BAB IV HASIL DAN PEMBAHASAN
4.1.26 PT. BPD Yogyakarta
Pendirian bank pada tanggal 5 Maret 1962 dengan nama PT. BPD Yogyakarta.
Dikenal dengan sebutan Bank BPD DIY. Pemegang saham oleh Pemerintah Provinsi
Daerah Istimewa Yogyakarta (DIY) sebesar 51% dan Pemerintah Kabupaten/Kota
Seprovinsi DIY sebesar 49%. Berkantor pusat di Jl. Tentara Pelajar No. 7, Yogyakarta.
4.2 Hasil Penelitian 4.2.1 Statistik Deskriptif
Untuk memberikan gambaran informasi mengenai data variabel dalam penelitian
ini, maka digunakan tabel statistik deskriptif. Tabel statistik deskriptif ini meliputi .
Tabel statistik desktiptif ini meliputi rata-rata (mean), jumlah data (N), dan standar deviasi dari 5 (lima) variabel independen yaitu Dana Pihak Ketiga (DPK), Capital Adequacy Ratio (CAR), Non Performing Loan (NPL), Loan to Deposit Ratio (LDR),
dan Return on Assets (ROA) sebagai variabel yang mempengaruhi Penyaluran KreditBank Pembangunan Daerah di Indonesia. Hasil analisis statistik deskriptif akan
ditunjukkan pada Tabel 4.1 berikut ini.
Tabel 4.1
Deskripsi Statistik Variabel Penelitian Statistik Deskriptif
N Minimum Maximum Mean Std. Deviation
DPK 130 516.00 47632.00 7668.5077 7681.16398 CAR 130 8.34 55.97 19.8302 6.99010 NPL 130 .09 9.22 2.2015 1.96703 LDR 130 28.43 129.74 82.8208 18.94494 ROA 130 1.41 7.44 3.5570 1.16438 KREDIT 130 469.00 38333.00 5832.5846 5815.71634 Valid N (listwise) 130
Sumber: Hasil penelitian, 2014 (data diolah)
Pada Tabel 4.1 diketahui bahwa penyaluran kredit Bank Pembangunan Daerah di
Indonesia periode 2008-2012 memiliki nilai minimum sebesar Rp. 469 miliar oleh PT.
BPD Sulawesi Tengah pada tahun 2008 dan nilai maksimum sebesar Rp. 38.333 miliar
oleh PT. BPD Jawa Barat dan Banten Tbk pada tahun 2012. Sementara nilai standar
deviasi (standard deviation) sebesar Rp. 5.815,71634 miliar dan nilai rata-rata (mean) sebesar Rp. 5.832,5846 miliar. Nilai rata-rata (mean) yang lebih besar dibandingkan nilai standar deviasi (standar deviation) menunjukkan bahwa data terdistribusi dengan baik.
Dana Pihak Ketiga (DPK) memiliki nilai minimum sebesar Rp. 516 miliar oleh
miliar oleh PT. BPD Jawa Barat dan Banten Tbk pada tahun 2012. Sementara nilai
standar deviasi (standard deviation) sebesar Rp. 7.681,16398 miliar dan nilai rata-rata (mean) sebesar Rp. 7.668,5077 miliar. Nilai rata-rata (mean) yang lebih kecil dibandingkan nilai standar deviasi (standar deviation) menunjukkan bahwa data terdistribusi kurang baik.
Capital Adequacy Ratio (CAR) memiliki nilai minimum sebesar 8,34% oleh PT. Bank DKI pada tahun 2010 dan nilai maksimum sebesar 55,97% oleh PT. BPD Papua
pada tahun 2008. Sementara nilai standar deviasi (standard deviation) sebesar 6,99010% dan nilai rata-rata (mean) sebesar 19,8302%. Nilai rata-rata (mean) yang lebih besar dibandingkan nilai standar deviasi (standar deviation) menunjukkan bahwa data terdistribusi dengan baik.
Non Performing Loan (NPL) memiliki nilai minimum sebesar 0,09% oleh PT. BPD Kalimantan Barat pada tahun 2009 dan nilai maksimum sebesar 9,22% oleh PT.
BPD Sulawesi Tenggara pada tahun 2008. Sementara nilai standar deviasi (standard deviation) sebesar 1,96703% dan nilai rata-rata (mean) sebesar 2,2015%. Nilai rata-rata (mean) yang lebih besar dibandingkan nilai standar deviasi (standar deviation) menunjukkan bahwa data terdistribusi dengan baik.
