F. Metode Analisis
1. Uji Stasioneritas
Uji stasioneritas digunakan untuk menguji data time series agar data yang digunakan bersifat flat, tidak mengandung komponen trend, dengan keragaman konstan dan tidak terjadi fluktuasi periodik (Ariyoso, 2009). Uji yang digunakan adalah uji Unit Root dengan uji Augmented- Dickey-Fuller.
Hasil output akan menunjukkan data stasioner jika nilai t-statistic lebih besar dari nilai t-statistic MacKinnon pada tingkat kepercayaan 1%, 5% dan 10%, serta nilai probabilitasnya sebesar kurang dari 0,05 (< 0,05). 2. Uji Asumsi Klasik
Sebelum dilakukan analisis regresi terlebih dahulu dilakukan uji asumsi klasik terlebih dahulu. Pengujian dilakukan atas model penelitian
supaya bisa dinyatakan bebas dari penyimpangan asumsi klasik yaitu normalitas, multikolinearitas, autokorelasi, dan heteroskedastisitas. Dari uji asumsi klasik tersebut dapat dinyatakan bahwa data penelitian ini memenuhi asumsi klasik.
a. Uji Normalitas
Uji normalitas dapat dilihat melalui grafik probability plot. Apabila titik-titik telah mengikuti garis lurus, maka dapat dikatakan residual telah mengikuti distribusi normal. Apabila titi-titik tersebar atau jauh dari garis lurus, maka dikatakan residual mengikuti distribusi tidak normal (Astuti, 2013:52).
Uji normalitas pada model regresi digunakan untuk menguji apakah nilai residual terdistribusi secara normal atau tidak. Model regresi yang baik adalah yang memiliki nilai residual yang terdistribusi secara normal. Metode pengujian uji normalitas yang digunakan dalam penelitian ini menggunakan uji grafik probability plot.
Cara mendeteksinya adalah dengan melihat penyebaran data pada sumber diagonal pada grafik normal P-P plot of regression standardizedresidual sebagai dasar pengambilan keputusan. Jika menyebar sekitar garis dan mengikuti garis diagonal maka residual pada model regresi tersebut terdistribusi secara normal (Priyatno, 2011:289).
Dari grafik normal probability plot dapat dilihat, jika titik-titik plot yang menyebar mengikuti garis diagonal, berarti data berdistribusi secara normal. Namun demikian dengan melihat grafik normal probability plot saja tidaklah cukup dan kadang menyesatkan. Untuk itu kita perlu melalukan uji statistik one-samplekolmogorov- smirnov test untuk memastikan apakah data kita normal atau tidak. Jika nilai output Asymp. Sig. (2-tailed) lebih besar dari 0,05, maka data berdistribusi normal (Latan dan Temalagi, 2013: 61-63).
b. Uji Multikolinearitas
Multikolinearitas (kolinearitas ganda) yaitu adanya hubungan linear yang sempurna atau pasti diantara beberapa atau semua variabel independen dari model regresi ganda (Setiawan dan Kusrini, 2010:82). Uji multikolinearitas digunakan untuk mengetahui ada atau tidaknya penyimpangan asumsi klasik multikolinearitas yaitu adanya hubungan linear antar variabel independen dalam model regresi.Penyimpangan asumsi model klasik adalah multikoleniaritas dalam model regresi yang dihasilkan. Artinya antar variabel independen yang terdapat dalam model memiliki hubungan yang sempurna atau mendekati sempurna (koefisien korelasinya tinggi atau bahkan 1).
Penelitian ini menggunakan output nilai tollerance value atau Variance Inflation Factor (VIF). Variabel independen mengalami multikolinearitas jika ɑ hitung < ɑ dan VIF hitung > VIF. Nilai ɑ adalah 5% atau 0,05 dan nilai VIF adalah 5.
c. Uji Autokorelasi
Uji autokorelasi bertujuan menguji apakah dalam model regresi linier ada korelasi antara kesalahan pengganggu pada periode t dengan kesalahan pengganggu pada periode t-1 (Astuti, 2013: 57). Autokorelasi dalam konsep regresi linear berarti komponen error berkorelasi berdasarkan urutan waktu (pada data berkala) atau urutan ruang (pada data tampang lintang), atau korelasi pada dirinya sendiri (Setiawan dan Kusrini, 2010:136).
