62
1. Statistik Deskriptif
Statistik deskriptif pada penelitian ini akan menggambarkan data penelitian tentang FDR, ROE,dan NOM. Sampel penelitian sebanyak 32 sampel yaitu periode 2005 - 2012.
Analisis statistik deskriptif pada penelitian ini dapat dilihat dari nilai minimum, nilai maksimum, mean, dan standar deviasi1 yang dijelaskan sebagai berikut:
1Purbayu Budi Santoso dan Ashari, Analisis Statistik dengan Microsoft Excel dan SPSS, (Yogyakarta: ANDI, 2005), ed. I, hlm. 19.
Tabel 4.1.
Statistik Deskriptif Data-data Penelitian Periode Tahun 2005-2012
Sumber : Data diolah
Hasil deskriptif statistik pada tabel 4.1 di atas diketahui nilai mean data untuk variabel CAR adalah sebesar 12.9044 dengan standar deviasi sebesar 215,317 nilai mean untuk variabel FDR adalah sebesar 94,60 dengan standar deviasi sebesar 6,447. nilai mean untuk variabel ROE adalah sebesar 80,34 dengan standar deviasi sebesar 315,716 nilai mean untuk variabel NOM adalah sebesar 6,70 dengan standar deviasi sebesar 1,888.
B. Uji Asumsi Klasik
Untuk menghasilkan suatu analisis data yang akurat, suatu persamaan regresi sebaiknya terbebas dari asumsi-asumsi klasik yang harus dipenuhi antara lain uji normalitas, multikolinearitas, autokolerasi dan heteroskedastisitas.
1. Pengujian Normalitas Data
Uji normalitas bertujuan untuk mengetahui apakah dalam model regresi, variabel terikat dan variabel bebas memiliki distribusi normal atau tidak. Model regresi yang baik adalah memiliki distribusi data
Descriptive Statistics Mean Std. Deviation N CAR 12.9044 215.317 32 FDR 94.60 6.447 32 ROE NOM 80.34 6.70 315.716 1.888 32 32
normal atau mendekati normal. Untuk mendeteksi apakah residual berdistribusi normal atau tidak yaitu analisis grafik dengan melihat tampilan grafik histogram, grafik normal probability plot, maupun dengan uji one sample kolmogrov-smirnov test.
Berdasarkan hasil pengolahan data SPSS, Uji normalitas data dalam penelitian dapat dilakukan dengan berbagai model normalitas data, yang salah satunya adalah sebagai berikut :
Gambar 4.1. Uji Normalitas Data dengan Histogram
Sumber : Data diolah
Sedangkan grafik normal plot adalah grafik yang membandingkan distribusi kumulatif dari distribusi normal. Distribusi normal akan membentuk suatu garis lurus diagonal, dan ploting data residual akan membandingkan dengan garis diagonal. Jika distribusi data residual normal, maka garis yang menggambarkan data sesungguhnya akan mengikuti garis diagonalnya2, hasilnya adalah sebagai berikut:
2Imam Ghozali, “Aplikasi Multivariate dengan Program SPSS”, (Semarang: UniversitasDiponegoro, 2004), hlm.70.
Gambar 4.2. Grafik Normal P-P Plot
Sumber : Data diolah
Dapat juga dilihat pada tabel one sample kolmogrov-smirnov test. Hasil normalitilas diketahui dari nilai Asymp. Sig. (2-tailed), bila>0,05 berarti menunjukkan model regresi telah memenuhi asumsi Normalitilas. Hasil uji Normalitilas dapat dilihat pada tabel sebagai berikut:
Tabel 4.2. Hasil Uji Normalitas
One-Sample Kolmogorov-Smirnov Test
CAR FDR ROE NOM
N 32 32 32 32
Normal Parametersa Mean 1290.44 94.60 80.34 6.70
Std. Deviation 215.317 6.447 315.7 16 1.888 Most Extreme Differences Absolute .152 .073 .517 .183 Positive .152 .071 .517 .183 Negative -.090 -.073 -.409 -.122 Kolmogorov-Smirnov Z .859 .411 2.924 1.033
Asymp. Sig. (2-tailed) .452 .996 .000 .237
a. Test distribution is Normal.
Dari hasil pengujian di atas dapat diketahui bahwa Asymp. Sig. (2-tailed) dari variable (CAR adalah sebesar 0,452, FDR adalah sebesar 0,996, ROE adalah sebesar 0.000 dan NOM sebesar 0,237) >0,05 yang berarti bahwa data berdistribusi normal.