Loan to Deposit Ratio (LDR) memiliki nilai minimum sebesar 28,43% oleh PT. BPD Papua pada tahun 2008 dan nilai maksimum sebesar 129,74% oleh PT. BPD
Bengkulu pada tahun 2009. Sementara nilai standar deviasi (standard deviation) sebesar 18,94494% dan nilai rata-rata (mean) sebesar 82,8208%. Nilai rata-rata (mean)
yang lebih besar dibandingkan nilai standar deviasi (standar deviation) menunjukkan bahwa data terdistribusi dengan baik.
Return on Assets (ROA) memiliki nilai minimum sebesar 1,41% oleh PT. Bank DKI pada tahun 2009 dan nilai maksimum sebesar 7,44% oleh PT. BPD Sulawesi
Tenggara pada tahun 2011. Sementara nilai standar deviasi (standard deviation) sebesar 5815,71634% dan nilai rata-rata (mean) sebesar 5832,5846%. Nilai rata-rata (mean) yang lebih besar dibandingkan nilai standar deviasi (standar deviation) menunjukkan bahwa data terdistribusi dengan baik.
4.2.2 Uji Asumsi Klasik
4.2.2.1 Uji Normalitas
Pengujian ini dilakukan untuk mengetahui apakah distribusi sebuah data telah
mengikuti atau mendekati distribusi normal. Data yang baik adalah data yang
mempunyai pola seperti distribusi normal, yaitu distribusi data tidak menceng kekiri
atau kekanan. Cara yang digunakan untuk mendeteksi apakah data berdistribusi normal
atau tidak yaitu dengan pendekatan histogram, grafik, dan Kolmogorov-Smirnov.
Gambar 4.1 Hasil Uji Normalitas Sebelum Transformasi Data (Histogram)
Histogram pada Gambar 4.1 diketahui bahwa data tidak terdistribusi normal. Hal
ini ditunjukkan oleh distribusi data yang menceng ke kanan. Oleh karena itu, dilakukan
perbaikan data yang tidak normal dengan cara melakukan transformasi data dengan
mengubah data menjadi Logaritma natural (Ln), data yang diubah ke dalam Ln adalah
variabel penyaluran kredit dan Dana Pihak Ketiga (DPK), karena perbedaan angka
yang terlalu besar antara nilai variabel penyaluran kredit, DPK dengan variabel CAR,
NPL, LDR, dan ROA. Setelah data penyaluran kredit dan DPK diubah ke dalam Ln,
dilakukan analisis data yang kedua, hasil histogram tampak seperti Tabel 4.2 berikut
ini.
Sumber: Hasil penelitian, 2014 (data diolah)
Gambar 4.2 Hasil Uji Normalitas Setelah Transformasi Data (Histogram)
Histogram pada Gambar 4.2 diketahui bahwa data variabel berdistribusi normal.
Hal ini ditunjukkan oleh distribusi data yang tidak menceng ke kiri atau menceng ke
Cara lain untuk menguji normalitas data dengan grafik yakni dengan melihat
penyebaran data (titik) pada garis diagonal dari grafik normalitas (Normal P-P Plot). Jika data menyebar di sekitar garis diagonal, maka dapat disimpulkan bahwa data
berdistiribusi normal. Namun, jika data menyebar jauh dari garis diagonal atau tidak
mengikuti arah garis diagonal, maka dapat disimpulkan bahwa data tidak berdistribusi
normal.
Sumber: Hasil penelitian, 2014 (data diolah)
Gambar 4.3 Hasil Uji Normalitas(Normal P-P Plot)
Grafik normal probability plot pada Gambar 4.3 dapat diketahui bahwa titik-titik mengikuti data disepanjang garis diagonal. Hal ini berarti data berdistribusi normal.
Untuk memastikan apakah data di sepanjang garis diagonal tersebut berdistribusi
normal atau tidak, maka dilakukan uji Kolmogorov-Smirnov (1 sample K-S) yang hasilnya tampak pada Tabel 4.2 berikut ini.
Tabel 4.2 Hasil Uji Normalitas (Uji Kolmogorov-Smirnov) One-Sample Kolmogorov-Smirnov Test
Unstandardized Residual
Normal Parametersa,b Mean .0000000
Std. Deviation .06322159
Most Extreme Differences Absolute .084
Positive .084
Negative -.084
Kolmogorov-Smirnov Z .955
Asymp. Sig. (2-tailed) .322
a. Test distribution is Normal. b. Calculated from data.