Penyimpangan asumsi ini biasanya muncul pada observasi yang menggunakan data time series. Konsekuensi dari adanya autokorelasi dalam suatu model regresi adalah varians sampel tidak dapat menggambarkan varians populasinya (Algifari, 2013:90). Ada beberapa cara yang dapat digunakan untuk mendeteksi ada tidaknya problem autokorelasi pada model regresi yaitu dengan melakukan uji statistik durbin-watson, uji runs test dan uji box-ljung. Penelitian ini menggunakan uji run test.
Run test adalah bagian dari uji statistik non parametrik yangdigunakan untuk menguji apakah antar residual ada korelasi yang tinggi. Jika antar residual tidak terdapat hubungan korelasi, maka dikatakan bahwa residual terjadi secara random atau tidak sistematis (Ghozali, 2011: 87).
d. Uji Heteroskedastisitas
Salah satu asumsi regresi linear yang harus dipenuhi adalah homogenitas variansi dari error. Homoskesdatisitas berarti bahwa variansi dari error bersifat konstan (tetap) atau disebut juga identik. Kebalikanya dalah Heteroskesdatisitas, yaitu jika kondisi variansi error atau variabel Y tidak identik (Setiawan dan Kusrini, 2010:103).
Konsekuensi adanya heterokedastisitas dala model regresi adalah penaksir yang diperoleh tidak efisien, baik dalam sampel kecil maupun sampel besar, walaupun penaksir yang diperoleh menggambarkan populasinya tidak bisa dan bertambahnya sampel yang digunakan akan mendekati nilai sebenarnya (konsisten). Ini disebabkan oleh varians yang tidak minimum (tidak efisien). Diagnosis adanya heteroskedastisitas secara kuantitatuf dalam suatu regresi dapat dilakukan dengan melalukan pengujian korelasi rangking sperman (Algifari, 2013:92).
Uji dalam penelitian ini menggunakan uji scatter plot dan uji white. Suatu model uji scatter plot dinyatakan tidak terjadi masalah heteroskedastisitas apabila titik-titik menyebar dengan pola tidak jelas di atas atau di bawah angka nol pada suatu sumbu Y (Priyatno, 2011:288). Selain uji scatter plotdigunakan uji white untuk melihat apakah data terjadi heteroskedastisitas atau tidak. Secara manual uji ini dilakukan dengan meregres residual kuadrat (U2i) dengan variabel bebas dan perkalian variabel bebas. Pengujiaannya adalah jika 𝑥2-
hitung <𝑥2-tabel, menghitung 𝑥2 yaitu 𝑥2=n*R2. Maka hipotesis adanya heteroscedasticy dalam model ditolak.
e. Uji Linieritas
Menurut Ghozali (2013: 166) uji linearitas digunakan untuk melihat apakah spesifikasi model yang digunakan sudah benar atau tidak. Dengan uji linearitas akan diperoleh informasi apakah model empiris sebaiknya berbentuk linear, kuadrat, atau kubik.
Pengujian linearitas dalam penelitian ini adalah dengan menggunakan uji lagrange-multiplier. Uji lagrange-multiplier merupakan uji alternatif dari Ramsey test dan dikembangkan oleh Engle tahun 1982. Estimasi dengan uji ini bertujuan untuk mendapatkan nilai c2 hitung atau (n x R2). Apabila nilai c2 hitung lebih kecil dari c2 tabel maka hipotesis yang menyatakan model linear diterima. Sebaliknya, apabila nilai c2 hitung lebih besar dari c2 tabel, maka hipotesis yang menyatakan model linear ditolak.
3. Uji Ketepatan Model
a. Uji Determinasi (AdjustedRSquare)
Koefisien determinasi (AdjustedRSquare)pada intinya mengukur seberapa jauh kemampuan model dalam menerangkan variasi variabel terikat (Kuncoro, 2009:246). Adjusted R Squaredipilih untuk menggeneralisasikan R2pada populasi, karena ada unsur estimasi populasi di dalamnya (mengarah pada penelitian populasi). Koefisien determinasi digunakan untuk mengetahui sampai sejauh
mana ketepatan atau kecocokan garis regresi yang terbentuk dalam mewakili kelompok data hasil observasi.
Koefisien determinasi menggambarkan bagian dari variasi total yang dapat diterangkan oleh model. Semakin besar nilai Adjusted R square mendekati 1, maka ketepatannya dikatakan semakin baik. Koefisien determinasi digunakan untuk mengetahui sampai sejauh mana variabel bebas dapat menjelaskan variabel terikat (Suharjo, 2008:79).
b. Uji F Statistik
Uji statistik F pada dasarnya menunjukkan apakah semua variabel bebas yang dimasukkan dalam model mempunyai pengaruh secara bersama-sama terhadap variabel terikat dan mengetahui apakah model regresi yang digunakan sudah tepat (Kuncoro, 2013: 245). Koefisien regresi diuji secara serentak dengan menggunakan ANOVA, untuk mengetahui apakah keserempakan tersebut mempunyai pengaruh yang signifikan terhadap model. Uji ini
dilakukan untuk membandingkan pada nilai signifikansi (α = 5%)
pada tingkat derajat 5%. (Setiawan dan Kusrini, 2010:63).
