Jasa-jasa Bank Bank Services

f. Kredit Konsumer adalah kredit yang ditujukan untuk memenuhi kebutuhan konsumsi dengan produk yang ditawarkan berupa Kredit Pemilikan Rumah KPR, Kredit Kenderaan Bermotor KKB dan Kredit Multi Guna KMG.

3. Jasa-jasa Bank Bank Services

Jasa-jasa ini diberikan untuk mendukung kelancaran kegiatan menghimpun dan menyalurkan dana, baik yang berhubungan langsung dengan kegiatan simpanan dan kredit maupun tidak langsung. Kelengkapan dan jasa yang ditawarkan sangat tergantung dari kemampuan bank masing-masing. Dengan kata lain semakin mampu bank tersebut, maka semakin banyak ragam produk yang ditawarkan. Kemampuan bank tidak terlepas dari segi permodalan, manajemen serta fasilitas yang dimilikinya. Sesuai dengan kemampuan yang dimiliki BRI, baik dari sisi permodalan, manajemen, serta fasilitas yang dimiliki maka terdapat beberapa jasa yang ditawarkan kepada masyarakat meliputi : a. Transfer Kiriman Uang Transfer adalah jasa perbankan yang ditawarkan kepada masyarakat guna mengirimkan uang dari satu tempat ke tempat lain. b. Inkasso Collection Inkasso adalah jasa perbankan yang ditawarkan kepada masyarakat guna melakukan penagihan surat-surat berharga atau surat-surat dagang ke daerah lain di luar wilayah kliring. Universitas Sumatera Utara c. Kliring Clearing Kliring adalah suatu tata cara penyelesaian hutang piutang dalam bentuk surat-surat dagang dan surat-surat berharga dari suatu bank terhadap bank lainnya, dengan maksud agar penyelesaiannya dapat terselenggara dengan mudah dan aman serta untuk memperluas dan memperlancar lalu lintas pembayaran giral. d. Payroll. Jasa layanan bank kepada nasabah untuk memberikan kemudahan dalam hal pembayaran gaji karyawannya. e. Safe Deposit Box Safe Deposit Box BRI adalah fasilitas untuk memberikan perlindungan dan pengamanan barang-barang berharga nasabah dari bahaya pencurian, kebakaran, kebanjiran dan resiko lainnya. f. Bill Payment Bill Payment adalah sarana pembayaran tagihan publik dengan memanfaatkan ATM dan layanan di teller BRI. g. Setoran Pajak dan lain-lain

4.1.2 Analisis Deskriftif

Penelitian ini membahas dua variabel endogen yaitu Non Performing Loan Y 2 dan Persetujuan Kredit Y 1 sebagai variabel intervening dengan dua variabel Universitas Sumatera Utara eksogen yaitu Rasio Keuangan X 1 Tabel 4.1 Perkembangan Non Performing Loan Tahun 2011 - 2012 dengan indikator NPM dan Jaminan X2 dengan indikator Cover Ratiountuk periode waktu tahun 2011 hingga 2012. No Periode Total Kredit Rp Kollektibilitas Rp NPL

