BAB IV ANALISA PENELITIAN
B. Analisis Data
3. Uji Asumsi Klasik
Pada penelitian ini, uji asumsi klasik yang digunakan meliputi: a. Uji Multikolonieritas
Uji multikolinearitas digunakan untuk mengetahui ada tidaknya variabel independen yang memiliki kemiripan dengan variabel independen lain dalam satu model. Model regresi yang baik adalah tidak terjadi korelasi diantara variabel bebas. Untuk
mendeteksi adanya multikolinearitas yaitu jika variance inflantion factor (VIF) tidak lebih dari 10 maka model terbebas dari multikolinearitas.
b. Uji Autokorelasi
Uji Autokorelasi bertujuan menguji apakah dalam model regresi linear ada korelasi antara kesalahan pengganggu pada periode t dengan kesalahan pengganggu periode t-1 (sebelumnya). Autokorelasi muncul karena observasi yang berurutan sepanjang waktu berkaitan satu sama lainnya. Masalah yang timbul karena residual (kesalahan pengganggu) tidak bebas dari satu observasi ke observasi lainnya.Hal ini sering ditemukan pada data runtut waktu (time series).
Adapun pengujiannya dapat dilakukan dengan Uji Durbin- Watson (DW test) dengan ketentuan adanya intercept (konstanta) dalam model regresi dan tidak ada variabel lag diantara variabel independen(Ghozali, 2013:110-111).
c. Uji Heterokedastisitas
Uji Heteroskedastisitas bertujuan menguji apakah dalam model regresi terjadi ketidaksamaan variance dari residual satu pengamatan ke pengamatan lain. Jika dalam satu pengamatan ke pengamatan yang lain memiliki variansi dari residual yang sama atau tetap, maka hal ini disebut dengan homokedastisitas. Namun
35
jika variansi berbeda, hal ini yang disebut dengan heteroskedastisitas.
d. Uji Normalitas
Uji normalitas bertujuan untuk menguji apakah dalam model regresi variabel pengganggu atau residual memiliki distribusi normal.Model regresi yang baik memiliki distribusi data normal atau mendekati normal.Untuk mendeteksi apakah variabel residual berdistribusi normal atau tidak yaitu dengan analisis grafik.Sedangkan normalitas suatu variabel umumnya dideteksi dengan grafik atau uji statistik non-parametrik Kolmogorof- Smirnov (K-S). Suatu variabel dikatakan terdistribusi normal jika nilai signifikansinya > 0,05 .
Metode grafik dapat dilakukan dengan melihat grafik histogram dan normal probability plot. Grafik histogram akan membandingkan antara data observasi dengan distribusi yang mendekati disribusi normal. Sedangkan normal probability plot akan membandingkan distribusi kumulatif dari distribusi normal. Distribusi normal akan membentuk satu garis lurus diagonal dan ploting data residual dan dibandingkan dengan garis diagonal, dengan dasar pengambilan keputusan sebagai berikut :
- Jika data menyebar disekitar garis diagonal dan mengikuti arah garis diagonal atau grafik histogramnya
menunjukkan pola distribusi normal, maka model memenuhi asumsi normalitas.
- Jika data menyebar jauh dari garis diagonal dan/atau tidak mengikuti arah garis diagonal atau grafik histogram tidak menunjukkan pola distribusi normal, maka model tidak memenuhi asumsi normalitas (Ghozali, 2013:160). 4. Uji Regresi Linier Berganda
Path analysis atau analisis jalur merupakan perluasan dari analisis linier berganda. Analisis jalur adalah penggunaan analisis regresi untuk menaksir hubungan kausalitas antar variabel(model casual) yang telah ditetapkan sebelumnya berdasarkan teori. Analisis jalur tidak dapat menentukan hubungan sebab-akibat dan juga tidak dapat digunakan sebagai substitusi bagi peneliti untuk melihat hubungan kausalitas antar variabel. Apa yang dapat dilakukan oleh analisis jalur adalah menentukan pola hubungan antara tiga atau lebih variabel dan tidak dapat digunakan untuk mengkonfirmasi atau menolakhipotesis kausalitas imajiner (Ghozali, 2013:249).
