Uji Deskriptif Statistik - Uji Statistik

BAB IV ANALISIS DATA

B. Uji Statistik

2. Uji Deskriptif Statistik

Uji deskriptif dilakukan untuk menunjukkan jumlah data (N) yang digunakan dalam penelitian ini, nilai maksimum, nilai minimum, nilai rata-rata (mean) dan standar deviasi dari masing-masing variabel. Hasil perhitungan statistik deskriptif adalah sebagai berikut :

Tabel 4. 2 Hasil Uji Deskriptif

Descriptive Statistics

N Minimum Maximum Mean Std. Deviation DKI 55 20.00% 100.00% 64.0624% 17.47089% NPF 55 0.00% 35.15% 3.8355% 4.82266% ROE 55 -32.04% 57.98% 6.1858% 11.27821% Valid N (listwise) 55

Sumber : Output SPSS 21, data sekunder yang diolah, 2017

Dari tabel di atas dapat diketahui bahwa nilai terendah (minimum) pada rasio DKI adalah 20,00 yang berasal dari BJB Syariah pada tahun 2012. Sedangkan untuk rasio DKI nilai tertinggi (maksimum) adalah 100,00 berasal dari beberapa bank salah satunya berasal dari Bank Mega Syariah pada tahun 2011. Nilai rata-rata (mean) DKI sebesar 64,0624 dan untuk standar deviasinya adalah 17,47089. Dengan melihat nilai rata-rata (mean) pada DKI, maka dapat disimpulkan bahwa secara statistik nilai rata-rata DKI pada Bank Umum Syariah di Indonesia telah memenuhi syarat atau peraturan Bank Indonesia yang menyatakan bahwa minimal 50% dari jumlah anggota dewan komisaris adalah komisaris independen.

Data rasio NPF memiliki nilai terendah (minimum) sebesar 0,00% yang berasal dari Maybank Syariah pada tahun 2011, sedangkan untuk nilai tertinggi (maksimum) sebesar 35,15% yang berasal dari Maybank Syariah pada tahun 2015. Nilai rata-rata (mean) untuk rasio NPF sebesar 3,8355% dan standar deviasi sebesar 4,82266%. Dari nilai rata-rata (mean) rasio NPF maka dapat disimpulkan bahwa secara

statistic nilai rata-rata (mean) NPF pada Bank Umum Syariah di Indonesia tahun 2011-2015 berada di bawah 5%. Hal ini menunjukkan NPF pada Bank Umum Syariah telah memenuhi peraturan Bank Indonesia yang masuk dalam kategori sehat adalah bank yang memiliki nilai NPF minimal di bawah 5%.

Data rasio ROE nilai terendah (minimum) sebesar -32,04% yang berasal dari Maybank Syariah pada tahun 2015, sedangkan untuk nilai tertinggi (maksimum) sebesar 57,98% yang berasal dari Bank Mandiri Syariah pada tahun 2012. Nilai rata-rata (mean) rasio ROE adalah 6,1858% dan standar deviasinya adalah 11,27821%.

3. Uji Asumsi Klasik

Uji asumsi klasik bertujuan untuk menguji kelayakan model. Sehingga sebelum dilakukan analisis regresi klasik dan analisis jalur atau path analysis model penelitian harus lolos dalam uji asumsi klasik ini. Uji asumsi klasik ini terdiri dari uji multikolonieritas, uji autokorelasi, uji heteroskedastisitas, uji normalitas (Ghozalli, 2013). a. Uji Multikolonieritas

Uji multikolonieritas bertujuan untuk menguji apakah pada model regresi ditemukan adanya korelasi antar variabel bebas (independen). Pada model regresi yang baik seharusnya antar variabel independen tidak terjadi korelasi. Untuk melihat ada atau tidaknya multikolonieritas dapat dideteksi dengan cara melihat nilai tolerance dan variance inflation factor (VIF). Nilai cutoff

yang umum dipakai sebagai standar yang menunjukkan tidak terjadi multikolonieritas adalah nilai tolerance di atas 0,10 atau sama dengan nilai VIF di bawah 10 (Ghozalli, 2013 : 106). Hasil uji multikolonieritas antar variabel dapat dilihat pada tabel di bawah ini.

