BAB IV. ANALISIS HASIL PENELITIAN
2. Uji Asumsi Klasik
Salah satu syarat yang mendasari model regresi berganda dengan metode estimasi Ordinary Least Square (OLS) adalah terpenuhinya semua asumsi klasik, agar hasil pengujian bersifat tidak bias da efisien. Pengujian asumsi klasik dalam penelitian ini dilakaukan dengan bantuan program statistiki normalitas data, autokorelasi, heteroskedastisitas dan asumsi-asumsi klasik lainnya agar hasil pengujian tidak bersifat bias dan efisien. Menurut Ghozali (2005:123) asumsi klasik yang harus dipenuhi adalah berdistribusi normal, non-multikolinearitas, non-autokorelasi dan non-heteroskedasitas.
a. Uji Normalitas
Uji normalitas bertujuan untuk mengetahui apakah dalam model regresi, variabel pengganggu atau residual memiliki distribusi normal serta untuk menghindari bias dalam model regresi. Pengujian normalitas dalam penelitian ini menggunakan uji statistik non-parametrik Kolmogorov-Smirnov (K-S), dengan menbuat hipotesis:
H0 : Data residual berdistribusi normal Ha : Data residual tidak berdistribusi normal
Apabila signifikansi lebih besar dari 0.05 maka H0 diterima, sedangkan jika nilai signifikansi lebih kecil dari 0.05 maka H0 ditolak.
Tabel 4.2 Hasil Uji Normalitas
One-Sample Kolmogorov-Smirnov Test
66 66 66 66 66 4E+013 18,1209 1,4802 3,2736 2E+013 6E+013 5,78873 1,47851 3,36361 3E+013 ,281 ,078 ,135 ,190 ,216 ,281 ,078 ,122 ,190 ,207 -,242 -,050 -,135 -,165 -,216 2,285 ,633 1,094 1,546 1,753 ,000 ,818 ,183 ,017 ,004 N Mean Std. Deviation Normal Parametersa,b
Absolute Positive Negative Most Extreme Differences Kolmogorov-Smirnov Z Asymp. Sig. (2-tailed)
DPK CAR ROA NPL KREDIT
Test distribution is Normal. a.
Calculated from data. b.
Sumber: Hasil Pengolahan SPSS (2008)
Dari hasil pengolahan data tersebut, diperoleh bahwa variabel DPK, NPL dan Kredit tidak terdistribusi secara normal dan memiliki nilai signifikansi yang lebih kecil dari 0,05 (5%) yakni DPK 0,00; NPL 0,017; Kredit 0,004 ,sedangkan
variabel CAR dan ROA terdistribusi secara normal. Untuk itu data di-treatment
dengan menggunakan model log-log (Nachrowi, 2002:86), yaitu melakukan transformasi data ke model logaritma natural (LN_) dari Kredit = f(DPK, CAR, ROA, NPL) menjadi LN_Kredit = f(LN_DPK, LN_CAR, LN_ROA, LN_NPL). Kemudian data diuji ulang berdasarkan asumsi normalitas, berikut ini hasil pengujian dengan Kolmogorov-Smirnov:
Tabel 4.3
Hasil Uji Normalitas Setelah Transformasi Logaritma Natural
One-Sample Kolmogorov-Smirnov Test
66 66 63 65 66 30,3129 2,8443 ,2392 ,7819 29,8534 1,64675 ,33342 ,96131 ,95983 1,60927 ,106 ,097 ,152 ,070 ,095 ,093 ,079 ,071 ,041 ,076 -,106 -,097 -,152 -,070 -,095 ,860 ,786 1,204 ,565 ,772 ,450 ,567 ,110 ,908 ,590 N Mean Std. Deviation Normal Parametersa,b
Absolute Positive Negative Most Extreme Differences Kolmogorov-Smirnov Z Asymp. Sig. (2-tailed)
LN_DPK LN_CAR LN_ROA LN_NPL LN_KREDIT
Test distribution is Normal. a.
Calculated from data. b.
