HASIL PENELITIAN DAN PEMBAHASAN
4.2 Hasil Penelitian
4.2.1. Statistik Deskriptif
Statistik Deskriptif adalah ilmu statistik yang mempelajari cara-cara pengumpulan, penyusunan dan penyajian data suatu penelitian. Tujuannya adalah untuk memudahkan orang untuk membaca data serta memahami maksudnya. Berikut ini merupakan output SPSS versi 17, yang merupakan keseluruhan data yang digunakan dalam penelitian ini. Hasil olahan data SPSS dalam bentuk deskriptif statistik akan menampilkan karakteristik sampel yang digunakan didalam penelitian ini meliputi: jumlah sampel (N), rata-rata sampel (mean),
minimum dan maksimum serta standar deviasi (σ) untuk masing-masing variabel.
Deskripsi dalam penelitian ini meliputi 4 variabel, yaitu Capital Adequecy Ratio (CAR), Non Performing Financing (NPF) Financing to Deposit Ratio (FDR) dan Return on Asset (ROA) yang disajikan dalam Tabel 4.1. berikut:
Tabel 4.1
Deskriptif Variabel Penelitian Bank Umum Syariah di Indonesia
N Minimum Maximum Mean
Std. Deviation CAR 55 10.60 76.40 26.7640 19.54147 NPF 55 .00 6.84 2.5836 1.78779 FDR 55 16.93 172.26 95.8898 28.84174 ROA 55 -1.87 4.48 1.3415 1.24647 Valid N (listwise) 55
Sumber: Hasil Penelitian, 2016 (Data Diolah)
Berdasarkan Tabel 4.1 menunjukkan bahwa jumlah data yang dugunakan dalam penelitian ini adalah sebanyak 55 sampel data yang diambil dari laporan keuangan publikasi tahunan Bank Umum Syariah periode 2010 hingga 2014.
a. Variabel CAR memiliki nilai minimum 10,60, nilai maksimum 76,40, rata-rata CAR 26,764 dan standar deviasi sebesar 19,54147 dengan jumlah amatan sebanyak 55.
b. Variabel NPF memiliki nilai minimum 0, nilai maksimum 6,84, rata-rata NPF 2,5836 dan standar deviasi sebesar 1,78779 dengan jumlah amatan sebanyak 55.
c. Variabel FDR memiliki nilai minimum 16,93, nilai maksimum 172,26, rata - rata FDR 95,8898 dan standar deviasi sebesar 28,84174 dengan jumlah amatan sebanyak 55.
d. Variabel ROA memiliki nilai minimum -1,87, nilai maksimum 4,48, rata-rata ROA 1,3415 dan standar deviasi sebesar 1,24647 dengan jumlah amatan sebanyak 55.
Semakin besar nilai standar deviasi maka semakin besar kemungkinan nilai riil menyimpang dari yang diharapkan. Dalam kasus seperti ini, dimana nilai mean masing-masing variabel lebih kecil dari pada standar deviasinya, biasanya didalam data terdapat outlier (data yang terlalu ekstrim). Outlier adalah data yang memiliki karakteristik unik yang terlihat sangat berbeda jauh dari observasi-observasi lainnya dan muncul dalam bentuk nilai ekstrim. Data-data outlier tersebut biasanya akan mengakibatkan tidak normalnya distribusi data. Berdasarkan hasil uji statistik deskriptif terdapat diperoleh standar deviasi yang jauh lebih kecil dari nilai rata-rata variabel, sehingga dapat disimpulkan tidak terdapat data yang outlier.