Adapun model pengujian hipotesisnya antara lain: a) Uji Koefisien Determinasi (R2)
Uji koefisien determinasi digunakan untuk mengukur seberapa jauh kemmpuan mdel dalam menerangkan variasi variabel dependen. Jika dalam uji empiris didapat nilai adjusted R2 negatif, maka nilai adjusted R2
37
dianggap bernilai nol. Secara matematis jika nilai R2 = 1, maka adjusted R2 = R2 = 1. Sedangkan jika R2 = 0, maka adjusted R2 = (1-k) (n-k). Jika k > 1, maka adjusted R2 akan bernilai negatif.
b) Uji Signifikansi Simultan (Uji Statistik F)
Uji statistik F menunjukkan apakah semua variabel independen atau bebas yang dimasukkan dalam model mempunyai pengaruh secara bersama-sama terhadap variabel dependen atau terikat.
c) Uji Statistik t
Uji statistik t menunjukkan seberapa jauh pengaruh satu variabel penjelas/independen secara individual dalam menerangkan variasi variabel dependen (Ghozali, 2013:97).
BAB IV
ANALISA PENELITIAN
A. Deskripsi Objek Penelitian
Sesuai dengan judul skripsi dalam penelitian ini “Pengaruh
Pembiayaan Mudharabah Terhadap Return On Equity (ROE) dengan Non Performing Financing (NPF) Sebagai Variabel Intervening” :
a. Variabel independen (X)
Variabel independen yang digunakan adalah pembiayaan
mudharabah.Pembiayaan mudharabah ini diukur dari prosentase pertumbuhan pembiayaan mudharabah pada bank syariah.
b. Variabel dependen (Y)
Variabel dependen yang digunakan adalah return on equity (ROE) pada bank syariah. Return on equity digunakan untuk mengukur kemampuan bank untuk memperoleh laba dari ekuitas yang dimiliki oleh bank.
c. Variabel intervening (Z)
Variabel intervening yang digunakan adalah non performing financing
(NPF) yang merupakan rasio dari pembiayaan bermasalah pada bank syariah.
Data yang digunakan merpakan data sekunder yang diperoleh dari laporan keuangan tahunan bank syariah periode 2011 hingga
39
2015.Laporan yang mencakup neraca untuk menghitung pertumbuhan pembiayaan mudharabah serta pada pos rasio rasio keuangan yang menunjukkan tingkat return on equity (ROE) dan non performing financing (NPF).
B. Analisis Data
1. Uji Stasioneritas
Proses yang bersifat random atau stokastik merupakan kumpulan dari variabel random dalam urutan waktu. Setiap data time series yang kita punyai merupakan suatu data dari hasil proses statistik. Suatu data hasil proses random dikatakan stasioner jika memenuhi kriteria, yaitu: jika rata-rata data varian konstan sepanjang waktu dan kovarian antara dua data runtun waktu hanya tergantung dari kelambanan antara dua periode waktu tertentu (Widarjono, 2007:53).
Null Hypothesis: MUDH has a unit root Exogenous: Constant
Lag Length: 0 (Automatic - based on SIC, maxlag=10)
t-Statistic Prob.*
Augmented Dickey-Fuller test statistic -7.707846 0.0000
Test critical
values: 1% level -3.557472
5% level -2.916566
10% level -2.596116
*MacKinnon (1996) one-sided p-values.
Sumber : Data diolah, 2017
Dari output yang dihasilkan, terlihat bahwa nilai t-statistic sebesar -7,707846 lebih besar dari nilai t-statistic MacKinnon pada tingkat kepercayaan 1%, 5% dan 10%, serta nilai probabilitasnya sebesar 0,0000 (< 0,05). Dengan demikian data pembiayaan
mudharabah menunjukkan data stasioner.
Tabel 4.6 Hasil uji stasioneritas NPF
Null Hypothesis: NPF_GROSS has a unit root Exogenous: Constant
Lag Length: 0 (Automatic - based on SIC, maxlag=10)
t-Statistic Prob.*
Augmented Dickey-Fuller test
statistic -6.625772 0.0000 Test critical values: 1% level -3.557472 5% level -2.916566 10% level -2.596116
*MacKinnon (1996) one-sided p-values.
41
Dari output yang dihasilkan, terlihat bahwa nilai t-statistic sebesar -6,625772 lebih besar dari nilai t-statistic MacKinnon pada tingkat kepercayaan 1%, 5% dan 10%, serta nilai probabilitasnya sebesar 0,0000 (< 0,05). Dengan demikian data non performing financing (NPF) menunjukkan data stasioner.
