C. Hasil dan Pembahasan
1. Pengujian Dasar Asumsi Klasik
Uji normalitas yang digunakan pada penelitian ini menggunakan teknik Jarque-Berra. Pedoman yang digunakan adalah apabila nilai
Jarque-Berra tidak signifikan (lebih kecil dari 2), maka data
terdistribusi normal. Dan apabila probabilitas lebih besar dari 5% maka data terdistribusi normal (Winarno, 2015:5.43).
Pengujian normalitas untuk variabel dependen non performing
0 2 4 6 8 10 12 -1.00 -0.75 -0.50 -0.25 0.00 0.25 0.50 0.75 1.00 1.25 Series: Residuals Sample 1 34 Observations 34 Mean -5.22e-17 Median -0.116804 Maximum 1.052448 Minimum -0.984759 Std. Dev. 0.467932 Skewness 0.191771 Kurtosis 2.582441 Jarque-Bera 0.455402 Probability 0.796363
Gambar 4.1: Hasil Uji Normalitas Sumber: Eviews 9 (data diolah) 2016.
Gambar menunjukan bahwa setelah dilakukan uji normalitas data dengan menggunakan fasilitas EViews maka semua variabel pada pengujian model ini menunjukan bahwa penelitian diatas berdistribusi normal atau dapat dikatakan bahwa persyaratan normalitas dapat dipenuhi. Hal ini dapat dilihat dari nilai J-B pada penelitian ini sebesar 0.455402 dengan probability 0.796363. Di mana probabilitas harus lebih besar dari α= 0,05. Oleh karena itu H1 diterima dan menunjukan bahwa penelitian tersebut berdistribusi normal, sehingga dapat dikatakan bahwa persyaratan normalitas dapat terpenuhi.
b. Hasil Uji Multikolonieritas
Uji multikolonieritas bertujuan untuk menguji apakah model regresi ditemukan adanya korelasi antar variabel bebas (Ghozali, 2013;103).
Pada penelitian ini, ada atau tidaknya multikolinieritas dapat diketahui atau dilihat dari koefisien korelasi masing-masing variabel bebas. Jika koefisien kolerasi diantara masing-masing variabel bebas lebih besar dari 0,85 maka terjadi multikolinieritas (Agus Widarjono,2010:77).
Multikolinieritas bisa dideteksi dengan melihat kolerasi linier antara variabel independen di dalam regresi. Sebagai aturan yang kasar (rule of thumb), jika koefisien kolerasi cukup tinggi yaitu diatas 0,85
maka kita duga ada multikolinieritas dalam model. Sebaliknya jika koefisien kolerasi kurang dari 0,85 maka kita duga model tidak mengandung unsur multikolinieritas. Akan tetapi perlu diperhatikan terutama pada data time series seringkali menunjukan kolerasi antar
variabel independen cukup tinggi. Kolerasi tinggi ini terjadi karena data
time series seringkali menunjukan unsur tren yaitu data bergerak naik
dan turun secara bersamaan (Agus Widarjono, 2010:77).
Pengujian Multtikolonieritas dapat dilihat pada tabel 4.2 berikut ini :
Tabel 4.2: Hasil Uji Multikolonieritas 1
KPRMU KPRIST NPF
KPRMU 1.000000 0.858924 -0.410932 KPRIST 0.858924 1.000000 -0.494347 NPF -0.410932 -0.494347 1.000000 Sumber: Eviews 9 (data diolah) 2016.
Berdasarkan tabel di atas dapat dilihat bahwa masih ada variabel yang berada di atas 0,85 yaitu variabel pembiayaan pemilikan rumah
sistim akad istishna sebesar 0,858924 yang masih berada di atas 0,85
yang artinya data mengandung multikolinearitas.
Adanya multikolinearitas dalam suatu model merupakan hal yang sangat serius dan perlu segera dibenahi. Parameter yang terestimasi pada saat adanya multikolinearitas menjadi tidak reliable. Dengan
demikian, pada saat kita hendak menginterpretasikan parameter tersebut analisisnya menjadi kurang atau tidak akurat. Akan tetapi, model yang mengandung multikolinearitas masih bermanfaat, jika model yang terestimasi digunakan untuk membuat suatu ramalan (forecast) saja, asalkan R2 masih cukup tinggi. Sebab untuk keperluan meramal, yang penting adalah menganalisis keseluruhan model dan tidak individual parameter (Nachrowi dan Hardius Usman, 2006).