Sumber: Hasil Pengolahan SPSS (2008)
Dari tabel 4.4, dapat disimpulkan bahwa data dalam model regresi setelah dilakukan transformasi data dalam bentuk logaritma natural, terdistribusi secara normal. Masing-masing ditunjukkan dengan data debagai berikut:
- nilai signifikan DPK sebesar 0.450>0.05 maka Ho diterima. - nilai signifikan CAR sebesar 0.567>0.05 maka Ho diterima. - nilai signifikan ROA sebesar 0.110>0.05 maka Ho diterima. - nilai signifikan NPL sebesar 0.908>0.05 maka Ho diterima.
- nilai signifikan Kredit sebesar 0.590>0.05 maka Ho diterima.
Dengan demikian secara keseluruhan dapat disimpulkan bahwa nilai-nilai observasi data telah terdiatribusi secara normal dan dapat dilanjutkan dengan uji asumsi klasik lainnya. Untuk lebih jelas berikut ini turut dilampirkan grafik histogram dan plot data yang terdistribusi normal.
Regression Standardized Residual
2 1 0 -1 -2 -3 -4 Frequency 12.5 10.0 7.5 5.0 2.5 0.0 Histogram
Dependent Variable: LN_KREDIT
Mean =1.07E-14 Std. Dev. =0.967
N =62
Gambar 4.1 Histogram Sumber : Hasil Pengolahan SPSS (2008)
Dengan cara membandingkan antara data observasi dengan diatribusi yang mendekati distribusi normal, dari grafik di atas dapat disimpulkan bahwa distribusi data normal karena grafik histogram menunjukkan distribusi data
mengikuti garis diagonal yang tidak menceng (skewness) kiri maupun menceng kanan.
Demikian pula dengan hasil uji normalitas dengan menggunakan grafik plot berikut ini:
Gambar 4.2 Grafik Normal Plot Sumber : Hasil Pengolahan SPSS (2008)
Pada grafik normal plot terlihat titik-titik menyebar di sekitar garis diagonal serta penyebarannya agak mendekati dengan garis diagonal sehingga dapat disimpulkan bahwa data dalam model regresi terdistribusi secara normal.
Observed Cum Prob
1.0 0.8 0.6 0.4 0.2 0.0 1.0 0.8 0.6 0.4 0.2 0.0
Normal P-P Plot of Regression Standardized Residual
Dependent Variable: LN_KREDIT
Menurut Ghozali (2005:36), setelah melakukan uji normalitas, dapat dilakukan uji tambahan yaitu uji outlier. Uji ini berguna untuk melihat apakah ada data yang mempunyai nilai yang sangat menyimpang dari nilai data lainnya. Untuk melihat data yang outlier dapat dilakukan dengan mengkonversi nilai data ke dalam skor standardized atau yang biasa disebut z-score, dimana bila nilai z yang didapat lebih besar dari angka +2,5 atau lebih kecil dari angka -2,5 maka data tersebut outlier (Singgih, 2000:26). Data yang akan dideteksi normalitasnya adalah data yang sudah kita screening normalitasnya (Ghozali, 2005:36). Hasil dari standarisasi data dapat dilihat pada lampiran 3 dan dapat disimpulkan sebagai berikut:
Tabel 4.4 Nilai skor outlier
Observasi ZLN_ROA Observasi ZLN_NPL 49 3.45024 16 -2.66072
Sumber : Hasil Pengolahan SPSS (2008)
Untuk variabel ZLN_ROA dan ZLN_NPL masing-masing terdapat 1 observasi yang outlier. Setelah outlier teridentifikasi langkah berikutnya adalah tetap mempertahankan data outlier jika memang merupakan representasi dari populasi yang kita teliti atau membuang data outlier jika tidak menggambarkan observasi dalam populasi (Ghozali, 2005:38). Dalam hal ini, penulis tetap mempertahankan data outlier karena memang merupakan representasi dari data yang diteliti.
b. Uji Multikolinearitas
Ghozali (2005:91) menyatakan “uji ini bertujuan untuk menguji apakah model regresi ditemukan adanya korelasi yang kuat antar variabel bebas (independen)”.
Multikolinearitas menunjukkan ada tidaknya variabel independen yang memiliki hubungan yang kuat dengan variabel independen lain dalam model regresi, agar pengambilan keputusan pengaruh pada uji parsial masing-masing variabel independen tidak bias. Untuk mengetahui ada tidaknya multikolinearitas dapat dilihat dari nilai Variance Inflation Factor (VIF), apabila nilai VIF > 10 dan nilai tolerance < 0.1 maka terjadi multikolinearitas (Ghozali, 2005:92).
