HASIL PENELITIAN DAN PEMBAHASAN
4.1 Hasil Penelitian .1 Data Penelitian .1 Data Penelitian
4.1.2 Statistik Deskriptif
Statistik deskriptif ini memberikan gambaran mengenai nilai minimum, nilai maksimum, nilai rata-rata, serta standar deviasi data yang digunakan dalam penelitian.
Tabel 4.3 Descriptive Statistics
N Minimum Maximum Mean Std. Deviation
ROA (Y) 60 .0018 .0493 .021172 .0109571 NPL (X1) 60 .0000 .0507 .021258 .0131758 LDR (X2) 60 .4022 10.0200 .889437 1.2069929 CAR (X3) 60 .1120 .4462 .166942 .0499096 NIM (X4) 60 .0177 .1400 .059820 .0268374 Valid N (listwise) 60
Sumber : Data Olahan SPSS, 2013
Berdasarkan hasil yang diperoleh dari tabel 4.3 maka dapat dijelaskan perincian data deskripstif yang telah diolah sebagai berikut : a. Variabel NPL (X1) memiliki sampel (N) sebanyak 60, dengan nilai
minimum (terkecil) 0,0000, nilai maksimum (terbesar) 0,0507 dan
mean (nilai rata-rata) 0,021172. Standard Deviation (simpangan
baku) variabel ini adalah 0,0109571.
b. Variabel LDR (X2) memiliki sampel (N) sebanyak 60, dengan nilai minimum (terkecil) 0,4022, nilai maksimum (terbesar) 10,0200 dan
mean (nilai rata-rata) 0,889437. Standard Deviation (simpangan
baku) variabel ini adalah 1,2069929.
c. Variabel CAR (X3) memiliki sampel (N) sebanyak 60, dengan nilai minimum (terkecil) 0,1120, nilai maksimum (terbesar) 0,4462 dan
mean (nilai rata-rata) 0,166942. Standard Deviation (simpangan
baku) variabel ini adalah 0,0499096.
d. Variabel NIM (X4) memiliki sampel (N) sebanyak 60, dengan nilai minimum (terkecil) 0,0177, nilai maksimum (terbesar) 0,1400 dan
mean (nilai rata-rata) 0,059820. Standard Deviation (simpangan
baku) variabel ini adalah 0,0268374.
e. Variabel ROA (Y) memiliki sampel (N) sebanyak 60, dengan nilai minimum (terkecil) 0,0018, nilai maksimum (terbesar) 0,0493 dan
mean (nilai rata-rata) 0,021172. Standard Deviation (simpangan
baku) variabel ini adalah 0,0109571. 4.1.3 Pengujian Asumsi Klasik
Salah satu syarat yang menjadi dasar penggunaan model regresi berganda dengan metode estimasi Ordinary Least Squares (OLS) adalah dipenuhinya semua asumsi klasik, agar hasil pengujian bersifat tidak bias dan efisien (Best Linear Unbiased Estimator/BLUE). Pengujian asumsi klasik dalam penelitian ini dilakukan dengan bantuan program statistik. Menurut Ghozali (2005:123) asumsi klasik yang harus dipenuhi adalah :
b. Non-Multikolinearitas, artinya antara variabel independen dalam model regresi tidak memiliki korelasi atau hubungan secara sempurna ataupun mendekati sempurna.
c. Non-Autokorelasi, artinya kesalahan pengganggu dalam model regresi tidak saling berkorelasi.
d. Homoskedastisitas, artinya variance variabel independen dari suatu
pengamatan ke pengamatan lain adalah konstan atau sama. a. Uji Normalitas
Uji data statistik dengan model Kolmogorov Smirnov dilakukan untuk mengetahui apakah data sudah terdistribusi secara normal atau tidak, dengan membuat hipotesis sebagai berikut :
H0 : data residual terdistribusi normal HA : data residual terdistribusi tidak normal
Pedoman pengambilan keputusan untuk data-data yang mendekati atau telah terdistribusi secara normal didasarkan pada : 1) Apabila nilai signifikan atau nilai probabilitas > 0,05, maka
distribusi data normal.
