BAB IV ANALISIS DATA DAN PEMBAHASAN
4.2 Pengujian dan Hasil Analisis Data
4.2.1 Pengujian Asumsi Klasik
Tujuan dari uji normalitas yaitu untuk mengetahui apakah residual data dari model regresi linier memiliki distribusi normal ataukah tidak. Model regresi yang baik adalah yang residual datanya berdistribusi normal. Jika residual data tidak terdistribusi normal maka kesimpulan statistik menjadi tidak valid atau bias.
Terdapat dua cara untuk mengetahui apakah residual data berdistribusi normal ataukah tidak yaitu dengan melihat grafik normal probability plot dan uji statistik One Kolmogrov-Sminov Test. Apabila pada grafik normal probability plot tampak bahwa titik-titik menyebar berhimpit disekitar garis diagonal dan searah mengikuti garis diagonal maka hal ini dapat disimpulkan bahwa residual data memiliki distribusi normal, atau data memenuhi asumsi klasik normalitas. Pada uji statistik One-Kolmogrov-Sminov Test jika didapat nilai signifikasi > 0.05, maka dapat disimpulkan bahwa data terdistribusi normal secara multivariate. (Latan dan Temalati, 2013: 57).
Tabel 4.3
Hasil Uji Normalitas
One-Sample Kolmogorov-Smirnov Test
Unstandardized Residual
N 48
Normal Parametersa,b Mean 0E-7
Std. Deviation .24643376 Most Extreme Differences
Absolute .082
Positive .050
Negative -.082
Kolmogorov-Smirnov Z .570
Asymp. Sig. (2-tailed) .901
a. Test distribution is Normal.
Berdasarkan tabel 4.1 (One Kolmogrov-Sminof) diatas dapat diketahui bahwa nilai kolmogrov-sminov 0,901 lebih besar dari 0,05, maka dapat disimpulkan bahwa data terdistribusi normal secara multivariate, atau data memenuhi asumsi klasik.
Gambar 4.1 Hasil Uji Normalitas
Sumber: Data Diolah (SPSS 20.0), 2018
Berdasarkan gambar 4.1 Normal P-P plot of Regression Standardized
Residual di atas dapat diketahui bahwa titik-titik menyebar berhimpit disekitar
garis diagonal dan searah mengikuti garis diagonal maka hal ini dapat disimpulkan bahwa residual data memiliki distribusi normal, atau data memenuhi asumsi klasik normalitas.
2. Uji Multikolonieritas
Uji multikolonieritas bertujuan untuk mengetahui apakah ada atau tidaknya korelasi antar variabel independen dalam model regresi. Uji asumsi multikolonieritas hanya dilakukan jika lebih dari satu variabel independen dalam model regresi. Mengukur Multikolonieritas pada model regresi dapat melihat
Tollerance dan VIF (Variance Inflation Factor). Nilai yang direkomendasikan
untuk menunjukkan tidak adanya problem multikolenieritas adalah nilai
Tolerance harus > 0.10 dan nilai VIF < 10. (Temalati dan Latan, 2013: 57).
Tabel 4.4
Hasil Uji Multikolonieritas Coefficientsa
Model Correlations Collinearity Statistics
Zero-order Partial Part Tolerance VIF
1 (Constant) LN_GIRO .321 .256 .155 .235 4.251 LN_TABUNGAN .329 -.236 -.143 .178 5.621 LN_DEPOSITO -.154 .440 .288 .324 3.089 FDR .095 -.039 -.023 .403 2.484 NPF -.735 -.710 -.592 .340 2.937
Sumber: Data Diolah (SPSS 20.0), 2018
Berdasarkan tabel 4.3 diatas, dapat diketahui bahwa nilai Tolerance Variabel Bebas Giro = 0,235, Tabungan = 0,178, Deposito = 0,324, FDR = 0,403, dan NPF = 0,340, dari kelima variabel tersebut nilainya lebih dari 0,10. Sedangkan nilai VIF variabel bebas Giro = 4,251, Tabungan = 5,621, Deposito = 3,089, FDR = 2,484, dan NPF = 2,927, nilai VIF dari kelima variabel tersebut kurang dari 10. Dari hasil Tolerance maupun VIF diatas dapat disimpulkan bahwa
model regresi dinyatakan bebas dari multikoleniaritas karena nilai tolerance > 0,10 dan nilai VIF < 10.