4.2.2. Uji Asumsi Klasik 4.2.2.1. Uji Normalitas
Pengujian normalitas bertujuan untuk mengetahui apakah data yang digunakan telah terdistribusi secara normal. Salah satu metode untuk mengetahui normalitas adalah dengan menggunakan model analisis grafik, baik dengan melihat grafik secara histogram ataupun dengan secara Normal Probability Plot. Hasil uji normalitas dengan grafik histogram yang diolah dengan SPSS, secara normal probability plot dan dapat ditunjukkan sebagai berikut:
Sumber: Hasil Penelitian, 2016 (Data Diolah)
Gambar 4.1 Histogram
Hasil uji normalitas diatas memperlihatkan bahwa pada grafik histogram diatas distribusi data mengikuti kurva berbentuk lonceng yang tidak menceng (skewness) kiri maupun menceng kanan atau dapat disimpulkan bahwa data tersebut normal.
Sumber: Hasil Penelitian, 2016 (Data Diolah)
Gambar 4.2 Normal P-P Plot
Hasil uji normalitas menggunakan probability plot, dimana terlihat bahwa titik-titik menyebar di sekitar garis diagonal sehingga dapat disimpulkan bahwa data dalam model regresi terdistribusi secara normal.
Semua hasil pengujian melalui analisis grafik dan statistik di atas menunjukkan hasil yang sama yaitu normal, dengan demikian telah terpenuhi
asumsi normalitas dan dapat dilakukan pengujian asumsi klasik berikutnya pada data yang telah disajikan.
Dalam penelitian ini juga dilakukan pengujian normalitas residual dengan menggunakan uji Kolmogrorov-Smirnov, yaitu dengan membandingkan distribusi komulatif relative hasil observasi dengan distribusi komulatif relative teoritisnya. Jika probabilitas signifikansi nilai residual lebih dari 0,05 berarti residual terdistribusi dengan normal, demikian pula sebaliknya. Hasil penelitian ini menunjukkan nilai signifikansi sebesar 0,512 seperti yang ditunjukkan oleh Tabel 4.2 karena nilai signifikansi uji Kolmogorov-Smirnov di atas 0,05 maka dapat disimpulkan bahwa data terdistribusi secara normal.
Tabel 4.2
Hasil Uji Normalitas
Unstandardized Residual
N 55
Normal Parametersa,,b Mean .0000000
Std. Deviation 1.08007233 Most Extreme Differences Absolute .111 Positive .108 Negative -.111 Kolmogorov-Smirnov Z .820
Asymp. Sig. (2-tailed) .512
Sumber: Hasil Penelitian, 2016 (Data Diolah)
Uji heteroskedastisitas dilakukan untuk menguji apakah dalam model regresi terjadi ketidaksamaan varians dari residual dari satu pengamatan ke pengamatan yang lain. Jika varians dari residual satu pengamatan ke pengamatan yang lain tetap, maka disebut homoskedastisitas dan jika berbeda akan disebut heteroskedastisitas. Untuk mengetahui ada tidaknya heteroskedastisitas antar variabel independen dapat dilihat dari grafik plot antara nilai prediksi terikatnya independen dapat dilihat dari grafik plot antara nilai prediksi variabel (ZPRED) dengan residual (SRESID). Heteroskedastisitas ini dapat dilihat dengan grafik scatterplot dan Uji Glejser. Hasil dari uji heteroskedastisitas dapat dilihat pada grafik scatterplot berikut ini:
Sumber: Hasil Penelitian, 2015 (Data Diolah)
Gambar 4.3 tabel
Berdasarkan Gambar 4.3, terlihat bahwa titik-titik tidak terlalu menyebar secara acak diatas dan di bawah angka 0 pada sumbu Y, serta sedikit menyempit
(menumpuk). Hal ini mengindikasikan tidak terjadi heteroskedastisitas pada model regresi sehingga model regresi layak dipakai untuk memprediksi ROA berdasarkan masukan variabel independennya.