2. Uji Multikolinearitas
Uji multikolinearitas bertujuan untuk menguji apakah dalam model regresi ditemukan adanya kolerasi antar variabel bebas. Model regresi yang baik seharusnya tidak terjadi kolerasi diantara variabel bebas. Jika variabel bebas saling berkolerasi, maka variabel - variabel ini tidak orthogonal. Variabel orthogonal adalah variabel bebas yang nilai kolerasi antar sesama variabel bebas sama dengan nol. Multikolinearitas dapat dilihat dari nilai tolerance dan Variance Inflation Factor (VIF). Regresi bebas dari gangguan multikolinearitas apabila nilai VIF kurang dari 10.3 Berdasarkan hasil pengolahan SPSS atas data yang diperoleh, dapat dilihat padaTabel 4.3 sebagai berikut:
3Imam Ghozali, Aplikasi Multivariate dengan Program SPSS, (Semarang: Universitas Diponegoro, 2004),hlm. 91.
Tabel 4.3. Uji Multikolinearitas
S
S
Sumber : Data diolah
Dari tabel tersebut di atas dapat dilihat bahwa nilai VIF untuk masing-masing variabel adalah < 10 dan tolerance tidak kurang dari 0,1. Hal ini membuktikan bahwa model regresi yang digunakan dalam penelitian ini tidak terdapat gejala multikolinearitas (homoskedastisitas).
3. Uji Autokorelasi
Uji Autokorelasi bertujuan mengetahui apakah terjadi korelasi antara variabel bebas yang diurutkan menurut waktu (data time series) atau ruang (data cross section). Untuk mengetahui adanya Autokorelasi atau tidak dalam suatu model regresi dilakukan dengan melakukan uji
Coefficientsa Model Collinearity Statistics Tolerance VIF 1 (Constant) FDR .972 1.029 ROE NOM .978 .992 1.023 1.008 a. Dependent Variable: CAR
Durbin Watson (uji DW). Uji ini menghasilkan nilai DW hitung (d) dan
nilai Dw tabe (dL & dV)4. Aturan pengujiannya adalah: Tabel 4.4.
Aturan Pengujian Durbin-Watson
d<dL
Terjadi masalah autokorelasi yang positif yang perlu perbaikan.
DL<d<du
Ada masalah autokorelasi positif tetapi lemah, di mana perbaikan akan lebih baik.
Du<d<4-du Tidak ada masalah autokorelasi.
4-du<d<4-dL
Masalah autokorelasi lemah, di mana dengan perbaikan akan lebih baik.
4-dL<d Masalah auto korelasi serius.
4 Purbayu Budi Santosa dan Ashari, “Analisis Statistik dengan Microsoft Excel dan SPSS”,(Yogyakarta: ANDI, 2005), ed. I, hlm. 240.
Tabel 4.5. Uji Autokorelasi
Sumber : Data diolah
Memperhatikan hasil perhitungan dalam tabel di atas, nilai Durbin-Watson sebesar 1,311 dan nilai ini akan dibandingkan dengan nilai tabel dengan menggunakan nilai signifikansi 5%, jumlah data 32 (n) dan variabel independent 4 (k=4). Nilai Durbin-Watson dari tabel didapat d1=0,978 dan du=1,509 sehingga nilai du=1,509 nilai Durbin-Watson= 1,311 lebih kecil dari 4-du=2,42. Dengan demikian dapat disimpulkan tidak terjadi autokorelasi dalam model regresi.
4. Uji Heteroskedastisitas
Uji Heteroskedastisitas bertujuan menguji apakah dalam model regresi terjadi ketidaksamaan variance dari residual satu pengamatan ke pengamatan yang lain. Model regresi yang baik adalah yang homokedastisitas atau tidak terjadi heteroskedastisitas. Cara untuk mendeteksinya adalah dengan cara melihat grafik scatterplot antara nilai, prediksi variabel terikat (Z-PRED) dengan residualnya (SRESID).
Model Summaryb Model R R Square Adjusted R Square Std. Error of the Estimate Durbin-Watson 1 .457a .209 .124 201.532 1.311
a. Predictors: (Constant), FDR,ROE,NOM b. Dependent Variable: CAR
Deteksi ada tidaknya Heteroskedastisitas dapat dilakukan dengan melihat ada tidaknya pola tertentu pada grafik scatterplot antar SRESID dan ZPRED dimana sumbu Y adalah Y yang telah diprediksi dan sumbu X adalah residual (Y pred – Y sesungguhnya) yang telah distudentized, dengan pengambilan keputusan sebagai berikut :
(1) Jika ada pola tertentu seperti titik-titik yang ada membentuk pola tertentu yang teratur (bergelombang, melebar dan menyempit)
(2) Jika tidak ada pola yang jelas, serta titik-titik menyebar di atas dan dibawah angka nol pada sumbu Y, maka tidak terjadi heteroskedastisitas.5
Berdasarkan hasil pengolahan data, uji heteroskedastisitas dalam penelitian ini ditunjukkan pada Gambar 4.3 :
Gambar 4.3 Uji Heteroskedastisitas
Sumber : Data diolah
5Imam Ghozali,Aplikasi Multivariate dengan Program SPSS, (Semarang: Universitas Diponegoro, 2004),hlm. 68.
