumbu diagonal grafik sehingga dapat disimpulkan bahwa data tidak berdistribusi secara normal. Dengan demikian dapat disimpulkan pada pengujian normalitas dengan menggunakan logaritma natural bahwa model regresi yang digunakan tidak memenuhi asumsi

normalitas. Maka untuk melakukan penanganan data tidak normal atau data menyebar secara tidak normal dapat dilakukan dengan menghilangkan data yang dianggap sebagai penyebab tidak normalnya data (Situmorang dan Lufti, 2014:121).

Untuk memperoleh hasil terbaik, maka data pencilan atau outlier yang ada dihilangkan. Outlier adalah data yang memiliki karakteristik unik yang terlihat sangat berbeda jauh dari observasi-observasi lainnya dan muncul dalam bentuk nilai ekstrim baik untuk sebuah variabel tunggal atau variabel kombinasi (Ghozali, 2013:41). Hasil pengujian normalitas setelah menghilangkan data yang dianggap sebagai penyebab tidak normalnya data (Outlier) adalah sebagai berikut:

Tabel 4.4

Pengujian Normalitas Kolmogorov-Smirnov setelah Menghilangkan Outlier

One-Sample Kolmogorov-Smirnov Test

Unstandardized Residual N 120 Normal Parametersa,b Mean ,0000000 Std. Deviation ,00985334 Most Extreme Differences Absolute ,085 Positive ,069 Negative -,085 Kolmogorov-Smirnov Z ,933

Asymp. Sig. (2-tailed) ,349

a. Test distribution is Normal. b. Calculated from data.

Sumber : Hasil Penelitian, 2016 (Data Diolah)

Berdasarkan Tabel 4.4 dapat dideskripsikan besarnya Kolmogorov-Smirnov (K-S) adalah 0,933 dan signifikansi 0,349>0,05 sehingga sesuai dengan kriteria pengujian jika tingkat signifikansi >0,05 maka dapat disimpulkan bahwa data berdistribusi secara normal.

Sumber : Hasil Penelitian, 2016 (Data Diolah) Gambar 4.5

Pengujian Normalitas Histogram setelah Menghilangkan Outlier Pada gambar 4.5 uji normalitas dengan pendekatan histogram terlihat bahwa histogram menunjukkan penyebaran data yang terdistribusi secara normal. Hal ini terlihat dari bentuk histogram yang mengikuti kurva berbentuk lonceng yang tidak menceng ke kiri atau menceng ke kanan.

Sumber : Hasil Penelitian, 2016 (Data Diolah) Gambar 4.6

Gambar 4.6 memperlihatkan grafik pada normal probability plot terlihat titik yang mengikuti data sepanjang garis diagonal. Hal tersebut berarti data berdistribusi normal. Hasil pengujian dengan grafik histogram dan grafik Scatter plot sejalan dengan hasil pengujian dengan menggunakan model Kolmogorov-Smirnov, yaitu yang berkesimpulan bahwa data telah terdistribusi secara normal. Karena secara keseluruhan data telah terdistribusi secara normal, maka dapat dilakukan pengujian asumsi klasik lainnya.

4.2.2.2 Uji Heteroskedastisitas

Uji heteroskedastisitas bertujuan untuk menguji apakah dalam model regresi terjadi ketidaksamaan varians dari residual dari satu pengamatan ke pengamatan yang lain. Jika varians dari residual dari satu pengamatan ke pengamatan yang lain tetap atau sama maka disebut homokedastisitas, demikian sebaliknya jika varians berbeda disebut heteroskedastisitas. Model regresi yang baik seharusnya tidak terjadi heteroskedastisitas sehingga model regresi layak dipakai untuk memprediksi variabel dependen berdasarkan masukan variabel independennya. Alat untuk menguji heteroskedastisitas yakni dengan alat analisis grafik atau dengan analisis residual yang berupa statistik (Situmorang dan Lufti, 2014:121).

Pada penelitian ini uji heteroskedastisitas yang digunakan adalah dengan meenggunakan metode pendekatan grafik dan metode pendekatan statistik.

