Prediksi Kondisi Bermasalah

BAB 5 HASIL PENELITIAN DAN PEMBAHASAAN

5.2. Hasil Analisis

5.2.1. Prediksi Kondisi Bermasalah

Setelah analisis statistik deskriptif selanjutnya akan dilakukan uji regresi logistik untuk mengetahui apakah terdapat pengaruh dari CAR, KAP, PPAP, ROA, BOPO, LDR dan CR terhadap prediksi kondisi bermasalah BPR dan membentuk model regresi logistik. Karena variabel terikatnya memiliki dua alternatif digunakan model Regression Logistic (Imam Ghozali, 2002).

Pengujian hipotesis dilakukan dengan menggunakan regresi logistik yang dilakukan secara bersama-sama untuk ketujuh variable yaitu CAR, KAP, PPAP, ROA, BOPO, LDR dan CR dengan tingkat signifikansi 5%.

Uji Hosmer and Lemeshow

Uji Hosmer and Lemeshow dilakukan untuk menguji hipotesis nol bahwa data empiris cocok atau sesuai dengan model (tidak ada perbedaan model dengan data sehingga model dapat dikatakn fit). Jika nilai Hosmer and Lemeshow Test sama dengan atau kurang dari 0,05, maka hipotesis nol ditolak berarti ada perbedaan signifikan antara model dengan nilai observasinya sehingga model tidak dapat memprediksi nilai observasinya, sebaliknya jika nilai Hosmer and Lemeshow Test lebih besar dari 0,05 maka hipotesis nol ditolak yang berarti model mampu memprediksi nilai observasinya atau dapat dikatakan model dapat diterima karena sesuai dengan data observasinya.

Table 5.3 Pengujian Hosmer and Hosmer and Lemeshow Test Step Chi-square df Sig.

1 12.994 8 .112

Sumber : Lampiran 3

Berdasarkan table 5.3, maka telah diperoleh nilai signifikansi Statistic Hosmer and Lemeshow’s Goodness of Fit Test sebesar 0,112 yang nilainya diatas 0,05. Hal ini berarti bahwa model mampu memprediksi nilai observasinya atau model dapat diterima karena sesuai dengan data observasinya.

Uji -2 log likehood

Uji regresi logistik yang kedua menggunakan uji -2 log likehood. Uji ini digunakan untuk menilai model regresi logistik layak dipakai atau tidak. Tampilan output SPSS memberikan dua nilai -2 log likehood yaitu model yang hanya memasukkan konstatnta dan model dengan konstanta serta variable bebas ke dalam model regresi logistik. Hasil pengolahan data dapat dilihat pada tabel 5.4 dan tabel 5.5

Tabel 5.4 : Pengujian -2 log likehood Step 0

a. Constant is included in the model.

b. Initial -2 Log Likelihood: 100.963

c. Estimation terminated at iteration number 4 because parameter estimates changed by less than .001.

Sumber : Lampiran 3

Tabel 5.5 Pengujian -2 log likehood Step 1

Model Summary

a. Estimation terminated at iteration number 9 because parameter estimates changed by less than .001.

Sumber : Lampiran 3

Tabel 5.4 dan tabel 5.5 diatas menunjukkan hasil pengujian -2 log likehood. Pengujian ini terdiri dari dua tahap yaitu tahap 0 (step 0) dan tahap 1 (step1). Hasil yang baik apabila terdapat penurunan pada nilai -2 log likehood tahap 0 ke tahap 1. Berdasarkan tabel 5.4 dan tabel 5.5 dapat dilihat nilai -2 log likehood tahap 0 adalah 100,963 sedangkan nilai -2 log likehood pada tahap 1 adalah 25,863. Hal ini berarti terjadi penurunan nilai -2 log likehood. Jadi dapat ditraik kesimpulan bahwa model tersebut merupakan model regresi logistik yang baik dan penambahan variable bebas ke dalam model memperbaiki model fit.

Uji Nagelkerke R Square.

