BAB IV. HASIL PENELITIAN
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 NPL (X1) 88 ,0002 ,3534 ,0550 ,0533856 LDR (X2) 88 ,4019 3,3318 ,6315 ,2859138 CAR (X3) 88 ,0807 ,5743 ,1790 ,0806982 NIM (X4) 88 -,0093 ,3183 ,0651 ,0408989 ROA (Y) 88 -,0817 ,3730 ,0387 ,0476932 Valid N (listwise) 88
Sumber : Output SPSS, diolah Penulis, 2009 (Lampiran7)
Berdasarkan data dalam tabel 4.5 dapat dilihat bahwa variabel NIM dan ROA memiliki nilai minimum negatif, namun hal ini tidak bisa dijadikan sebagai dasar untuk menyatakan bahwa perusahaan perbankan selalu merugi selama periode pengamatan. Perincian data deskriptif yang telah diolah adalah sebagai berikut :
a. Variabel NPL (X1) memiliki sampel (N) sebanyak 88, dengan nilai minimum (terkecil) 0,0002, nilai maksimum (terbesar) 0,3534 dan mean (nilai rata-rata) 0,0550. Standard Deviation (simpangan baku) variabel ini adalah 0,0533856.
b. Variabel LDR (X2) memiliki sampel (N) sebanyak 88, dengan nilai minimum (terkecil) 0,4019, nilai maksimum (terbesar) 3,3318, dan
mean (nilai rata-rata) 0,6315. Standard Deviation (simpangan baku) variabel ini adalah 0,2859138.
c. Variabel CAR (X3) memiliki sampel (N) sebanyak 88, dengan nilai minimum (terkecil) 0,0807, nilai maksimum (terbesar) 0,5743, dan mean (nilai rata-rata) 0,1790. Standard Deviation (simpangan baku) variabel ini adalah 0,0806982.
d. Variabel NIM (X4) memiliki sampel (N) sebanyak 88, dengan nilai minimum (terkecil) -0,0093, nilai maksimum (terbesar) 0,3183, dan mean (nilai rata-rata) 0,0651. Standard Deviation (simpangan baku) variabel ini adalah 0,0408980.
e. Variabel ROA (Y) memiliki sampel (N) sebanyak 88, dengan nilai minimum (terkecil) -0,0817, nilai maksimum (terbesar) 0,3730, dan mean (nilai rata-rata) 0,0387. Standard Deviation (simpangan baku) variabel ini adalah 0,476932.
Berdasarkan hasil dari statistik deskriptif di atas dapat dinyatakan bahwa ada beberapa periode dimana bank mengalami kerugian sehingga menciptakan nilai ROA dan NIM minimum yang negatif.
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:
a.Berdistribusi normal.
b.Non-Multikolonearitas, artinya antara variabel independen dalam model regresi tidak memiliki korelasi atau hubungan secara sempurna ataupun mendekati sempurna.
c.Non-Autokorelasi, artinya kesalahan penganggu dalam model regresi tidak saling berkorelasi.
d.Homoskedastisitas, artinya variance variabel independen dari satu 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.
Santoso (2002:34) memberikan pedoman pengambilan keputusan untuk data-data yang mendekati atau telah terdistribusi secara normal.
1) Apabila nilai signifikansi atau nilai probabilitas > 0,05, maka distribusi data normal.
