BAB IV ANALISIS HASIL PENELITIAN
3. Uji Asumsi Klasik
Dari grafik histogram terlihat bahwa pola distribusi yang menceng dan tidak normal dan pada grafik normal probability plot menggambarkan titik – titik yang menyebar menjauh dari garis diagonal. Kedua grafik ini menunjukkan bahwa normalitas data tidak terpenuhi. Hasil uji normalitas dengan grafik terkadang bisa menyesatkan karena kelihatannya distribusinya normal, padahal secara statistik bisa sebaliknya. Normalitas data dapat dilihat dari grafik histogram dan normal probability plot yang ditunjukkan gambar 4.1 dan 4.2 berikut:
Gambar 4.1 Grafik Histogram (1) Sumber: hasil pengolahan data dengan SPSS, 2010
Gambar 4.2
Normal Probability Plot (1) Sumber: hasil pengolahan data dengan SPSS, 2010
Normalitas data diuji secara statistik dengan menggunakan uji Kolmogorov Smirnov yang terdapat pada tabel 4.2 berikut:
Tabel 4.2
Uji Kolmogorov Smirnov
One-Sample Kolmogorov-Smirnov Test
LDR NPL ROA BOPO CAR
N 76 76 76 76 76
Normal Parametersa Mean .680763 .035722 .006601 .897201 .162446
Std. Deviation .1919916 .0353953 .0624822 .1548138 .0710636
Most Extreme Differences Absolute .109 .189 .407 .161 .139
Positive .109 .189 .278 .161 .096
Negative -.100 -.166 -.407 -.066 -.139
Kolmogorov-Smirnov Z .949 1.651 3.550 1.404 1.214
Asymp. Sig. (2-tailed) .329 .009 .000 .039 .105
a. Test distribution is Normal.
Sumber: hasil pengolahan data dengan SPSS, 2010
Dari hasil uji Kolmogorov Smirnov, dapat diketahui bahwa nilai sigifikansi dari variabel LDR dan CAR dengan probalilitas signifikansi masing – masing 0,329; 0,105 yang nilainya > 0,05. Hal tersebut menunjukan bahwa variabel LDR dan CAR berdistribusi normal. Sedangkan variabel NPL, ROA dan BOPO dengan probabilitas signifikansi masing – masing 0,009; 0,000; 0,039 yang nilainya < 0,05. Hal ini berarti hipotesis nol ditolak atau variabel NPL, ROA dan BOPO tidak terdistribusi secara normal.
Untuk memperoleh data yang berdistribusi secara normal, dilakukan transformasi data menjadi bentuk LN. Setelah dilakukan transformasi
data, maka hasil uji normalitas dapat dilihat pada grafik histogram, normal probability plot, dan tabel Kolmogorov Smirnov sebagai berikut:
Gambar 4.3
Grafik Histogram setelah transformasi data (LN) (2) Sumber: hasil pengolahan data dengan SPSS, 2010
Gambar 4.4
Normal Probability Plot setelah transformasi data (LN) (2) Sumber: hasil pengolahan data dengan SPSS, 2010
Grafik histogram setelah transformasi data memperlihatkan pola distribusi yang mendekati normal. Titik – titik yang menyebar di sekitar garis diagonal dan mengikuti arah garis diagonal pada normal probability plot juga menunjukkan bahwa data berdistribusi normal.
Tabel 4.3
Uji Kolmogorov Smirnov setelah transformasi data (LN)
One-Sample Kolmogorov-Smirnov Test
LN_LDR LN_NPL LN_ROA LN_BOPO LN_CAR
N 76 76 72 76 75
Normal Parametersa Mean -.4326 -3.7316 -4.5636 -.1215 -1.8387
Std. Deviation .33379 .92782 .98821 .15892 .32482 Most Extreme Differences Absolute .132 .069 .144 .126 .076 Positive .098 .056 .072 .126 .067 Negative -.132 -.069 -.144 -.072 -.076 Kolmogorov-Smirnov Z 1.149 .598 1.219 1.099 .661
Asymp. Sig. (2-tailed) .143 .867 .102 .179 .774
a. Test distribution is Normal.
Sumber: hasil pengolahan data dengan SPSS, 2010
Dari hasil uji normalitas yang diperoleh melalui grafik histogram, normal probability plot, dan Kolmogrov Smirnov, variabel LDR, NPL, ROA, BOPO dan CAR telah berdistribusi secara normal. Tindakan perbaikan yang dilakukan dalam penelitian ini agar model regresi memenuhi asumsi normalitas, yakni dengan menggunakan transformasi seluruh variabel penelitian ke dalam fungsi logaritma natural atau LN, menghasilkan nilai signifikansi LN_LDR 0,143; LN_NPL 0,867;, LN_ROA 0,102; LN_BOPO 0,179; dan LN_CAR 0,774. Transformasi
data dalam bentuk LN menyebabkan variabel LN_LDR, LN_NPL, LN_ROA, LN_BOPO dan LN_ CAR memiliki nilai signifikansi > 0,05. Hal ini menunjukkan bahwa variabel terdistribusi secara normal, dan hasil pengujian statistik Kolmogorov Smirnov ini sejalan dengan hasil pengujian grafik yang menggambarkan data terdistribusi secara normal.
