BAB III: METODOLOGI PENELITIAN
3.5. Teknik Pengolahan dan Analisis Data
Analisa deskriptif merupakan analisis yang meneliti objek dalam keadaan apa adanya, sesuai dengan data yang diperoleh kemudian disusun dan disampaikan (Sugiyono, 2012:206). Dalam analisis ini akan dilakukan pembahasan mengenai Non perfoming Loan (NPL), Biaya Operasional terhadap Pendapatan Operasional (BOPO), Capitall Adequacy Ratio (CAR), Loan to Deposit Ratio (LDR). Analisis deskriptif yang digunakan adalah nilai maksimum, nilai minimum dan mean (rata- rata).
3.5.2. Analiss Regresi Linear Berganda
Pengolahan data merupakan tahap dimana data-data yang telah dikumpulkan diolah sehingga dapat memberikan hasil berupa informasi, dan pengolahan data pada
penelitian ini menggunakan analisis kuantitatif yang dinyatakan dengan angka- angka.
Gujarati (2006:180) analisis linear berganda adalah model regresi dengan lebih dari satu variabel penjelas yang mempengaruhi variabel terikat. Model penelitian ini menggunakan regresi linear berganda dengan menggunakan bantuan aplikasi Statistical Package for Social Sciences (SPSS) versi 2.4. Analisis regresi linier berganda (Multiple Regression Analysys) ini digunakan untuk menguji pengaruh rasio keuangan terhadap ROA. Adapun model dasar dari regresi linier berganda dari penelitian ini dapat dirumuskan sebagai berikut:
ROA = βo – β1.NPLi,t – β2.BOPOi,t + β3.CARi,t ( - / +) β4.LDRi,t + i,t
Dimana:
ROA : Variabel Dependen yaitu Return On Assets βo : Konstanta
β1, β2, β3, β4 : Besarnya koefisien regresi dari masing-masing variabel independen (NPL, CAR, BOPO, LDR)
NPL : Non Perfoming Loan
BOPO : Biaya Oprasional terhadap Beban Operasional CAR : Capital Adequacy Ratio
LDR : Loan Deposit Ratio
Ɛ : Kesalahan Residual (Standart Error)
Indonesia Banking School
i : cross section identifiers t : time series identifiers
Mengingat data penelitian yang digunakan adalah data sekunder, maka untuk memenuhi syarat yang ditentukan sebelum dilakukan uji hipotesis melalui uji t serta untuk menentukan ketepatan model maka perlu dilakukan pengujian atas beberapa asumsi klasik.
Ghozali (2007) pengukuran asumsi klasik yang digunakan dalam penelitian ini meliputi uji normalitas, uji multikolinieritas, uji heteroskedastisitas, dan uji autokorelasi.
3.5.3. Uji Normalitas
Uji normalitas bertujuan untuk menguji apakah dalam model regresi, variabel pengganggu atau residual memiliki distribusi normal. Model regresi yang baik adalah memiliki distribusi data normal ataukah tidak, maka dapat dilakukan dengan analisis grafik dan uji statistik (ghozali, 2005).
I. Analisis Grafik
Salah satu cara termudah untuk melihat normalitas residual adalah dengan melihat grafik histogram yang membandingkan antara data observasi dengan distribusi yang mendekati normal. Namun dengan hanya melihat grafik histogram, hal ini dapat membingungkan, khususnya untuk jumlah sampel yang
kecil. Metode lain yang dapatlz digunakan adalah dengan melihat normal probability plot yang membandingkan distribusi kumulatif dari distribusi normal.
Distribusi normal akan membentuk satu garis lurus diagonal, dan ploting data residual akan dibandingkan dengan garis diagonal. Jika distribusi data residual normal, maka garis yang menggambarkan data sesungguhnya akan mengikuti garis diagonalnya.
Dasar pengambilan keputusan dari analisis normal probability plot adalah sebagai berikut:
1. Jika data menyebar di sekitar garis diagonal dan mengikuti arah garis diagonal, maka model regresi memenuhi asumsi normalitas.
2. Jika data menyebar jauh dari garis diagonal dan atau tidak mengikuti arah garis diagonal, maka model regresi tidak memenuhi asumsi normalitas.