Sumber : Hasil Penelitian, 2016 (Data Diolah) Gambar 4.7

Pendekatan Grafik Heteroskedastisitas

Gambar 4.7 merupakan grafik scatterplot yang menunjukkan titik-titik menyebar secara acak dan tidak membentuk sebuah pola tertentu yang jelas serta tersebar baik di atas maupun di bawah angka nol pada sumbu Y. Hal ini menunjukkan bahwa tidak terjadi heterokedastisitas pada model regresi.

Tabel 4.5

Pendekatan Statistik Uji Glejser

Coefficientsa Model Unstandardized Coefficients Standardized Coefficients t Sig. B Std. Error Beta 1 (Constant) -,030 ,028 -1,086 ,280 Ln_DPK ,000 ,000 ,051 ,438 ,663 Ln_CAR ,000 ,002 -,015 -,121 ,904 Ln_LDR ,008 ,004 ,220 1,975 ,051 Ln_NPL -,001 ,001 -,096 -,968 ,335 Ln_ROA -,001 ,001 -,059 -,505 ,614 Ln_LAR ,000 ,003 -,005 -,042 ,967

a. Dependent Variable: absut

Berdasarkan data tersebut dapat diketahui bahwa nilai signifikansi variabel Dana Pihak Ketiga sebesar 0,663, variabel Capital Adequacy Ratio sebesar 0,904, variabel Loan to Deposit Ratio sebesar 0,051, variabel Non Performing Loan sebesar 0,335, variabel Return on Assets sebesar 0,614 dan variabel Loan to Asset Ratio sebesar 0,967.

Berdasarkan Tabel 4.5 dapat dideskripsikan bahwa tidak satupun variabel independen yang signifikan mempengaruhi variabel dependen absolut Ut (Absut). Hal ini terlihat dari probabilitas signifikansinya di atas tingkat kepercayaan 5%, jadi disimpulkan model regresi tidak mengarah adanya heterokedastisitas.

4.2.2.3 Uji Multikolinearitas

Uji multikolinearitas bertujuan untuk menguji apakah pada model regresi ditemukan adanya korelasi yang tinggi antarvariabel independen. Jika terjadi korelasi maka dinamakan terdapat problem multikolinearitas. Deteksi adanya multikolinearitas dapat dilihat pada besarnya nilai tolerance dan variance inflation factor (VIF), jika nilai VIF < 5 dan nilai tolerance > 0.1 maka tidak terdapat masalah multikolinearitas. Multikolinearitas dapat dilihat dari nilai tolerance dan variance inflation factor (VIF), nilai cutoff yang umum dipakai untuk menunjukkan adanya multikolineritas adalah Tolerance < 0,1 sedangkan variance inflation factor (VIF) > 5 maka terdapat masalah multikolinearitas (Situmorang dan Lutfi, 2014:147).

Tabel 4.6

Hasil Uji Multikolinearitas

Berdasarkan data tersebut dapat diketahui bahwa nilai tolerance dari masing-masing variabel independen lebih besar dari 0,10, yaitu pada variabel Dana Pihak Ketigasebesar 0,624,variabel Capital Adequacy Ratio sebesar 0,553, variabel Loan to Deposit Ratio sebesar 0,681, variabel Non Performing Loan sebesar 0,859, variabel Return On Assets sebesar 0,617, dan variabel Loan to Asset Ratio sebesar 0,575.

Nilai Variance Inflation Factor (VIF) dari masing-masing variabel independen diketahui kurang dari 5, yaitu dilihat pada Tabel 4.6 bahwa variabel Dana Pihak Ketiga nilai Variance Inflation Factor (VIF) sebesar 1,603, variabel Capital Adequacy Ratio sebesar 1,809 ,variabel Loan to Deposit Ratio sebesar 1,469, variabel Non Performing Loan sebesar 1,164, variabel Return On Assets sebesar 1,621, dan variabel Loan to Asset Ratio sebesar 1,740. Berdasarkan Tabel

Coefficientsa Model Unstandardized Coefficients Standardized Coefficients t Sig. Collinearity Statistics

B Std. Error Beta Tolerance VIF

1 (Constant) -4,612 ,044 -104,405 ,000 Ln_DPK 1,000 ,001 ,971 1531,287 ,000 ,624 1,603 Ln_CAR ,003 ,004 ,001 ,925 ,357 ,553 1,809 Ln_LDR ,998 ,006 ,098 160,633 ,000 ,681 1,469 Ln_NPL ,002 ,001 ,001 1,405 ,163 ,859 1,164 Ln_ROA -,001 ,002 -,001 -,814 ,417 ,617 1,621 Ln_LAR ,001 ,005 ,000 ,131 ,896 ,575 1,740

a. Dependent Variable: Ln_KREDIT

4.6 diatas dapat disimpulkan bahwa tidak ada terjadi multikolinearitas antar variabel independen dalam model ini.