K. Lancar Diragukan

Macet Jumlah 1 Maret2011 79,525,625,000 1,097,561,587 1,189,746,265 1,267,487,585 3,554,795,437 4,47 2 Juni 2011 82,795,216,000 1,203,751,099 1,133,761,136 1,218,944,976 3,816,859,501 4,61 3 September 2011 87,853,216,000 1,084,746,587 1.534,091,430 2.504,670,935 4,726,503,074 5,38 4 Desember 2011 94,015,167,000 1,108,108.396 1,516,185.,723 1,183,320,619 3,807,614,288 4,05 5 Maret2012 100,564,506,000 761,393,152 1,322,248,616 1,161,109,014 3,244,750,782 3,23 6 Juni 2012 104,060,140,000 599,383,871 806,013,621 1,226,210,805 2,631,608,297 2,53 7 September 2012 106,367,126,000 1,181,914,325 1,047,855,344 1,692,925,337 3,922,695,006 3,69 8 Desember 2012 101,420,599,000 859,692,205 2,598,756,129 2,357,060,343 5,815,508,677 5,73 Sumber : Data Sekuder PT BRI Persero Tbk. Cabang Gatot Subroto Medan yang diolah Kredit bermasalahNPL selama 8 triwulan mengalami fluktuasi. Peningkatan NPL yang paling tinggi terjadi pada bulan Desember 2012, yaitu meningkat sebesar 2,04 dari triwulan sebelumnya, penurunan NPL paling tinggi terjadi pada bulan Maret 2012, yaitu sebesar 2,04 dari triwulan sebelumnya. Rata-rata tingkat NPL mencapai 4,21 termasuk kategori sehat, karena masih dibawah 5 sesuai dengan ketentuan Bank Indonesia. Akan tetapi perlu diwaspadai bahwa kredit bermasalah yang terbesar pada umumnya ada pada kredit macet. Hal ini akan menyebabkan besarnya resiko kerugian yang akan ditanggung bank karena besarnya beban penghapusan kredit macet. Rata-rata jumlah kredit yang disalurkan selama periode tahun 2011-2012 sebesar Rp. 94.575.199.875,-. Peningkatan jumlah kredit yang disalurkan pada tahun Universitas Sumatera Utara 2012 mengalami peningkatan sebesar 19,82 dari tahun sebelumnya. Kenaikan jumlah kredit yang paling tinggi pada bulan Desember 2011 sebesar 7,01 dari bulan September 2011, namun terjadi penurunan jumlah kredit yang disalurkan pada Desember 2012 sebesar 4,65 dibandingkan dari bulan September 2012. Secara umum penyaluran kredit terus mengalami peningkatan dari Maret 2011 hingga September 2012. Hal ini menandakan bahwa fungsi intermediasi dari BRI Gatot Subroto Medan telah berjalan dengan baik. Dana pihak ketiga yang dihimpun dari sektor masyarakat kelebihan dana surplus spending unit dalam bentuk giro, tabungan dan deposito kembali disalurkan kepada masyarakat kekurangan dana deficit spending unit. Dengan demikian peranan bank tersebut sebagai agent of development guna taraf hidup masyarakat sekitarnya telah dapat dilaksanakan dengan baik. Tabel 4.2Statistik Deskriptif Data Penelitian N Minimum Maximum Mean Std. Deviation Variance RASIO KEUANGAN 32 .104 .421 .20441 .084868 .007 JAMINAN 32 1.003 4.516 2.00666 .791222 .626 PERSETUJUAN KREDIT 32 60000000 750000000 283812500.00 195390995.517 38177641129 032256.000 NPL 32 .036 .408 .22397 .117352 .014 Valid N listwise 32 Sumber : Output Pengolahan Data dengan SPSS Berdasarkan hasil olahan data pada Tabel 4.2. dapat dijelaskan bahwa NPL bank Y 2 terdapat jumlah sampel yang sesuai kriteria sample valid sebanyak 32 amatan diperoleh hasil minimum data = 0,036; maksimum data = 0,408, rata-rata Universitas Sumatera Utara mean = 0,22397 dengan simpangan baku standard deviation sebesar 0,117352 dan variance adalah 0,014. Berdasarkan Tabel 4.2. dijelaskan bahwa Persetujuan Kredit Y 1 Indikator yang digunakan untuk mengukur rasio keuangan nasabah debitur adalah Net Profit Margin NPM. Rasio ini berguna untuk mengukur kemampuan debitur menghasilkan laba bersih dari hasil penjualannya, sehingga dapat diketahui kemampuan nasabah dalam membayar kewajibannya sesuai dengan kesepakatan yang telah ditandatangani bersama. dengan jumlah sampel valid sebanyak 32 amatan diperoleh hasil minimum data = 60000000; maksimum data = 750000000, rata-rata mean = 283812500.00dengan simpangan baku standard deviation sebesar 195390995.517. Berdasarkan Tabel 4.2. dijelaskan bahwa Rasio Keuangan dengan jumlah sample valid sebanyak 32 amatan diperoleh hasil minimum data = 0.104; maksimum data = 0,421; rata-rata mean = 0,20441 dengan simpangan baku standard deviation sebesar 0,084868 dan varianceadalah 0,007. Jaminan kredit dengan menggunakan indikator cover ratio. Rasio ini berguna untuk mengetahui besarnya plafond kredit yang pantas diberikan kepada debitur berdasarkan nilai barang jaminan yang diserahkan kepada bank. Berdasarkan Tabel 4.2. dijelaskan bahwa Jaminan kredit dengan jumlah sample valid sebanyak 32 amatan diperoleh hasil minimum data = 1.003; maksimum data = 4,516; rata-rata mean = 2,00666 dengan simpangan baku standard deviation sebesar 0, 791222 dan variance adalah 0,626. Universitas Sumatera Utara 4.1.3 Analisis Inferensial Model regresi linier berganda multiple regression dikatakan sebagai model yang baik bila memenuhi kriteria BLUE Best Linear Unbiased Estimator. Kriteria ini dapat dicapai bila memenuhi asumsi klasik. Pengujian asumsi klasik terhadap model regresi berganda merupakan suatu keharusan untuk dapat mengetahui adanya hubungan antara variabel eksogen yang digunakan dalam suatu penelitian. Secara keseluruhan, pengujian ini akan menyimpulkan apakah antar variabel eksogen memiliki korelasi atau tidak dengan sesama variabel eksogen lainnya. Berikut akan disajikan hasil pengujian asumsi klasik yang meliputi uji normalitas data, multikolinearitas, autokorelasi dan uji heteroskedastisitas. 4.1.3.1 Analisis Jalur Persamaan Sub Struktur I