Uji F statistik ini menentukan model linear berganda dapat digunakan atau tidak sebagai model analisis dengan menggunakan kriteria ini, jika Ho ditolak maka model dapat digunakan karena, baik besaran maupun tanda (+/-) koefisien regresi dapat digunakan untuk
memprediksi perubahan variabel terikat akibat perubahan variabel bebas.
4. Analisis Regresi Berganda
Regresi linier berganda yaitu suatu model linier regresi yang variabel dependennya merupakan fungsi linier dari beberapa variabel bebas. Analisis regresi berganda digunakan untuk mengetahui keakuratan hubungan antara ROA (variabel dependen) dengan Karakteristik Corporate Governance(Jumlah Rapat Dewan Komisaris, Ukuran Dewan Direksi, Proporsi Dewan Komisaris Independen, Jumlah Rapat Dewan Pengawas Syariah, dan Ukuran Komite Auidt,) sebagai variabel yang mempengaruhi (variabel independen) dengan persamaan (Bawono, 2006):
Y = a + b1x1 + b2x2 + b3x3 + b4x4+ b5x5+ + e Keterangan:
Y = variable independen (ROA) a = Konstanta
b1− b5 = Koefisien regresi variabel independen
x1 = Jumlah Rapat Dewan Komisaris
x2 = Ukuran Dewan Direksi
x3 = Proporsi Dewan Komisaris Independen
x4 = Jumlah Rapat Dewan Pengawas Syariah
x5 = Ukuran Komite Audit
G. Alat Analisis
Alat analisis dalam penelitiah ini adalah analisis regresi linier berganda. Tahap analisa data merupakan tahapan yang penting dan rawan, oleh karena itu dalam tahapan ini akan dilakukan secara hati – hati dan cermat, salah satu pendukungnya adalah teknologi komputer menggunakan aplikasi SPSS for windows 23.0. SPSS (Statistical Product and Service Solution) dan EVIEWS merupakan sebuah program aplikasi komputer yang berfungsi untuk membantu dalam mengolah data statistik dengan hasil output sesuai dengan yang dikehendaki oleh penggunanya. Program SPSS dan EVIEWS ini sangat membantu para penggunanya dalam memproses data-data statistik secara tepat dan cepat, serta menghasilkan berbagai output yang dikehendaki oleh para pengambil keputusan. Statistik dapat di artikan sebagai suatu kegiatan yang bertujuan untuk mengumpulkan data, meringkas atau menyajikan data, kemudian menganalisis data dengan menggunakan metode tertentu, dan menginterprestasikan hasil dari analisa tersebut.
BAB IV ANALISISDATA A. Statistik Deskriptif
Hasil olah data statistik yang akan dibahas meliputi jumlah data (N), rata-rata sampel (mean), nilai maksimum, nilai minimum, serta standar deviasi untuk masing-masing variabel ROA, jumlah rapat dewan komisaris, jumlah dewan direksi, dewan komisaris independen, jumlah rapat dewan pengawas syariah, dan jumlah komite auditpada bank syariah seperti yang terlihat pada tabel berikut ini:
Tabel 4.1 Descriptive Statistics
N Minimum Maximum Mean Std. Deviation
JRDK 50 3.00 30.00 12.0200 6.47598 UDD 50 3.00 6.00 4.0400 .92494 PDKI 50 .50 1.00 .6983 .15530 JRDPS 50 7.00 30.00 14.3600 3.70747 UKA 50 2.00 7.00 3.7200 1.17872 ROA 50 -.20 .04 .0025 .03708 Valid N (listwise) 50
Sumber: Data sekunder diolah, 2017.
Berdasarkan Tabel 4.1, dapat diketahui bahwa dalam penelitian ini menggunakan data sejumlah 50, yang diambil dari laporan keuangan tahunan masing-masing Bank Umum Syariah (BUS) periode 2012 sampai 2016. Secara rinci deskripsi masing-masing variabel dapat dijelaskan sebagai berikut:
1. Return on Asset (ROA)
Data variabel ROA terendah (minimum) adalah -0,20(20%) terdapat di pada tahun 2015 pada Bank Maybank Syariah. Nilai tertinggi (maximum) adalah 0,04(4%) terdapat pada tahun 2012 pada Bank Panin Syariah. Sedangkan nilai rata-ratanya (mean) adalah 0,025 (0,25%). Secara statistik, rata-rata rasio ROA berada pada peringkat 4 (0% < ROA ≤ 0,5%) yang artinya Bank Umum Syariah (BUS) tergolong kurang baik.
