13 24.. BSWD Bank of India
3.6 Metode Analisis Data
3.6.1 Pengujian Asumsi Klasik
Variabel Definisi Operasional Indikator Skala Profitabili
tas (Y)
Perbandingan antara laba dengan aktiva atau modal
yang kemudian menghasilkan laba tersebut. ROA = Net Income Total Asset × 100% Return On Total Asset (ROA) Risiko kredit (X1)
Suatu risiko akibat kegagalan atau ketidakmampuan
nasabah mengembalikan jumlah pinjaman beserta bunganya yang diperoleh dari bank sesuai dengan jangka waktu yang telah ditentukan sebelumnya.
NPL = Pembiayaan Non Lancar
Total Pembiayaan × 100% Non Performing Loan (NPL) Likuiditas (X2) Kemampuan untuk memenuhi kewajibannya dan atau kebutuhan dana sesegera mungkin dan dengan biaya yang sesuai. LDR = Total Loans Total Deposit × 100% Loan to Deposit Ratio (LDR)
Uji asumsi klasik merupakan prasyarat dalam melakukan analisis regresi berganda. Sebelum melakukan analisis regresi berganda maka harus dilakukan terlebih dahulu pengujian asumsi klasik, dimana hal ini bertujuan untuk mengetahui apakah data yang digunakan pada penelitian ini sudah memenuhi model regresi. Agar kemudian dapat dilakukan pengujian analisis selanjutnya untuk mengetahui apakah regresi berganda adalah model yang tepat digunakan pada penelitian ini.
3.6.1.1 Uji Normalitas
Uji ini berguna untuk tahap awal dalam metode pemilihan analisis data. Menurut Erlina (2011:100), ”Data normal, gunakan statistik parametrik, dan jika data tidak normal, gunakan statistik nonparametrik atau lakukan treatment agar data normal”.
Tujuan uji normalitas adalah untuk mengetahui apakah dalam model regresi variabel pengganggu atau residual memiliki distribusi normal. Cara untuk menguji variabel pengganggu ini adalah dengan melakukan Kolmogorov-Smirnov terhadap model yang diuji. Uji normalitas ini dapat dilakukan dengan dua cara yaitu analisis grafik dan uji statistik dengan membuat hipotesis sebagai berikut:
H0 : Data residual berdistribusi normal. Ha : Data residual tidak berdistribusi normal.
Dengan kriteria nilai signifikansi lebih besar dari 0,05 maka H0 diterima dan Ha ditolak, sedangkan jika nilai signifikansi lebih kecil dari 0,05 makaH0 ditolak dan Ha diterima.
Menurut Erlina (2011:100) apabila hasil pengujian data tidak normal,maka untuk membuat data menjadi bentuk yang normal dapat dilakukan dengan beberapa cara sebagai berikut:
1. Transformasi data
Yaitu dengan mentransformasikan data ke bentuk lain. Transformasi data dapat dilakukan dengan logaritma natural (Ln), Log 10, maupun akar kuadrat. Data bernilai negatif dapat ditransformasidengan logaritma, yang mana akan menghilangkannya sehingga jumlah sampel (n) akan berkurang.
2. Trimming
Yaitu dengan memangkas atau membuang observasi yang bersifat outlier. Kriteria data yang bersifat outlier nilainya lebih kecil dari µ - 2α atau lebih besar dari µ + 2α.
3. Winzorising
Winzorising mengubah nilai-nilai outlier menjadi nilai-nilai minimum atau maksimum yang diizinkan supaya distribusinya dapat berubah menjadi normal.
3.6.1.2 Uji multikolinearitas
Uji multikolinearitas bertujuan untuk menguji variabel independen yang memiliki kemiripan dengan variabel independen lain dalam satu model. Menurut Erlina (2011:102), “Model regresi yang baik seharusnya tidak terjadi korelasi diantara variabel independen.” Jika terjadikorelasi diantara variabel independen, maka variabel independen tidak orthogonal. Yang dikatakan variabel independen yang
bersifat orthogonal adalah variabel independen yang memiliki nilai korelasi diantara sesamanya sama dengan nol.
