BAB IV HASIL DAN PEMBAHASAN PENELITIAN
2. Uji Asumsi Klasik
Data yang digunakan adalah data sekunder, untuk menentukan ketepatan model perlu dilakukan beberapa tahap pengujian yaitu dengan uji asumsi klasik
Dalam Miliaran Rupiah Tahun 2010 2011 2012 2013 2014 2015 Bulan Januari 16.919 23.160 28.892 40.119 52.007 63.623 Februari 17.317 23.283 29.347 40.952 52.554 63.833 Maret 17.932 23.755 29.542 42.959 54.081 65.858 April 18.565 23.900 30.745 44.314 56.633 67.060 Mei 19.181 24.473 31.757 45.911 57.923 68.939 Juni 20.013 25.844 33.202 47.686 59.960 68.939 Juli 20.501 26.187 33.345 49.278 61.298 Agustus 21.530 27.120 34.231 49.182 61.630 September 21.597 27.399 35.840 50.079 62.966 Oktober 22.354 27.919 36.645 51.585 62.998 November 23.248 28.412 37.714 52.558 64.313 Desember 23.255 29.189 39.690 53.499 63.741
yang meliputi : Uji normalitas, Uji Multikolinieritas, Uji Heteroskedastisitas, Uji
Autokorelasi yang secara rinci dapat dijelaskan sebagai berikut : a. Uji Normalitas
Sebelum melakukan uji statistik langkah awal yang harus dilakukan adalah penyaringan (screening) terhadap data yang akan diolah. Uji normalitas bertujuan untuk menguji apakah nilai residual yang telah di standari berdistribusi normal atau tidak. Nilai residual dikatakan berdistribusi normal jika nilai residual terstandarisasi tersebut sebagian besar mendekati nilai rata – rata yang sudah ditentukan.
Untuk menguji normalitas data peneliti menggunakan dua pengujian yaitu Uji Kolmorogov – Smirnov dan Uji normal P-Plot. Adapun ketentuan pengujian ini adalah : jika nilai probabilitas atau Asymp. Sig. (2- tailed) lebih besar dari level of significant (α = 5%) maka data berdistribusi normal. Sedangkan ketentuan untuk uji Normal P-P Plots
yaitu jika gambar distribusi dengan titik-titik data menyebar di sekitar garis diagonal dan penyebaran titik-titik data searah mengikuti garis diagonal maka data pada variabel yang digunakan dinyatakan berdistribusi normal. Uji normal P-Plot dapat dilihat pada gambar 4.1 sebagai berikut :
Berdasarkan Gambar 4.1 diatas, dapat disimpulkan bahwa titik-titik menyebar di sekitar garis diagonal oleh karena itu berdasarkan Uji normalitas bahwa analisis model regresi layak digunakan dan cukup memenuhi asumsi normalitas. Agar tidak berbeda pendapat dalam menginterprestasikan uji normal
P-Plot, maka peneliti menggunakan Uji Kolmorogov – Smirnov agar mendapatkan hasil yang akurat, uji tersebut sebagai berikut :
Tabel 4.7 Uji One-Sample Kolmorogov – Smirnov
Berdasarkan Tabel 4.7 di atas uji normalitas data dengan One-Sample Kolmogorov-Smirnov Test diperoleh angka probabilitas atau Asymp. Sig. (2-tailed)
Pembiayaan
Basil DPK FDR NPF
BI
RATE SBIS
N 66 66 66 66 66 66
Normal Parametersa Mean
4.5621182 5.08921 45E0 - 1.33993 12E-2 - 1.46052 03E0 .000000 0 3.68033 11E0 Std. Deviation 18685818 .196365 51 .019791 29 .097718 90 .960768 92 .177772 59 Most Extreme Differences Absolute .120 .132 .124 .138 .121 .101 Positive .097 .102 .124 .138 .121 .061 Negative -.120 -.132 -.094 -.091 -.069 -.101 Kolmogorov-Smirnov Z 973 1.074 1.011 .1.119 .981 .821
Asymp. Sig. (2-tailed) .300 .199 .258 .164 .291 .511
variabel Pembiayaan Mudharabah & Musyarakah sebesar 0,300. Nilai tersebut lebih besar apabila dibandingkan dengan taraf signifikansi(α = 5%) yaitu (0,135 >
0,05) sehingga distribusi data adalah normal. Demikian juga dengan variabel DPK, FDR keduanya berdistribusi normal yaitu DPK (0,199 > 0,05) dan FDR (0,258 > 0,05). Sedangkan variabel NPF, BI Rate dan SBIS ketiganya berdistribusi normal yaitu NPF (0,164 > 0,05), BI Rate (0,291 > 0,05), dan SBIS (0,511 > 0,05).