2) Apabila nilai signifikan atau nilai probabilitas < 0,05, maka distribusi data tidak normal.
Adapun hasil uji normalitas dengan menggunakan model
Kolmogorov Smirnov adalah seperti yang ditampilkan dalam tabel
Tabel 4.4 Hasil Uji Normalitas One-Sample Kolmogorov-Smirnov Test
Unstandardized Residual
N 60
Normal Parametersa,,b Mean .0000000
Std. Deviation .00821440
Most Extreme Differences Absolute .066
Positive .066
Negative -.047
Kolmogorov-Smirnov Z .513
Asymp. Sig. (2-tailed) .955
a. Test distribution is Normal.
b. Calculated from data.
Sumber : Data Olahan SPSS, 2013
Tabel 4.4 menunjukkan bahwa hasil pengujian statistik dengan model Kolmogorov Smirnov telah terdistribusi secara normal. Hal ini dapat dilihat dari nilai signifikan Asymp. Sig. (2-tailed) > 0.05, yaitu sebesar 0.955.
Karena secara keseluruhan data telah terdistribusi secara normal, maka dapat dilakukan pengujian asumsi klasik lainnya. Untuk lebih jelas, berikut ini ditampilkan grafik histogram dan plot data yang sudah terdistribusi normal :
Gambar 4.1
Sumber : Data Olahan SPSS, 2013
Grafik histogram di atas menunjukkan bahwa data telah terdistribusi secara normal. Hal ini dapat dilihat dari grafik histogram yang menunjukkan distribusi data mengikuti garis diagonal yang tidak menceng (skewness) kiri maupun menceng kanan. Hal ini dapat didukung dengan hasil uji normalitas dengan menggunakan grafik plot sebagai berikut :
Gambar 4.2 Grafik Normal Plot
Sumber : Data Olahan SPSS, 2013
Menurut Ghozali (2005:112), pendeteksian normalitas dapat dilakukan dengan melihat penyebaran data (titik) pada sumbu diagonal dari grafik, yaitu jika data (titik) menyebar disekitar garis diagonal dan mengikuti arah garis diagonal, hal ini menunjukkan data yang telah terdistribusi normal. Gambar 4.2 menunjukkan bahwa data (titik) menyebar disekitar dan mendekati garis diagonal. Hal ini sejalan dengan hasil pengujian dengan menggunakan histogram bahwa data telah terdistribusi normal.
b. Uji Multikolinearitas
Menurut Ghozali (2005:91) “uji multikolinearitas bertujuan untuk menguji apakah model regresi ditemukan adanya korelasi antar variabel bebas atau independen”. Untuk mengetahui ada atau tidaknya korelasi antar variabel bebas tersebut, dapat dilihat dari nilai
Tolerence atau sama dengan nilai Variance Inflation Factor (VIF),
apabila nilai Tolerence < 0,10 atau VIF > 10 maka terjadi multikolinearitas dan apabila nilai Tolerence > 0,10 atau VIF < 10 maka tidak terjadi multikoliniearitas (Ghozali, 2005:92).
Tabel 4.5
Hasil Uji Multikolinearitas Coefficientsa Model Collinearity Statistics Tolerance VIF 1 NPL .961 1.040 LDR .921 1.086 CAR .971 1.030 NIM .920 1.087
a. Dependent Variable: ROA
Sumber : Data Olahan SPSS, 2013
Berdasarkan tabel 4.5 dapat disimpulkan bahwa peneliti bebas dari adanya multikoliniearitas. Hal ini dapat dilihat dengan membandingkannya dengan nilai Tolerance dan VIF. Semua variabel bebas yang digunakan dalam penelitian ini memiliki
Tolerance yang lebih besar dari 0,10. Jika dilihat dari nilai VIFnya,
bahwa tidak satupun variabel bebas memiliki nilai yang melebihi 10. Dari hasil uji multikoliniearitas didapatkan bahwa nilai
Tolerance untuk NPL adalah 0,961 > 0,10 dan nilai VIF adalah
1,040 < 10. Nilai Tolerance untuk LDR adalah 0,921 > 0,10 dan nilai VIF adalah 1,086 < 10. Nilai Tolerance untuk CAR adalah 0,971 > 0,10 dan nilai VIF adalah 1,030 < 10. Nilai Tolerance untuk NIM adalah 0,920 > 0,10 dan nilai VIF adalah 1,087 < 10. Dengan demikian dapat disimpulkan bahwa tidak terjadi multikoliniearitas dalam variabel bebasnya.