Dari tabel hasil analisis uji multikolinearitas dengan correlation matrix diatas terlihat bahwa koefisien korelasi ada yang diatas 0.8, sehingga dapat disimpulkan bahwa dalam model terdapat masalah multikolinearitas. Meskipun terdapat multikolinearitas, tetapi tifak mempengaruhi model secara signifikan hasil akhir estimasi tetap menunjukan hasil yang cukup bagus (Agus Widarjono, 2005:111).
Ada beberapa alternatif dalam menghadapi masalah multikolinearitas, salah satunya melakukan tranformasi salah satu atau beberapa variabel, termasuk misalnya dengan melakukan diferensi (Winarno :2015:5.8).
Tabel 4.3: Hasil Uji Multikolonieritas 2
Sumber: Eviews 9 (data diolah) 2016.
Berdasarkan tabel di atas setelah dilakukan diferensi dapat dilihat bahwa semua variabel masih ada yang berada di bawah 0,85. Sehingga dapat disimpulkan bahwa model tidak terdapat masalah multikolinearitas.
c. Hasil Uji Autokorelasi
Uji autokorelasi bertujuan menguji apakah dalam model regresi linear ada korelasi antara kesalahan pengganggu pada periode t dengan kesalahan penggangu pada periode t-1 (sebelumnya). Jika terjadi korelasi, maka dinamakan ada problem autokorelasi (Ghozali,
2013:107).
Pengujian Autokorelasi untuk variabel dependen non performing
financing dapat dilihat pada tabel 4.4 berikut ini :
Tabel 4.4: Hasil Uji Autokorelasi
Sumber: Eviews 9 (data diolah) 2016.
Pada tabel hasil output diatas menunjukan bahwa nilai Obs*R Squared LM mempunyai probabilitas sebesar 0.3210 dimana probabilitas lebih besar dari nilai α sebesar 0.05 atau 5%. Berarti
D(KPRMU) D(KPRIST) D(NPF) D(KPRMU) 1.000000 -0.169172 0.240386 D(KPRIST) -0.169172 1.000000 -0.035361 D(NPF) 0.240386 -0.035361 1.000000
Breusch-Godfrey Serial Correlation LM Test:
F-statistic 1.002961 Prob. F(2,28) 0.3796 Obs*R-squared 2.272929 Prob. Chi-Square(2) 0.3210
probabilitas tersebut memberikan putusan bahwa model ini telah terbebas dari permasalahan autokorelasi.
d. Hasil Uji Heteroskedastisitas
Autokorelasi adalah hubungan antara residual satu observasi dengan residual observasi lainnya. Autokorelasi lebih mudah timbul pada data yang bersifat runtun waktu, karena berdasarkan sifatnya data masa sekarang dipengaruhi oleh data pada masa sebelumnya (Winarno, 2015:5.29). Data yang baik adalah data yang homoskedastisitas. Homoskedastisitas adalah kesamaan varians dalam model regresi. Autokorelasi dapat diteksi dengan menggunakan Uji Breusch-Godfrey
nama lain uji BG ini adalah Uji Langrange Multiplier (LM-test). Uji ini
sangat berguna untuk mengidentifikasi masalah autokorelasi tidak hanya pada derajat pertama (first order) tetapi juga digunakan pada
tingkat derajat.
Uji autokerelasi juga bisa dilihat dari nilai probabilitas
Chi-Square. Jika probabilitas Chi-Square lebih besar dari tingkat signifikan
5% maka tidak terdapat autokorelasi dan sebaliknya jika probabilitas
Chi-Squared lebih kecil dari 5% maka terdapat autokorelasi.
Apabila probabilitas signifikansi variabel independen lebih besar dari α = 5%, maka dalam model regresi tidak terjadi heteroskedastisitas atau terjadi homoskedastisitas. Namun apabila probabilitas signifikansi kurang α = 5%, maka dalam model regresi ada indikasi terjadi heteroskedastisitas (Winarno, 2015:5.12).
Pengujian heteroskedastisitas untuk variabel dependen non
performing financing dapat dilihat pada tabel 4.6 berikut ini :
Tabel 4.5: Hasil Uji Heteroskedastikitas
Sumber: Eviews 9 (data diolah) 2016.
Tabel diatas menunjukkan bahwa nilai probabilitas dari Chi-Square sebesar 0.2918 yang lebih besar dari nilai α sebesar 0.05, karena nilai probabilitas Chi-Square lebih besar dari α= 5% maka Ho diterima sehingga dapat disimpulkan bahwa dalam model ini tidak ada masalah heterokedastisitas.