Kesimpulan Berdasarkan uji normalitas data dengan One-Sample Kolmogrov-Smirnov setelah dilakukan bahwa nilai Asymp. Sig. (2-tailed) masing- masing variabel lebih besar dari taraf signifikansi (α = 5%) sehingga distribusi data dari keseluruhan variabel adalah normal.
b. Uji Multikolinieritas
Uji asumsi klasik yang harus dipenuhi selanjutnya adalah bahwa model persamaan regresi tidak terjadi korelasi yang signifikan antar variable bebasnya atau dalam statistiknya tidak terjadi mutikolinieritas, pada uji miltikolinieritas peneliti menggunakan dua uji yaitu : Uji mutikolinieritas
dengan uji VIF (Variance Inflation Factor) dan Tolerance dan Uji Korelasi.
Syarat dengan Uji VIF tolerance dapat dilihat dari nilai Tolerance < 0,10 atau sama dengan nilai VIF > 10, sedangkan syarat untuk uji korelasi
dapat dilihat dari Pearson Correlation jika diatas 0,85 maka di duga terjadi miltikolinieritas78, adapun Uji korelasi sebagai berikut :
Tabel 4.8 Deteksi Multikolinearitas Dengan Uji Korelasi Correlations DPK FDR NPF BI RATE SBIS DPK Pearson Correlation 1 .405** -.089 .400** .741** Sig. (2-tailed) .001 .476 .001 .000 N 66 66 66 66 66 FDR Pearson Correlation .405** 1 -.324** -.014 -.160 Sig. (2-tailed) .001 .008 .909 .199 N 66 66 66 66 66 NPF Pearson Correlation -.089 -.324** 1 .663** .031 Sig. (2-tailed) .476 .008 .000 .805 N 66 66 66 66 66
BI RATE Pearson Correlation .400** -.014 .663** 1 .420**
Sig. (2-tailed) .001 .909 .000 .000
N 66 66 66 66 66
SBIS Pearson Correlation .741** -.160 .031 .420** 1
Sig. (2-tailed) .000 .199 .805 .000
N 66 66 66 66 66
**. Correlation is significant at the 0.01 level (2-tailed).
Pada Tabel 4.8 menunjukan bahwa nilai korelasi pearson pada variabel DPK dengan FDR sebesar 0,405, DPK dengan NPF sebesar -0,089 dan nila
korelasi pearson terbesar dan terkecil adalah DPK dengan SBIS sebesar 0,741 dan NPF dengan FDR yaitu -0,324. Sedangkan korelasi pearson antara variabel satu
78Agus widarjono, “analisis statistika multivariate terapan” (Yogyakarta: sekolah tinggi ilmu manajemen, 2010) h.77
dengan lainnya terlihat memiliki nilai dibawah 0,85. Sehinggga dapat disimpulkan tidak terjadi multikorelasi antar variable bebas.
Tabel 4.9
Deteksi Multikolinearitas
dengan VIF (Variance Inflation Factor) dan Tolerance Coefficientsa Model Unstandardized Coefficients Standardized Coefficients T Sig. Collinearity Statistics
B Std. Error Beta Tolerance VIF
1 (Constant) 8.580 .163 52.480 .000 DPK 7.491E-6 .000 .937 43.883 .000 .164 6.113 FDR .769 .159 .078 4.830 .000 .283 3.536 NPF -.597 .726 -.011 -.823 .414 .410 2.441 BI RATE 2.702 .897 .044 3.010 .004 .351 2.852 SBIS 1.960E-6 .000 .009 .475 .636 .197 5.071
a. Dependent Variable: log_Y
Berdasarkan Tabel 4.9 nilai VIF (Variance Inflation Factor) dan
Tolerance dari setiap variabel independen memiliki nilai kurang dari 10 sehingga dapat disimpulkan bahwa tidak ada masalah multikolinieritas. Begitu pula bila menggunakan angka tolerance diduga tidak ada multikolinieritas walaupun mungkin perlu waspada karena angka tolerance nilainya sekitar 0,164 yang tentu angka mendekati 0.
c. Uji Heteroskedasitas
Heteroskedasitas berarti ada varian variable pada model regresi yang tidak sama (konstan). Sebaliknya, jika varian variable pada model regresi memiliki nilai yang sama (konstan) maka disebut dengan
homoskedastisitas. Yang diharapkan pada model regresi adalah yang
homoskedastisitas
Untuk mendeteksi apakah variabel tersebut terdapat
heteroskedasitas didalam regresi peneliti menggunakan beberapa uji deteksi diataranya dengan uji Glejser dan uji scatterplot, uji Glejser
dilakukan dengan meregresikan semua variabel bebas terhadap nilai mutlak residualnya. Jika terdapat pengaruh variabel bebas yang signifikan terhadap nilai mutlak residualnya maka dalam model terdapat masalah heteroskedasitas79, nilai signifikan untuk uji Glejser minimal sebesar 5% jika di bawah 5% terdapat heteroskedasitas.