Selain dengan grafik, hasil uji heteroskedastisitas dapat dilihat pada statistik berikut ini:
Tabel 4.3
Hasil Uji Heteroskedastisitas
Model Unstandardized Coefficients Standardiz ed Coefficien ts t Sig. B Std. Error Beta 1 (Constant) .876 .455 1.924 .060 CAR .010 .007 .253 1.463 .150 NPF .030 .070 .071 .434 .666 FDR -.005 .004 -.180 -1.229 .225
Sumber: Hasil Penelitian, 2016 (Data Diolah)
Berdasarkan hasil uji glejser, dapat dilihat bahwa pada Tabel 4.3 menunjukkan tidak satupun variabel independen yang signifikan secara statistik mempengaruhi variabel dependen absolut. Hal ini terlihat dari probabilitas signifikansinya di atas tingkat kepercayaan 5% (0,05), sehingga dapat disimpulkan model regresi tidak mengarah pada heteroskedastisitas.
Uji autokorelasi ini digunakan untuk menguji asumsi klasik regresi berkaitan dengan adanya autokorelasi. Model regresi yang baik adalah model yang tidak mengandung autokorelasi. Pengujian ini menggunakan Uji Durbin-Watson (DW test) untuk mendeteksi ada tidaknya autokorelasi. Hasil pengujian Uji Durbin-Watson (DW test) dapat dilihat pada Tabel 4.4 berikut ini:
Tabel 4.4
Hasil Uji Durbin-Watson
Model R R Square Adjusted R Square Std. Error of the Estimate Durbin-Watson 1 .499a .249 .205 1.11139 2.016
Sumber: Hasil Penelitian, 2016 (Data Diolah)
Hasil output SPSS menunjukkan nilai DW sebesar 2.016, nilai ini akan dibandingkan dengan nilai tabel dengan menggunakan derajat kepercayaan 5%, jumlah sampel (n) = 55 dan jumlah variabel bebas (k) = 3, maka di tabel Durbin-Watson didapatkan nilai dL (durbin-watson lower/batas bawah) = 1.452, nilai dU (durbin-watson upper/batas atas) = 1.681 dan 4 ̶ dU = 2.238. Pengambilan keputusannya adalah dU (0.972) ˂ d (2.016) ˂ 4 ̶ dU (2.319), artinya tidak ada autokorelasi positif atau negatif. Dengan demikian, tidak terdapat adanya autokorelasi pada model regresi.
4.2.2.4. Uji Multikolinearitas
Uji multikolinearitas bertujuan untuk menguji apakah dalam sebuah model regresi ditemukan adanya korelasi antar variabel independen. Uji yang dilakukan untuk menguji multikolinearitas adalah dengan menghitung nilai VIF untuk masing-masing variabel independen. Suatu variabel menunjukkan gejala
multikolinearitas dapat dilihat dari nilai VIF yang tinggi pada variabel-variabel bebas suatu model regresi. Jika dalam penelitian nilai VIF >10 maka ini menunjukkan adanya gajala multikolinearitas dalam model regresi. Hasil dari uji multikolinearitas dapat dilihat pada Tabel 4.5 berikut ini :
Hasil Uji Multikolinieritas
Model Unstandardized Coefficients Standardize d Coefficients t Sig. Collinearity Statistics B Std. Error Beta Toleranc e VIF 1 (Constan t) .085 .667 .127 .900 CAR .007 .010 .115 .744 .460 .621 1.611 NPF -.135 .102 -.194 -1.320 .193 .685 1.460 FDR .015 .006 .340 2.604 .012 .862 1.159
Sumber: Hasil Penelitian, 2016 (Data Diolah)
Hasil uji multikolinearitas pada Tabel 4.5 menunjukkan bahwa keseluruhan variabel mempunyai nilai VIF < 10, sehingga dapat disimpulkan bahwa variabel tersebut tidak terjadi multikolinearitas.
Tolerance mengukur variabilitas variabel bebas yang terpilih yang tidak dapat dijelaskan oleh variabel bebas lainnya. Jadi, nilai tolerance yang rendah sama dengan nilai VIF tinggi (karena VIF = 1/Tolerance). Hasil penelitian ini mengidikasikan bahwa tidak terjadi multikolinearitas di antara variabel independen dalam penelitian.
