BAB III KERANGKA KONSEP DAN HIPOTESIS
4.7 Metode Analisis Data
4.7.1. Analisis Jalur (Path Analysis)
4.7.1.4. Uji Simultan dan Uji Parsial
Menurut Kuncoro (2001) Uji statistik F menunjukkan apakah semua variabel independen yang dimasukkan dalam model mempunyai pengaruh secara bersama-sama terhadap variabel dependen. Uji ini dapat dilakukan dengan membandingkan nilai hitung dengan nilai tabel, jika nilai hitung lebih besar dari pada nilai F-tabel dapat dinyatakan bahwa semua variabel independen secara simultan dan signifikan mempengaruhi variabel dependen. Uji F juga dapat dilihat
dengan nilai signifikan, jika nilai signifikan lebih kecil dari α0,05 maka dapat disimpulkan seluruh variabel independen secara simultanberpengaruh signifikan terhadap variabel dependen. Uji F menunjukkan apakah semua variabel independen yang dimasukkan dalam model mempunyai pengaruh secara bersama-sama (simultan) terhadap variabel dependen.
Uji statistik t pada dasarnya menunjukkan seberapa jauh pengaruh satu variabel independen secara individual (parsial) dalam menerangkan variabel terikat. Apabila nilai t-hitung lebih besar dari pada t-tabel dapat disimpulkan bahwa suatu variabel independen secara parsial mempengaruhi variabel dependen. Uji t juga dapat dilihat dengan nilai signifikan, jika nilai signifikan setiap variabel independen lebih kecil dari α 0,05 dapat disimpulkan variabel independen secara parsial berpengaruh signifikan terhadap variabel dependen.
4.7.3. Pengujian Asumsi Klasik 1. Normalitas
Pengujian ini bertujuan untuk mengetahui apakah dalam model regresi, variabel terikat dan variabel bebas keduanya mempunyai distribusi normal ataukah tidak. Pengujian normalitas dapat dilakukan dengan memperhatikan nilai Kolmogrov-Smirnov dan Asymp. Sig. (2-tailed). yang dihasilkan melalui perhitungan SPSS.
2. Multikolinieritas
Istilah multikolinieritas berarti terdapat hubungan linear antara variabel independennya. Setiap variabel dipastikan memiliki nilai korelasi. Uji masalah multikolinieritas ini dilakukan dengan metode melihat hasil estimasi OLS, jika hasil estimasi memiliki nilai R Squared dan Adjusted R Squared yang tinggi dan memiliki nilai t yang signifikan maka model diabaikan dari masalah multikolinieritas. Tetapi jika hasil estimasi memiliki nilai R Squared dan Adjusted R Squared yang tinggi namun nilai t tidak signifikan maka model memiliki masalah multikolinieritas.
Untuk mengatasi masalah multikolinieritas biasanya dilakukan dengan menambah jumlah data atau mengurangi jumlah data observasi. Cara-cara lain yang juga dapat dilakukan ialah dengan menambah atau mengurangi jumlah variabel independennya, mengkombinasikan data cross-section dan time series,
mengganti data, mentransformasikan variabel, atau bahkan dengan tidak melakukan apapun.
3. Heteroskedastisitas
Langkah ini bertujuan untuk menguji apakah di dalam model regresi yang kita miliki mengandung perbedaan variansi residu dari kasus pengamatan satu kasus ke kasus pengamatan yang lainnya. Jika variansi residu dari pengamatan satu ke kasus pengamatan yang lainnya mempunyai nilai tetap maka disebut homokedastisitas dan jika mempunyai perbedaan maka disebut heteroskedastisitas. Model regresi yang baik adalah model regresi yang memiliki homoskedastisitas dan bukan memiliki heteroskedastisitas.
Cara untuk mendeteksi ada tidaknya heteroskedastisitas adalah dengan melihat grafik plot antara nilai residu variabel dependen (SRESID) dengan nilai prediksi (ZPRED) (Santoso, 2006). Dasar analisisnya: (a) Jika ada pola tertentu, seperti titik-titik yang membentuk pola yang teratur (bergelombang, melebar kemudian menyempit), maka mengidentifikasikan telah terjadi heteroskedastisitas. (b) Jika tidak ada pola yang jelas, serta titik-titik menyebar di atas dan di bawah angka pada sumbu Y, maka tidak terjadi heteroskedastisitas. Selain itu, problem Heteroskedastisitas dapat diuji dengan Uji Glesjer (Ghozali, 2005).