a. Uji Normalitas

Uji normalitas data dapat dilakukan secara grafik maupun statistik sehingga dapat diketahui secara pasti bagaimana distribusi data yang diperoleh. Data yang tidak berdistribusi secara normal dalam persamaan regresi maka akan memberikan hasil yang bias.Metode grafik yang handal untuk menguji normalitas data adalah dengan melihat normal probability plot dan histogram. Normal probability plot adalah membandingkan distribusi kumulatif data yang sesungguhnya dengan distribusi kumulatif dari distribusi normalhypothetical distribution. Dengan memakai program SPSS versi 21.0, maka hasil komputasi grafik normal probability plot seperti terlihat pada Gambar 4.1. Universitas Sumatera Utara Sumber: Data sekunder yang diolah, 2013 Gambar 4.1 Normal Probability Plot Gambar 4.1 di atas memperlihatkan bahwa sebaran data berada di sekitar garis diagonal sehingga asumsi normalitas dapat dipenuhi. Selain berdasarkan grafik normal probability plot, pendeteksian normalitas data dapat dilakukan dengan melihat grafik histogram dari penyebaranfrekuensi data Santoso, 2005. Bentuk histogram seperti bentuk lonceng bell shaped curve mengindikasikan bahwa data berdistribusi normal. Gambar histogram penelitian ini dapat dilihat pada Gambar 4.2. Universitas Sumatera Utara Sumber: Data sekunder yang diolah, 2013 Gambar 4.2 Grafik Histogram Gambar 4.2 memperlihatkan bahwa bentuk histogram telah menggambarkan data yang berdistribusi normal atau mendekati normal karena membentuk seperti lonceng bell shaped. Uji normalitas data secara statistik dapat dilakukan secara dengan menggunakan rasio Skewness dan rasio Kurtosis. Rasio Skewness dan rasio Kurtosis dapat dijadikan petunjuk apakah suatu data berdistribusi normal atau tidak . Sebagai pedoman, bila rasio Skewness dan rasio Kurtosis berada diantara -2 hingga +2, maka distribusi data adalah normal Santoso, 2005. Tabel 4.3 Rasio SKEWNESS dan KURTOSIS Skewness Kurtosis Statistic Std. Error Statistic Std. Error Unstandardized Residual .420 .414 .785 .809 Valid N listwise Sumber: Data sekunder yang diolah, 2013 Universitas Sumatera Utara Berdasarkan Tabel 4.3terlihat bahwa rasio Skewness = = 0,420 0,414 = 1,014; sedang rasio Kurtosis = 0,785 0,809 = 0,970. Karena rasio Skewness dan rasio Kurtosis berada di antara -2 hingga +2, maka dapat disimpulkan bahwa distribusi data adalah normal. Dengan demikian secara keseluruhan melalui penggunaan metode grafik Normal Probability Plot dan histogram serta hasil rasio Skewness dan rasio Kurtosis dapat dinyatakan bahwa asumsi normalitas dipenuhi dalam penelitian ini.