2) Apabila nilai signifikansi 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 4.4 berikut ini :
Tabel 4.4
Hasil Uji Normalitas (1)
One-Sample Kolmogorov-Smirnov Test
NPL LDR CAR NIM ROA
Unstandardi zed Residual N 88 88 88 88 88 88 Normal Parameters(a,b) Mean ,045012 ,63147 3 ,18898 2 ,06514 0 ,01971 5 ,0000000 Std. Deviation ,053385 6 ,19591 38 ,08069 82 ,04089 89 ,03769 32 ,02253428 Most Extreme Differences Absolute ,287 ,099 ,076 ,188 ,410 ,191 Positive ,287 ,093 ,076 ,188 ,388 ,191 Negative -,248 -,099 -,067 -,154 -,410 -,162 Kolmogorov-Smirnov Z 1,718 ,891 ,609 1,548 1,604 1,554 Asymp. Sig. (2-tailed) ,040 ,658 ,856 ,040 ,007 ,016
Sumber : Output SPSS, diolah Penulis, 2009 (Lampiran 8)
Berdasarkan hasil uji statistik dengan model Kolmogorov Smirnov seperti yang terdapat dalam tabel 4.6, dapat disimpulkan bahwa data terdistribusi tidak normal, yang berarti bahwa H0 ditolak dan HA diterima. Hal ini dapat dilihat dari nilai signifikansi unstandarized residual yang nilainya lebih kecil dari 0,05, yaitu sebesar 0,016. Jika data tidak terdistribusi secara normal, maka tidak dapat dilakukan pengujian lebih lanjut. Oleh sebab itu perlu dilakukan treatment untuk menormalkan data.
Menurut Jogianto (2004:172), ada beberapa cara yang dapat dilakukan untuk menormalkan distribusi data, yaitu :
1)Dengan melakukan transformasi data, yaitu mengubah nilai-nilai observasi data ke dalam bentuk logaritma sehingga membentuk distribusi yang normal.
2)Trimming, yaitu memangkas (membuang) observasi yang bersifat outlier, yaitu nilainya lebih kecil dari μ - 2σ atau lebih besar dari μ + 2σ. 3)Winzorising, yaitu mengubah nilai-nilai outliers menjadi nilai-nilai minimum atau maksimum yang diizinkan supaya distribusinya menjadi normal.
Penulis dalam penelitian ini melakukan cara treatment yaitu dengan melakukan transformasi data ke model Logaritma Natural (LN). ROA = f(NPL, LDR, CAR, NIM) menjadi LN ROA = f(LN NPL, LN LDR, LN CAR, LN NIM). Transformasi data yang dilakukan adalah model log-log karena baik variabel bebas maupun variabel terikat terdistribusi tidak normal (Nachrowi, 2006:68). Berikut ini merupakan hasil uji statistik dengan model Kolmogorov Smirnov setelah dilakukan transformasi data :
Tabel 4.5
Hasil Uji Normalitas (2)
One-Sample Kolmogorov-Smirnov Test setelah Transformasi Logaritma Natural
Sumber : Output SPSS, diolah Penulis, 2009 (Lampiran 8)
Table 4.5 menunjukkan bahwa hasil pengujian statistik dengan model Kolmogorov Smirnov telah terdistribusi secara normal. Hal ini dapat dilihat dari nilai signifikansi lebih besar dari 0,05 (>0,05) yaitu sebesar 0,495. Jika diperhatikan dari nilai variabel per variabel dapat dilihat bahwa semua variabel telah memiliki nilai signifikansi lebih besar dari 0,05, yaitu :
LN_NPL LN_LDR LN_CAR LN_NIM LN_ROA
Unstand ardized Residual N 88 88 88 86 84 83 Normal Parameter s(a,b) Mean -3.851757 -.545725 -1.777729 -3.129240 -4.110894 .000000 0 Std. Deviation 1.2048578 .3495802 .3447390 .3556848 .8188586 .543045 84 Most Extreme Differenc es Absolute .148 .127 .112 .115 .161 .106 Positive .055 .116 .056 .115 .068 .106 Negative -.148 -.127 -.112 -.080 -.161 -.071 Kolmogorov-Smirnov Z 1.204 1.028 .906 .923 1.268 .831 Asymp. Sig. (2-tailed) .120 .243 .394 .352 .090 .495
1) Nilai signifikansi LN NPL (X1) adalah 0,120. 2) Nilai signifikansi LN LDR (X2) adalah 0,243. 3) Nilai signifikansi LN CAR (X3) adalah 0,394. 4) Nilai signifikansi LN NIM (X4) adalah 0,352. 5) Nilai signifikansi LN ROA (Y) adalah 0,090.
