BAB III METODE PENELITIAN
3.7 Teknik Pengolahan Data
Uji asumsi klasik merupakan prasyarat analisis regresi linier berganda. Sebelum melakukan pengujian hipotesis yang diajukan dalam penelitian perlu dilakukan pengujian asumsi klasik yang meliputi; uji normalitas, uji multikolonieritas, uji autokorelasi, dan uji heteroskedastisitas.
3.7.1.1 Uji Normalitas
Menurut Imam Ghozali (2009) menyataan bahwa uji normalitis adalah untuk menguji apakah dalam model regresi, variabel independen dan dependennya memilki distribusi normal atau tidak. Model regresi yang baik adalah memiliki distribusi data normal atau mendekati normal. Pada prinsipnya normalitas data dapat diketahui dengan melihat penyebaran data (titik) pada sumbu diagonal pada grafik atau histogram dari residualnya. Data normal dan tidak normal dapat diuraikan sebagai berikut (Ghozali, 2009);
1. Jika data menyebar di sekitar garis diagonal dan mengikuti arah garis diagonal atau grafik histogramnya, menunjukkan pola terdistribusi normal, maka model regresi memenuhi asumsi normalitas
2. Jika data menyebar jauh dari garis diagonal dan tidak mengikuti arah garis diagonal atau grafk histogramnya, tidak menunjukkan pola terdistribusi normal, maka model regresi tidak memenuhi asumsi normalitas.
Menurut imam ghozali (2009) uji normalitas dengan grafik dapat menyesatkan apabila tidak hati-hati secara visual kelihatan normal, pada hal secara statistic bisa sebaliknya. Oleh sebab itu dianjurkan selain menggunakan uji grafik dilengkapi dengan uji statistik. Uji statistik yang digunakan dalam penelitian ini untuk menguji normalitas residual adalah uji statistik non- parametrik Kolmogrov-Smirov (K-S). Uji K-S dilakukan dengan membuat hipotesis:
H0 : Data residual berdistribusi normal apabila nilai signifikan < 5% (0,05). HA : Data residual tidak berdistribusi normal apabila nilai signifikan > 5% (0,05). 3.7.1.2 Uji Multiolinearitas
Yang dimaksud dengan multiolinearitas persamaan regeresi berganda yaitu kolerasi antara varibael-variabel bebas diantara satu dengan yang lainnya. Model regresi yang baik seharusnya tidak terjadi korelasi diantara variabel bebas. Jika variabel bebas saling berkolerasi, maka variabel-variabel tidak orthogonal.
Untuk mengetahui apakah ada kolerasi diantara variabel-variabel bebas dapat diketahui dengan melihat dari nilai tolerance yang tinggi. Variance inflation factor (VIF) kedua ukuran tersebut menunjukkan setiap variabel bebas manakah yang dijelaskan oleh variabel bebas lainnya. Dalam pengertian sederhana setiap variabel bebas menjadi variabel terikat dan regresian terhadap variabel bebas lainnya. Tolerance mengukur variabilitas variabel bebas yang
terpilh yang tidak dapat dijelaska oleh variabel bebas lainnya. Jadi nilai tolerance yang rendah sama dengan nilai VIF tinggi (karena VIF = 1/tolerance) dan menunjukkan adanya kolineritas yang tinggi. Nilai cut off yang umum dipakai adalah tolerance 0,10 atau sama dengan nilai VIF 10.
Setiap peneliti harus menentukan tingkat kolinearitas yang masih dapat diterima. Sedangkan TOL (tolerance) besarnya variasi dari suatu variabel independen yang tidak dijelaskan oleh variabel independent lainnya. Nilai TOL berkebalikan dengan VIF. Batas TOL dibawah 0,1 dan VIF batasnya diatas 10. Apabila TOL dibawah 0,1 atau VIF diatas 10, maka terjadi multikolinieritas. Konsekuensinya adanya multikolinieritas menyebabkan standart error cenderung semakin besar.
3.7.1.3 Uji Heteroskedasitas
Uji heteroskedastisitas bertujuan menguji apakah dalam model regresi terjadi ketidaksamaan varian dari residual satu pengamatan ke pengamatan yang lain. Jika varian dari residual satu pengamatan yang lain tetap, maka disebut homoskedastisitas dan jika berbeda disebut heteroskedastisitas. Model regeresi yang baik adalah yang homoskedastisitas atau tidak terjadi heteroskedastisitas. Menurut Gozhali (2009) cara menditeksi ada atau tidaknya heteroskedastisitas adalah dengan melihat grafik Plot antara nilai prediksi variabel terikat (dependen) yaitu ZPRED dengan residualnya SRESID. Deteksi ada tidaknya heteroskedastisitasnya dapat dilakukan dengan melihat ada tidaknya pola tertentu pada grafik scatterplot antara SRESID dan ZPRED dimana sumbu Y adalah yang
telah diprediksi dan submbu X residual (Y prediksi-Y sesungguhnya) yang telah di standardized. Dasar analisis heteroskedasitas, sebagai berikut :
1. Jika ada pola tertentu, seperti titik yang membentuk pola yang teratur (bergelombang, melebar kemudian menyempit), maka mengindikasikan telah terjadi heterodastisitas.
2. Jika tidak ada pola yang jelas, serta titik-titik menyebar di atas dan bawah angka 0 pada sumbu Y, maka tidak heterokedastisitas.