b. Uji Autokorelasi

Berdasarkan hasil perhitungan, nilai DW sebesar 1,891, nilai ini akan dibandingkan dengan table DW dengan jumlah observasi n = 32, jumlah variabel dependen k = 2 dan tingkat signifikansi 0,05 Tabel 4.4 Model Summary b Model R R Square Adjusted R Square Std. Error of the Estimate Durbin-Watson 1 .779 .606 a .579 126754005.120 1.891 a. Predictors: Constant, COVER RATIO, NPM b. Dependent Variable: PERS KREDIT Sumber: Data sekunder yang diolah, 2013 .Berdasarkan table Durbin-Watson, diperoleh nilai dL = 1,309 dan nilai dU = 1,574. Oleh karena nilai DW 1,891 berada diatas dU = 1,574, maka dapat diketahui dalam model regresi tidak terdapat masalah autokorelasi. Universitas Sumatera Utara Bebas Autokorelasi dW = 1,891d 0 dL= 1,309 dU= 1,574 2 4 – dU= 2,426 4 – dL= 2,691 4 Gambar 4.3 Uji Autokorelasi D-WTest

c. Uji Multikolinieritas

Uji multikoliniearitas bertujuan untuk mengetahui ada tidaknya hubungan yang sempurna atau sangat tinggi antar variable independen dalam model regresi. Konsekuensi dari adanya hubungan korelasi yang sempurna atau sangat tinggi antar variabel independen adalah koefisien regresi dan simpangan baku standard deviation variabel independen menjadi sensitif terhadap perubahan data serta tidak memungkinkan untuk mengisolir pengaruh individual variable independen terhadap variabel dependen Ghozali, 2006.Selanjutnya, nilai VIF Variance Inflation Factor dan tolerance merupakan uji yang sering digunakan untuk melihat ada tidaknya multikolinearitas dalam model regresi. Nilai tolerance 1 - R 2 menunjukkan variasi variabel independen dijelaskan oleh variable independen lainnya dalam model regresi dengan mengabaikan variable dependen. Sedangkan nilai VIF merupakan kebalikan dari nilai tolerance karena VIF = 1tolerance. Jadi semakin tinggi korelasi antar variabel independen maka semakin rendah nilai tolerance mendekati 0 dan semakin tinggi nilai VIF. Pedoman umum rule of thumb untuk batasan nilai VIF dan tolerance agar model regresi terbebas dari persoalan multikolinearitas adalah dibawah Ada Korelasi Biserial Ada Korelasi Biserial Tidak Ada Persetu- juan Tidak Ada Persetu- juan Universitas Sumatera Utara 10 untuk VIF dan diatas 10 untuk tolerance Ghozali, 2006. Angka 10 dan 10 merupakan cut off yang telah ditetapkan untuk melihat nilai VIF dan tolerance. Hasil pengolahan data berkenaan nilai VIF dan tolerance dapat dilihat pada Tabel 4.5. Tabel 4.5 Nilai VIF dan Tolerance Model T Sig. Collinearity Statistics Tolerance VIF 1 Constant -2.092 .045 NPM 2.483 .019 .681 1.469 COVER RATIO 3.715 .001 .681 1.469 Sumber: Data sekunder yang diolah, 2013 Tabel 4.5 menjelaskan bahwa model regresi dalam penelitian ini terbebas dari persoalan multikolinearitas karena nilai VIF berada dibawah 10 dan nilai tolerance diatas 10 . Disamping itu, indikator matriks korelasi antar variabel independen zero order correlation matrix juga dapat digunakan untuk melihat ada tidaknya multikolinearitas dalam model regresi. Jika antar variabel bebas independen ada korelasi yang tinggi umumnya di atas 0,90 maka hal ini merupakan indikasi adanya multikolinearitas Ghozali, 2006. Untuk menentukan apakah hubungan antara dua variable bebas memiliki masalah multikoliniaritas adalah melihat nilai significance 2-tailed. Jika nilainya lebih kecil dari 0,05 α=5 maka diindikasikan