II. Analisis Statistik
Untuk mendeteksi normalitas data dapat dilakukan pula melalui analisis statistik yang salah satunya dapat dilihat melalui Kolmogorov-Smirnov test ( K- S ). Uji K-S dilakukan dengan membuat hipotesis:
Ho = Data residual terdistribusi normal Ha = Data residual tidak terdistribusi normal
Dasar pengambilan keputusan dalam uji K-S adalah sebagai berikut:
Indonesia Banking School
a. Apabila probabilitas nilai Z uji K-S signifikan secara statistik maka Ho ditolak, yang berarti data terdistribusi tidak normal.
b. Apabila probabilitas nilai Z uji K-S tidak signifikan secara statistik maka Ho diterima, yang berarti data terdistribusi normal.
Pedoman pengambilan keputusannya adalah sebagai berikut:
a. Nilai signifikan atau signifikansi atau nilai probabilitas < 0,05 distribusi adalah tidak normal.
b. Nilai signifikan atau signifikansi atau nilai probabilitas > 0,05 distribusi adalah normal.
3.5.4. Uji Heteroskedastisitas
Ghozali, (2012:139) Uji heteroskedastisitas digunakan untuk mengetahui ada atau tidaknya ketidaksamaan varian dari residual pada model regresi. Model regresi yang baik adalah yang homokedastisitas atau tidak terjadi heterokedastisitas. Uji heteroskedastisitas dapat diketahui dengan menggunakan Uji Scatter plot. Uji Scatter plot dilakukan dengan membuat hipotsis:
Ho: Tidak terdapat heterokedastisitas.
H1: Terdapat heterkedastisitas.
Data dikatakan tidak terdapat heterkedastisitas apabila:
a. Titik-titik data menyebar dibagian atas dan dibagian bawah sekitar angka 0.
b. Titik-titik tidak hanya mengumpul dibagian atas atau dibagian bawah saja.
c. Penyebaran titik-titik data tidak boleh membentuk pola bergelombang melebar, kemudian menyempit, dan melebar kembali.
4.5.5. Uji Multikolinearitas
Ghozali (2006) uji ini bertujuan untuk menguji apakah pada model regresi ditemukan adanya korelasi antar variabel independen. Pada model regresi yang baik seharusnya antar variabel independen tidak terjadi korelasi. Untuk mendeteksi ada tidaknya multikoliniearitas dalam model regresi dapat dilihat dari tolerance value atau variance inflation factor (VIF). Kedua ukuran ini menunjukkan setiap variabel independen manakah yang dijelaskan oleh variabel independen lainnya. Tolerance mengukur variabilitas variabel independen yang terpilih yang tidak dijelaskan oleh variabel independen lainnya. Jadi nilai tolerance yang rendah sama dengan niali VIF yang tinggi. Nilai cut off yang umum dipakai adalah:
1) Jika nilai tolerance > 10 persen dan nilai VIF < 10, maka dapat disimpulkan bahwa tidak ada multikolinearitas antar variabel independen dalam model regresi.
2) Jika nilai tolerance < 10 persen dan nuali VIF >10, maka dapat disimpulkan bahwa ada multikolonearitas antar variabel independen dalam model regresi.
Indonesia Banking School
3.5.6. Uji Autokorelasi
Uji autokorelasi bertujuan menguji apakah dalam suatu model regresi linear ada korelasi antara kesalahan pengganggu pada periode t dengan kesalahan pengganggu pada periode t-1 (sebelumnya). Jika terjadi korelasi, maka dinamakan ada problem autokorelasi. Model regresi yang baik adalah regresi yang bebas dari autokorelasi. Untuk mendeteksi masalah autokorelasi pada model regresi pada program SPSS salah satunya dapat diamati melalui Run Test.
Run Test merupakan bagian dari statistik non-parametric yang dapat digunakan untuk menguji apakah antar residual terdapat korelasi yang tinggi.
Pengambilan keputusan dilakukan dengan melihat nilai Asymp. Sig (2-tailed) uji Run Test. Apabila nilai Asymp.Sig (2-tailed) lebih besar dari tingkat signifikansi 0,05 maka dapat disimpulkan tidak terdapat autokorelasi. Uji run test akan memberikan kesimpulan yang lebih pasti jika terjadi masalah pada Durbin Watson Test yaitu nilai d terletak antara dL dan dU atau diantara (4-dU) dan (4-dL) yang akan menyebabkan tidak menghasilkan kesimpulan yang pasti atau pengujian tidak meyakinkan jika menggunakan DW test (Ghozali, 2006:103).