Cara untuk mengatasi masalah heteroskedastisitas adalah: (a) Melakukan transformasi dalam bentuk membagikan model regresi asal dengan salah satu variabel independen yang digunakan dalam model ini. (b) Melakukan transformasi log (Ghozali, 2005).
4. Autokorelasi
Untuk masalah autokorelasi pengujiannya dilakukan dengan melihat DurbinWatson Start (DW) yang nilainya telah disediakan dalam program Eviews. Nilai DW berkisar pada angka 2 hingga 4 dan model dikatakan tidak mengalami masalah autokorelasi jika nilai DW Start berkisar di angka dua.
Untuk dapat melakukan pengujian autokorelasi maka dilakukan Uji Statistik d Durbin Watson (DW) dengan table seperti dibawah ini:
Table 4.9. Uji Statistik d Durbin -Watson (DW)
Nilai Statistik d Hasil
0 < d < dL Hipotesis nol (null hypothesis) ditolak ada autokorelasi positif
dL ≤ d ≤ dU Daerah keragu-raguan: tidak ada keputusan
dU ≤ d ≤ 4 - dU Gagal menolak hipotesis nol (null hypothesis) tidak ada autokorelasi
4 - dU ≤ d ≤ 4 - dL Daerah keragu-raguan: tidak ada keputusan
4 - dL ≤ d ≤ 4 Hipotesis nol (null hypothesis) ditolak: ada autokorelasi negative
Masalah autokorelasi sendiri dapat diatasi dengan 3 cara yaitu First Differences, Auto Regressive (AR), atau dengan menggunakan lag dari variabel dependen atau variabel independent.
4.8. Lokasi dan Waktu Penelitian
Lokasi penelitian ini dilakukan di Bursa Efek Indonesia pada periode Januari 2014 sampai dengan Desember 2018. Waktu penelitian ini direncanakan mulai Desember 2019 sampai dengan Februari 2020.
BAB V
HASIL DAN PEMBAHASAN
5. 1 Gambaran Umum dan Deskripsi Data Obyek Penelitian
Data obyek penelitian yang digunakan dalam penelitian ini berasal dari data industri perbankan yang terdaftar di Bursa Efek Indonesia dari tahun 2014-2018.
Dimana berdasarkan penyesuaian dengan karakteristik sampel penelitian diperoleh 25 perusahaan perbankan yang menjadi sampel penelitian ini.
Seluruh data ROA,CAR,BOPO, NPL, NIM, LDR, Harga Saham diperoleh dari data laporan keuangan yang berbentuk annual report summary yang ada di Bursa Efek Indonesia dan juga ditambah dengan data pada laporan keuangan perusahaan yang telah diaudit oleh akuntan public pada setiap perusahaan perbankan tersebut.
5.1.1 Statistik Deskriptif Variabel Penelitian
Pada sub-bab ini akan dideskripsikan tentang rata-rata dari seluruh variabel penelitian sesuai dengan sampel penelitian dari tahun 2014-2018, yaitu sebagai berikut:
Tabel 5.1
Rata-Rata ROA, CAR, BOPO, NPL, NIM, LDR dan Harga Saham
No Nama
25 BNGA 17.62 97.85 1.88 5.39 87.95 1.29 908.0 Sumber: Bursa Efek Indonesia dan Laporan Keuangan Setiap Bank (2020)
Tabel 5.3
Kriteria dan Standar Variabel Penelitian
Sumber: Bursa Efek Indonesia dan Laporan Keuangan Setiap Bank (2020)
Berdasarkan tabel diatas dapat diperoleh informasi tentang rata-rata dari setiap variabel penelitian ini dari tahun 2014-2018. Dimana rata-rata CAR tertinggi dimiliki oleh Bank Ina Perdana, Tbk (BINA) dengan nilai rata-rata rasio CAR mencapai 39.42
%, sedangkan nilai rata-rata CAR terendah dimiliki oleh PT. Bank Rakyat Indonesia Agroniaga Tbk dengan nilai rata-rata 7.98. berdasarkan hasil tersebut juga menunjukan bahwa predikat yang dimiliki setiap Bank yang menjadi sampel penelitian ini berada
VARIABEL KRITERIA RATA-RATA STANDAR KRITERIA
97.6% < LDR ≤ 101.25% (KURANG SEHAT)
> 101.25% (TIDAK SEHAT)
≤ 5% (SEHAT) 1,71% SANGAT BAIK
>5 % (TIDAK SEHAT)
≥2% (SEHAT) SANGAT BAIK
<2% (TIDAK SEHAT)
≤93.25% (SANGAT SEHAT) 93.25% < BOPO ≤ 94.72% (SEHAT) 94.72% < BOPO ≤ 95.92% (CUKUP)
>95.92% (TIDAK SEHAT)
pada level sehat hingga sangat karena seluruh nilai CAR-nya > 6.6%. Selanjutnya nilai LDR tertinggi dimiliki oleh PT. Bank Tabungan Negara (Persero) Tbk (BBTN) yang mencapai persentase sebesar 105.34% sedangkan nilai LDR terendah dimiliki oleh PT.