Dari hasil output asumsi heteroskedastisitas dengan grafik scatterplot terlihat bahwa titik-titik menyebar dan tidak ada pola yang jelas. Dengan demikian maka semua variabel independent bebas dari pengujian heteroskedastisitas dan tidak terjadi gejala homokedastisitas atau persamaan regresi memenuhi asumsi heteroskedastisitas.
C. Uji Regresi Berganda
Dalam penelitian yang berkaitan dengan pengaruh FDR, ROE dan NOM terhadap CAR pada Bank Muamalat Indonesia Tbk. Penelitian ini analisis yang digunakan adalah analisis regresi linier berganda. Perhitungan regresi berganda dilakukan dengan bantuan program SPSS For Windows Versi 16.0. hasil perhitungan dapat dilihat pada tabel sebagai berikut:
Tabel 4.6. Hasil Analisis Regresi
Coefficientsa Model Unstandardized Coefficients Standardized Coefficients t Sig. B Std. Error Beta 1 (Constant) 2250.298 546.318 4.119 .000 FDR -11.417 5.695 -.342 -.2005 .055 ROE NOM .165 15.985 .116 19.240 .241 .140 1.420 .831 .165 .413
Sumber : Data sekunder yang diolah
Berdasarkan hasil analisis regresi berganda di atas diperoleh model persamaan regresi akhir sebagai berikut :
= 2250.298+11.417 FDR+0.165ROE+15.985 NOM+ e..
Berdasarkan persamaan regresi linier berganda tersebut, maka dapat di interpretasikan untuk masing-masing variabel sebagai berikut : a. Kontanta (β0) sebesar 2250.298 artinya menandakan bahwa CAR yang
dihitung dengan persamaan regresi akan lebih kecil dari yang diharapkan. Konstanta tersebut menyebutkan bahwa apabila variabel lain FDR, ROE dan NOM dianggap tetap atau nol, maka konstanta akan dapat meningkat sebesar 2250.29.
b. Koefisen regresi FDR (X1) sebesar -11,417, artinya bahwa setiap perubahan sebesar satu satuan pada FDR dengan asumsi variabel lainnya tetap, maka akan merubah CAR sebesar -11,417 berarti bahwa antara FDR dengan CAR menunjukkan hubungan yang searah yang ditandai dengan tanda negatif.
c. Koefisien regresi ROE (X2) sebesar 0,165 menyatakan bahwa setiap perubahan sebesar satu satuan pada ROE, maka akan merubah CAR variabel lainnya tetap. Adanya hubungan yang positif ini, berarti bahwa antara ROE dengan CAR menunjukkan hubungan yang searah, artinya setiap kenaikan ROE akan diikuti oleh kenaikan CAR dan sebaliknya penurunan ROE akan mengakibatkan penurunan CAR.
d. Koefisien regresi NOM (X3) sebesar 15,985 menyatakan bahwa setiap perubahan sebesar satu satuan pada NOM, maka akan merubah CAR variabel lainnya tetap. Adanya hubungan yang positif ini, berarti bahwa antara NOM dengan CAR menunjukkan hubungan yang searah, artinya setiap kenaikan NOM akan diikuti oleh kenaikan CAR dan sebaliknya penurunan PBV akan mengakibatkan penurunan harga saham syariah.
D. Uji Hipotesis
Pengujian hipotesis dalam penelitian ini terdiri dari uji simultan dan uji parsial. Uji simultan untuk menguji hipotesis bahwa ada pengaruh secara bersama-sama variabel bebas (FDR, ROE dan NOM) terhadap CAR dengan menggunakan uji F dan uji parsial untuk menguji pengaruh variabel-variabel bebas secara per variabel-variabel terhadap CAR dengan menggunakan uji t. 1. Uji t Statistik (Parsial)
Untuk mengetahui pengaruh masing-masing variabel bebas terhadap variabel terikat antara FDR, ROE dan NOM terhadap CAR dalam penelitian ini dilakukan pengujian terhadap koefisien regresi yaitu dengan Uji t. Uji t ini dilakukan dengan membandingkan nilai t hitung dengan nilai t tebelnya. Kesimpulan yang dapat di ambil dari uji t ini adalah pertama, bila t hitung hasil regresi lebih kecil dari t tabel dengan P-value ≤0.05, maka Ha akan diterima. Kedua, bila t hitung regresi lebih besar dari nilai t table dengan P-value ≥0.05, maka Ha akan ditolak.