b. Multikolinearitas
Uji multikolinearitas dengan melihat nilai tolerance dan VIF menunjukan hasil seperti pada tabel 4.4 berikut:
Tabel 4.4 Uji Multikolinearitas Coefficientsa Model Unstandardized Coefficients Standardized Coefficients t Sig. Collinearity Statistics
B Std. Error Beta Tolerance VIF
1 (Constant) -.909 .380 -2.394 .019
LN_LDR .031 .111 .034 .283 .778 .776 1.288
LN_NPL .021 .044 .059 .471 .639 .703 1.422
LN_ROA .178 .049 .557 3.607 .001 .458 2.185
LN_BOPO .036 .340 .015 .107 .915 .523 1.912
a. Dependent Variable: LN_CAR
Sumber: hasil pengolahan data dengan SPSS, 2010
Tabel 4.4 di atas memperlihatkan bahwa penelitian ini bebas dari adanya multikolinearitas. Hal ini bisa dilihat dengan membandingkan nilai tolerance dan VIF. Masing – masing variabel bebas yang digunakan dalam penelitian ini memiliki nilai tolerance yang lebih besar dari 0,01
yaitu untuk LN_LDR nilai tolerance 0,776; LN_NPL nilai tolerance 0,703; LN_ROA nilai tolerance 0,458; LN_BOPO nilai tolerance 0,523. Jika dilihat dari VIF-nya, bahwa masing – masing variael bebas lebih kecil dari 10, yaitu untuk VIF LN_LDR sebesar 1,288; VIF LN_NPL sebesar 1422; VIF LN_ROA sebesar 2,185; VIF LN_BOPO sebesar 1,912. Dengan demikian dapat disimpulkan bahwa tidak terjadi gejala multikolinearitas dalam variabel bebasnya.
c. Heteroskedastisitas
Dari grafik scatterplot terlihat bahwa titik – titik menyebar secara acak dengan tidak adanya pola yang jelas serta tersebar baik diatas maupun dibawah angka 0 pada sumbu Y. Dengan demikian, dapat disimpulkan bahwa tidak terjadi heterokedastisitas sehingga model ini layak dipakai untuk mengetahui pengaruh terhadap kecukupan modal perbankan yang terdaftar di Bursa Efek Indonesia berdasarkan masukan variabel independen yaitu Loan to Deposit Ratio (LDR), Non Performing Loan (NPL), Return On Assets (ROA), dan Biaya Operasional Pendapatan Operasional (BOPO). Ada tidaknya heterokedastisitas pada penelitian ini dapat dilihat dari grafik scatterplot pada gambar 4.5 berikut ini:
Gambar 4.5 Grafik Scatterplot
Sumber: hasil pengolahan data dengan SPSS, 2010
d. Autokorelasi
Hasil uji Autokorelasi pada penelitian ini dapat dilihat pada tabel 4.5 berikut ini:
Tabel 4.5 Uji Autokorelasi
Model Summaryb
Model R R Square Adjusted R Square
Std. Error of the
Estimate Durbin-Watson
1 .518a .268 .224 .27797 2.307
a. Predictors: (Constant), LN_BOPO, LN_LDR, LN_NPL, LN_ROA
b. Dependent Variable: LN_CAR
Dari tabel di atas diketahui bahwa nilai DW sebesar 2,307. Nilai ini akan dibandingkan dengan nilai tabel dengan menggunakan nilai signifikansi 0,05 (5%), jumlah sampel 72 (n) dan jumlah variabel independen 4 (k=4). Dari tabel Durbin Watson didapat nilai batas atas (du) 1,7398 dan nilai batas bawah (dl) 1,5188, dan 4-du = 2,2602. Nilai DW lebih besar dari du dan tidak lebih kecil dari 4 – du (1,7398 < 2,307 > 2,2602), sehingga diduga terjadinya autokorelasi.
Untuk memperoleh data yang bebas dari autokorelasi, dilakukan transformasi data menjadi bentuk LAG. Transformasi data dalam bentuk LAG, yakni menambah variabel LAG sebagai variabel bebas, yang kemudian akan di regresi lagi agar mengurangi nilai DW-nya. Setelah dilakukan transformasi data, maka hasil uji autokorelasi dapat dilihat pada tabel 4.6 sebagai berikut:
Tabel 4.6
Uji Autokorelasi setelah tranformasi (LAG)
Model Summaryb
Model R R Square Adjusted R Square
Std. Error of the
Estimate Durbin-Watson
1 .520a .270 .214 .27897 2.164
a. Predictors: (Constant), LAG_CAR, LN_NPL, LN_LDR, LN_BOPO, LN_ROA
b. Dependent Variable: LN_CAR
Sumber: hasil pengolahan data dengan SPSS, 2010
Dari tabel di atas diketahui bahwa nilai DW setelah di trasformasi dalam bentuk LAG sebesar 2,164. Nilai ini akan dibandingkan dengan nilai tabel dengan menggunakan nilai signifikansi 0,05 (5%), jumlah sampel 71 (n) dan jumlah variabel independen 5 (k=5). Dari tabel
Durbin Watson didapat nilai batas atas (du) 1,7684 dan nilai batas bawah (dl) 1,468, dan 4-du = 2,2316. Nilai DW lebih besar dari du dan lebih kecil dari 4–du (1,7398 < 2,164 < 2,2316), sehingga dapat disimpulkan bahwa variabel bebas dari autokorelasi.
Dengan demikian, dari hasil seluruh pengujian asumsi klasik dapat disimpulkan bahwa model regresi yang dipakai dalam penelitian ini telah memenuhi estimasi yang Best Linear Unbiased Estimator (BLUE) dan layak dilakukan analisis statistik selanjutnya untuk memprediksi kecukupan modal perbankan yang terdaftar di Bursa Efek Indonesia berdasarkan masukan variabel independen LDR, NPL dan ROA.
4. Pengujian Hipotesis