Tabel 4. 3 Hasil Uji Multikolonieritas Persamaan 2

Coefficients^a

Model Collinearity Statistics Tolerance VIF

(Constant)

DKI .994 1.006

NPF .994 1.006

a. Dependent Variable: ROE

Sumber : Output SPSS 21, data sekunder yang diolah, 2017

Berdasarkan tabel di atas maka dapat diketahui bahwa nilai tolerance dan VIF masing-masing variabel penelitian sebagai berikut :

1.) Nilai tolerance untuk variabel DKI sebesar 0,994 > 0,10 yang berarti tidak ada korelasi antar variabel independen yang nilainya lebih dari 95%. Sedangkan nilai VIF sebesar 1,006 < 10, sehingga dapat disimpulkan bahwa variabel GCG dinyatakan tidak terjadi gejala multikolonieritas.

2.) Nilai tolerance untuk variabel NPF sebesar 0,994 > 0,10 yang berarti tidak ada korelasi antar variabel independen yang

nilainya lebih dari 95%. Sedangkan nilai VIF sebesar 1,006 < 10, sehingga dapat disimpulkan bahwa variabel GCG dinyatakan tidak terjadi gejala multikolonieritas.

b. Uji Autokorelasi

Uji autokorelasi bertujuan menguji apakah dalam model regresi linier ada korelasi antara kesalahan pengganggu pada periode t dengan kesalahan pengganggu pada periode t-1 (sebelumnya). Jika terjadi korelasi, maka dinamakan ada masalah autokorelasi. Model regresi yang baik adalah regresi yang bebas dari autokorelasi. Untuk mengetahui ada atau tidaknya autokorelasi dalam suatu model regresi dapat dilakukan melalui beberapa model pengujian. Dalam penelitian ini menggunakan pengujian Durbin Watson (Uji DW) (Ghozalli, 2013 : 110). Hasil pengujian autokorelasi dalam penelitian ini sebagai berikut :

Tabel 4. 4 Hasil Uji Durbin Watson

Persamaan DU Durbin-Watson 4-DU Keterangan 1 1,585 1,982 2,415 Tidak ada autokorelasi 2 1,628 1,940 2,372 Tidak ada autokorelasi Sumber : Output SPSS 21, data sekunder yang diolah, 2017

Hasil uji Durbin-Watson (DW) pada tabel di atas menunjukkan bahwa pada persamaan 1 dan 2 memiliki nilai DW yang lebih besar dari nilai DU dan juga lebih kecil dari nilai 4-DU.

Sehingga dapat disimpulkan bahwa pada persamaan 1 dan persamaan 2 tidak terdapat autokorelasi.

c. Uji Heterokedastisitas

Uji heterokedastisitas bertujuan untuk menguji apakah dalam model regresi terjadi ketidaksamaan varians dari residu / pengamatan ke yang lain tetap , maka disebut homokedastisitas dan jika berbeda disebut heterokedastisitas. Model regresi yang baik adalah yang homokedastisitas atau tidak terjadi heterokedastisitas (Ghozalli, 2013 : 139).

Uji statistik yang digunakan untuk mendeteksi ada tidaknya heterokedastisitas yaitu uji park. Berikut ini hasil uji park :

Tabel 4.5 Hasil Uji Park Persamaan 1 Coefficients^a Model Unstandardized Coefficients Standardized Coefficients T Sig. B Std. Error Beta 1 (Constant) -2.799 1.385 -2.021 .049 LNDKI1@ .440 1.437 .044 .306 .761 a. Dependent Variable: LNRes1

Sumber : Output SPSS 21, data sekunder yang diolah, 2017

Berdasarkan hasil tampilan ouput SPSS memberikan koefisien parameter untuk variabel independen tidak ada yang signifikan, maka dapat disimpulkan bahwa data model regresi dalam penelitian ini tidak terdapat heteroskedastisitas.