Tabel 4.5
Hasil uji Multikolinearitas Coefficients(a) Model Unstandardized Coefficients Standardized Coefficients t Sig. Collinearity Statistics B Std.
Error Beta Tolerance VIF
1 (Constant) 2,453 1,074 2,284 ,026
LN_DPK ,912 ,032 ,929 28,885 ,000 ,686 1,458
LN_CAR ,119 ,164 ,024 ,727 ,470 ,632 1,581
LN_ROA ,183 ,071 ,113 2,583 ,012 ,372 2,685
LN_NPL -,095 ,056 -,056 -1,706 ,093 ,647 1,546
a Dependent Variable: LN_KREDIT
Sumber: Hasil Pengolahan SPSS (2008)
Dari data pada tabel 4.5, dapat disimpulkan bahwa tidak terjadi multikolinearitas dengan dasar nilai VIF untuk setiap variabel independen tidak ada yang melebihi 10 dan nilai tolerance tidak ada yang kurang dari 0.1 , maka dapat dilakukan analisis lebih lanjut dengan menggunakan model regresi berganda.
c. Uji Autokorelasi.
Untuk mendeteksi ada atau tidaknya autokorelasi, dapat digunakan uji Durbin Watson. Hasil dari pengujian autokorelasi adalah sebagai berikut:
Tabel 4.6
Hasil Uji Autokorelasi Model Summary(b) Model R R Square Adjusted R Square Std. Error of the Estimate Durbin-Watson 1 ,960(a) ,940 ,937 ,32720 2,105
a Predictors: (Constant), LN_NPL, LN_DPK, LN_CAR, LN_ROA b Dependent Variable: LN_KREDIT
Sumber: Hasil Pengolahan SPSS (2008)
Hasil uji autokorelasi diatas menunjukkan nilai statistic Durbin-Watson (DW) sebesar 2,105 , nilai ini akan dibandingkan dengan nilai tabel Durbin-Watson dengan menggunakan signifikansi 5%, jumlah sampel 66 (n) dan jumlah variabel independen 4 (k=4), maka di tabel Durbin-Watson didapat nilai batas atas (du) 1,7318 dan nilai batas bawah (dl) 1,4756 . Oleh karena itu, nilai DW berada diantara batas atas (DU) dan 4-DU (1.7318 < 2.105 < 2.2682), berarti tidak ada autokorelasi.
d. Uji Heteroskedastisitas
Dalam penelitian ini, untuk mendeteksi ada tidaknya gejala heteroskedastisitas adalah dengan melihat plot grafik yang dihasilkan dari pengolahan data menggunakan program SPSS. Dasar pengambilan keputusannya adalah:
1) jika pola tertentu, seperti titik-titik yang teratur maka telah terjadi heteroskedastisitas,
2) jika tidak ada pola tertentu, serta titik-titik yang menyebar tidak tertentu diatas dan di bawah angka 0 pada sumbu Y, maka tidak terjadi heteroskedatisitas atau terjadi homokedastisitas.
Berikut ini dilampirkan grafik scatterplot untuk menganalisis apakah terjadi heteroskedastisitas atau terjadi homokedastisitas dengan mengamati penyebaran titik-titik pada gambar.
Regression Standardized Predicted Value
2 1 0 -1 -2 Re gre ssio n Stude ntized Re sidu al 2 1 0 -1 -2 -3 -4 Scatterplot
Dependent Variable: LN_KREDIT
Gambar 4.3
Hasil Uji Heteroskedastisitas Sumber: Hasil Pengolahan SPSS (2008)
Dari grafik scatterplot terlihat bahwa titik-titik menyebar secara acak serta tersebar baik diatas maupun di bawah angka 0 pada sumbu Y. Hal ini dapat disimpulkan bahwa tidak terjadi heteroskedastisitas pada model regresi. Dengan demikian, model ini layak dipakai untuk memprediksi jumlah volume kredit pada
perusahaan perbankan yang go public di Indonesia berdasarkan masukan variabel independen DPK, CAR, ROA dan NPL.
