BAB IV HASIL PENELITIAN
4.1 Hasil Penelitian
4.1.4 Uji Asumsi OLS
Uji normalitas dilakukan untuk mengetahui apakah dalam model regresi, variabel residual atau pengganggu memiliki distribusi normal atau tidak. Seperti yang diketahui bahwa dalam uji t dan uji F mengasumsikan bahwa residual mengikuti distribusi normal. Jika asumsi ini tidak terpenuhi maka hasil uji statistik menjadi tidak valid khususnya untuk ukuran sampel kecil (Ghozali dan Ratmono, 2017). Uji normalitas residual yang banyak dilakukan adalah dengan uji Jarque-Bera. Nilai JB dapat diketahui signifikansinya dengan menguji hipotesis. Hipotesis yang digunakan adalah sebagai berikut:
H0 : Residual terdistribusi normal H1 : Residual tidak terdistribusi normal
Hasil uji normalitas disampaikan Gambar 4.1 dan 4.2 berikut ini. 0 2 4 6 8 10 12 -1.5 -1.0 -0.5 0.0 0.5 1.0 1.5
Series: Standardized Residuals Sample 2009 2018 Observations 70 Mean 5.32e-16 Median 0.013980 Maximum 1.521788 Minimum -1.544982 Std. Dev. 0.721125 Skewness -0.272123 Kurtosis 2.801257 Jarque-Bera 0.979135 Probability 0.612892
Gambar 4.1 Hasil Uji Normalitas Sub Sektor Bank Sumber: data diolah dari output Eviews 9 (2020)
Gambar 4.1 menunjukkan hasil uji normalitas untuk sub sektor bank dengan nilai probabilitas 0.612892 > 0.05. Nilai tersebut menunjukkan bahwa H0 diterima yang berarti bahwa nilai residual terdistribusi normal dan dapat dikatakan bahwa model regresi terdistribusi secara normal. 0 2 4 6 8 10 12 14 -5 -4 -3 -2 -1 0 1 2 3 4 5
Series: Standardized Residuals Sample 2009 2018 Observations 70 Mean -8.60e-16 Median -0.540891 Maximum 4.960629 Minimum -4.937581 Std. Dev. 2.205729 Skewness 0.450278 Kurtosis 2.927594 Jarque-Bera 2.380714 Probability 0.304113
Gambar 4.2 Hasil Uji Normalitas Sub Sektor Lembaga Keuangan Non Bank Sumber: data diolah dari output Eviews 9 (2020)
Gambar 4.2 menunjukan hasil uji normalitas untuk sub sektor lembaga keuangan non bank. Tabel tersebut menunjukkan nilai probabilitas sebesar 0.304113 > 0.05. Nilai tersebut berarti bahwa H0 diterima. Dengan demikian, nilai residual terdistribusi normal dan dengan kata lain model regresi terdistribusi secara normal.
2. Uji Multikolinearitas
Uji multikolinearitas dilakukan untuk menguji apakah dalam model regresi terindikasi adanya korelasi yang tinggi atau sempurna antar variabel. Jika antar variabel independen terjadi multikolinearitas sempurna, maka koefisien regresi variabel dependen (X) tidak dapat ditentukan dan nilai standar error menjadi tidak terhingga. Jika multikolinearitas antar variabel tidak sempurna tetapi tinggi, maka koefisien regresi varaibel dependen (X) dapat ditentukan namun nilai standar error tinggi yang berarti bahwa nilai koefisien regresi tidak dapat diestimasi dengan tepat (Ghozali dan Ratmono, 2017).
Dalam mendeteksi ada atau tidaknya multikolinearitas dalam suatu model, dapat dilakukan dengan melihat korelasi antar dua variabel independennya. Tabel 4.11 menyajikan hasil uji multikolinearitas.
Tabel 4.9
Hasil Uji Multikolinearitas Sub Sektor Bank yang Terdaftar di BEI
CAR NIM BOPO
CAR 1.000000 0.193401 -0.023827
NIM 0.193401 1.000000 -0.053290
BOPO -0.023827 -0.053290 1.000000
Tabel 4.10
Hasil Uji Multikolinearitas Sub Sektor Lembaga Keuangan Non Bank yang Terdaftar di BEI
CAR NIM BOPO
CAR 1.000000 0.246106 -0.369288
NIM 0.246106 1.000000 -0.190966
BOPO -0.369288 -0.190966 1.000000
Sumber: data diolah dari output Eviews 9 (2020)
Berdasarkan tabel 4.9 dan tabel 4.10, dapat dilihat bahwa tidak ada nilai koefisien korelasi yang nilainya cukup tinggi yaitu > 0.90 (Ghozali dan Ratmono, 2017). Karenanya, dapat disimpulkan bahwa dalam penelitian ini tidak terjadi multikolinearitas karena nilai koefisien korelasi masih di bawah syarat terjadinya multikolinearitas.
