Bab II LANDASAN TEORI
4.4 Hasil Regresi Persamaan Penelitian
Uji ini dilakukan untuk mengetahui apakah model penelitian menggunakan fixed effect atau common effect. Hasil uji chow dalam penelitian ini, dijabarkan dalam tabel sebagai berikut:
Tabel 4.4 Hasil Uji Chow Test cross-section fixed effects
Effect Test Statistic d.f. Prob.
Cross-section F 44.335954 (11,176) 0.0000 Cross-section Chi-square 254.849176 11 0.0000 Sumber: Data diolah Penulis (2016)
Berdasarkan tabel 4.4 hasil Uji Chow menunjukkan nilai probabilitas cross-section chi-square adalah 0.0000. Nilai probabiliyas ini lebih rendah dari kriteria pengujian yang memberikan batasan chi-square sebesar 0.05.
Hal tersebut menyebabkan Ho ditolak dan Ha diterima. Maka dengan itu, model fit bila menggunakan fixed effect model.
Kemudian penelitian ini dilanjutkan dengan menggunakan model fixed effect yang selanjutnya dilakukan uji hausman.
4.4.2 Uji Hausman
Uji ini dilakukan untuk menentukan apakah estimasi regresi data panel menggunakan fixed effect atau random effect. Hasil dari uji hausman dalam penelitian ini, dijabarkan dalam tabel sebagai berikut:
Tabel 4.5 Hasil Uji Hausman Test cross-section random effects
Test Summary Chi-Sq. Statistic Chi-Sq d.f. Prob.
Cross-section random 16.497956 4 0.0024
Sumber: Data diolah Penulis (2016)
Tabel 4.5 menunjukkan nilai probabilitas cross-section random sebesar 0.0024. Nilai probabilitas berada di bawah kriteria batasan cross- section fixed dalam penelitian ini, yaitu 0.05. Hal tersebut menyebabkan Ho ditolak, dan Ha diterima. Sehingga model regresi data panel yang fit digunakan dalam penelitian ini adalah fixed effect model.
4.4.3 Hasil Analisis Regresi Berganda
Metode penelitian ini menggunakan metode analisis regresi linier berganda. Terdiri dari 12 (dua belas) bank dengan data penelitian selama 4 (empat) tahun, setiap tahunnya data yang digunakan merupakan data kuartal. Maka dengan itu, data yang digunakan terdapat 208 data, namun setelah dilakukan outlier pada data penelitian ini maka data yang digunakan sebanyak 192 data.
Persamaan yang digunakan dalam penelitian ini sebagai berikut:
ROA = α + β1 NPLit + β2 PDNit + β3 LDRit + β4 BOPOit +
ε
itAnalisis hasil dari model regresi penelitian ini menggunakan data yang dirangkum dalam tabel sebagai berikut:
Tabel 4.6
Hasil Regresi Model Penelitian dengan Menggunakan Fixed Effect Model No. Variable Coefficient Std. Error t-Statistic Prob. Conclusion
1 C 0.104247 0.003317 31.43065 0.0000
2 NPL -0.029629 0.029674 -0.998507 0.3195 Tidak signifikan 3 PDN -0.006583 0.006227 -1.057106 0.2920 Tidak signifikan 4 LDR 0.001001 0.002304 0.434346 0.6646 Tidak signifikan 5 BOPO -0.103920 0.003513 -29.58018 0.0000 Signifikan 6 AR(1) 0.646187 0.057496 11.23880 0.0000
7 R-squared 0.990327
8 Adjusted R-squared 0.989378
9 F-statistic 1043.027
10 Prob. (F-statistic) 0.000000
11 Durbin-Watson stat. 2.071382
12 Inverted AR Roots 0.65
Sumber: Data diolah Penulis (2016)
Berdasarkan hasil regresi model penelitian di atas, maka diperoleh persamaan regresi linier berganda sebagai berikut:
ROA = 0.750434 - 0.029629*NPL - 0.006583*PDN + 0.001001*LDR - 0.103920*BOPO
Persamaan linier berganda di atas dijelaskan sebagai berikut:
1. Apabila variabel NPL, PDN, LDR dan BOPO, maka nilai konstanta ROA sebesar 0.750434;
2. Koefisien regresi untuk NPL sebesar -0.029629. Hal ini menunjukkan bahwa ROA akan mengalami penurunan sebesar 0.029629% untuk setiap kenaikan 1% NPL, dan sebaliknya. Hal tersebut dengan asumsi variabel lain adalah konstan;
3. Koefisien regresi untuk PDN sebesar -0.006583. Hal ini menunjukkan bahwa ROA akan mengalami penurunan sebesar
0.006583% untuk setiap kenaikan 1% PDN, dan sebaliknya. Hal tersebut dengan asumsi variabel lain adalah konstan;
4. Koefisien regresi untuk LDR sebesar 0.001001. Hal ini menunjukkan bahwa ROA akan mengalami peningkatan sebesar 0.001001% untuk setiap kenaikan 1% LDR, dan sebaliknya. Hal tersebut dengan asumsi variabel lain adalah konstan; dan
5. Koefisien regresi untuk BOPO sebesar -0.103920. Hal ini menunjukkan bahwa ROA akan mengalami peningkatan sebesar 0.103920% untuk setiap kenaikan 1% BOPO, dan sebaliknya. Hal tersebut dengan asumsi variabel lain adalah konstan.