Sedangkan untuk syarat dari uji scatterplot adalah harus memiliki pola scatterplot yang menyebar secara acak hal tersebut menandakan tidak terjadi masalah heteroskedasitas, begitu juga sebaliknya jika pola
scatterplot membentuk pola tertentu (tidak menyebar) maka terjadi masalah heteroskedasitas. Untuk uji scatterplot dapat dilihat gambar 4.2
Gambar 4.2 Uji Scatterplot Heteroskedasitas
79
Suliyanto, ekonometrika terapan teori dan aplikasi dengan spss, Yogyakarta :penerbit CV Andi, 2011, h. 98
Dari Gambar 4.2 dapat disimpulkan bahwa plot yang menyebar diatas maupun dibawah angka nol tidak menbentuk pola tertentu yang jelas pada sumbu
Regression standadized Residual. Oleh karena itu maka berdasarkan uji heteroskedasitas menggunakan analis grafik pada model regresi yang berbentuk, dinyatakan tidak terjadi gejala heteroskedasitas.
Tabel 4.10 Deteksi Heteroskedasitas dengan Uji Glejser Coefficientsa Model Unstandardized Coefficients Standardized Coefficients T Sig. B Std. Error Beta 1 (Constant) .177 .057 3.088 .003 DPK -.029 .012 -.707 -2.387 .121 FDR .065 .086 .168 .756 .453 NPF -.029 .019 -.331 -1.534 .131 BI RATE .074 .038 .415 1.967 .054 SBIS .008 .013 .164 .626 .534
a. Dependent Variable: ABRESID
Dari Tabel 4.10 menunjukkan tidak ada gangguan heteroskedastisitas yang terjadi dalam proses estimasi parameter model penduga, dimana tidak ada nilai t hitung yang signifikan atau nilai signifikan (sig) lebih dari 0,05 (p>0,05). Jadi secara keseluruhan dapat disimpulkan bahwa tidak ada masalah
heteroskedastisitas.
d. Uji Autokorelasi
Uji autokorelasi bertujuan untuk mengetahui apakah ada korelasi antara anggota serangkaian data observasi yang diuraikan menurut waktu
(time - series) atau ruang (cross section). Untuk mengetahui adanya
autokorelasi dalam suatu model regresi peneliti menggunakan uji Durbin – Watson dan uji LM - Test adapun uji tersebut sebagai berikut :
Tabel 4.11 Deteksi Autokorelasi dengan uji Durbin – Watson
Berdasarkan Tabel 4.11 dapat dilihat bahwa nilai Durbin Watson pada model summary adalah sebesar 0,486. Berdasarkan pedoman pengujian Durbin Watson atau nilai D-W (Santoso, 2001) maka hasil analisis menunjukkan bahwa angka D-W sebesar + 0,486 berada diantara -2 dan +2 sehingga terbebas dari autokorelasi.
Tabel 4.12 Deteksi Autokorelasi dengan uji LM – Test
Model Summaryb
Model R R Square Adjusted R Square
Std. Error of the Estimate
1 .999a .998 .998 .0185907
a. Predictors: (Constant), ut_1, DPK, NPF, FDR, BI RATE, SBIS b. Dependent Variable: log_Y
Pada output di atas terlihat bahwa nilai R2 ini digunakan sebagai dasar untuk menghitung nilai X2 hitung dengan rumus X2 hitung dengan rumus X2 = (n- 1) * R2. Jika nilai X2 hitung ≤ X2 tabel, hal ini menunjukan tidak terjadi masalah
autokorelasi.
Model Summaryb
Model R R Square Adjusted R Square
Std. Error of the
Estimate Durbin-Watson
1 .998a .996 .995 .0299706 .486
a. Predictors: (Constant), SBIS, NPF, FDR, BI RATE, DPK b. Dependent Variable: log_Y
Dari Tabel 4.12 diatas dapat disimpulkan bahwa nilai R2 = 0,998 dan jumlah pengamatan = 66, maka X2 hitung sebesar : (65 * 0,998) = 64,870 sedangkan nilai X2 tabel dengan df : (65;0,05) = 84.820 Karena nilai X2 (64,870) < X2 tabel (84.820), maka model persamaan regresi tidak mengandung masalah
autokorelasi. Hasil uji autokorelasi antara Durbin – Watson dengan Uji
Langrange Multiplier (LM – Test) memberikan kesimpulan yang sama.
3. Uji Regresi berganda faktor internal