Bank Capital Indonesia Tbk (BACA) dengan nilai LDR sebesar 54.36%, sehingga berdasarkan hasil tersebut dapat diperoleh informasi bahwa terdapat dua perusahaan yang memiliki predikat yang kurang sehat dan tidak sehat yaitu PT. Bank Tabungan Negara (Persero) Tbk (BBTN) dan PT. Bank CIMB Niaga Tbk (BNGA) karena nilai LDRnya mencapai > 97.6%. Nilai NPL terbesar dimiliki oleh PT. Bank Pembangunan Daerah Banten Tbk (BEKS) yang mencapai 4.82% dan nilai NPL terendah dimiliki oleh PT. Bank Sentral Asia Tbk (BBCA) yang mencapai 0.30, sehingga berdasarkan hasil tersebut dapat diperoleh informasi bahwa seluruh perbankan berdasarkan penilaian NPL berpredikat sehat karena rata-rata nilai NPL < 5%.
Perusahaan yang memiliki nilai NIM terbesar adalah PT. Bank BTPN Tbk (BTPN) yang mencapai 11.52% dan nilai NIM terendah dimiliki oleh PT. Bank Jtrust Indonesia Tbk (BCIC) yang mencapai 1.62%, sehingga berdasarkan hasil tersebut diperoleh informasi bahwa berdasarkan penilaian NIM PT. Bank Jtrust Indonesia Tbk (BCIC) masih tergolong tidak sehat karena nilai NIM-nya < 2%. Perusahaan yang memiliki nilai BOPO yang paling tinggi adalah PT. Bank Pembangunan Daerah Banten Tbk (BEKS) dengan nilai yang mencapai 135. 56% dan perusahaan dengan nilai BOPO terendah adalah perusahaan PT. Bank Negara Indonesia (Persero) Tbk (BBNI) yang mencapai 26.64%, berdasarkan hasil tersebut maka dapat diperoleh informasi bahwa berdasarkan penilaian BOPO masih ditemukan beberapa perusahaan yang berpredikat
tidak sehat karena nilai BOPO-nya > 95.92% yaitu perusahaan: PT. Bank Pembangunan Daerah Banten Tbk (BEKS), Bank Jtrust Indonesia Tbk (BCIC), PT.
Bank QNB Indonesia Tbk (BKSW), dan PT. Bank Permata Tbk (BNLI). Selanjutnya perusahaan degan nilai ROA tertinggi adalah PT. Bank Rakyat Indonesia (Persero) Tbk (BBRI) sebesar 4.03% dan perusahan dengan nilai ROA terendah adalah PT. Bank Pembangunan Daerah Banten Tbk (BEKS) sebesar -3.89, sehingga berdasarkan hasil tersebut dapat diperoleh hasil bahwa masih terdapat perusahaan dengan predikat ROA yang kurang baik karena nilai ROA-nya < 0.765% yaitu: PT. Bank Agris Tbk (AGRS), PT. Bank Permata Tbk (BNLI), PT. Bank Pembangunan Daerah Banten Tbk (BEKS), Bank Jtrust Indonesia Tbk (BCIC) dan PT. Bank QNB Indonesia Tbk (BKSW).