Berdasarkan hasil koefisien regresi dari ketiga variabel independen yang diuji pada penelitian ini, dapat disimpulkan bahwa Loan to Deposit Ratio (LDR) memiliki koefisien regresi terbesar yaitu 0.001001. Dengan kata lain bahwa Loan to Deposit Ratio merupakan variabel dominan yang berpengaruh dalam kinerja keuangan Bank yang diproksikan melalui Return On Asset (ROA).
4.4.4 Koefisien Determinasi (Adjusted R2)
Koefisien determinasi adalah salah nilai statistik yang dapat digunakan untuk mengukur seberapa jauh model penelitian yang digunakan dapat dihubungkan antara variabel independen dengan variabel dependen dalam mengestimasi persamaan regresi.
Berdasarkan tabel 4.6 nilai koefisien determinasi (Adjusted R2) adalah sebesar 0.990327 atau 99.0327%. Hal ini menunjukkan bahwa Non
Performing Loan (NPL), Posisi Devisa Neto (PDN), Loan to Deposit Ratio (LDR) dan Biaya Operasional terhadap Pendapatan Operasional (BOPO) mampu menjelaskan pengaruh kepada Return on Asset (ROA) sebesar 99.0327%. Sedangkan sisanya, yaitu sebesar 0.9673% dijelaskan oleh variabel lain yang tidak digunakan dalam model penelitian ini.
4.5 Uji Asumsi Klasik
Uji asumsi klasik digunakan untuk mengetahui apakah model regresi yang dapat digunakan untuk melakukan estimasi terbaik. Masalah dalam regresi linier yang sering ditemukan, antara lain multikolinearitas, heteroskedastisitas dan autokolerasi. Di bawah ini merupakan pembahasan mengenai uji asumsi klasi yang telah dilakukan pada penelitian ini, sebagai berikut:
4.5.1 Uji Normalitas
Uji normalitas ditujukan agar dapat melihat apakah residual data yang diperoleh pada penelitian ini memiliki distribusi normal atau tidak normal karena residual data yang berdistribusi normal merupakan salah satu syarat agar dapat melakukan teknik analisis regresi berganda. Berikut ini merupakan hasil dari uji normalitas berdasarkan model penelitian yang digunakan, sebagai berikut:
Sumber: Data diolah penulis (2016)
Gambar 4.13
Grafik Normalitas Residual
Gambar 4.12 di atas menunjukkan bahwa residual data telah terdistribusi normal, hal tersebut terlihat dari nilai probabilitas di atas 0.05, yaitu sebesar 0.183972. Dengan hasil tersebut yang telah diperoleh, maka dapat disimpulkan bahwa residual data telah terdistribusi normal yang berarti menerima Ho. Awalnya, jumlah observasi sebanyak 192 observasi terdiri dari 4 (empat) tahun periode pengamatan, dan setiap tahun terdapat 4 (empat) kuartal yang diteliti. Objek pengamatan sebanyak 12 (dua belas) Bank Umum berdasarkan Kegiatan Usaha (BUKU) 3, dan 4. Residual data menjadi tidak normal diakibatkan adanya residual data dengan nilai yang ekstrim pada penelitian (lampiran 4). Outlier dilakukan sebanyak 20 (dua puluh) kali outlier sehingga mendapatkan residual data yang telah terdistribusi normal. Berikut ini merupakan data yang terdapat outlier dijabarkan dalam tabel sebagai berikut:
0 4 8 12 16 20
-0.0050 -0.0025 0.0000 0.0025
Series: Standardized Residuals Sample 2012Q1 2015Q4 Observations 192 Mean 0.000000 Median 0.000149 Maximum 0.003872 Minimum -0.005732 Std. Dev. 0.001513 Skewness -0.218948 Kurtosis 3.481134 Jarque-Bera 3.385942 Probability 0.183972
Tabel 4.7 Data Outlier
NO NAMA BANK PERIODE
1 Bank Danamon, Tbk.
2012 Kuartal 1, 2, 3 dan 4 2013 Kuartal 1, 2, 3 dan 4 2014 Kuartal 1, 2, 3 dan 4 2015 Kuartal 1, 2, 3 dan 4 Sumber: Data diolah penulis (2016)
4.5.2 Uji Multikolinearitas
Uji multikolinearitas digunakan sebagai pengujian ada atau tidaknya mengenai variabel kolerasi linear antar variabel independen. Salah satu syarat di dalam uji asumsi klasik adalah data yang diperoleh tidak boleh ada unsur multikolinearitas. Berikut ini merupakan hasil dari uji multikolinearitas yang terdapat pada model penelitian, sebagai berikut:
Tabel 4.8
Hasil Uji Multikolinearitas
NPL PDN LDR BOPO
NPL 1.000000
PDN -0.127638 1.000000
LDR 0.382415 -0.086412 1.000000
BOPO 0.451195 0.101984 0.259879 1.000000 Sumber: Data diolah penulis (2016)
Syarat untuk menguji multikolineritas ini dengan melihat koefisien korelasi. Apabila koefisien cukup tinggi di atas 0,85 maka diduga terdapat masalah multikolinearitas pada model penelitian maupun sebaliknya. Pada uji asumsi klasik data yang diperoleh tidak diperkenankan adanya unsur
multikolinearitas. Cara untuk melihat masalah pada multukolinearitas dengan menggunakan correlation matrix, seperti tabel 4.8.