Tabel 4.7 Hasil uji stasioneritas ROE
Null Hypothesis: ROE has a unit root Exogenous: Constant
Lag Length: 1 (Automatic - based on SIC, maxlag=10)
t-Statistic Prob.*
Augmented Dickey-Fuller test
statistic -5.297575 0.0000 Test critical values: 1% level -3.560019 5% level -2.917650 10% level -2.596689
*MacKinnon (1996) one-sided p-values.
Sumber : Data diolah, 2017
Dari output yang dihasilkan, terlihat bahwa nilai t-statistic sebesar -5,297575 lebih besar dari nilai t-statistic MacKinnon pada tingkat kepercayaan 1%, 5% dan 10%, serta nilai probabilitasnya sebesar 0,0000 (< 0,05). Dengan demikian data return on equity
Statistik deskriptif memberikan gambaran atau deskripsi suatu data yang dilihat dari nilai rata-rata (mean), standar deviasi, varian, maksimum, minimum, sum, range, kurtosis dan skewness (kemencengan distribusi) (Ghozali, 2013:19).
Tabel 4.8 Hasil Uji Deskriptif
Descriptive Statistics
N Minimum Maximum Mean Std. Deviation
Mudh 55 -1,0000 8,6643 ,3613 38 1,6393180 Npfgross 55 ,0000 ,3515 ,0391 78 ,0481469 ROE 55 -,3204 ,5798 ,0751 24 ,1198386 Valid N (listwise) 55
Sumber : Data diolah, 2017
Hasil statistik deskriptif menunjukkan bahwa jumlah data sampel yang digunakan dalam penlitian ini sebanyak 55 (N=55, data tahunan selama 5 tahun dari 11 Bank Umum Syariah). Hasil output menunjukkan bahwa nilai maksimum dari ketiga variabel yang diteliti pembiayaan mudharabah merupakan variabel yang memiliki nilai maksimum tertinggi dan NPF yang memiliki nilai maksimum terendah. Nilai maksimum ROE adalah sebesar 0,5798 yang merupakan perolehan dari Bank Umum Syariah.
43
3. Uji Asumsi Klasik
a) Uji multikolonieritas
Uji multikolinearitas digunakan untuk mengetahui ada tidaknya variabel independen yang memiliki kemiripan dengan variabel independen lain dalam satu model. Model regresi yang baik adalah tidak terjadi korelasi diantara variabel bebas. Untuk mendeteksi adanya multikolinearitas yaitu jika variance inflantion factor (VIF) tidak lebih dari 10 maka model terbebas dari multikolinearitas.
Tabel 4.8 Hasil Uji Multikolonieritas 1
Model Unstandardized Coefficients Standardized Coefficients Collinearity Statistics
B Std. Error Beta Tolerance VIF
(Constant) ,041 ,007
Mudh -,006 ,004 -,218 1,000 1,00
0
Sumber : Data diolah, 2017
Dari hasil output tersebut menunjukkan nilai VIF sebesar 1,0 berada dibawah 10 (<10), sehingga dapat dikatakan bahwa model tersebut bebas dari multikolonieritas.
Model Unstandardized Coefficients Standardized Coefficients Collinearity Statistics B Std. Error
Beta Tolerance VIF
1
(Constant) ,114 ,019
Mudh ,016 ,009 ,222 ,952 1,050
Npfgross -1,134 ,296 -,456 ,952 1,050
Sumber : Data diolah, 2017
Dari hasil output tersebut menunjukkan nilai VIF sebesar 1,05 berada dibawah 10 (<10), sehinggadapat dikatakan model bebas dari multikolonieritas.
b) Uji autokorelasi
Uji Autokorelasi bertujuan menguji apakah dalam model regresi linear ada korelasi antara kesalahan pengganggu pada periode t dengan kesalahan pengganggu periode t-1 (sebelumnya). Autokorelasi muncul karena observasi yang berurutan sepanjang waktu berkaitan satu sama lainnya. Masalah yang timbul karena residual (kesalahan pengganggu) tidak bebas dari satu observasi ke observasi lainnya Adapun pengujiannya dapat dilakukan dengan Uji Durbin-Watson (DW test) dengan ketentuan adanya intercept (konstanta) dalam model regresi dan tidak ada variabel lag diantara variabel independen (Ghozali, 2013:110-111).