4.2.2.4 Uji Autokorelasi

Uji autokorelasi bertujuan untuk melihat apakah dalam suatu model regresi linear ada korelasi antar kesalahan pengganggu pada periode t dengan kesalahan pada periode t-1 (sebelumnya). Autokorelasi muncul karena observasi yang berurutan sepanjang tahun yang berkaitan satu dengan yang lainnya. Hal ini sering ditemukan pada time series. Model regresi yang baikadalah regresi yang bebas dari autokorelasi (Ghozali, 2013:110). Uji autokorelasi dapat diuji dengan menggunakan uji run test. Berikut ini adalah Tabel 4.7 yang menunjukkan hasil uji autokorelasi sebagai berikut :

Tabel 4.7 Hasil Uji Autokorelasi

Runs Test

Unstandardized Residual

Test Valuea ,00068

Cases < Test Value 60

Cases >= Test Value 60

Total Cases 120

Number of Runs 65

Z ,733

Asymp. Sig. (2-tailed) ,463

a. Median

Sumber : Hasil Penelitian, 2016 (Data Diolah)

Berdasarkan Tabel 4.7 dapat diketahui bahwa nilai Asymp.Sig.(2-tailed) adalah 0,463 lebih besar dari nilai signifikan 0,05 sehingga dapat disimpulkan bahwa residual random atau tidak terjadi autokorelasi pada penelitian ini.

4.2.3 Metode Analisis Regresi Linear Berganda

Model regresi akan dapat dijadikan alat estimasi yang tidak biasa jika telah memenuhi persyaratan Best Linear Unbiased Estimator (BLUE) yakni tidak terdapat heterokedastisitas, multikolinearitas, autokorelasi (Situmorang dan Lufti, 2011:151). Dari hasil pengujian asumsi klasik disimpulkan bahwa model regresi yang dipakai dalam penelitian ini telah memenuhi model estimasi yang Best Linear Unbiased Estimator (BLUE) dan layak dilakukan analisis regresi. Maka untuk menguji hipotesis, pada penelitian ini peneliti menggunakan regresi linear berganda dimana semua variabel dimasukkan untuk mencari hubungan antara variabel independen dan variabel dependen. Berikut ini merupakan hasil pengolahan data dengan analisis regresi linear berganda :

Tabel 4.8

Hasil Uji Analisis Regresi Berganda

Coefficientsa Model Unstandardized Coefficients Standardized Coefficients t Sig. B Std. Error Beta 1 (Constant) -4,612 ,044 -104,405 ,000 Ln_DPK 1,000 ,001 ,971 1531,287 ,000 Ln_CAR ,003 ,004 ,001 ,925 ,357 Ln_LDR ,998 ,006 ,098 160,633 ,000 Ln_NPL ,002 ,001 ,001 1,405 ,163 Ln_ROA -,001 ,002 -,001 -,814 ,417 Ln_LAR ,001 ,005 ,000 ,131 ,896

a. Dependent Variable: Ln_KREDIT

Sumber : Hasil Penelitian, 2016 (Data Diolah)

Berdasarkan data pada Tabel 4.8 dapat dirumuskan suatu persamaan regresi linear berganda sebagai berikut :

Y= -4,612 + 1,000X1 + 0,003X2 + 0,998X3 + 0,002X4– 0,001X5 + 0,001X6 + e Dimana :

Y = Kredit

X1 = Dana Pihak Ketiga X2 = Capital Adequacy Ratio X3 = Loan to Deposit Ratio X4 = Non Performing Loan X5 = Return on Assets X6 = Loan to Asset Ratio e = Error

Keterangan :

1. Konstanta (α) diperoleh sebesar -4,612. Hal ini menunjukkan bahwa Dana

Pihak Ketiga, Capital Adequacy Ratio, Loan to Deposit Ratio, Non Performing Loan, Return on Assets dan Loan to Asset Ratio sama dengan nol maka jumlah Penyaluran Kredit (Y) bernilai sebesar 4,612.

