HASIL DAN PEMBAHASAN
B. Statistik Deskriptif
Statistik deskriptif digunakan untuk menunjukkan jumlah data yang digunakan dalam penelitian ini serta dapat menunjukkan nilai maksimum, nilai minimum, nilai rata-rata serta standar deviasi dari masing-masing variabel. Variabel dalam penelitian ini meliputi CAR, BOPO, NIM, NPL, LDR dan ROA.
Tabel 4.2
Hasil Statistik Deskriptif
N Minimum Maximum Mean Std.
Deviation CAR 75 0,0943 0,7283 0,2092 0,1132 BOPO 75 0,6880 2,0297 0,8915 0,1492 NIM 75 0,0238 0,1384 0,0580 0,0225 NPL 75 0,0000 0,1276 0,0224 0,0238 LDR 75 0,1764 1,0388 0,7289 0,1749 ROA 75 -0,0049 0,1770 0,0179 0,0218 Sumber: Output SPSS
Tabel 4.2 menunjukkan bahwa N atau jumlah data pada setiap variabel yang valid adalah 75. Data CAR sejumlah 75 buah, nilai minimum sebesar 0,0943 ada pada bank Kesawan tahun 2006 dan maksimum sebesar 0,7283 pada bank Capital tahun 2005. Nilai rata-rata sebesar 0,2092 dengan standar deviasi sebesar 0,1132.
Data BOPO sejumlah 75 buah, nilai minimum sebesar 0,6880 ada pada bank Windu tahun 2008 dan maksimum sebesar 2,0297 pada bank Capital
commit to user
tahun 2005. Nilai rata-rata sebesar 0,8915 dengan standar deviasi sebesar 0,1492.
Data NIM sejumlah 75 buah sampel, nilai minimum sebesar 0,0238 ada pada bank Victoria tahun 2009 dan maksimum sebesar 0,1384 pada bank Tabungan Pensiunan Nasional tahun 2007. Nilai rata-rata sebesar 0,0580 dengan standar deviasi sebesar 0,0225.
Data NPL sejumlah 75 buah sampel, nilai minimum sebesar 0,000 ada pada bank Capital tahun 2005 , 2006 dan 2007, bank Victoria tahun 2005, 2006 dan 2009 dan maksimum sebesar 0,0681 pada bank Kesawan tahun 2005. Nilai rata-rata sebesar 0,0224 dengan standar deviasi sebesar 0,0238.
Data LDR sejumlah 75 buah, nilai minimum sebesar 0,1764 ada pada bank Nusantara Parahyangan tahun 2009 dan maksimum sebesar 1,0388 pada bank Mayapada tahun 2007. Nilai rata-rata sebesar 0,7289 dengan standar deviasi sebesar 0,1749.
Data ROA yang berjumlah 75 buah, nilai minimum sebesar -0,0049 terdapat pada bank Saudara tahun 2006 dan maksimum sebesar 0,1770 pada bank Capital tahun 2005. Sedangkan nilai rata-rata sebesar 0,0179 dengan standar deviasi sebesar 0,0218.
C. Uji Data
1. Uji Multikolinearitas
Uji multikolinearitas menguji apakah model regresi ditemukan adanya korelasi antara variabel bebas dalam model regresi yang disusun. Model
commit to user
yang baik seharusnya tidak terjadi korelasi yang tinggi diantara variabel bebas. Jika suatu model regresi mengandung multikolinearitas maka kesalahan standar estimasi akan cenderung meningkat dengan bertambahnya variabel dependen. Untuk mendeteksi ada atau tidak multikolinearitas dalam model regresi dapat diketahui dari nilai toleransi dan nilai variance inflation factor (VIF). Model regresi terbebas dari penyakit multikolinearitas melalui nilai VIF (variance inflation factor) dan
tolerance yang disajikan pada tabel 4.3.
Tabel 4.3
Hasil Uji Multikolinearitas
Variabel Tolerance VIF
CAR 0,716 1,397 BOPO 0,810 1,235 NIM 0,684 1,462 NPL 0,816 1,226 LDR 0,709 1,410 Sumber: Output SPSS
Berdasar tabel 4.3 menunjukkan bahwa kelima variabel independen tidak terjadi multikolinearitas karena nilai VIF < 5,00, sehingga dapat disimpulkan tidak terdapat pengaruh antar variabel independen. Lima variabel independen (CAR, BOPO, NIM, NPL, dan LDR) dapat digunakan untuk memprediksi ROA.
commit to user 2. Uji Normalitas
Uji normalitas ini dilakukan karena data yang diuji dengan statistik parametrik harus berdistribusi normal. Model regresi yang baik adalah memiliki distribusi data normal atau mendekati normal.