3. Uji Heteroskedastisitas
Pengujian terhadap asumsi klasik heteroskedastisitas bertujuan untuk mengetahui apakah variance dari residual data satu observasi ke observasi lainnya berbeda ataukah tetap. Cara mendeteksi problem heteroskedastisitas pada model regresi dengan melakukan Uji Glesjer (Glesjer Test), Uji Glesjer dilakukan dengan membuat model regresi yang melibatkan nilai absolut residual (|e|), sebagai variabel dependen, terhadap semua variabel independen. Jika semua variabel independen signifikan secara statistik, maka dalam model tersebut heteroskedastisitas (Aligifari, 2011: 87). Jika diperoleh nilai signifikasi untuk variabel independen > 0.05, dapat disimpulkan bahwa tidak terdapat problem heteroskedastisitas (Latan & Temalati, 2013: 57).
Tabel 4.5
Hasil Uji Heterokedastisitas Coefficientsa Model Unstandardized Coefficients Standardized Coefficients T Sig. B Std. Error Beta 1 (Constant) 2.586 1.609 1.607 .115 LN_GIRO -.080 .110 -.210 -.726 .472 LN_TABUNGAN -.085 .095 -.300 -.901 .373 LN_DEPOSITO .010 .078 .033 .135 .893 FDR -.001 .004 -.084 -.378 .707 NPF -.006 .032 -.042 -.176 .861
a. Dependent Variable: RES_2
Berdasarkan tabel 4.4 di atas dapat dilihat bahwa nilai signifikasi masing-masing variabel independen > 0,05. Untuk variabel Giro didapat nilai signifikasi sebesar 0,472, variabel Tabungan sebesar 0,373, variabel Deposito sebesar 0,893, variabel FDR sebesar 0,707, dan variabel NPF sebesar 0,861, maka dapat disimpulkan bahwa data tersebut tidak terjadi heteroskedastisitas.
Selain menggunakan uji statistik glejser uji heteroskedastisitas juga dapat dilihat dengan grafik Scatterplot, melihat grafik Scatterplot, yaitu jika ploting titik-titik menyebar secara acak dan tidak terkumpul pada satu tempat, maka dapat disimpulkan bahwa tidak terjadi problem heteroskedastisitas.
Gambar 4.2
Hasil Uji Heteroskedastisitas
Berdasarkan Scatterplot pada gambar 4.5 diatas titik-titik menyebar secara acak dan tidak terkumpul pada satu tempat, maka dapat disimpulkan bahwa tidak terjadi problem heteroskedastisitas.
4. Uji Autokorelasi
Uji autokorelasi bertujuan untuk mengetahui apakah ada korelasi antara kesalahan pengganggu pada data observasi satu pengamatan ke pengamatan lainnya dalam model regresi linier. Model regresi yang baik adalah yang tidak terjadi korelasi.
Ada beberapa cara yang dapat mendeteksi ada tidaknya problem autokorelasi pada model regresi yaitu dengan melakukan uji statistik Durbin-Watson, uji runs test dan uji Box-Ljung. Untuk uji Durbin-Watson membandingkan hasil DW statistik dengan DW tabel. Jika DW statistik > DW tabel, maka dapat disimpulkan bahwa tidak terdapat problem autokorelasi. (Latan & Temalati, 2013: 57). Selain dengan membandingkan DW statistik DW tabel. Menurut Sunyonto (2010: 110), Salah satu ukuran dalam menentukan ada tidaknya masalah autokorelasi dengan uji Durbin-Watson dengan ketentuan sebagai berikut:
d. Terjadi autokorelasi positif, jika nilai DW di bawah -2 ( DW<-2 )
e. Tidak terjadi autokorelasi, jika nilai DW berada di antara 2 dan + 2 atau -2 ≤ DW ≤ + -2
Tabel 4.6 Hasil Uji Autokorelasi
Model Summaryb
Model Change Statistics Durbin-Watson
df1 df2 Sig. F Change
1 5 42 .000 1.378
Sumber: Data Diolah (SPSS 20.0), 2018
Berdasarkan tabel 4.6 di atas dapat diketahui bahwa nilai Durbin-Watson (DW) yaitu 1,378, dimana nilai DW (=1,378) berada diantara -2 dan +2 atau -2 < 1,378 < 2. Hal ini membuktikan bahwa dalam model regresi pada penelitian ini tidak terjadi autokorelasi atau asumsi bebas autokorelasi.
4.2.2. Ketepatan Model
1. Uji Koefisien Determinasi (R-Squares) Tabel 4.7
Hasil Uji Adjust R-Squares
Model Summaryb Model R R Square Adjusted
R Square Std. Error of the Estimate Change Statistics R Square Change F Change 1 .810a .656 .615 .26069 .656 15.985
Sumber: Data Diolah (SPSS 20.0), 2018
Berdasarkan hasil pengolahan data pada tabel 4.6 diatas, diperoleh nilai
Adjust R-Squares adalah sebesar 0,615 atau 61,5% yang artinya hubungan antara
variabel DPK (Giro, Tabungan, Deposito,) FDR, dan NPF dapat dijelaskan sebesar 61,5% dan sisanya sebesar 58,5% yang di pengaruhi oleh variabel lain. Dengan kata lain Giro, Tabungan, Deposito, FDR, dan NPF memberi pengaruh bersama sekitar 61,5% terhadap Return on Asset (ROA) pada Bank BNI Syariah
2. Uji F
Tabel 4.8 Hasil Uji F
ANOVAa
Model Sum of Squares Df Mean Square F Sig.