2. Koefisien regresi Dana Pihak Ketiga sebesar 1,000 menunjukkan bahwa setiap kenaikan Dana Pihak Ketiga sebesar 1% akan menyebabkan penurunan sebesar 1,000.

3. Koefisien regresi Capital Adequacy Ratio sebesar 0,003 menunjukkan bahwa setiap kenaikan Capital Adequacy Ratio sebesar 1% akan menyebabkan penurunan sebesar 0,003.

4. Koefisien regresi Loan to Deposit Ratio sebesar 0,998 menunjukkan bahwa setiap kenaikan Loan to Deposit Ratio sebesar 1% akan menyebabkan penurunan sebesar 0,998.

5. Koefisien regresi Non Performing Loan sebesar 0,002 menunjukkan bahwa setiap kenaikan Non Performing Loan sebesar 1% akan menyebabkan penurunan sebesar 0,002.

6. Koefisien regresi Return on Assets sebesar -0,001 menunjukkan bahwa setiap kenaikan Return on Assets sebesar 1% akan menyebabkan penurunan sebesar 0,001.

7. Koefisien regresi Loan to Asset Ratio sebesar 0,001 menunjukkan bahwa setiap kenaikan Loan to Asset Ratio sebesar 1% akan menyebabkan penurunan sebesar 0,001.

4.2.4 Pengujian Hipotesis

4.2.4.1 Uji Signifikansi Simultan (Uji-F)

Uji statistik F menunjukkan apakah semua variabel independen atau bebas yang dimasukkan dalam model mempunyai pengaruh secara bersama-sama terhadap variabel dependen terikat (Ghozali, 2013:98). Pengujian ini dilakukan untuk mengetahui pengaruh variabel independen secara serempak terhadap variabel dependen. Uji ini dilakukan dengan membandingkan signifikansi Fhitung dengan Ftabel. Bentuk perumusan hipotesisnya adalah sebagai berikut :

1. Ho : b1 = b2 = b3 = b4 = b5 = b6 = 0, artinya bahwa secara simultan dana pihak ketiga, capital adequacy ratio, loan to deposit ratio, non performing loan, return on assets dan loan to asset ratio berpengaruh tidak signifikan terhadap jumlah penyaluran kredit pada bank umum yang terdaftar di Bursa Efek Indonesia.

2. Ha : b1 ≠ b2 ≠ b3 ≠ b4 ≠ b5≠ b6 ≠ 0, artinya bahwa secara simultan dana pihak

ketiga, capital adequacy ratio, loan to deposit ratio, non performing loan, return on assets dan loan to asset ratio berpengaruh signifikan terhadap jumlah penyaluran kredit pada bank umum yang terdaftar di Bursa Efek Indonesia.

Pada uji ini dilakukan uji satu sisi dengan tingkat signifikan (α) = 5% untuk

mendapatkan nilai Ftabel. Kriteria pengambilan keputusannya sebagai berikut : a. Jika Fhitung ≤ Ftabel atau nilai signifikan (α) ≥ 0.05, maka Ho diterima Ha

b. Jika Fhitung ≥ Ftabel atau nilai signifikan (α) ≤ 0.05, maka Ha diterima Ho

ditolak.

Tabel 4.9

Hasil Uji Signifikansi Simultan (Uji-F)

ANOVAb

Model Sum of Squares df Mean Square F Sig.