Tabel 4.6 Hasil Uji Park Persamaan 2 Coefficients^a Model Unstandardized Coefficients Standardized Coefficients T Sig. B Std. Error Beta 1 (Constant) -1.471 3.707 -.397 .694 LNDKI2@ -.002 .941 .000 -.002 .998 LNNPF2@ .103 .254 .063 .406 .687

a. Dependent Variable: LNRes2

Sumber : Output SPSS 21, data sekunder yang diolah, 2017

d. Uji Normalitas

Uji normalitas bertujuan untuk menguji apakah dalam model regresi, variabel pengganggu atau residual memiliki distribusi normal. Model regresi yang baik adalah model yang memiliki distribusi data normal atau mendekati normal. Penelitian ini menggunakan Kolmogorov Sminof (K-S) test untuk mengetahui normalitas data dengan melihat nilai Asymp. Sig. (2 tailed), apabila nilainya lebih dari 5% maka residual terdistribusi normal (Ghozalli, 2013 : 165). Hasil uji normalitas dalam penelitian ini sebagai berikut :

Tabel 4.7 Hasil Uji Normalitas Persamaan 1

One-Sample Kolmogorov-Smirnov Test

Unstandardized Residual

N 50

Normal Parameters^a,b ^Mean ^.0000000 Std. Deviation 2.57412015 Most Extreme Differences

Absolute .102

Positive .066

Negative -.102

Kolmogorov-Smirnov Z .720

Asymp. Sig. (2-tailed) .678

a. Test distribution is Normal. b. Calculated from data.

Berdasarkan pada tabel di atas, dapat diketahui bahwa nilai

Asymp. Sig. (2-tailed) sebesar 0,678 yang menunjukkan nilai signifikansi lebih dari 0,05. Sehingga dapat disimpulkan bahwa pada persamaan 1 data terdistribusi secara normal.

Tabel 4.8 Hasil Uji Normalitas Persamaan 2

One-Sample Kolmogorov-Smirnov Test

Unstandardized Residual

N 50

Normal Parameters^a,b ^Mean ^.0000000 Std. Deviation .84775812 Most Extreme Differences

Absolute .085

Positive .085

Negative -.068

Kolmogorov-Smirnov Z .602

Asymp. Sig. (2-tailed) .862

a. Test distribution is Normal. b. Calculated from data.

Sumber : Output SPSS 21, data sekunder yang diolah, 2017

Berdasarkan pada tabel di atas, dapat diketahui bahwa nilai

Asymp. Sig. (2-tailed) sebesar 0,862 yang menunjukkan nilai signifikansi lebih dari 0,05. Sehingga dapat disimpulkan bahwa pada persamaan 2 data terdistribusi secara normal.

4. Uji Hipotesis

a. Analisis Regresi Sederhana

Regresi sederhana adalah metode yang digunakan untuk menentukan tingkat pengaruh suatu variabel. Variabel yang pertama disebut dengan variabel independen atau variabel bebas atau variabel yang mempengaruhi variabel dependen. Variabel yang kedua adalah variabel dependen atau variabel terikat yaitu variabel yang dipengaruhi variabel lainnya (Desiana, 2016).

Dalam persamaan 1 ini variabel Dewan Komisaris Independen berperan sebagai variabel independen sedangkan variabel NPF berperan sebagai variabel dependen.