Berdasarkan tabel 4.8 korelasi antar variabel cukup rendah.
Pengaruh antara variabel NPL dengan variabel PDN sebesar -0.127638 yang merupakan koefisien terendah dari variabel lainnya. Sedangkan pengaruh antara variabel PDN dengan variabel LDR sebesar 0.086412.
Selanjutnya, untuk pengaruh antara variabel LDR dengan variabel BOPO sebesar 0.478689 yang merupakan koefisien tertinggi dari variabel lainnya.
Dari hasil multikolinearitas di atas, seluruh variabel menunjukkan nilai koefisien di bawah 0.85 sehingga dapat disimpulkan bahwa model penelitian bebas dari masalah multikolinearitas.
4.5.3 Uji Heteroskedastisitas
Uji heteroskedastisitas dilakukan agar dapat menguji apakah terjadi kesalahan, dan muncul residual dari model regresi yang dianalisis pada pengamatan yang satu ke pengamatan lainnya. Dalam penelitian ini, uji heteroskedastisitas dilakukan dengan menggunakan uji park. Berikut ini merupakan hasil uji heteroskedastisitas, sebagai berikut:
Tabel 4.9
Hasil Uji Heteroskedastisitas Variabel Dependen: LOG(RESID2)
N
o Variable Coefficient Std.
Error t-Statistic Prob. Conclusion
1 C -15.01767 3.877951 -3.872579 0.0002 heteroskedastisitas Non- 2 NPL 28.07174 38.63106 0.726662 0.4684 heteroskedastisitas Non-
heteroskedastisitas 4 LDR -3.230652 3.536023 -0.913640 0.3622 heteroskedastisitas Non- 5 BOPO 6.283885 3.833359 1.639263 0.1029 heteroskedastisitas Non-
Sumber: Data diolah Penulis (2016)
Hasil uji heteroskedastisitas di atas menunjukkan bahwa probabilitas koefisien variabel NPL sebesar 0.4684 > 0.05, variabel PDN sebesar 0.2523 > 0.05, variabel LDR sebesar 0.3622 > 0.05 dan variabel BOPO sebesar 0.1029 > 0.05. Seluruh variabel independen menunjukkan nilai probabilitas koefisien yang lebih besar dari nilai signifikan 0.05, sehingga dapat disimpulkan bahwa Ho diterima, dan Ha ditolak. Dengan demikian, penelitian ini terbebas dari masalah heteroskedastisitas.
4.5.4 Uji Autokorelasi
Menurut Winarno (2011) autokorelasi menunjukkan hubungan antara residual suatu observasi dengan residual observasi lainnya. Pada uji asumsi klasik, hal ini tidak dapat terjadi. Oleh karena itu, dilakukan uji autokolerasi dengan melihat Durbin-Watson Stat. Pada hasil estimasi regresi.
Pada penelitian ini dilakukan treatment yang berguna untuk dapat menyelesaikan masalah autokorelasi. Salah satu cara yang dapat digunakan dengan menggunakan model aturegressive (AR), yaitu dengan memasukkan variabel AR(1) ke dalam estimasi model yang digunakan.
Menurut Winarno (2011) asumsi AR merupakan data periode saat ini dipengaruhi oleh data periode sebelumnya. Oleh karena itu, AR(1) menunjukkan bahwa variabel dependen hanya dapat dipengaruhi oleh nilai
variabel tersebut, yaitu satu periode sebelumnya (Widarjono, 2009).
Berikut ini merupakan hasil estimasi setelah variabel AR(1) dimasukkan ke dalam model penelitian, sebagai berikut:
Tabel 4.10 Hasil Uji Autokorelasi Variabel Dependen: ROA
1. R-squared 0.990327
2. Adjusted R-squared 0.989378
3. F-Statistic 1043.027
4. Prob(F-statistic) 0.000000
5. Durbin-Watson stat 2.071382
Sumber: Data diolah Penulis (2016)
Berdasarkan tabel 4.10, hasil uji autokorelasi setelah diberikan treatment AR(1) menunjukkan nilai durbin-watson stat. sebesar 2.071382 yang berarti nilai DW berada diantara 1.54 sampai dengan 2.46. Sehingga dapat disimpulkan bahwa Ho dari uji autokolerasi diterima, dan Ha ditolak, serta tidak terdapat masalah autokolerasi dalam penelitian ini.
4.6 Hasil Uji Hipotesis