1 Regression 407,507 6 67,918 664275,577 ,000a

Residual ,012 113 ,000

Total 407,518 119

a. Predictors: (Constant), Ln_LAR, Ln_ROA, Ln_NPL, Ln_DPK, Ln_LDR, Ln_CAR b. Dependent Variable: Ln_KREDIT

Sumber : Hasil Penelitian, 2016 (Data Diolah)

Tabel 4.9 adalah hasil dari uji statistik simultan (Uji-F) menunjukkan bahwa nilai Fhitung adalah 664275,577 dengan tingkat signifikansi 0,000, sedangkan Ftabel pada tingkat kepercayaan 95% (α = 0,05) adalah 2,18. Karena

pada kedua perhitungannya yaitu Fhitung (664275,577) > Ftabel (2,18) dan tingkat signifikannya 0,000<0,05 menunjukkan bahwa pengaruh variabel independen dana pihak ketiga, capital adequacy ratio, loan to deposit ratio, non performing loan, return on assets dan loan to asset ratio secara simultan adalah berpengaruh positif dan signifikan terhadap jumlah penyaluran kredit.

4.2.4.2. Uji Signifikansi Parsial (Uji-t)

Uji-t (uji individual) digunakan untuk mengetahui apakah masing-masing variabel independen (secara parsial) mempunyai pengaruh yang signifikan terhadap variabel dependennya dengan asumsi variabel independen yang lain dianggap konstan. Bentuk pengujiannya adalah sebagai berikut :

1. Dana Pihak Ketiga

Ho : b1 = 0, artinya secara parsial dana pihak ketiga berpengaruh tidak signifikan terhadap jumlah penyaluran kredit pada bank umum yang terdaftar di Bursa Efek Indonesia.

Ha : b1 ≠ 0, artinya secara parsial dana pihak ketiga berpengaruh signifikan terhadap jumlah penyaluran kredit pada bank umum yang terdaftar di Bursa Efek Indonesia.

2. Capital Adequacy Ratio

Ho : b2 = 0, artinya secara parsial capital adequacy ratio berpengaruh tidak signifikan terhadap jumlah penyaluran kredit pada bank umum yang terdaftar di Bursa Efek Indonesia.

Ha : b2 ≠ 0, artinya bahwa secara parsial capital adequacy ratio berpengaruh signifikan terhadap jumlah penyaluran kredit pada bank umum yang terdaftar di Bursa Efek Indonesia.

3. Loan to Deposit Ratio

Ho : b3 = 0, artinya secara parsial loan to deposit ratio berpengaruh tidak signifikan terhadap jumlah penyaluran kredit pada bank umum yang terdaftar di Bursa Efek Indonesia.

Ha : b3 ≠ 0, artinya bahwa secara parsial loan to deposit ratio berpengaruh signifikan terhadap jumlah penyaluran kredit pada bank umum yang terdaftar di Bursa Efek Indonesia.

4. Non Performing Loan

Ho : b4 = 0, artinya secara parsial non performing loan berpengaruh tidak signifikan terhadap jumlah penyaluran kredit pada bank umum yang terdaftar di Bursa Efek Indonesia.

Ha : b4 ≠ 0, artinya bahwa secara parsial non performing loan berpengaruh signifikan terhadap jumlah penyaluran kredit pada bank umum yang terdaftar di Bursa Efek Indonesia.

5. Return On Assets

Ho : b5 ≠ 0, artinya secara parsial return on assets berpengaruh tidak signifikan terhadap jumlah penyaluran kredit pada bank umum yang terdaftar di Bursa Efek Indonesia.

Ha : b5 ≠ 0, artinya bahwa secara parsial return on assets berpengaruh signifikan terhadap jumlah penyaluran kredit pada bank umum yang terdaftar di Bursa Efek Indonesia.

6. Loan to Asset Ratio

Ho : b6 ≠ 0, artinya secara parsial loan to asset ratio berpengaruh tidak signifikan terhadap jumlah penyaluran kredit pada bank umum yang terdaftar di Bursa Efek Indonesia.

Ha : b6 ≠ 0, artinya bahwa secara parsial loan to asset ratio berpengaruh signifikan terhadap jumlah penyaluran kredit pada bank umum yang terdaftar di Bursa Efek Indonesia.

Pada uji ini nilai thitung akan dibandingkan dengan ttabel pada tingkat

a. Jika thitung ≤ ttabel atau nilai signifikan (α) ≥ 0.05, maka Ho diterima Ha

ditolak.

b. Jika thitung ≥ ttabel atau nilai signifikan (α) ≤ 0.05, maka Ha diterima Ho

ditolak.