Selanjutnya, perusahaan dengan harga saham tertinggi PT. Bank Sentral Asia Tbk (BBCA) yang mencapai Rp 17925 dan perusahaan dengan rata-rata harga saham terendah adalah PT. Bank Sentral Asia Tbk (BBCA) yang mencapai Rp 58.
Berdasarkan penjelasan diatas dapat diperoleh kesimpulan bahwa perusahaan dengan nilai rata-rata ROA yang relative tinggi memiliki rata-rata harga saham yang juga relative tinggi. Sedangkan perusahaan yang memiliki nilai rata-rata NPL dan BOPO yang rendah memiliki nilai ROA yang relative tinggi. Hasil ini menunjukan bahwa fenomena yang terjadi pada setiap perusahaan tersebut selaras dengan teori atau dengan kata lain hasil empiris selaras degan teori.
Berdasarkan tabel tentang statistik deskriptif diatas diperoleh nilai standar deviasi dari setiap variabel penelitian yaitu (CAR, LDR, NIM, NPL, BOPO, ROA dan Harga Saham), dimana seluruh nilai standar deviasi dari setiap variabel dalam
penelitian ini lebih kecil dari nilai mean. Sehingga tidak ditemukan outlier dalam data penelitian ini. Dimana outlier merupakan data yang memiliki karakteristik unik yang berbeda jauh dari observasi lainnya dan muncul dalam nilai ekstrim (Ghozali, 2005).
5.2 Pengujian Asumsi Klasik
Pada sub-bab ini akan disajikan pengujian atas data penelitian dengan mengunakan 4 (empat) tahapan pengujian yaitu sebagai berikut:
1. Pengujian Normalitas 2. Pengujian Multikolenaritas 3. Pengujian Heterokedastisitas 4. Pengujian Autokolerasi
5.2. 1 Asumsi Klasik Persamaan Sub Struktur 1
Pada sub-bab ini disajikan pengujian asumsi klasik pada sub-struktur 1 yaitu pengaruh CAR, LDR, NIM, NPL, BOPO terhadap ROA.
1. Hasil Uji Normalitas dengan Kolmogrov- Smirnov Test Sub - Struktur 1 Pengujian normalitas dengan Kolmogorov-Smirnov dilaksanakan dengan memperhatikan nilai Smirnov dan Asymp. Sig. (2-tailed). Kolmogorov-Smirnov Z merupakan angka Z yang dihasilkan dari teknik Kolmogorov Kolmogorov-Smirnov untuk menguji kesesuaian distribusi data kita dengan suatu distribusi tertentu,dalam hal ini distribusi normal. Angka ini biasanya juga dituliskan dalam laporan penelitian ketika membahas mengenai uji normalitas. Asymp. Sig. (2-tailed). merupakan nilai p yang dihasilkan dari uji hipotesis nol yang berbunyi tidak ada perbedaan antara distribusi data yang diuji dengan distribusi data normal. Jika nilai p lebih besar dari 0,
maka kesimpulan yang diambil adalah hipotesis nol gagal ditolak, atau dengan kata lain sebaran data yang kita uji mengikuti distribusi normal.
Tabel 5.4
Uji Kolmogorov-Smirnov Sub-Strukur 1
One-Sample Kolmogorov-Smirnov Test
Unstandardized Residual
N 125
Normal Parametersa Mean .0000000
Std. Deviation .46187584
Most Extreme Differences Absolute .128
Positive .087
Negative -.128
Kolmogorov-Smirnov Z 1.346
Asymp. Sig. (2-tailed) .054
a. Test distribution is Normal.
Sumber : Hasil Penelitian, 2020 (Data Diolah)
Tabel 5.4 menunjukkan bahwa nilai Asymp.Sig (2-tailed) adalah 0.054 diatas nilai signifikan (0.05). Dengan kata lain variabel residual terdistribusi normal.
Berdasarkan hasil tersebut maka dapat disimpulkan bahwa persamaan regresi variabel penelitian terdistribusi secara normal.