3. Uji Heterokedastisitas
Menurut Ghozali dan Ratmono (2017), untuk menguji adanya heterokedastisitas dapat dilakukan dengan metode uji grafik dan metode uji statistik. Uji statistik dapat dilakukan dengan bebrapa cara yaitu, uji glejser, uji white dan uji Breusch-Pagan-Godfrey (BPG). Dalam penelitian ini uji heterokedastisitas yang digunakan yaitu uji glejser. Uji glejser dilakukan dengan meregres nilai absolute residual terhadap variabel independen lainnya. Jika variabel independen signifikan secara statistik maka mengindikasikan terjadinya heterokedastisitas dalam model.
Masalah heterokedastisitas tidak menyebabkan koefisien variabel independen menjadi bias, namun dapat menyebabkkan estimator menjadi tidak efisien dan penaksiran standar error menjadi bias. Adanya kesalahan dalam penaksiran standar error dapat menyebabkan bias pada hasil nilai t
statistik dan niai F. Nilai t hitung yang bias akan berdampak pada pengambilan hasil pengujian hipotesis bias juga. Hasil pengujian heterokedastisitas melalui uji glejser ditunjukkan oleh tabel berikut ini:
Tabel 4.11
Hasil Uji Heterokedastisitas Sub Sektor Bank yang Terdaftar di BEI
Variable Prob.
C 0.0002
CAR 0.9174
NIM 0.0042
BOPO 0.0000
Sumber: data diolah dari output Eviews 9 (2020)
Berdasarkan tabel 4.11 diatas yang menunjukkan uji glejser untuk sub sektor bank dapat diketahui bahwa variabel CAR menunjukkan nilai yang lebih besar dari 0.05% yang berarti bahwa tidak mengindikasikan adanya heterokedastisitas. Variabel NIM dan BOPO menunjukkan nilai kurang dari 0.05% yang berarti terindikasi terjadi heterokedastisitas.
Ada beberapa cara dalam mengatasi data yang terkena heterokedastisitas, salah satunya dengan melakukan uji white robust standar error (Ghozali dan Ratmono, 2017). Uji white dapat memberikan hasil valid asymptotically dan inferensi statsitik yang dapat dilakukan untuk melihat true parameter value. Output uji white robust standar error secara otomatis sudah mengkoreksi nilai t statistik dan nilai probabilitas. Hasil output ini sudah terbebas dari adanya heterokedastisitas. Hasil uji glejser setelah dilakukan uji white robust standard error disajikan Tabel 4.12 berikut ini.
Tabel 4.12
Hasil Uji White Robust Standar Error Sub Sektor Bank yang Terdaftar di BEI
Sumber: data diolah dari output Eviews 9 (2020)
Berdasarkan tabel 4.12, setelah dilakukan uji white robust standar error diperoleh nilai t statistik dan probabilitas yang baru yang sudah tidak mengandung adanya heterokedastisitas. Nilai tersebut juga tidak mengubah kesimpulan dari hasil pengujian hipotesis yang ada karena nilai dan tanda koefisien tetap sama.
Tabel 4.13
Hasil Uji Heterokedastisitas Sub Sektor Lembaga Keuangan Non Bank yang Terdaftar di BEI
Variable Prob.
C 0.0761
CAR 0.0069
NIM 0.0070
BOPO 0.0007
Sumber: data diolah dari output Eviews 9 (2020)
Tabel 4.13 menunjukan hasil uji heterokedastisitas untuk sub sektor lembaga keuangan non bank. Tabel 4.13 diatas menunjukkan hasil dari variabel CAR, NIM dan BOPO dan lebih kecil dari 0.05 yang berarti bahwa terjadi heterokedastisitas dalam model. Untuk mengatasi adanya heterokedastisitas tersebut dilakukan uji white robust standard error sebagai berikut:
Variable Std. Error t-Statistic Prob.
C 0.443832 3.609723 0.0006 CAR 0.014699 0.093129 0.9261 NIM 0.023822 3.020875 0.0036 BOPO 0.004779 -4.204876 0.0001
Tabel 4.14
Hasil Uji White Robust Standard Error Sub Sektor Lembaga Keuangan Non Bank yang Terdaftar di BEI
Variable Std. Error t-Statistic Prob.