Tabel 4.10

Hasil Uji Signifikansi Parsial (Uji-t)

Nilai ttabel dalam penelitian ini adalah sebesar 1,65. Tabel 4.10 memperlihatkan hasil uji statistik parsial (Uji-t) maka diketahui pengaruh variabel independen secara parsial terhadap variabel dependen, yaitu :

1. Variabel dana pihak ketiga berpengaruh positif dan signifikan terhadap jumlah penyaluran kredit, hal ini terlihat dari nilai signifikan 0,000 lebih kecil dari 0,05, dan nilai thitung 1531,287 > 1,65.

2. Variabel capital adequacy ratio berpengaruh positif dan tidak signifikan terhadap jumlah penyaluran kredit, hal ini terlihat dari nilai signifikan 0,357 lebih besar dari 0,05, dan nilai thitung 0,925 < 1,65.

a. Dependent Variable: Ln_KREDIT

3. Variabel loan to deposit ratio berpengaruh positif dan signifikan terhadap jumlah penyaluran kredit, hal ini terlihat dari nilai signifikan 0,000 lebih kecil dari 0,05, dan nilai thitung 160,633 > 1,65.

4. Variabel non performing loan berpengaruh positif dan tidak signifikan terhadap jumlah penyaluran kredit, hal ini terlihat dari nilai signifikan 0,163 lebih besar dari 0,05, dan nilai thitung 1,405 < 1,65.

5. Variabel return on assets berpengaruh negatif dan tidak signifikan terhadap jumlah penyaluran kredit, hal ini terlihat dari nilai signifikan 0,417 lebih besar dari 0,05, dan nilai thitung -0,814 < 1,65.

6. Variabel loan to asset ratio berpengaruh positif dan tidak signifikan terhadap jumlah penyaluran kredit, hal ini terlihat dari nilai signifikan 0,896 lebih besar dari 0,05, dan nilai thitung 0,131 < 1,65.

4.2.4.3 Koefisien Determinasi (R2)

Pengujian koefisien determinasi dilakukan dengan tujuan untuk menggambarkan sampai seberapa jauh variabel-variabel bebas (independen) yang digunakan dalam persamaan regresi mampu menjelaskan variabel terikat (dependen). Apabila nilai R2 suatu regresi mendekati satu, maka semakin baik regresi tersebut. Sebaliknya, semakin mendekati nol, maka variabel bebas secara keseluruhan tidak bisa menjelaskan variabel terikat.

Tabel 4.11

Hasil Uji Koefisien Determinasi (Uji-R2)

Model Summaryb

Model R R Square Adjusted R Square

Std. Error of the Estimate

1 ,995a ,990 ,990 10586400,69436

a. Predictors: (Constant),Ln_ LAR, Ln_NPL,Ln_ DPK, Ln_LDR, Ln_CAR, Ln_ROA

b. Dependent Variable: Ln_Kredit

Sumber : Hasil Penelitian, 2016 (Data Diolah)

Tabel 4.11 memperlihatkan bahwa hasil analisis regresi secara keseluruhan menunjukkan nilai R sebesar 0,995 menunjukkan bahwa korelasi atau hubungan antara jumlah penyaluran kredit (variabel dependen) dengan dana pihak ketiga, capital adequacy ratio, loan to deposit ratio, non performing loan, return on assets dan loan to asset ratio (variabel independen) mempunyai hubungan sangat erat yaitu sebesar 99,5%. Dapat diketahui bahwa nilai R Square sebesar 0,990 berarti 99,0% faktor-faktor jumlah penyaluran kredit dapat dijelaskan oleh dana pihak ketiga, capital adequacy ratio, loan to deposit ratio, non performing loan, return on assets dan loan to asset ratio, sedangkan sisanya 1% dapat dijelaskan oleh faktor-faktor lain yang tidak diteliti pada penelitian ini.

Dalam dokumen Pengaruh Dana Pihak Ketiga, Capital Adequacy Ratio, Loan to Deposit Ratio, Non Performing Loan, Return on Assets dan Loan to Asset Ratio terhadap Jumlah Penyaluran Kredit Pada Bank Umum Yang Terdaftar di Bursa Efek Indonesia (Halaman 54-76)