2. Jumlah Rapat Dewan Komisaris
Data variabel jumlah rapat dewan komisaris terendah (minimum) adalah 3 terdapat di pada tahun 2012 pada Bank Muamalat Indonesia. Nilai tertinggi (maximum) adalah 30 terdapat pada tahun 2012 pada Bank Rakyat Indonesia Syariah. Sedangkan nilai rata- ratanya (mean) adalah 12,0200.
3. Ukuran Dewan Direksi
Data variabel jumlah dewan direksi terendah (minimum) adalah 3 terdapat di pada tahun 2013 dan 2014 pada Bank Mega Syariah kemudian 2012 pada Bank Victoria Syariah kemudian Bank Central Asia Syariah selama 2012 hingga 2016. Nilai tertinggi (maximum) adalah 6 terdapat pada tahun 2012, 2013 dan 2016 pada Bank Mandiri Syariah dan 2012 pada bank Mega Syariah. Sedangkan nilai rata-ratanya (mean) adalah 4,04.
4. Proporsi Dewan Komisaris Independen
Data variabel dewan komisaris independen terendah (minimum) adalah 0,5 terdapat di pada tahun 2012, 2013, 2014 pada Bank Muamalat Indonesia dan 2016 pada bank BNI Syariah. Nilai tertinggi (maximum) adalah 1 terdapat pada tahun 2012, 2014, 2015, 2016 pada Bank Mega Syariah kemudian 2013, 2014, 2015 pada Bank Victoria Syariah kemudia pada tahun 2014 terdapat di Bank Maybank Syariah. Sedangkan nilai rata-ratanya (mean) adalah 0,6983.
5. Jumlah Rapat Dewan Pengawas Syariah
Data variabel jumlah rapat dewan pengawas syariah terendah (minimum) adalah 7 terdapat di pada tahun 2012 pada Bank Mandiri Syariah. Nilai tertinggi (maximum) adalah 30 terdapat pada tahun 2014 pada Bank Victoria Syariah. Sedangkan nilai rata-ratanya (mean) adalah 14,36.
6. Ukuran Komite Audit
Data variabel jumlah komite audit terendah (minimum) adalah 2 terdapat di pada tahun 2012 dan 2013 pada Bank Bukopin Syariah. Nilai tertinggi (maximum) adalah 7 terdapat pada tahun 2015 dan 2016 pada bank Mandiri Syariah. Sedangkan nilai rata-ratanya (mean) adalah 3,72.
B. Analisis Data
1. Uji Stasioneritas
Uji stasioneritas digunakan untuk menguji data time series agar data yang digunakan bersifat flat, tidak mengandung komponen trend, dengan keragaman konstan dan tidak terjadi fluktuasi periodik. Uji yang digunakan adalah uji Unit Root dengan uji Augmented-Dickey-Fuller (Ariyoso, 2009). Berdasarkan data yang diperoleh dari laporan good corporate governance tahunan Bank Umum Syariah periode 2012-2016, maka hasil uji stasioneritas data adalah sebagai berikut:
Tabel 4.2 Hasil uji stasioner tiap variabel
No. Variabel Prob.* Keterangan
1 JRDK 0.0184 Data Tidak Stasioner
2 UDD 0.1412 Data Tidak Stasioner
3 PDKI 0.0086 Data Stasioner
4 JRDPS 0.0000 Data Stasioner
5 UKA 0.0412 Data Stasioner
6 ROA 0.0019 Data Stasioner
Sumber: Data sekunder diolah, 2017
Karena variabel Jumlah Rapat Dewan Komisaris dan variabel Ukuran Dewan Direksi belum stasioner maka peneliti melakukan 1st difference, hasilnya menjadi:
Tabel 4.3 Hasil uji stasioner 1st difference
No. Variabel Prob.* Keterangan
1 JRDK 0.0000 Data Stasioner
2 UDD 0.0000 DataStasioner
Sumber: Data sekunder diolah, 2017
Hasil output yang dihasilkan, terlihat bahwa nilai Prob*<0,05. Dengan demikian semua variabel menunjukkan data stasioner.
2. Uji Asumsi Klasik