Sumber : Data diolah
Berdasarkan analisis yang dapat dilihat pada tabel 4.7, maka pengujian koefisien regresi sebagai berikut:
a) Pengaruh FDR terhadap CAR di Bank Muamalat Indonesia Tbk. Berdasarkan hasil uji t diperoleh t hitung sebesar -0,354
probabilitas -0,354<0,05 maka hipotesis yang menyatakan tidak ada pengaruh FDR terhadap CAR di Bank Muamalat, H01 ditolak dan
berarti Ha1 diterima karena terdapat pengaruh signifikan variabel
antara FDR terhadap CAR di Bank Muamalat Indonesia Tbk. Adanya kestabilan dalam pengelolaan aktiva yang efektif dan efisien sehingga perusahaan menghasilkan keuntungan dengan memanfaatkan aktiva yang dimilikinya.
Tabel 4.7.
Hasil Uji t atau Uji Parsial Coefficientsa
Model Correlations
Zero-order Partial Part 1 (Constant)
FDR -.365 -.354 -.337
ROE .287 .259 .239
NOM .103 .155 .140
b) Pengaruh ROE terhadap CAR di Bank Muamalat Indonesia Tbk. Berdasarkan hasil uji t diperoleh t hitung sebesar 0,259
probabilitas 0,259>0,05 maka hipotesis yang menyatakan ada pengaruh ROE terhadap CAR di Bank Muamalat Indonesia Tbk, H02
diterima dan Ha2 ditolak karena tidak terdapat pengaruh signifikan
antara ROE terhadap CAR.
c) Pengaruh NOM terhadap CAR di Bank Muamalat Indonesia Tbk. Berdasarkan hasil uji t diperoleh t hitung sebesar 0,155
probabilitas 0,155>0,05 maka hipotesis yang menyatakan ada pengaruh NOM terhadap CAR di Bank Muamalat Indonesia Tbk, H03
diterima dan Ha3 ditolak karena tidak terdapat pengaruh signifikan
variabel NOM terhadap CAR pada Bank Muamalat Indonesia Tbk. 2. Uji F Statistik (Simultan)
Uji F digunakan untuk memprediksi pengaruh variabel bebas atau variable X ( FDR, ROE , dan NOM ) secara simultan atau bersama-sama terhadap variabel terikat atau variable Y ( CAR ). Jika F hitung lebih kecil dari F table dengan P-value >0.05 maka Ha diterima dan Ho ditolak. Jika F hitung lebih besar dari F table dengan P-value <0.05 maka Ho ditolak dan Ha diterima. Seluruh data diolah dapat dilihat dari hasil uji F pada tabel 4.8.
Tabel 4.8.
Hasil Uji F atau Uji Simultan
ANOVAb Model Sum of Squares Df Mean Square F Sig. 1 Regressi on 299979.022 3 999993.007 2.462 .083a Residual 1137224.853 28 40615.173 Total 9.577E9 31
a. Predictors: (Constant), FDR, ROE, NOM
b. Dependent Variable: CAR
Dari hasil perhitungan regresi diketahui F hitung = 2,462 dengan
nilai P-value 0,083>0.05 maka hipotesis yang menyatakan terhadap pengaruh FDR, ROE, NOM secara simultan terhadap CAR di Bank Muamalat Indonesia Tbk Ha4 ditolak dan berarti H04 diterima karena
tidak terdapat pengaruh yang signifikan variabel bebas (X) terhadap variabel terikat (Y) secara simultan atau bersama-sama
Untuk mengetahui koefisien determinasi menunjukkan seberapa besar kontribusi variabel bebas atau X (FDR, ROE dan NOM) secara bersama-sama dalam menjelaskan variabel terikat atau Y (CAR) dapat di lihat pada tabel 4.9.
Tabel 4.9.
Koefisien Determinasi
.
Sumber : Data diolah
Dari tampilan output SPSS menunjukkan besarannya adjusted R2 sebesar 0,209 hal ini berarti 20,9% variasi CAR di Bank Muamalat Indonesia Tbk yang dapat dijelaskan oleh variasi variabel independent yaitu FDR, ROE dan NOM Sedangkan sisa (100%-20,9%= 70,1%) dijelaskan oleh sebab-sebab lain diluar model yang dilakukan oleh peneliti. Model Summaryb Model R R Square Adjusted R Square Std. Error of the Estimate 1 .457a .209 .124 201.532
a. Predictors: (Constant), FDR,ROE,NOM