memiliki gejala multikoliniaritas yang serius. Hasil pengolahan data berkenaan matriks korelasi antar variabel independen dapat dilihat pada Tabel 4.6. Universitas Sumatera Utara Tabel 4.6 Indikator Matriks Korelasi antar Variabel Independen Control Variables NPM COVER RATIO PERS KREDIT NPM Correlation 1.000 .185 Significance 2-tailed . .320 Df 29 COVER RATIO Correlation .185 1.000 Significance 2-tailed .320 . Df 29 Sumber: Data sekunder diolah, 2013 Tabel 4.6 menunjukkan bahwa model regresi dalam penelitian ini terbebas dari persoalan multikolinearitas karena diperoleh nilai Significance 2-tailed sebesar 0,320 lebih besar dari 0,05 α=5. Dari pengujian yang telah dilakukan dapat disimpulkan bahwa tidak terdapat indikasi gejala multikolinearitas diantar variabel bebas dalam model penelitian ini atau dengan kata lain tidak terdapat masalah multikolinearitas.

d. Uji Heteroskedastisitas.

Uji heteroskedastisitas bertujuan menguji apakah dalam model regresi terjadi ketidaksamaan variance dari residual satu pengamatan ke pengamatan yang lain. Jika variance dari residual satu pengamatan ke pengamatan yang lain tetap maka disebut homoskedastisitas dan jika berbeda disebut heteroskedastisitas. Model regresi yang baik adalah yang homoskedastisitas bukan heteroskedastisitas Ghozali, 2006. Untuk mendeteksi ada tidaknya heteroskedastisitas dapat digunakan metode grafik, yaitu dengan menghubungkan nilai variable dependen yang diprediksi predicted dengan residualnya Y prediksi -Y sesungguhnya dimana sumbu X adalah nilai variabel dependen yang diprediksi dan sumbu Y adalah residualnya. Apabila noktah titik dalam grafik membentuk pola menyebar lalu menyempit atau sebaliknya di Universitas Sumatera Utara sekitar garis diagonal funnel shape maka bisa dikatakan terjadi heteroskedastisitas. Jika titik-titik menyebar dengan tidak membentuk pola tertentu di bawah dan di atas angka 0 pada sumbu Y clouds shape maka dikatakan terjadi homoskedastisitas Ghozali, 2006. Berdasarkan hasil komputasi dengan menggunakan bantuan SPSS versi 21.0 maka hubungan antara nilai variabel yang diprediksi dengan residualnya pada gambar4.4. Sumber: Data sekunder yang diolah, 2013 Gambar 4.4 Grafik Scatterplot Pada gambar 4.4 di atas, terlihat bahwa noktah-noktah terpencar dengan tidak membentuk pola seperti cerobong asap di sekitar garis diagonal menyebar lalu menyempit atau sebaliknya, di atas dan di bawah angka 0 pada sumbu Y sehingga dinyatakan bahwa pada model regresi dalam penelitian ini terjadi homoskedastisitas daripada heteroskedastisitas. Metode statistik yang mudah dan dapat diaplikasikan dengan SPSS untuk menguji suatu model terbebas dari masalah heterokedastisitas adalah Uji Glejser. Universitas Sumatera Utara Tabel 4.7. Uji Glejser Statistik Model Unstandardized Coefficients Standardized Coefficients T Sig. B Std. Error Beta 1 Constant 50681205.703 40643709.676 1.247 .222 RASIO KEUANGAN -280202304.965 195710516.434 -.296 -1.432 .163 JAMINAN 48695013.576 20992184.732 .479 2.320 .082 a. Dependent Variable: ABRESID Sumber : Data sekunder yang diolah, 2013 Tabel 4.7. di atas menunjukkan hasil perhitungan bahwa tidak ada nilai t-statistik dari variable penjelas bebas yang signifikan secara statistik, sehingga dapat disimpulkan bahwa model ini tidak mengalami masalah heterokedastisitas nilai sig. 0.05.