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 terdistiribusi normal
Gambar 4.1 Histogram
Sumber : Output SPSS, diolah Penulis, 2009 (Lampiran 9)
Grafik histogram di atas menunjukkan bahwa data telah terdistribusi secara normal. Hal ini dapat dilihat dari grafik histogram yang menunjukkan distribusi
Regression Standardized Residual
4 2 0 -2 F re q u e n c y 20 15 10 5 0 Histogram
Dependent Variable: LN_ROA
Mean =-4.82E-16 Std. Dev. =0.966
data mengikuti garis diagonal yang tidak menceng (skewness) kiri maupun menceng kanan. Hal ini juga didukung dengan hasil uji normalitas dengan menggunakan grafik plot sebagai berikut :
Gambar 4.2 Grafik Normal Plot
Sumber : Output SPSS, diolah Penulis, 2009 (Lampiran 10)
Observed Cum Prob
1.0 0.8 0.6 0.4 0.2 0.0 E x p e c te d C u m P ro b 1.0 0.8 0.6 0.4 0.2 0.0
Normal P-P Plot of Regression Standardized Residual
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 terdisribusi 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 Multikoloniearitas
Menurut Ghozali (2005:91) “uji multikolonieritas bertujuan untuk menguji apakah model regresi ditemukan adanya korelasi antar variabel bebas (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 multikolonieritas dan apabila nilai Tolerence > 0,10 atau VIF <10 maka tidak terjadi multikolonieritas (Ghozali, 2005:92).
Tabel 4.6
Hasil Uji Multikolinieritas
Model Collinearity Statistics Tolerance VIF 1 (Constant) LN NPL (X1) .934 1.073 LN LDR (X2) .791 1.266 LN CAR (X3) .956 1.048 LN NIM (X4) .759 1.337
Berdasarkan tabel 4.6 dapat disimpulakan bahwa penelitian ini bebas dari adanya multikolinearitas. Hal ini bisa dilihat dengan membandingkannya dengan nilai Tolerence dan VIF. Semua veriabel bebas yang digunakan dalam penelitian ini memliki nilai Tolerence yang lebih besar dari 0,10. Jika dilihat dari nilai VIFnya, bahwa tak satupun variabel bebas memiliki nilai yang melebihi 10. Dengan demikian dapat disimpulkan bahwa tidak terjadi multikolinearitas dalam variabel bebasnya.
c. Uji Autokorelasi
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 dapat diambil patokan 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 autokorelsi negatif. (Santoso, 2002:219).
Tabel 4.7
Hasil Uji Autokorelasi
Model R R Square
Adjusted R Square
Std. Error of
the Estimate Durbin-Watson 1 .712(a) .507 .471 .5621058 1.379
Tabel 4.7 menunjukkan hasil uji autokorelasi variabel penelitian. Berdasarkan hasil pengujiannya dapat disimpulkan bahwa tidak terjadi autokorelasi antar kesalahan pengganggu antar periode. Hal ini dilihat dari nilai Durbin- Watson (D-W). Berdasarkan tabel diatas, angka D-W adalah sebesar 1,379. Angka tersebut berada diantara -2 dengan 2, artinya bahwa angka DW lebih besar dari -2 dan lebih kecil dari 2 ( -2 < 1,379 < 2) jadi, dapat disimpulkan tidak ada autokorelasi positif maupun negarif yang terjadi.
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 pangamatan lainnya tetap, maka disebut homokedastisitas, jika berbeda disebut dengan heteroskedastisitas.
Cara yang dilakukan untuk melihat 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 :
Regression Standardized Predicted Value 3 2 1 0 -1 -2 -3 R eg re ss io n S tu de nt iz ed R es id ua l