C 0.418129 -2.899842 0.0051 CAR 0.007762 3.350483 0.0013 NIM 0.017298 3.247717 0.0018 BOPO 0.003491 4.873116 0.0000
Sumber: data diolah dari output Eviews 9 (2020)
Tabel 4.14 menunjukan hasil koreksi standard error secara otomatis menyebabkan nilai t statistik dan nilai probabilitas berubah. Nilai tersebut menunjukkan hasil pengujian yang terbebas dari heterokedastisitas.
4. Uji Autokorelasi
Uji autokorelasi bertujuan untuk mengetahui apakah dalam suatu model regresi linear ada korelasi antara kesalahan pengganggu pada periode t dengan kesalahan penganggu pada periode t-1 (Ghozali dan Ratmono, 2017). Uji Durbin-Watson digunakan untuk autokorelasi tingkat satu dan mensyaratkan adanya konstanta dalam model regresi dan tidak terdapat variabel lag diantara variabel independen. Data dikatakan tidak mengalami masalah autokorelasi baik positif mapun negatif jika besarnya du<d<4-du. Hasil uji autokorelasi dengan menggunakan Durbin-Watson dalam penelitian ini adalah sebagai berikut:
Tabel 4.15
Hasil Uji Autokorelasi Sub Sektor Bank yang Terdaftar di BEI Nilai
Durbin-Watson stat 0.751357
Tabel 4.15 menunjukkan output uji Durbin-Watson sub sektor bank dengan nilai DW sebesar 0.751357. Nilai tersebut dibandingkan dengan nilai pada tabel Durbin-Watson dengan tingkat signifikansi 0.05 (5%) dengan n=70 serta variabel independen 3 9K=3). Tabel Durbin-Watson menunjukkan nilai dl=1.5245 dan du=1.7028. Nilai Durbin-Watson stat sebesar 0.751357 < batas atas (du=1.7028) dan < 4-du (2.2972), maka dapat disimpulkan bahwa model terindikasi terkena autokorelasi.
Masalah autokorelasi dalam sebuah model dapat disembuhkan dengan beberapa cara salah satunya yaitu dengan melakukan uji two-step Durbin-Watson (Ghozali dan Ratmono, 2017). Uji ini dapat dilakukan dengan melakukan regresi pada nilai Y dan nilai X. Regresi dilakukan dengan menentukan nilai ρ dengan formula:
𝜌̂ = 1 −𝑑 2
Nilai d merupakan nilai Durbin-Watson. Setelah diperoleh nilai 𝜌̂ kemudian dilakukan transformasi variabel dengan formula 𝑌𝑡 ∗= (𝑌𝑡 − 𝜌̂𝑌𝑡 − 1) dan 𝑋𝑡 ∗= (𝑋𝑡 − 𝜌̂𝑋𝑡 − 1). Hasil uji two-step Durbin-Watson dapat dilihat pada tabel berikut ini:
Tabel 4.16
Hasil Uji two-step Durbin-Watson Sub Sektor Bank yang Terdaftar di BEI
Nilai Durbin-Watson stat 1.754587
Dari tabel 4.16 diatas menunjukan nilai Durbin-Watson sebesar 1.754587. Nilai tersebut lebih besar dari batas atas (du=1.7028) dan kurang dari 4-du (2.2972). Dengan demikian, dapat disimpulkan bahwa tidak terjadi masalah autokorelasi pada perusahaan sub sektor bank yang terdaftar di BEI.
Tabel 4.17
Hasil Uji Autokorelasi Sub Sektor Lembaga Keuangan Non Bank Bank yang Terdaftar di BEI
Nilai Durbin-Watson stat 1.681314
Sumber: data diolah dari output Eviews 9 (2020)
Tabel 4.17 menunjukan hasil uji autokorelasi menggunakan uji Durbin-Watson untuk sub sektor lembaga keuangan non bank. Tabel 4.18 tersebut diperoleh nilai Durbin-Watson stat sebesar 1.681314. Nilai tersebut < nilai batas atas (du=1.7028) dan < nilai 4-du (2.2972), maka dapat disimpulkan bahwa model terindikasi masalah autokorelasi.
Masalah autokorelasi dalam penelitian ini disembuhkan dengan menggunakan uji two-step Durbin-Watson. Hasil pengujian tersebut dapat dilihat dalam tabel berikut ini:
Tabel 4.18
Hasil Uji two-step Durbin-Watson Sub Sektor Lembaga Keuangan Non Bank yang Terdaftar di BEI
Nilai Durbin-Watson stat 1.749313
Tabel 4.18 menunjukan nilai Durbin-Watson sebesar 1.749313. Nilai tersebut lebih besar dari batas atas (du=1.7028) dan lebih kecil dari 4-du (2.2972). Dengan demikian, dapat disimpulkan bahwa tidak terdapat autokorelasi pada perusahaan sub sektor lembaga keuangan non bank yang terdaftar di BEI.