4.1.3.2 Analisis JalurPersamaan Sub Struktur II

a. U

ji Normalitas Dalam penelitian ini pengujian normalitas data dilakukan secara grafik dan statistik sehingga dapat diketahui secara pasti bagaimana distribusi data yang diperoleh. Data yang tidak berdistribusi secara normal dalam persamaan regresi maka akan memberikan hasil yang bias.Metode grafik yang handal untuk menguji normalitas data adalah dengan melihat normal probability plot dan histogram sehingga hampir semua aplikasi komputer statistik menyediakan fasilitas ini. Normal probability plot adalah membandingkan distribusi kumulatif data yang sesungguhnya dengan distribusi kumulatif dari distribusi normalhypothetical distribution. Melaluiprogram SPSS versi 21.0, maka hasil komputasi grafik normal probability plot seperti terlihat pada Gambar 4.5. Universitas Sumatera Utara Sumber: Data sekunder yang diolah, 2013 Gambar 4.5 Normal Probability Plot Berdasarkan Gambar 4.5. di atas terlihat bahwa sebaran data berada di sekitar garis diagonal sehingga asumsi normalitas dapat dipenuhi. Selain berdasarkan grafik normal probability plot, Santoso 2005 mengemukakan bahwa pendeteksian normalitas data dapat dilakukan dengan melihat grafik histogram dari penyebaran frekuensi data. Sumber : Data sekunder yang diolah, 2013 Gambar 4.6 Grafik Histogram Universitas Sumatera Utara Bentuk histogram seperti bentuk lonceng bell shaped curve mengindikasikan bahwa data berdistribusi normal. Gambar 4.6. memperlihatkan bahwa bentuk histogram telah menggambarkan data yang berdistribusi normal atau mendekati normal karena membentuk seperti lonceng bell shaped.Melakukan uji normalitas data secara statistic dapat dilakukan secara dengan menggunakan rasio Skewness dan rasio yang dapat dijadikan petunjuk apakah suatu data berdistribusi normal atau tidak . Sebagai pedoman, bila rasio Skewness dan rasio Kurtosis berada diantara -2 hingga +2, maka distribusi data adalah normal Santoso : 2005. Tabel 4.8 Hasil Uji Normalitas N Skewness Kurtosis Statistic Statistic Std. Error Statistic Std. Error Unstandardized Residual 32 -.504 .414 -.360 .809 Valid N listwise 32 Sumber: Data sekunder yang diolah, 2013 Berdasarkan Tabel 4.8 terlihat bahwa rasio Skewness = -0,504 0,414 = -1,217; sedang rasio Kurtosis = -0,360 0,809 = -0,445. Karena rasio Skewness dan rasio Kurtosis berada di antara -2 hingga +2, maka dapat disimpulkan bahwa distribusi data adalah normal. Dengan demikian secara keseluruhan, baik dengan menggunakan metode grafik Normal Probability Plot dan histogram maupun hasil rasio Skewness dan rasio Kurtosis dapat dinyatakan bahwa asumsi normalitas dipenuhi dalam penelitian ini. Universitas Sumatera Utara b. Uji Autokorelasi. Berdasarkan hasil perhitungan, nilai DW sebesar 1,887, nilai ini akan dibandingkan dengan table DW dengan jumlah observasi n = 32, jumlah variabel dependen k = 3 dan tingkat signifikansi 0,05. Bebas