Untuk mengetahui koefisien antar variabel dalam persamaan 1 sebagai berikut:

Tabel 4.9 Hasil Uji Regresi Sederhana

Coefficients^a Model Unstandardized Coefficients Standardized Coefficients T Sig. B Std. Error Beta 1 ^(Constant) ^1.219 ^.454 ^2.684 ^.010 LNDKI1@ -1.048 .471 -.306 -2.224 .031 a. Dependent Variable: LNNPF1@

Sumber : Output SPSS 21, data sekunder yang diolah, 2017

Dengan melihat tabel di atas, maka persamaan model regresi yang digunakan adalah :

NPF = 1,219 – 1,048 DKI + e

Berdasarkan model regresi di atas maka hasil regresi regresi linier klasik dapat dijelaskan sebagai berikut :

1.) Persamaan regresi linier mempunyai konstanta sebesar 1,219. Hal ini menunjukkan bahwa jika variabel independen diasumsikan konstan, maka variabel dependen yaitu NPF akan mengalami kenaikan sebesar 1,219.

2.) Koefisien variabel DKI sebesar -1,048 menyatakan bahwa setiap penambahan 1 point DKI akan mengurangi NPF sebesar 1,048.

a.) Uji T_test

Uji statistik T pada dasarnya menunjukkan seberapa jauh pengaruh satu variabel penjelas/independen secara individual dalam menerangkan variabel dependen. Dalam pengujian ini, kita melihat nilai probabilitasnya. Jika nilai probabilitasnya lebih kecil dari 0,05 maka hipotesis yang diajukan diterima atau dikatakan signifikan. Namun jika nilai signifikansi lebih besar dari 0,05 maka hipotesinya ditolak atau tidak signifikan (Ghozalli, 2013 : 98).

Dari tabel 4.9 dapat diketahui bahwa variabel DKI dengan nilai t hitung -2,224 dan nilai signifikansi 0,031 lebih kecil dari alfa 0,05 maka dapat dikatakan bahwa DKI berpengaruh secara negatif dan signifikan terhadap NPF. Hal ini berarti semakin baik DKI maka akan mengurangi NPF.

b.) Koefisien Determinasi (R²)

Koefisien determinasi (R²) mengukur seberapa jauh kemampuan model dalam menerangkan variasi variabel dependen. Nilai koefisien determinasi adalah antara nol dan satu. Semakin besar nilai R² mendekati 1, maka semakin baik hasil model regresinya. Sebaliknya, jika nilai R² mendekati 0 maka secara keseluruhan tidak dapat

menjelaskan variabel independen (Ghozalli, 2013 : 97). Hasil uji determinan (R²) pada persamaan 1 sebagai berikut :

Tabel 4.10 Hasil Uji Koefisien Determinan Persamaan 1

Model Summary^b

Model R R Square Adjusted R Square

Std. Error of the Estimate

1 .306^a .093 .075 .85339

a. Predictors: (Constant), LNDKI1@ b. Dependent Variable: LNNPF1@

Sumber : Output SPSS 21, data sekunder yang diolah, 2017

Nilai R pada tabel tersebut menjelaskan tingkat hubungan antar variabel independen dengan variabel dependen, artinya bahwa hubungan DKI terhadap NPF sebesar 0,306 atau 30,6 %.

Nilai Adjusted R Square menjelaskan bahwa variabel independen DKI dapat menerangkan variabel dependen yaitu NPF sebesar 0,075 atau sebesar 7,5% sedangkan (100% - 7,5%) 92,5% diterangkan oleh variabel lain diluar model regresi ini.

b. Analisis Regresi Berganda

Analisis regresi linier berganda digunakan untuk menghitung besarnya pengaruh secara kuantitatif dari suatu perubahan kejadian pada variabel independen terhadap variabel dependen. Dengan kata lain regresi berganda digunakan untuk meramalkan nilai variabel dependen dengan variabel independen yang lebih dari satu (Bawono, 2006 : 85). Dalam persamaan 2 ini variabel DKI dan NPF berperan sebagai

variabel independen sedangkan variabel ROE berperan sebagai variabel dependen.