2. Analisis Regresi dan Uji Hipotesis a. Persamaan Regresi
Dalam pengolahan data dengan menggunakan regresi linear, dilakukan beberapa tahapan untuk mencari hubungan antara variabel dependen dengan variabel independen.
Tabel 4.7 Hasil Analisis Regresi Variabel Unstandarized
Coefficients (B)
T hitung Sig Keterangan
(Constant) 2,453 X1 0,912 28,885 0,000 Signifikan X2 0,119 0,727 0,470 Tidak Signifikan X3 0.183 2,583 0,012 Signifikan X4 -0.095 -1,706 0,093 Tidak Signifikan R = 0.960 Adjusted R Square = 0.937 F hitung = 338.081 Sig F = 0.000 α = 0.05 n = 66 t table, α= 5% = 1,999 F table, α = 5% = 2.534
Sumber : Data diolah penulis, 2008
Variabel dependen pada regresi ini adalah LN_Kredit (Y), sedangkan variabel
independen adalah LN_DPK(X1), LN_CAR(X2), LN_ROA(X3) dan LN_NPL
(X4). Berdasarkan penjelasan dari pengujian asumsi klasik sebelumnya, model regresi dalam penelitian ini telah diubah menjadi model logaritma natural,
sehingga beta dan koefisien dari penelitian ini dapat disimpulkan dalam bentuk logaritma natural.
Model regresi berdasarkan hasil analisis di atas adalah: Y = 2,453 + 0,912 X1 + 0,119 X2 + 0.183 X3 - 0,095 X4 + e
Pada persamaan tersebut menunjukkan angka yang signifikan pada variabel
LN_DPK(X1) dan LN_ROA(X3), sedangkan untuk variabel LN_CAR(X2) dan
LN_NPL (X4), tidak menunjukkan angka yang signifikan. Adapun interpretasi
dari persamaan di atas adalah: 1. βo = 2,453
Nilai konstanta ini menunjukkan bahwa apabila tidak ada variabel LN_DPK,
LN_CAR, LN_ROA dan LN_NPL (X1=X2=X3=X4=0), maka volume kredit yang
diberikan adalah 2,453. 2. β1 = 0,912
Koefisien regresi b1 ini menunjukkan bahwa setiap variabel LN_DPK meningkat satu satuan, maka volume kredit akan bertambah 0,912 atau 91,2% dengan asumsi variabel lain dianggap tetap (CAR,ROA dan NPL =0) atau ceteris paribus.
3. β2 = 0,119
Nilai parameter atau koefisien regresi b2 menunjukkan bahwa setiap variabel
LN_CAR meningkat satu satuan, maka volume kredit akan meningkat sebesar 0,119 atau 11,9% dengan asumsi variabel lainnya tetap atau sama dengan nol. 4. β3 = 0.183
satu satuan, maka volume kredit akan bertambah 0,183 atau 18,3% dengan asumsi variabel lain dianggap tetap.
5. β4 = -0.095
Koefisien regresi b4 ini menunjukkan bahwa setiap variabel LN_NPL meningkat satu satuan, maka volume kredit akan menurun sebesar 0,095 atau 9,5% dengan asumsi variabel lainnya dianggap tetap atau sama dengan nol.
Angka koefisien korelasi (R) sebesar 0.960 menunjukkan bahwa korelasi atau hubungan antara variabel volume kredit dengan variabel independennya sangat kuat, definisi korelasi kuat ini didasarkan pada nilai R berada di atas 0.5 dan mendekati 1.0
Angka koefisien determinasi (Adjusted R Square) adalah 0.937 ,hal ini berarti 93,7% variasi dari volume kredit bisa dijelaskan oleh variasi keempat variabel independen, sedangkan sisanya sebesar 6,3% dijelaskan oleh variasi atau faktor lain.