3.7.1.4 Uji Autokorelasi
Uji autokorelasi bertujuan menguji apakah dalam suatu model regresi linier ada korelasi antara kesalahan pengunaan pada periode t dengan kesalahan pada periode t-1 (sebelumnya). Jika terjadi korelasi, maka dinamakan ada problem autokorelasi. Autokorelasi muncul karena observasi yang berurutan sepanjang waktu berkaitan satu sama lainnya (Ghozali, 2009). Untuk menguji keberadaan autokorelasi dalam penelitian ini digunakan uji statistic Durbin- Watson. Durbin-Watson hanya digunakan untuk autokorelasi tingkat satu (first order autocorrelation) dan mensyaratkan adanya intercept (konstanta) dalam model regresi dan tidak ada variabel lag di antara variabel independen. Hipotesis yang akan diujii adalah:
• H0 : tidak ada autokorelasi (r = 0)
3.7.2 Analisis Regresi Linier Berganda
Untuk menguji pengaruh variabel-variabel independent (CAR, NPL, ROA, dan LDR) terhadap tingkat penyaluran kredit (TPK), maka dalam penelitian ini digunakan analisis regeresi berganda dengan persamaan kuadarat terkecil (ordinary least square – OLS) dengan model dasar sebagai berikut:
Y1 = b0 + b1.X1 + b2.X2 + b3.X3 + b4.X4 + e
Keterangan :
Y1 = Tingkat Penyaluran Kredit
X1 = Capital Adequacy Ratio (CAR)
X2 = Non Performing Loan (NPL)
X3 = Return On Assets (ROA)
X4 = Loan Deposit Ratio (LDR)
e = Variabel residual b0 = Konstanta
b1-4 = Koefisien regresi yang menunjukkan angka peningkatan atau penurunan
variabel dependen berdasarkan pada variabel independen
Untuk mengetahui apakah model regresi benar-benar menunjukkan hubungan yang signifikan dan representatif, maka model tersebut harus memenuhi uji asumsi klasik regresi. Besarnya konstanta tercemin dalam b0 dan besarnya
koefisien regresi dari masing-masing variabel independen ditunjukkan dengan b1,
b2, b3, dan b4. Analisis regresi linier berganda dilakukan untuk mengetahui
3.7.3 Uji Hipotesis
Dalam uji asumsi klasik dapat dilakukan analisis hasil regresi atau uji hipotesis. Uji hipotesis yang digunakan meliputi; uji parsial (t-test), uji pengaruh simultan (F-test), uji koefisien determinasi (R²).
3.7.3.1 Uji Secara parsial (Uji – t)
Menurut Imam Ghozali (2009) uji t digunakan untuk menguji pengaruh masing-masing variabel indepeden yang digunakan dalam penelitian ini terhadap variabel dependen secara parsial. Uji t dilakukan untuk menguji hipotesis 1 sampai dengan hipotesis 5, langkah-langkah yang dilakukan sebagai berikut (Dajan, 1994):
1. Merumuskan hipotesis, H1 artinya ada pengaruh yang signifikan dari
variabel independen terhadap variabel dependen secara parsial.
2. Menentukan tingkat signifikansi, taraf signifikansi adalah 95% atau α =
5%
3. Membandingkan t hitung dan table t- table = t α / 2 (n-k-1)
• (H1) ditolak apabila t hitung < t tabel
• (H2) diterima apabila t> t tabel
4. Berdasarkan probabilitas:
• H1 ditolak apabila P > 0,05
• H2 diterima apabila P < 0,05
5. Melihat pengaruh hubungan antara variabel indipenden dengan variabel dependen, apakah bertanda positif atau negatif.
3.7.3.2 Uji Signifikan Simultan (Uji F statistic)
Secara simultan pengujian hipotesis dilakukan dengan uji f. Menurut Ghozali (2005 : 84) uji statistik f pada dasarnya menunjukkan apakah semua variabel independen atau bebas yang dimasukkan dalam model mempunyai pengaruh secara bersamaan terhadap variabel dependen/terikat. Adapun hipotesis yang akan di uji adalah sebagai berikut:
H0 : X5=0, artinya rasio keuangan bank tidak berpengaruh secara simultan
terhadap tingkat penyaluran kredit.
H1 : X4≠0, artinya rasio keuangan berpengaruh secara simultan terhadap
tingkat penyaluran kredit.
Untuk menguji hipotesis ini digunakan statistic dengan kriteria pengambil keputusan
1. Jika Fhitung < Ftabel pada α 0,05, maka H1 ditolak, dan,
2. Jika Fhitung > Ftabel pada α 0,05, maka H1 diterima
3.7.3.3Koefisien Determinasi
Koefisien determinasi R2 pada intinya mengukur seberapa jauh kemampuan model dalam menerangkan variasi dependen atau dengan kata lain untuk menguji goodness-fit dari model regresi. Nilai koefisien determinasi adalah antara 0 dan 1. Menurut Ghozali (2009) nilai R2 yang kecil berarti kemampuan variabel-variabel independen dalam menejelaskan variasi variabel dependen amat terbatas. Nilai yang mendekati 1 berati variabel-variabel independen memberikan hampir semua informasi yang dibutuhkan untuk memprediksi variasi variabel dependen. Untuk menghindari bias, maka digunakan nilai Adjusted R2, karena
Adjusted R2 dapat naik atau turun apabaila satu variabel independen ditambah ke dalam model. Menurut Gujarati (2003), jika dalam uji empiris di dapat nilai