Sumber: Hasil penelitian, 2014 (data diolah)
Berdasarkan uji Kolmogorov-Smirnov (1 sample K-S) pada Tabel 4.2 menunjukkan besarnya nilai Asymp. Sig. (2-tailed) adalah 0,322 berada di atas
nilai signifikan 0,05 dan nilai Kolmogorov-Smirnov Z sebesar 0,955 lebih kecil dari 1,97. Hal ini berarti data terdistribusi normal, sehingga dari uji ini menunjukkan
bahwa model regresi memenuhi asumsi normalitas.
4.2.2.2 Uji Multikolinieritas
Uji multikolinieritas bertujuan untuk melihat apakah dalam model regresi
ditemukan adanya korelasi antara variabel independen satu dengan yang lainnya. Uji
ini dilakukan dengan melihat collinearity statisticsdan koefisien korelasi antara variabel independen. Untuk mendeteksi ada atau tidaknya multikolinieritas dapat
dilakukan dengan melihat nilai tolerance variable dan Variance Inflation Factor (VIF). Dengan ketentuan jika VIF < 5 atau tolerance > 0,1 maka tidak terjadi multikolinieritas. Hasil pengujian statistik multikolinieritas tampak pada Tabel 4.3
Tabel 4.3
Hasil Uji Multikolinieritas
Model Collinearity Statistics Tolerance VIF LN_DPK .647 1.545 CAR .785 1.274 NPL .928 1.078 LDR .656 1.524 ROA .783 1.276
a. Dependent Variable: LN_KREDIT
Sumber: Hasil penelitian, 2014 (data diolah)
Berdasarkan dari hasil perhitungan nilai VIF, tidak satupun variabel independen
yang memiliki lebih dari 5, karena nilai VIF tertinggi sebesar 1,545 dan nilai tolerance
seluruh variabel independen menunjukkan hasil lebih dari 0,1. Sehingga dapat
disimpulkan bahwa pada model regresi tidak terjadi gejala multikolinieritas antar
variabel independen.
4.2.2.3 Uji Autokorelasi
Uji autokorelasi bertujuan menguji apakah dalam model regresi linier ada
korelasi antara kesalahan pengganggu pada periode t dengan kesalahan pengganggu
pada periode sebelumnya. Dalam penelitian ini digunakan uji Durbin-Watson untuk menguji ada tidaknya masalah autokorelasi. Hasil uji autokorelasi tampak pada Tabel
4.4 berikut ini.
Tabel 4.4 Hasil Uji Autokorelasi
Model R R Square Adjusted R Square Std. Error of the Estimate Durbin-Watson 1 .998 .996 .995 .06448 2.005
a. Predictors: (Constant), ROA, NPL, CAR, LDR, LN_DPK b. Dependent Variable: LN_KREDIT
Sumber: Hasil penelitian, 2014 (data diolah)
Hasil uji autokorelasi pada Tabel 4.4menunjukkan nilai statistik Durbin Watson
(DW) sebesar 2,005. Nilai tersebut akan dibandingkan dengan nilai tabel dengan
menggunakan signifikansi (α ) = 5%, jumlah sampel (n) = 130, dan jumlah variabel independen (k) = 5, maka berdasarkan tabel Durbin Watson diperoleh nilai batas atas (du) sebesar 1,792. Dengan ketentuan kriteria du < d < 4 –du, maka hasil pengujian
diperoleh 1,792 < 2,005 < 2,208. Sehingga dapat disimpulkan bahwa tidak terjadi
autokorelasi positif atau negatif pada model regresi penelitian ini.
4.2.2.4 Uji Heteroskedastisitas
Uji heteroskedastisitas bertujuan untuk menguji apakah dalam model regresi
terdapat ketidaksamaan varians dari residual satu pengamatan ke pengamatan lain
tetap, maka terjadi homokedastisitas dan jika berbeda maka disebut heteroskedastisitas.
Model regresi yang baik adalah tidak terjadi heteroskedastisitas. Cara untuk melihat
apakah heteroskedastisitas atau tidak, dapat dilakukan melalui pendekatan grafik.
Pendekatan grafik, titik-titik pada data harus tidak mencerminkan suatu pola
tertentu atau dapatdikatakan acak. Gambar grafikscatter plot untuk menguji heteroskedastisitas tampak pada Gambar 4.4 berikut ini.
Sumber: Hasil penelitian, 2014 (data diolah)
Gambar 4.4 Hasil Uji Heteroskedastisitas (Grafik Scatterplot)
Grafik scatter plot pada Gambar 4.4, dapat diketahui bahwa penyebaran titik-titik secara acak dan tidak membentuk suatu pola tertentu yang jelas serta tersebar baik
di atas maupun di bawah angka nol (0) pada sumbu Y. Dengan demikian dapat
disimpulkan tidak terdapat gejala heteroskedastisitas pada model regresi dalam
penelitian ini.