Hasil uji ANOVA atau F Test didapat F hitung sebesar 338.081 dengan signifikansi 0.000 dan F tabel yang diperoleh melalui perhitungan Microsoft excel FINV (0,05;4;57) adalah 2,534. Dari hasil uji statistik dapat disimpulkan Fhitung > Ftabel dan signifikansi jauh lebih kecil dari 0.05 , maka model regresi dalam penelitian ini dapat dipakai untuk memprediksi volume kredit. Selain itu, bisa disimpulkan bahwa variabel independen LN_DPK, LN_CAR, LN_ROA dan LN_NPL secara bersama-sama berpengaruh terhadap volume kredit.
b. Uji Hipotesis
Ha : Faktor internal bank (dana pihak ketiga, capital adequacy ratio, return on asset dan non performing loan) baik secara parsial maupun simultan berpengaruh terhadap volume kredit pada bank yang go public di Indonesia.
Ho : Faktor internal bank (dana pihak ketiga, capital adequacy ratio, return on asset dan non performing loan) baik secara parsial maupun simultan tidak berpengaruh terhadap volume kredit pada bank yang go public di Indonesia.
Untuk mengetahui apakah variabel independen dalam model regresi mempunyai pengaruh yang nyata atau signifikan terhadap variabel dependen, dilakukan pengujian dengan menggunakan uji t (T test). Menurut Ghozali (2005:84) “uji statistik t pada dasarnya menunjukkan seberapa jauh pengaruh satu variabel penjelas atau independen secara individual menerangkan variabel independen”.
Adapun kriteria pengujiannya yaitu:
Ho diterima jika t hitung < t tabel dan signifikansi > 0,05 Ha diterima jika t hitung > t tabel dan signifikansi < 0,05
Hasil t tabel yang diperoleh melalui perhitungan di Microsoft excel (TINV) adalah 1,999 .Pada tabel 4.10 dapat dilihat bahwa variabel LN_DPK (X1) dan LN_ROA (X3) memiliki nilai t hitung > t tabel (28,885>1,999 dan 2,583>1,999) dengan signifikansi 0,000 dan 0,012 yang lebih kecil dari 0,05 artinya variabel DPK dan ROA berpengaruh signifikan secara parsial terhadap volume kredit. Sedangkan variabel LN_CAR (X2) dan LN_NPL (X4) memiliki nilai thitung < ttabel (0,727<1,999 dan 1,706<1,999) dengan signifikansi 0,470 dan 0,093 yang
lebih besar dari 0,05 artinya variabel CAR dan NPL tidak berpengaruh signifikan secara parsial terhadap volume kredit.
Tabel 4.8 Hasil uji t Model Unstandardized Coefficients Standardized Coefficients t Sig. Collinearity Statistics B Std.
Error Beta Tolerance VIF
1 (Constant) 2,453 1,074 2,284 ,026
LN_DPK ,912 ,032 ,929 28,885 ,000 ,686 1,458
LN_CAR ,119 ,164 ,024 ,727 ,470 ,632 1,581
LN_ROA ,183 ,071 ,113 2,583 ,012 ,372 2,685
LN_NPL -,095 ,056 -,056 -1,706 ,093 ,647 1,546
Sumber : Hasil pengolahan SPSS (2008)
Selanjutnya untuk mengetahui apakah semua variabel independen dalam model regresi ini mempunyai pengaruh signifikan secara simultan atau tidak terhadap volume kredit dilakukan uji F (F test). Menurut Ghozali (2005:84), “uji statistik F pada dasarnya menunjukkan apakah semua variabel independen yang dimasukkan dalam model regresi mempunyai pengaruh secara bersama-sama terhadap variabel dependen”.
Kriteria pengujiannya yaitu:
Ho diterima jika Fhitung < Ftabel dan signifikansi > 0,05 Ha diterima jika Fhitung > Ftabel dan signifikansi < 0,05
Hasil F tabel yang diperoleh melalui perhitungan di Microsoft excel (FINV) adalah 2,534 .Dari tabel 4.10 dapat dilihat bahwa Fhitung > Ftabel (338,081>2,534) dan signifikansi <0,05 maka Ha diterima dan Ho ditolak . Hal ini berarti variabel DPK, CAR, ROA dan NPL secara simultan mempengaruhi volume kredit.
Tabel 4.9 Hasil uji F ANOVAb 144,781 4 36,195 338,081 ,000a 6,102 57 ,107 150,883 61 Regression Residual Total Model 1 Sum of
Squares df Mean Square F Sig.
Predictors: (Constant), LN_NPL, LN_DPK, LN_CAR, LN_ROA a.
Dependent Variable: LN_KREDIT