2. Hasil Pengujian Multikolenaritas Sub-Struktur 1
Gejala multikolinieritas dapat dilihat dari besarnya nilai Tolerance dan VIF (Variance Inflation Factor), Kedua ukuran ini menunjukkan setiap variabel independen manakah yang dijelaskan oleh variabel independen lainnya, Tolerance adalah mengukur variabilitas variabel independen yang terpilih yang tidak
dijelaskan variabel independen lainnya. Nilai yang dipakai untuk Tolerance > 0,1, dan VIF < 10, maka tidak terjadi multikolinieritas.
Tabel 5.5
Multikolenaritas Sub-Strukur 1
Model
Collinearity Statistics Tolerance VIF 1 (Constant)
CAR 0.833 1.201
LDR 0.927 1.079
NPL 0.961 1.041
NIM 0.770 1.298
BOPO 0.887 1.128
Sumber : Hasil Penelitian, 2020 (Data Diolah)
Berdasarkan Tabel 5.5 dapat terlihat bahwa data (variabel) tidak terkena multikolinieritas karena nilai VIF < 10 dan nilai Tolerance > 0,1 sehingga model regresi layak dipakai untuk memprediksi ROA berdasarkan masukan variabel CAR, LDR, NPL, NIM, dan BOPO.
3. Pengujian Heterokedastisitas
Uji ini bertujuan untuk menguji apakah didalam model regresi terjadi ketidaksamaan varians. Jika varians dari residual satu pengamatan ke pengamatan yang lain tetap, maka disebut homoskedastisitas dan jika berbeda disebut heteroskedastisitas.
Model regresi yang baik adalah yang homoskedastisitas atau tidak terjadi heteroskedastisitas.
Sumber : Hasil Penelitian, 2020 (Data Diolah)
Gambar 5.1
Uji Heterokedastisitas Sub-Struktur 1
Berdasarkan Gambar pengujian heterokedastisitas terhadap persamaaan tersebut maka dapat terlihat bahwa tidak ada pola yang jelas, serta titik-titik menyebar diatas dan dibawah angka 0 pada sumbu Y, maka berdasarkan metode grafik scatter plot tersebut maka dapat disimpulkan tidak terjadi heteroskedastisitas pada model regresi.
4. Pengujian Autokolerasi Sub-Struktur 1
Uji autokorelasi merupakan pengujian asumsi dalam regresi di mana variabel dependen tidak berkorelasi dengan dirinya sendiri, maksud korelasi dengan dirinya sendiri adalah bahwa nilai variabel dependen tidak berhubungan dengan nilai variabel itu sendiri, baik nilai periode sebelumnya atau nilai periode sesudahnya. Kisaran uji autokolerasi yang dilakukan dalam pengujian Durbin Watson (DW) sebagai berikut:
Nilai Statistik d Hasil
0 < d < dL Hipotesis nol (null hypothesis) ditolak ada autokorelasi positif dL ≤ d ≤ dU Daerah keragu-raguan: tidak ada keputusan
dU ≤ d ≤ 4 - dU Gagal menolak hipotesis nol (null hypothesis) tidak ada autokorelasi 4 - dU ≤ d ≤ 4 - dL Daerah keragu-raguan: tidak ada keputusan
4 - dL ≤ d ≤ 4 Hipotesis nol (null hypothesis) ditolak: ada autokorelasi negative
Berdasarkan hasil pengolahan diperoleh nilai statistic Durbin-Watson (DW) diperoleh 1.949, nilai tersebut berada pada kisaran 1.79 < 1.949 < 2.051, maka dapat disimpulkan tidak terjadi autokolerasi pada model regresi.
5.2. 2 Asumsi Klasik Persamaan Sub Struktur 2
Pada sub-bab ini disajikan pengujian asumsi klasik pada sub-struktur 1 yaitu pengaruh CAR, LDR, NIM, NPL, BOPO, ROA terhadap Harga Saham.