1
Regression 5.432 5 1.086 15.985 .000b
Residual 2.854 42 .068
Total 8.286 47
Sumber: Data Diolah (SPSS 20.0), 2018
Berdasarkan tabel 4.7 diatas bahwa nilai P atau signifikasi 0,000 < 0,05, karena nilai signifikasinya lebih kecil maka dan nilai F statistik > F tabel (15,985 > 0,884). Maka dapat disimpulkan bahwa model variabel DPK (Giro, Tabungan, Deposito), FDR, dan NPF secara bersama-sama atau simultan mempengaruhi variabel Return on Asset (ROA) pada Bank BNI Syariah dan BRI Syariah di Indonesia.
4.2.3. Analisis Regresi Linier Berganda
Analisis Regresi Linier Berganda bertujuan untuk menganalisis pengaruh variabel Giro (X1), Tabungan (X2), Deposito (X3), Financing To Deposit Ratio FDR (X4), dan Non Performing Finance NPF (X5) terhadap Return On Asset (ROA) pada Bank BNI Syariah dan BRI Syariah di Indonesia, diperoleh hasil regresi sebagai berikut:
Tabel 4.9
Hasil Analisis Regresi Linier Berganda
Model Unstandardized Coefficients Standardized Coefficients t Sig. B Std. Error Beta 1 (Constant) -5.710 2.931 -1.948 .058 LN_GIRO .345 .201 .320 1.715 .094 LN_TABUNGAN -.272 .173 -.338 -1.576 .123 LN_DEPOSITO .449 .141 .505 3.176 .003 FDR .102 .007 .136 2.250 .034 NPF -.381 .058 -1.014 -6.533 .000
Sumber: Data Diolah (SPSS 20.0), 2018
Berdasarkan tabel 4.8 diatas diketahui bahwa nilai taksiran parameter model persamaan regresinya adalah sebagai berikut:
Y = -5,710 + 0,345 X1 – 0,272 X2 + 0,449 X3 + 0,102 X4 – 0,381 X5 + e Hasil analisis regresi diatas diuraikan sebagai berikut:
1. Konstanta (α)
Nilai konstanta (α) adalah sebesar -5,710, artinya jika variabel bebas sama dengan 0 maka nilai prediksi ROA (Y) pada Bank BNI Syariah dan BRI Syariah di Indonesia periode Januari 2012-Desember 2017 adalah sebesar -5,710.
2. Koefisien regresi Giro (X1) mempunyai parameter positif sebesar 0,345 yang menyatakan bahwa setiap kenaikan 1 rupiah nilai Giro sedangkan variabel lain konstan maka akan menaikkan ROA pada Bank BNI Syariah dan BRI Syariah di Indonesia periode Januari 2012-Desember 2017 adalah sebesar 0,345.
3. Koefisien regresi Tabungan (X2) mempunyai parameter negatif sebesar -0,272 yang menyatakan bahwa setiap penurunan 1 rupiah nilai Tabungan sedangkan variabel lain konstan maka akan menaikkan ROA pada Bank BNI Syariah dan BRI Syariah di Indonesia periode Januari 2012-Desember 2017 adalah sebesar -0,272.
4. Koefisien regresi Deposito (X3) mempunyai parameter positif sebesar 0,449 yang menyatakan bahwa setiap kenaikan 1 rupiah nilai Deposito sedangkan variabel lain konstan maka akan menaikkan ROA pada Bank BNI Syariah dan BRI Syariah di Indonesia periode Januari 2012-Desember 2017 adalah sebesar 0,449.
5. Koefisien regresi Financing To Deposit Ratio (FDR) (X4) mempunyai parameter positif sebesar 0,102 yang menyatakan bahwa setiap kenaikan 1% nilai FDR sedangkan variabel lain konstan maka akan menaikkan ROA pada Bank BNI Syariah dan BRI Syariah di Indonesia periode Januari 2012-Desember 2017 adalah sebesar 0,102.
6. Koefisien regresi Non Performing Financing (NPF) (X5) mempunyai parameter negatif sebesar -0,381 yang menyatakan bahwa setiap penurunan 1% satuan nilai NPF sedangkan variabel lain konstan maka akan menaikkan ROA pada Bank BNI Syariah dan BRI Syariah di Indonesia periode Januari 2012-Desember 2017 adalah sebesar -0,381.