Multikolonieritas dapat dilihat dari nilai tolerance dan lawannya, variance inflation factor (VIF). Kedua ukuran ini menunjukkan variabel independen manakah yang dijelaskan oleh variabel independen lainnya. Menurut Ghozali (2011:105), “Tolerancemengukur variabilitas variabel independen yang terpilih yang tidak dijelaskan oleh variabel independen lainnya”. Jadi nilai
tolerance yang rendah sama dengan nilai VIF tinggi (karena VIF = 1/tolerance). Nilai cutoff yang umum dipakai untuk menunjukkan adanya multikolinearitas adalah nilai VIF > 10 atau nilai tolerance < 0,10.
3.6.1.3 Uji Heteroskedastisitas
Menurut Ghozali (2011:139), “Uji heteroskedastisitas bertujuan untuk menguji apakah dalam model regresi terjadi ketidaksamaan variance dari residual satu pengamatan ke pengamatanyang lain.” Jika variance dari residual satu pengamatan ke pengamatan lain tetap, maka disebut homoskedastisitas dan jika berbeda disebut heteroskedastisitas. Model regresi yang baik adalah yang homoskedastisitas atau tidak terjadi heteroskedastisitas.
Cara mendeteksi ada atau tidaknya heteroskedastisitas adalah dengan melihat grafik scatterplot antara nilai prediksi variabel
dependen dengan nilai residualnya. Menurut Ghozali (2011:139) dasar analisis untuk menentukan ada atau tidaknya heteroskedastisitas yaitu:
1. Jika ada pola tertentu, seperti titik-titik yang membentuk pola tertentu yang teratur (bergelombang, melebar kemudian menyempit), maka mengindikasikan telah terjadi heteroskedastisitas.
2. Jika tidak ada pola yang jelas, serta titik-titik menyebar diatas dan bawah angka 0 pada sumbu Y, maka tidak terjadi heteroskedastisitas.
Uji Glejser, mengusulkan untuk meregresi nilai absolut residual terhadap variabel independen dengan persamaan :
|Ut| = α + βXt + vt
Uji Glejser dilakukan dengan meregresikan antara variabel independen dengan nilai absolut residualnya. Jika nilai signifikansi antara variabel independen dengan absolut residual lebih rendah 0.05 maka tidak terjadi masalah heteroskedastisitas.
3.6.1.4 Uji Autokorelasi
Menurut Erlina (2011:105), “Uji autokorelasi bertujuan menguji apakah dalam suatu model regresi linear ada korelasi antara kesalahan pengganggu pada periode t dengan kesalahan pada periode t-1 atau sebelumnya”. Uji yang dapat digunakan untuk mendeteksi masalah autokorelasi adalah dengan uji Durbin Watson, karena uji ini yang umum digunakan. Hipotesis yang akan diuji adalah:
• Ho : tidak ada autokorelasi ( r = 0 ).
• Ha : ada autokorelasi ( r ≠ 0 ).
Menurut Ghozali (2011:111)Pengujian ini menggunakan uji
Durbin Watson. Pengambilan keputusan ada tidaknya autokorelasi adalah sebagai berikut:
1. Bila nilai d<dl, berarti terjadi autokorelasi positif. 2. Bila nilai dl<d<du, berarti tidak dapat disimpulkan. 3. Bila nilai 4 – dl<DW<4, berarti terjadi autokorelasi
negatif.
4. Bila nilai 4 – du<d<4-dl, berarti tidak dapat disimpulkan.
5. Bila nilai du<d<4-du, berarti tidak ada autokorelasi.
3.6.1.5 Uji Regresi Berganda
Uji regresi berganda dilakukan untuk mengetahui sejauh mana variabel independen mempengaruhi variabel dependen dalam penelitian. Pada regresi berganda terdapat satu variabel dependen dan lebih dari satu varibel independen. Dalam penelitian ini yang menjadi variabel dependen adalah ROA, sedangkan yang menjadi variabel independen adalah NPL dan LDR.
Adapun model hubungan ROA dengan variabel-variabel tersebut dapat disusun dalam persamaan sebagai berikut:
ROA = a + b1 NPL + b2 LDR + e
Dimana :
a = Konstanta
b1,b2 = Koefisien regresi dari X1, X2