1. Hasil Uji Normalitas dengan Kolmogrov- Smirnov Test Sub - Struktur 2 Pengujian normalitas dengan Kolmogorov-Smirnov dilaksanakan dengan memperhatikan nilai Smirnov dan Asymp. Sig. (2-tailed). Kolmogorov-Smirnov Z merupakan angka Z yang dihasilkan dari teknik Kolmogorov Kolmogorov-Smirnov untuk menguji kesesuaian distribusi data kita dengan suatu distribusi tertentu,dalam hal ini distribusi normal. Angka ini biasanya juga dituliskan dalam laporan penelitian ketika membahas mengenai uji normalitas. Asymp. Sig. (2-tailed). merupakan nilai p yang dihasilkan dari uji hipotesis nol yang berbunyi tidak ada perbedaan antara distribusi data yang diuji dengan distribusi data normal. Jika nilai p lebih besar dari 0,
maka kesimpulan yang diambil adalah hipotesis nol gagal ditolak, atau dengan kata lain sebaran data yang kita uji mengikuti distribusi normal.
Tabel 5.6
Uji Kolmogorov-Smirnov Sub-Strukur 2
One-Sample Kolmogorov-Smirnov Test
Unstandardized Residual
N 125
Normal Parametersa Mean .0000000
Std. Deviation .97885886
Most Extreme Differences Absolute .050
Positive .040
Negative -.050
Kolmogorov-Smirnov Z .532
Asymp. Sig. (2-tailed) .939
a. Test distribution is Normal.
Sumber : Hasil Penelitian, 2020 (Data Diolah)
Tabel 5.6 menunjukkan bahwa nilai Asymp.Sig (2-tailed) adalah 0.939 diatas nilai signifikan (0.05). Dengan kata lain variabel residual terdistribusi normal.
Berdasarkan hasil tersebut maka dapat disimpulkan bahwa persamaan regresi variabel penelitian terdistribusi secara normal.
4. Hasil Pengujian Multikolenaritas Sub-Struktur 2
Gejala multikolinieritas dapat dilihat dari besarnya nilai Tolerance dan VIF (Variance Inflation Factor), Kedua ukuran ini menunjukkan setiap variabel
independen manakah yang dijelaskan oleh variabel independen lainnya, Tolerance adalah mengukur variabilitas variabel independen yang terpilih yang tidak dijelaskan variabel independen lainnya. Nilai yang dipakai untuk Tolerance > 0,1, dan VIF < 10, maka tidak terjadi multikolinieritas.
Tabel 5.7
Multikolenaritas Sub-Strukur 2
Model
Collinearity Statistics Tolerance VIF 1 (Constant)
CAR 0.827 1.210
LDR 0.927 1.079
NPL 0.921 1.085
NIM 0.495 2.019
BOPO 0.703 1.423
ROA 0.401 2.493
Sumber : Hasil Penelitian, 2020 (Data Diolah)
Berdasarkan Tabel 5.7 dapat terlihat bahwa data (variabel) tidak terkena multikolinieritas karena nilai VIF < 10 dan nilai Tolerance > 0,1 sehingga model regresi layak dipakai untuk memprediksi Harga saham berdasarkan masukan variabel CAR, LDR, NPL, NIM, BOPO dan ROA.
5. Pengujian Heterokedastisitas
Uji ini bertujuan untuk menguji apakah didalam model regresi terjadi ketidaksamaan varians. Jika varians dari residual satu pengamatan ke pengamatan yang lain tetap, maka disebut homoskedastisitas dan jika berbeda disebut heteroskedastisitas.
Model regresi yang baik adalah yang homoskedastisitas atau tidak terjadi heteroskedastisitas.
Sumber : Hasil Penelitian, 2020 (Data Diolah)
Gambar 5.2
Uji Heterokedastisitas Sub-Struktur 2
Berdasarkan Gambar 5.2 pengujian heterokedastisitas terhadap persamaaan tersebut maka dapat terlihat bahwa tidak ada pola yang jelas, serta titik-titik menyebar diatas dan dibawah angka 0 pada sumbu Y, maka berdasarkan metode grafik scatter plot tersebut maka dapat disimpulkan tidak terjadi heteroskedastisitas pada model regresi.