c. Uji Autokorelasi
Menurut Ghozali (2005), uji ini bertujuan untuk melihat apakah dalam suatu model regresi linear ada korelasi antar kesalahan pengganggu pada periode t dengan kesalahan pada periode t-1 (sebelumnya). Ada beberapa cara yang dapat digunakan untuk mendeteksi masalah dalam autokorelasi diantaranya adalah dengan Uji Durbin Watson pada buku statistik relevan. Namun secara umum sebagai berikut :
1) Angka D-W di bawah -2 berarti ada autokorelasi positif
2) Angka D-W di antara -2 sampai +2 berarti tidak ada autokorelasi 3) Angka D-W di atas +2 berarti ada autokrelasi negatif (Santoso,
Tabel 4.6
Hasil Uji Autokorelasi Model Summaryb Model R R Square Adjusted R Square Std. Error of the Estimate Durbin-Watson 1 .662a .438 .397 .0085079 1.871
a. Predictors: (Constant), NIM, CAR, NPL, LDR
b. Dependent Variable: ROA
Sumber : Data Olahan SPSS, 2013
Tabel 4.6 menunjukkan hasil uji autokorelasi variabel penelitian. Berdasarkan hasil pengujiannya dapat disimpulkan bahwa tidak terjadi autokorelasi antar kesalahan pengganggu antar periode. Hal ini dapat dilihat dari nilai Durbin-Watson (D-W). berdasarkan tabel diatas, angka D-W adalah sebesar 1,871. Angka tersebut berada diantara -2 dengan 2, artinya bahwa angka D-W lebih besar dari -2 dan lebih kecil dari 2 (-2 < 1,871 < 2). Sehingga dapat disimpulkan bahwa tidak terjadi autokorelasi positif maupun autokorelasi negatif. d. Uji Heteroskedastisitas
Ghozali (2005:105) menyatakan bahwa “Uji Heteroskedastisitas memiliki tujuan untuk menguji apakah dalam model regresi terjadi ketidaksamaan variabel dari residual satu pengamatan ke pengamatan yang lain”. Jika varians dari residual satu pengamatan ke pengamatan lainnya tetap, maka disebut homokedastisitas, jika berbeda disebut dengan heteroskedastisitas.
Cara yang dilakukan untuk melihat apakah ada tidaknya heteroskedastisitas dapat dilakukan dengan melihat grafik Scatterplot antara nilai prediksi variabel terikat dengan residualnya. Jika ada pola seperti titik-titik yang membentuk pola tertentu yang teratur maka terjadi heteroskedastisitas, namun jika tidak ada pola yang jelas serta titik menyebar ke atas dan dibawah angka 0 pada sumbu Y berarti tidak terjadi heteroskedastisitas.
Berikut ini merupakan hasil uji statistik dengan menggunakan grafik Scatterplots untuk menganalisis ada atau tidaknya heteroskedastisitas :
Gambar 4.3
Sumber : Data Olahan SPSS, 2013
Berdasarkan grafik scatterplot di atas terlihat bahwa titik-titik menyebar secara acak serta tersebar baik di atas maupun di bawah angka 0 pada sumbu Y, sehingga dapat disimpulkan bahwa tidak terjadi heteroskedastisitas pada model regresi. Artinya bahwa model ini layak dipakai untuk memprediksi ROA bank umum nasional di Bursa Efek Indonesia (BEI) dengan menggunakan variabel bebas yaitu NPL, LDR, CAR, dan NIM.