Untuk mengetahui koefisien antar variabel dapat dilihat dari tabel berikut ini :

Tabel 4.11 Hasil Uji Regresi Berganda Persamaan 2 Coefficients^a Model Unstandardized Coefficients Standardized Coefficients t Sig. B Std. Error Beta 1 (Constant) -2.196 1.891 -1.162 .252 LNDKI2@ .971 .480 .302 2.023 .049 LNNPF2@ .022 .129 .026 .171 .865

a. Dependent Variable: LNROE2@

Sumber : Output SPSS 21, data sekunder yang diolah, 2017

Dengan melihat tabel hasil uji coefficient di atas, maka persamaan model regresi berganda yang digunakan adalah :

ROE = -2,196 +0,971DKI +0,022NPF + e

Berdasarkan model regresi di atas dapat diketahui bahwa :

1.) Persamaan regresi linier berganda mempunyai konstanta sebesar -2,196. Hal ini menunjukkan bahwa jika variabel independen diasumsikan konstan, maka variabel dependen yaitu ROE akan mengalami penurunan sebesar -2,196.

2.) Koefisien regresi DKI sebesar 0,971 menyatakan bahwa setiap penambahan 1 point DKI akan menyebabkan kenaikan

profitabilitas (ROE) sebesar 0,971 dengan asumsi bahwa variabel bebas lainnya konstan.

3.) Koefisien regresi NPF sebesar 0,022 menyatakan bahwa setiap penambahan 1 point NPF tidak akan menyebabkan kenaikan profitabilitas (ROE) sebesar 0,022 dengan asumsi bahwa variabel bebas lainnya konstan.

a.) Uji T_test

Dari tabel 4.11 dapat dianalisa sebagai berikut :

1.) Variabel DKI dengan nilai t hitung 2,023 dan nilai signifikansi 0,049 yang artinya lebih kecil dari nilai alfa 0,05 maka dapat dikatakan bahwa DKI secara statistik berpengaruh positif dan signifikan terhadap profitabilitas (ROE). Artinya semakin baik DKI maka profitabilitas akan mengalami kenaikan.

2.) Variabel NPF dengan nilai t hitung 0,171 dan nilai signifikansi 0,865 yang artinya lebih besar dari nilai alfa 0,05 maka dapat dikatakan bahwa NPF berpengaruh secara positif dan tidak

signifikan terhadap profitabilitas (ROE). Artinya naik turun nya NPF tidak akan mempengaruhi naik turunnya ROE.

b.) Uji Ftest

Uji statistik F pada dasarnya menunjukkan apakah semua variabel independen atau bebas yang dimasukkan dalam model mempunyai pengaruh secara bersama-sama terhadap variabel dependen / terikat. Penilaian berdasarkan nilai probabilitasnya. Jika nilai signifikansi lebih kecil dari nilai alpha 0,05 maka hipotesis yang diajukan diterima atau dikatakan signifikan. Namun, jika nilai signifikansi lebih besar dari nilai alpha 0,05 maka hipotesis yang diajukan ditolak dan dikatakan tidak signifikan (Ghozalli, 2013 :98). Berikut adalah hasil uji F dalam penelitian ini :

Tabel 4.12 Hasil Uji F_testPersamaan 2

ANOVA^a Model Sum of Squares df Mean Square F Sig. 1 Regression 3.303 2 1.652 2.089 .136^b Residual 33.997 43 .791 Total 37.300 45 a. Dependent Variable: LNROE2@

b. Predictors: (Constant), LNNPF2@, LNDKI2@

Sumber : Output SPSS 21, data sekunder yang diolah, 2017

Uji Anova atau Ftest terlihat nilai f hitung sebesar 2,089 dengan probabilitasnya jauh lebih besar dari 0,05. Sehingga dapat dikatakan bahwa variabel DKI dan NPF secara bersama-sama tidak

berpengaruh secara signifikan terhadap profitabilitas (ROE) pada Bank Syariah di Indonesia

c.) Koefisien Determinasi (R²)

Tabel 4. 13 Hasil Uji Koefisien Determinan Persamaan 2

Model Summary^b

Model R R Square Adjusted R Square

Std. Error of the Estimate

1 .298^a .089 .046 .88918

a. Predictors: (Constant), LNNPF2@, LNDKI2@ b. Dependent Variable: LNROE2@

Sumber : Output SPSS 21, data sekunder yang diolah, 2017

Nilai R pada tabel tersebut menjelaskan tingkat hubungan antar variabel independen dengan variabel dependen, artinya bahwa hubungan DKI dan NPF terhadap ROE sebesar 0,298 atau 29,8 %.