6. Pengujian Autokolerasi Sub-Struktur 1
Uji autokorelasi merupakan pengujian asumsi dalam regresi di mana variabel dependen tidak berkorelasi dengan dirinya sendiri, maksud korelasi dengan dirinya sendiri adalah bahwa nilai variabel dependen tidak berhubungan dengan nilai variabel
itu sendiri, baik nilai periode sebelumnya atau nilai periode sesudahnya. Kisaran uji autokolerasi yang dilakukan dalam pengujian Durbin Watson (DW) sebagai berikut:
Nilai Statistik d Hasil
0 < d < dL Hipotesis nol (null hypothesis) ditolak ada autokorelasi positif dL ≤ d ≤ dU Daerah keragu-raguan: tidak ada keputusan
dU ≤ d ≤ 4 - dU Gagal menolak hipotesis nol (null hypothesis) tidak ada autokorelasi 4 - dU ≤ d ≤ 4 - dL Daerah keragu-raguan: tidak ada keputusan
4 - dL ≤ d ≤ 4 Hipotesis nol (null hypothesis) ditolak: ada autokorelasi negative
Berdasarkan hasil pengolahan diperoleh nilai statistic Durbin-Watson (DW) diperoleh 1.921, nilai tersebut berada pada kisaran 1.79 < 1.921 < 2.079, maka dapat disimpulkan tidak terjadi autokolerasi pada model regresi.
5.3 Analisis Jalur
Sebelum melakukan analisis, penulis hendak menampilkan diagram jalur hubungan kausalitas antara variabel X1, X2, X3, X4, X5, Y, dan Z yang diajukan penulis berdasarkan teori-teori yang ada:
Gambar 5.3
Model Diagram Jalur Varaibel X1, X2,X3, X4,X5 Y Terhadap Z
ROA (Y) CAR (X1)
LDR (X2)
NPL (X3)
NIM (X4)
BOPO (X5)
Harga Saham (Z)
Untuk melakukan analisa jalur (path analysis), maka struktur hubungan padadigaram jalur ditas akan dibagi menjadi dua model, yaitu:
Gambar 5.4
Model Diagram Jalur Sub-struktur 1 Persamaan atas sub-struktur diatas adalah sebagai berikut:
Y= pYx1+pYx2+ pYx5 + pYx4+ pYx5 +e
Sedangkan untuk substruktur ke 2 (dua) yang menghubungkan antara variabel X1,X2,X2,X4,X5, Y, dan Z adalah sebagai berikut.
Gambar 5.5
Model Diagram Jalur Sub-struktur 2
CAR (X1)
LDR (X2)
NPL (X3)
NIM (X4)
BOPO (X5)
ROA(Y)
ROA (Y) CAR (X1)
LDR (X2)
NPL (X3)
NIM (X4)
BOPO (X5)
Harga Saham (Z)
Persamaan atas sub-struktur diatas adalah sebagai berikut:
Z= pZx1+pZx2 +pZx3+pZx4+pZx5+ pZy+ e
Tujuan peneilitian ini adalah untuk mengetahui pengaruh CAR, LDR, NPL, NIM, BOPO, ROA serta implikasinya terhadap Harga Saham.
5.4 Analisis Jalur Sub-Struktur 1
Dalam pengujian sub-struktur yang pertama, peneliti akan menguji pengaruh variabel Pengaruh CAR, LDR, NPL, NIM dan BOPO Terhadap ROA (Y) pada perusahaan perbankan yang terdaftar di Bursa Efek Indonesia Tahun 2014-2018.
Berikut ini adalah hasil analisis regresi linear berganda menggunakan SPSS.
Tabel 5.8
Pengaruh CAR, LDR, NPL, NIM dan BOPO Terhadap ROA
Coefficientsa
Sumber : Hasil Penelitian, 2020 (Data Diolah)
Y= 2.286+0.126X1+ 0.041X2 – 0.159X3 + 1.178X4 – 0.972
Berdasarkan pada tabel diatas dapat diketahui bahwa variabel CAR memiliki nilai koefisien positif terhadap ROA, variabel LDR memiliki nilai koefisien positif terhadap ROA, variabel NPL memiliki nilai koefisien negative atau berpengaruh negative
terhadap ROA, variabel NIM memiliki nilai koefisien positif atau berpengaruh positif terhadap ROA dan variabel BOPO memiliki nilai koefisien negative atau berpengaruh negative terhadap ROA. Hasil pengujian koefisien determinasi pada persamaan pengaruh variabel CAR, LDR, NPL, NIM dan BOPO Terhadap ROA (Y) adalah sebagai berikut:
Tabel 5.9
Pengaruh CAR, LDR, NPL, NIM dan BOPO Terhadap ROA
Model Summaryb
Model R R Square
Adjusted R Square
Std. Error of the Estimate
1 .774a .599 .580 .48942
a. Predictors: (Constant), BOPO, NPL, LDR, CAR, NIM b. Dependent Variable: ROA
Sumber : Hasil Penelitian, 2020 (Data Diolah)
Berdasarkan hasil pengujian koesfisien determinasi diperoleh nilai Adjusted R Square adalah sebesar 0.580 atau 58%. Hasil tersebut menunjukan bahwa pengaruh variabel CAR, LDR, NPL, NIM, BOPO Terhadap ROA adalah sebesar 58% sedangkan 42% adalah pengaruh variabel penelitian diluar penelitian ini. Untuk mencari nilai e1 dapat dicari dengan rumus e1= √(1 − 0.58) = 0.64.