Setelah pengujian -2 log likehood selesai, selajutnya akan diuji dengan Nagelkerke R Square. Uji ini dilakukan untuk menilai seberapa besar variasi dari variable terikat (prediksi konsidi bermasalah BPR) dapat dijelaskan oleh variable

bebas (CAR, KAP, PPAP, ROA, BOPO, LDR dan CR). Hasil pengujian Nagelkerke R Square dapat dilihat pada tabel 5.6

Tabel 5.6 Pengujian Nagelkerke R Square

Model Summary

Step

-2 Log likelihood

Cox & Snell R Square

Nagelkerke R Square

1 25.863^a .521 .829

a. Estimation terminated at iteration number 9 because parameter estimates changed by less than .001.

Sumber : Lampiran 3

Berdasarkan tabel 5.6 diatas nilai Nagelkerke R Square adalah sebesar 0,829. Hal ini mengindikasikan bahwa variasi variabel dependent (prediksi kondisi BPR bermasalah) dapat dijelaskan oleh variabel independent (CAR, KAP, PPAP, ROA, BOPO, LDR dan CR) sebesar 82,9% sedangkan sisanya 17,1%

dijelaskan oleh variabel lain diluar model. Hal ini juga menunjukkan bahwa variabel independent cukup kuat untuk menjelaskan hubungannya dengan variabel dependent.

Uji Regresi Logistik secara Parsial

Pengujian yang dilakukan selanjutnya setelah pengujian Nagelkerke R Square adalah menggunakan regresi logistik sercara parsial dengan melihat table variables in the equation. Pengujian hipotesis dengan menggunakan regresi logistik dilakukan dengan memasukkan seluruh variable CAR, KAP, PPAP, ROA, BOPO, LDR dan CR dan prediksi kondisi BPR bermasalah. Pengujian ini bertujuan untuk melihat pengaruh CAR, KAP, PPAP, ROA, BOPO, LDR dan CR terhadap prediksi kondisi BPR bermasalah. Pengujian ini dilakukan dengan menggunakan metode enter dengan tingkat signifikansi sebesar 5%. Dasar pengambilan keputusannya adalah apabila nilai signifikansi > 0,05 maka Ha

ditolak sedangkan jika nilai signifikansi < 0,05 maka Ha diterima. Hasil pengujian tersebut dapat dilihat pada tabel 5.7

Tabel 5.7 Hasil Analisis Regresi Logistik

Variables in the Equation

B S.E. Wald df Sig. Exp(B)

Step 1^a X1 -.277 .196 1.999 1 .157 .758

X2 .152 .057 7.185 1 .007 1.165

X3 .100 .116 .736 1 .391 1.105

X4 -.091 .093 .960 1 .327 .913

X5 .023 .021 1.215 1 .270 1.023

X6 -.120 .054 4.948 1 .026 .887

X7 -.124 .053 5.447 1 .020 .884

Constant 10.525 6.141 2.938 1 .087 37217.858 a. Variable(s) entered on step 1: X1, X2, X3, X4, X5, X6, X7.

Sumber : Lampiran 3

Berdasarkan hasil pengolahan data maka model persamaan regresi logistik adalah sebagai berikut :

P =

^𝟏𝟏

𝟏𝟏+ 𝒆𝒆−(𝟏𝟏𝟎𝟎,𝟓𝟓𝟐𝟐𝟓𝟓−𝟎𝟎,𝟐𝟐𝟕𝟕𝟕𝟕𝑿𝑿𝟏𝟏+ 𝟎𝟎,𝟏𝟏𝟓𝟓𝟐𝟐𝑿𝑿𝟐𝟐 + 𝟎𝟎,𝟏𝟏𝟎𝟎𝟎𝟎𝑿𝑿𝟑𝟑−𝟎𝟎,𝟎𝟎𝟗𝟗𝟏𝟏𝑿𝑿𝟒𝟒+𝟎𝟎,𝟎𝟎𝟐𝟐𝟑𝟑𝑿𝑿𝟓𝟓−𝟎𝟎,𝟏𝟏𝟐𝟐𝟎𝟎𝑿𝑿𝟔𝟔−𝟎𝟎,𝟏𝟏𝟐𝟐𝟒𝟒𝑿𝑿𝟕𝟕)

dimana:

P = probabilitas kondisi bermasalah e = logaritma natural

X1 = Rasio CAR X₂ = Rasio KAP

X3 = Rasio PPAP terhadap Total Assset

X₄ = Rasio laba sebelum pajak terhadap total aktiva X5 = Rasio biaya operasi terhadap pendapatan operasi X6 = Rasio total kredit terhadap total dana pihak ketiga X₇ = Rasio alat likuid terhadap kewajiban lancar Z = Rasio Komisaris Independen

Dari persamaan tersebut diatas dapat dihitung proporsi prediksi kondisi bermasalah BPR. Jika suatu BPR memiliki rasio CAR = 10.49%, KAP = 10.85%, Rasio PPAP terhadap Total Asset = 1.59%, ROA = 2.38%, BOPO = 74.83%, LDR = 61.67%, dan CR = 20.02% maka proporsi prediksi kondisi bermasalah BPR tersebut adalah 0.7406 atau 74,06%

Berdasarkan hasil analisis regresi logistik pada tabel 5.7 tersebut di atas, hasil pengujian hipotesis untuk mengetahui pengaruh rasio CAEL terhadap prediksi kondisi bermasalah BPR dapat dijelaskan sebagai berikut:

1. Pengaruh Capital Adequacy Ratio (X₁) terhadap prediksi kondisi bermasalah Bank Perkreditan Rakyat.

Berdasarkan pada tabel 5.7 tersebut di atas dapat diketahui bahwa Capital

Adequacy Ratio (X₁) tidak memiliki pengaruh signifikan terhadap prediksi kondisi bermasalah pada Bank Perkreditan Rakyat. Hal ini ditunjukkan oleh Signifikansi

= 0,157 yang lebih besar dari α = 0,05.

2. Pengaruh rasio Kualitas Aktiva Produktif (X²) terhadap prediksi kondisi bermasalah Bank Perkreditan Rakyat.

Berdasarkan pada tabel 5.7 tersebut di atas, dapat diketahui bahwa rasio kualitas aktiva produktif bermasalah (X2) memiliki pengaruh yang signifikan terhadap prediksi kondisi bermasalah pada Bank Perkreditan Rakyat. Hal ini ditunjukkan oleh signifikansi = 0,007 yang lebih besar dari α = 0,05. Pengaruh rasio aktiva produktif bermasalah terhadap predisksi kondisi bermasalah menunjukkan arah positif. Dapat dikemukakan bahwa dengan semakin tinggi

rasio aktiva produktif bermasalah (X2) maka akan semakin tinggi potensi Bank Perkreditan Rakyat (BPR) dalam kondisi bermasalah satu tahun berikutnya.

3. Pengaruh rasio PPAP terhadap total aktiva (X3) terhadap prediksi kondisi bermasalah Bank Perkreditan Rakyat.

Berdasarkan pada tabel 5.7 di atas, dapat diketahui bahwa rasio PPAP terhadap aktiva produktif (X3) tidak memiliki pengaruh signifikan terhadap prediksi kondisi bermasalah pada Bank Perkreditan Rakyat. Hal ini ditunjukkan oleh signifikansi = 0,391 yang lebih besar dari α = 0,05.

4. Pengaruh Return On Asset (X⁴) terhadap prediksi kondisi bermasalah Bank Perkreditan Rakyat.

Berdasarkan pada tabel 5.7 tersebut di atas, dapat diketahui bahwa variabel rasio return on asset (X₄) tidak memiliki pengaruh yang signifikan terhadap prediksi kondisi bermasalah Bank Perkreditan Rakyat. Hal ini ditunjukkan oleh nilai signifikansi = 0,327 yang lebih besar dari α = 0,05.

5. Pengaruh rasio Beban Operasional terhadap Pendapatan Operasional (X5) terhadap prediksi kondisi bermasalah Bank Perkreditan Rakyat.