Nilai Adjusted R Square menjelaskan bahwa variabel independen DKI dan NPF dapat menerangkan variabel dependen yaitu ROE

sebesar 0,046 atau sebesar 4,6% sedangkan (100% - 4,6) 95,4% diterangkan oleh variabel lain diluar model regresi ini.

C. Analisis Jalur atau Path Analysis

Analisis jalur atau path analysis digunakan untuk menghitung pengaruh Dewan Komisaris Indepeden terhadap profitabilitas dengan non performing financing (NPF) sebagai variabel intervening. Berikut merupakan perhitungan analisis jalur atau path analysis dalam penelitian ini.

Tabel 4. 14 Hasil Uji Coefficient Persamaan 1 Coefficients^a Model Unstandardized Coefficients Standardized Coefficients T Sig. B Std. Error Beta 1 (Constant) 1.219 .454 2.684 .010 LNDKI1@ -1.048 .471 -.306 -2.224 .031 a. Dependent Variable: LNNPF1@

Sumber : Output SPSS 21, data sekunder yang diolah, 2017

Tabel 4.15 Hasil Uji Coefficient Persamaan 2 Coefficients^a Model Unstandardized Coefficients Standardized Coefficients t Sig. B Std. Error Beta 1 (Constant) -2.196 1.891 -1.162 .252 LNDKI2@ .971 .480 .302 2.023 .049 LNNPF2@ .022 .129 .026 .171 .865

a. Dependent Variable: LNROE2@

Dari hasil output SPSS di atas memebrikan nilai unstandardized beta DKI pada persamaan 1 sebesar -1,048 dan signifikan pada 0,031 yang berarti DKI mempengaruhi NPF. Nilai koefisien unstandardized beta -1,048 merupakan nilai path atau jalur p2. Pada output SPSS persamaan 2 nilai unstandardized beta untuk DKI 0,971 dan signifikan pada 0,049. Nilai koefisien ini merupakan nilai path atau jalur p1. Sedangakan nilai unstandardized NPF adalah 0,022 dan tidak signifikan pada 0,865. Nilai koefisien ini merupakan nilai path atau jalur p3.

Pengaruh langsung DKI ke ROE = 0,971

Pengaruh tak langsung DKI ke NPF ke ROE = -1,048 x 0,022 Total pengaruh (korelasi DKI ke ROE) = 0,947944

Sebelum mendapatkan t hitung untuk mengetahui apakah ada pengaruh mediasi atau tidak maka peneliti harus menghitung standar error terlebih dahulu. Keterangan :

Sp2 dan Sp3 di dapat dari Standar Error pada Unstandardized Coefficients pada p2 dan p3.

Berdasarkan hasil Sp2p3 peneliti dapat menghitung nilai t statistik pengaruh mediasi, sebagai berikut :

Berdasarkan hasil penelitian dengan menggunakan analisis jalur atau path analysis dapat disimpulkan bahwa NPF tidak dapat berperan sebagai variabel intervening antara DKI dan profitabilitas (ROE). Hal ini dikarenakan nilai t hitung = -0,155 lebih kecil dari t tabel dengan tingkat signifikansi 0,05 yaitu 2,011. Hasil ini menunjukkan bahwa tidak ada pengaruh tidak langsung dari DKI terhadap profitabilitas (ROE) perbankan syariah melalui NPF.

Dalam dokumen PENGARUH DEWAN KOMISARIS INDEPENDEN TERHADAP PROFITABILITAS BANK SYARIAH DENGAN NON PERFORMING FINANCING (NPF) SEBAGAI VARIABEL INTERVENING - Test Repository (Halaman 71-89)