0.126 𝑒 = 0.64 -0.041
-0.159 1.178
-0.972
Gambar 5.6
Hasil Analisis Jalur Sub-struktur 1
Berdasarkan gambar 5.6 tentang hasil analisis jalur sub-struktur 1 (satu) dapat diperoleh hasil bahwa pengaruh CAR, NPL dan BOPO berpengaruh negatif sedangkan LDR dan NIM berpengaruh positif.
5.4.1 Pengujian Hipotesis Simultan (Uji-F) Sub-Struktur 1
Pengujian ini dilakukan untuk melihat apakah semua variabel bebas yang dimasukkan dalam model mempunyai pengaruh secara bersama-sama terhadap variabel terikat. Kriteria pengujiannya adalah :
1. Ho : b1 = 0, artinya secara serentak tidak terdapat pengaruh yang positif dan signifikan dari variabel bebas terhadap variabel terikat.
2. Ho : b1 ≠ 0, artinya secara serentak terdapat pengaruh yang positif dan signifikan dari variabel bebas terhadap variabel terikat.
Kriteria pengambilan keputusan adalah:
1. Ho diterima jika F hitung < F tabel pada α= 5%
2. Ho ditolak jika F hitung > F tabel pada α= 5%
CAR (X1)
LDR (X2)
NPL (X3)
NIM (X4)
BOPO (X5)
ROA(Y)
Untuk menentukan nilai F, maka diperlukan adanya derajat bebas pembilang dan derajat bebas penyebut, dengan rumus sebagai berikut:
1. df (Pembilang) = k – 1 2. df (Penyebut) = n – k
Keterangan :
n = jumlah sampel penelitian
k = jumlah variabel bebas dan terikat
Pada sub-struktur 1 ini diketahui jumlah sampel (n) 125 dan jumlah keseluruhan variabel (k) adalah 5, sehingga diperoleh :
1. df (pembilang) = 5 – 1 = 4
2. df (penyebut) = 125 – 5 = 120 (2.45)
Nilai Fhitung akan diperoleh dengan menggunakan bantuan SPSS, kemudian akan dibandingkan dengan Ftabel pada tingkat α = 5%.
Tabel 5.10
Pengujian Hipotesis Simultan (Uji-F)
ANOVAb
Model Sum of Squares df Mean Square F Sig.
1 Regression 37.896 5 7.579 31.642 .000a
Residual 25.391 106 .240
Total 63.287 125
a. Predictors: (Constant), BOPO, NPL, LDR, CAR, NIM b. Dependent Variable: ROA
Sumber : Hasil Penelitian, 2020 (Data Diolah)
Pada Tabel 5.10 dapat dilihat bahwa hasil perolehan Fhitung pada kolom F yakni sebesar 31.64 dengan tingkat signifikansi = 0.000, lebih besar dari nilai Ftabel yakni 2.45, dengan tingkat kesalahan α = 5% atau 0.05, atau dengan kata lain Fhitung
Pada Tabel 5.10 dapat dilihat bahwa hasil perolehan Fhitung pada kolom F yakni sebesar 31.64 dengan tingkat signifikansi = 0.000, lebih besar dari nilai Ftabel yakni 2.45, dengan tingkat kesalahan α = 5% atau 0.05, atau dengan kata lain Fhitung