Berdasarkan pada tabel 5.7 di atas, dapat diketahui bahwa variabel rasio keuangan Beban Operasional terhadap Pendapatan Operasional (X5) tidak memiliki pengaruh signifikan terhadap prediksi kondisi bermasalah pada Bank Perkreditan Rakyat. Hal ini ditunjukkan oleh nilai signifikansi = 0,270 yang lebih besar dari α = 0,05.

6. Pengaruh Loan to Deposit Ratio (X⁶) terhadap prediksi kondisi bermasalah BankPerkreditan Rakyat.

Berdasarkan pada tabel 5.7 di atas, maka dapat diketahui bahwa variabel rasio Loan to Deposit Ratio (X₆) memiliki pengaruh signifikan terhadap prediksi kondisi bermasalah pada Bank Perkreditan Rakyat. Hal ini ditunjukkan oleh nilai Signifikansi = 0,026 yang lebih kecil dari α = 0,05. Pengaruh Loan to Deposit Ratio (X₆) terhadap predisksi kondisi bermasalah menunjukkan arah yang negatif.

Dapat dikemukakan bahwa dengan semakin rendah rasio Loan to Deposit Ratio (X₆) maka akan semakin tinggi potensi Bank Perkreditan Rakyat (BPR) berada dalam kondisi bermasalah pada satu tahun berikutnya.

7. Pengaruh Cash Ratio (X⁷) terhadap prediksi kondisi bermasalah BankPerkreditan Rakyat.

Berdasarkan pada tabel 5.7 di atas, maka dapat diketahui bahwa variabel rasio Cash Ratio (X₇) memiliki pengaruh signifikan terhadap prediksi kondisi bermasalah pada Bank Perkreditan Rakyat. Hal ini ditunjukkan oleh nilai Signifikansi = 0,020 yang lebih kecil dari α = 0,05. Pengaruh cash Ratio (X7) terhadap predisksi kondisi bermasalah menunjukkan arah yang negatif. Dapat dikemukakan bahwa dengan semakin rendah rasio cash Ratio (X7) maka akan semakin tinggi potensi Bank Perkreditan Rakyat (BPR) berada dalam kondisi bermasalah pada satu tahun berikutnya.

Berdasarkan hasil analisis regresi logistik, dari tujuh variabel rasio keuangan dalam penelitian terdapat tiga variabel yang memperlihatkan pengaruh signifikan terhadap prediksi kondisi bermasalah Bank Perkreditan Rakyat satu tahun sebelumnya yaitu X₂ (rasio Kualitas Aktiva Produktif), X₆ (Loan to Deposit Ratio) dan X7 (Cash Ratio). Sementara itu CAR, PPAP, ROA dan BOPO tidak menunjukkan pengaruh signifikan terhadap kondisi bermasalah Bank Perkreditan

Rakyat. Secara ringkas, hasil pengujian hipotesis menggunakan analsis regresi logistik disajikan pada tabel berikut :

Tabel 5.8 Ringkasan Hasil Pengujian Hipotesis Prediksi Kondisi Bermasalah Bank Perkreditan Rakyat

No Rasio Keuangan Siginifikasi Kesimpulan Uji

Statistik Hasil Uji Hipotesisi 1 CAR (X1) .157 H0 : Diterima Tidak ada pengaruh

signifikan

2 KAP (X2) .007 H0 : Ditolak Ada pengaruh signifikan 3 Rasio PPAP terhadap

Total Aktiva (X3)

.371 H0 : Diterima Tidak ada pengaruh signifikan

4 ROA (X4) .327 H0 : Diterima Tidak ada pengaruh signifikan

5 BOPO (X5) .270 H0 : Diterima Tidak ada pengaruh signifikan

6 LDR (X6) .026 H0 : Ditolak Ada pengaruh signifikan 7 CR (X7) .020 H0 : Ditolak Ada pengaruh signifikan

Sumber : Hasil Penelitian, 2013 (Data diolah)

Uji Regresi Logistik Secara Simultan (Omnibus Test of Model Coefficient) Setelah pengujian regresi logistik secara parsial selanjutnya akan dilakukan pengujian regresi logistik secara simultan (bersama-sama).