45
Tabel 4.10 Hasil Uji Autokorelasi 1
Model Summaryb Model R R Square Adjusted R Square Std. Error of the Estimate Durbin- Watson 1 ,218a ,048 ,030 ,0474299 1,995
a. Predictors: (Constant), mudh b. Dependent Variable: npfgross
Sumber : Data diolah, 2017
Dari hasil pengujian tersebut nilai DW sebesar 1,995 lbih kecil dari nilai du 1,601. Memenuhi du < DW < 4-du yaitu 1,601<1,955<2,399 sehingga model ini bebas dari autokorelasi.
Tabel 4.11 Hasil Uji Autokorelasi 2
Model Summaryb Model R R Square Adjusted R Square Std. Error of the Estimate Durbin- Watson 1 ,284a ,081 ,042 1,70850 1,813
a. Predictors: (Constant), LNNpf1, LNMudh1 b. Dependent Variable: LNROE1
Sumber : Data diolah, 2017
Dari hasil pengujian tersebut nilai DW sebesar 1,813 lebih kecil dari nilai du 1,641. Memenuhi du < DW < 4-du yaitu 1,641<1,813<2,359 sehingga model ini bebas dari autokorelasi.
c) Uji Heteroskedastisitas
Uji Heteroskedastisitas bertujuan menguji apakah dalam model regresi terjadi ketidaksamaan variance dari
pengamatan ke pengamatan yang lain memiliki variansi dari residual yang sama atau tetap, maka hal ini disebut dengan homokedastisitas. Namun jika variansi berbeda, hal ini yang disebut dengan heteroskedastisitas.
Tabel 4.12 Hasil Uji Heteroskedastisitas 1
Model Unstandardized Coefficients Standardized
Coefficients
Sig.
B Std. Error Beta
(Constant) -,861 ,256 ,012
LNMudh1 -,056 ,104 -,199 ,607
Sumber : Data diolah, 2017
Dari tabel di atas, menunjukkan nilai probabilitas atau taraf signifikansi masing masing variabel adalah 0,607 > 0,05 sehingga pada model tersebut tidak mengalami gejala heteroskedastisitas.
Tabel 4.13 Hasil Uji Heteroskedastisitas 2
Model Unstandardized Coefficients Standardized Coefficients Sig. B Std. Error Beta (Constant) ,453 2,326 ,850 LNMudh1 ,329 ,195 ,554 ,126 LNNpf1 ,134 ,295 ,149 ,660
Sumber : Data diolah, 2017
Dari tabel di atas, menunjukkan nilai probabilitas atau taraf signifikansi masing masing variabel adalah 0,126 dan 0,660 > 0.05 sehingga pada model tersebut tidak mengalami gejala heteroskedastisitas.
47
d) Uji Normalitas
Uji normalitas bertujuan untuk menguji apakah dalam model regresi variabel pengganggu atau residual memiliki distribusi normal.Model regresi yang baik memiliki distribusi data normal atau mendekati normal.Untuk mendeteksi apakah variabel residual berdistribusi normal atau tidak yaitu dengan analisis grafik.Sedangkan normalitas suatu variabel umumnya dideteksi dengan grafik atau uji statistik (non-parametrik Kolmogorof-Smirnov (K-S). Suatu variabel dikatakan terdistribusi normal jika nilai signifikansinya > 0,05 .
Tabel 4.14 Hasil Uji Normalitas 1
One-Sample Kolmogorov-Smirnov Test
Unstandardized Residual N 46 Normal Parametersa,b Mean -,0067377 Std. Deviation ,02089143 Most Extreme Differences Absolute ,073 Positive ,073 Negative -,055 Kolmogorov-Smirnov Z ,496
Asymp. Sig. (2-tailed)
,967
a. Test distribution is Normal. b. Calculated from data.
Sumber : Data diolah, 2017
Dari tabel di atas, menunjukkan nilai Asymp. Sig. sebesar 0,967 berada diatas nilai alpha 0,05 (> 0,05). Sehingga pada model ini data terdistribusi normal.
Unstandardized Residual N 46 Normal Parametersa,b Mean ,0125085 Std. Deviation ,09712474 Most Extreme Differences Absolute ,198 Positive ,198 Negative -,121 Kolmogorov-Smirnov Z 1,341
Asymp. Sig. (2-tailed) ,055
a. Test distribution is Normal. b. Calculated from data.
Sumber : Data diolah, 2017
Dari tabel di atas, menunjukkan nilai Asymp. Sig. sebesar 0,55 berada diatas nilai alpha 0,05 (> 0,05). Sehingga pada model ini data terdistribusi normal.