Deteksi melalui grafik histogram yang membandingkan antara data observasi dengan distribusi yang mendekati distribusi normal. Jika data penyebaran di sekitar garis diagonal dan mengikuti arah garis diagonal, maka regresi memenuhi asumsi normalitas. Namun jika data menyebar dari garis diagonal dan atau tidak mengikuti arah garis diagonal, maka regresi tidak memenuhi asumsi normalitas.
Gambar 4.1
Hasil Uji Normalitas dengan Grafik Histogram
commit to user
Gambar 4.2
Hasil Uji Normalitas dengan Grafik P-P Plot
Sumber: Output SPSS
Berdasarkan tampilan gambar 4.1 dapat diketahui bahwa grafik histogram memiliki pola distribusi normal karena berbentuk simetris. Gambar 4.2 dapat disimpulkan bahwa pola grafik normal, hal itu terlihat dari titik-titik yang menyebar disekitar garis diagonal dan penyebarannya mengikuti garis diagonal. Hal ini menunjukkan bahwa data yang digunakan dalam penelitian ini terdistribusi normal.
Metode yang lebih akurat adalah dengan uji normalitas menggunakan
Kolmogorov Smirnov. Dasar pengujiannya dengan melihat angka
probabilitas signifikansi dari uji Kolmogorov Smirnov. Berdasarkan uji ini didapatkan kesimpulan yang lebih akurat. Suatu data diinterpretasikan berdistribusi normal jika angka signifikansinya lebih besar dari 0,05.
commit to user
Tabel 4.4
Hasil Uji Normalitas dengan Uji Kolmogorov Smirnov Unstandardized
Residual
N 75
Normal Parametersª Mean 0,000000
Std. Deviation 0,1021769 Most Extreme Differences Absolute 0,045 Positive 0,042 Negative -0,045 Kolmogorov-Smirnov Z 0,388
Asymp. Sig. (2-tailed) 0,998
Sumber: Output SPSS
Tabel 4.4 di atas dapat diterangkan bahwa angka signifikansi dari uji
Kolmogorov Smirnov tersebut lebih besar dari nilai signifikansi yang telah
ditentukan yaitu 0,05 sehingga berdasarkan data tersebut dapat dijelaskan bahwa model regresi terdistribusi secara normal. Hal ini membuktikan bahwa model regresi layak dipakai untuk prediksi variabel terikat.
3. Uji Autokorelasi
Penyimpangan model regresi klasik yang lain adalah adanya korelasi dalam model regresi yaitu adanya korelasi antar anggota sampel. Uji autokorelasi bertujuan untuk menguji apakah dalam suatu model regresi linear ada korelasi antara kesalahan pengganggu pada periode t dengan
commit to user
periode t-1 (sebelumnya). Jika ada korelasi dinamakan ada masalah autokorelasi.
Tabel 4.5
Hasil Uji Autokorelasi
Durbin-Watson
N K dL du
1,811 75 5 1,287 1,776
Sumber: Output SPSS
Berdasarkan hasil perhitungan diperoleh nilai Durbin Watson Test
sebesar 1,811 untuk variabel ROA sebagai variabel dependen. Tabel DW untuk k=5 dan N=75 besarnya dl = 1,287; du = 1,776. Nilai DW hitung terletak diantara batas atas (du) dan batas bawah (du) atau du < dw < 4-du yaitu 1,776 < 1,811 < 2,224. Dengan demikian model terbebas dari autokorelasi.
4. Uji Heteroskedastisitas
Uji heteroskedastisitas untuk menguji model regresi terjadi ketidaksamaan variance dari residual satu pengamatan ke pengamatan lain. Pengujian heteroskedastisitas dilakukan dengan menggunakan
scatterplot. Scatterplot dilakukan dengan melihat grafik antara nilai
prediksi variabel terikat yaitu ZEPRED dengan residualnya SRESID. Deteksi ada tidaknya heteroskedastisitas dapat dilakukan dengan melihat ada tidaknya pola tertentu pada grafik scatterplot antara SRESID dengan
commit to user
ZEPRED dimana sumbu Y adalah Y yang telah diprediksi dan sumbu X adalah residual.
Gambar 4.3
Hasil Uji Heteroskedastisitas
Sumber: Output SPSS
Berdasarkan gambar 4.3 terlihat bahwa titik-titik tersebut sudah tidak membentuk pola yang jelas. Kemudian jika ada pola yang jelas, serta titik-titik meyebar di atas dan di bawah angka 0 pada sumbu Y, maka tidak terjadi heterokedastisitas sehingga model layak untuk dipakai karena telah memenuhi uji heteroskedastisitas.
commit to user