Pengujian secara simultan dalam regresi logistik disebut Omnibus Test of Model Coefficient. Dalam pengujian ini semua variable independen yaitu CAR, KAP, PPAP, ROA, BOPO, LDR dan CR diuji secara bersama-sama.

Omnibus Test of Model Coefficient bertujuan untuk melihat apakah ketujuh variabel independen (CAR, KAP, PPAP, ROA, BOPO, LDR dan CR) secara bersama-sama berpengaruh terhadap prediksi kondisi bermasalah BPR.

Dasar pengambilan keputusannya adalah jika nilai signifikansi lebih besar dari alpha (0,05) maka Ha ditolak sedangkan jika nilai signifikansi lebih kecil dari alpha (0,05) maka Ha diterima. Hasil Omnibus Test of Model Coefficient dapat dilihat pada table 5.9

Tabel 5.9 Pengujian Regresi Logistik secara Simultan (bersama-sama)

Omnibus Tests of Model Coefficients

Chi-square df Sig.

Step 1 Step 75.100 7 .000

Block 75.100 7 .000

Model 75.100 7 .000

Sumber : Lampiran 3

Dari tabel 5.9 terlihat bahwa nilai signifikansi adalah sebesar 0,000 maka dapat diambil keputusan bahwa Ha diterima, artinya bahwa ketujuh variabel (CAR, KAP, PPAP, ROA, BOPO, LDR dan CR) secara simultan atau bersama-sama berpengaruh secara signifikan terhadap prediksi kondisi bermasalah Bank Perkreditan Rakyat.

Selanjutnya dilakukan pengujian regresi logistik dengan memasukkan unsur Komisaris Independen sebagai variabel pemoderasi. Hasil pengujian tersebut dapat dilihat pada tabel 5.10

Tabel 5.10 Hasil Analisis Regresi Logistik dengan Komisaris Independen sebagai variabel Pemoderasi

Dari tabel 5.10 maka model persamaan regresi logistik adalah sebagai

P = probabilitas kondisi bermasalah e = logaritma natural X₆ = Rasio total kredit terhadap total dana pihak ketiga X7 = Rasio alat likuid terhadap kewajiban lancar Z = Rasio Komisaris Independen

X₁Z = interaksi antara variabel independen CAR dengan variabel moderating Komisaris Independen

X2Z = interaksi antara variabel independen KAP dengan variabel moderating Komisaris Independen

X3Z = interaksi antara variabel independen rasio PPAP terhadap Total Asset dengan variabel moderating Komisaris Independen

X4Z = interaksi antara variabel independen ROA dengan variabel moderating Komisaris Independen

X5Z = interaksi antara variabel independen BOPO dengan variabel moderating Komisaris Independen

X₆Z = interaksi antara variabel independen LDR dengan variabel moderating Komisaris Independen

X7Z = interaksi antara variabel independen CR dengan variabel moderating Komisaris Independen

Dari persamaan tersebut diatas dapat dihitung proporsi prediksi kondisi bermasalah BPR. Jika suatu BPR memiliki rasio CAR = 10.49%, KAP = 10.85%, Rasio PPAP terhadap Total Asset = 1.59%, ROA = 2.38%, BOPO = 74.83%, LDR = 61.67%, CR = 20.02%n dan Komisaris Independen = 50%

maka proporsi prediksi kondisi bermasalah BPR tersebut adalah 1.00 atau 100,00%. Dengan adanya komisaris independen diharapkan akan mengurangi kemungkinan kondisi bermasalah BPR. Dalam penelitian ini komisaris

independen tidak dapat memoderasi hubungan antara rasio-rasio CAEL terhadap prediksi kondisi bermasalah BPR, hal ini terbukti dengan adanya komisaris independen prediksi kondisi bermasalah BPR semakin besar.

Dari tabel 5.10 dapat diketahui bahwa variabel komisaris independen tidak dapat memoderasi variabel dependen (CAR, KAP, PPAP, ROA, BOPO, LDR dan CR) terhadap prediksi kondisi bermasalah BPR. Hal ini dapat dilihat semua variabel menjadi tidak berpengaruh, digambarkan bahwa semua variabel memiliki nilai signifikansi diatas alpha (0,05).