Autokorelasi DW = 1,887 d 0 dL= 1,244 dU=1,651 2 4 – dU= 2,349 4 – dL=2,756, 4 Gambar 4.7 Durbin - Watson Test Berdasarkan table Durbin-Watson, diperoleh nilai dL = 1,244 dan nilai dU = 1,651. Oleh karena nilai DW 1,887 berada diatas dU = 1,651, maka dapat diketahui dalam model regresi tidak terdapat masalah autokorelasi. Tabel 4.9 Nilai Durbin-Watson Model Summary b Model R R Square Adjusted R Square Std. Error of the Estimate Durbin-Watson 1 .803 .645 a .607 .073596 1.887 a. Predictors: Constant, PERS KREDIT, NPM, COVER RATIO b. Dependent Variable: NPL Sumber: Data sekunder yang diolah, 2013 Tidak Ada Persetu- juan Ada Korelasi Biserial Ada Korelasi Biserial Tidak Ada Persetu- juan Universitas Sumatera Utara Tabel 4.9 di atas memperlihatkan nilai Durbin-Watson sebesar 1,887. Dari hasil perhitungan nilai DW = 1,887 berarti tidak terjadi autokorelasi. c. Uji Multikolinieritas. Uji multikoliniearitas bertujuan untuk mengetahui ada tidaknya hubungan yang sempurna atau sangat tinggi antar variable independen dalam model regresi. Konsekuensi dari adanya hubungan korelasi yang sempurna atau sangat tinggi antar variabel independen adalah koefisien regresi dan simpangan baku standard deviation variabel independen menjadi sensitif terhadap perubahan data serta tidak memungkinkan untuk mengisolir pengaruh individual variable independen terhadap variabel dependen Ghozali, 2006.Selanjutnya, nilai VIF Variance Inflation Factor dan tolerance merupakan uji yang sering digunakan untuk melihat ada tidaknya multikolinearitas dalam model regresi. Nilai tolerance 1 - R 2 Hasil pengolahan data berkenaan nilai VIF dan tolerance dapat dilihat pada Tabel 4.10yang menjelaskan bahwa model regresi dalam penelitian ini terbebas dari persoalan multikolinearitas karena nilai VIF berada dibawah 10 dan nilai tolerance menunjukkan variasi variabel independen dijelaskan oleh variable independen lainnya dalam model regresi dengan mengabaikan variable dependen. Sedangkan nilai VIF merupakan kebalikan dari nilai tolerance karena VIF = 1tolerance. Jadi semakin tinggi korelasi antar variabel independen maka semakin rendah nilai tolerance mendekati 0 dan semakin tinggi nilai VIF. Pedoman umum rule of thumb untuk batasan nilai VIF dan tolerance agar model regresi terbebas dari persoalan multikolinearitas adalah dibawah 10 untuk VIF dan diatas 10 untuk tolerance Ghozali, 2006. Universitas Sumatera Utara diatas 10 . Angka 10 dan 10 merupakan cut off yang telah ditetapkan untuk melihat nilai VIF dan tolerance Ghozali, 2006. Tabel 4.10 Nilai VIF dan Tolerance Model Collinearity Statistics Tolerance VIF 1 Constant NPM .561 1.782 COVER RATIO .461 2.169 PERS KREDIT .394 2.540 Sumber: Data sekunder yang diolah, 2013 Disamping itu, indikator matriks korelasi antar variabel independen zero order correlation matrix juga dapat digunakan untuk melihat ada tidaknya multikolinearitas dalam model regresi. Jika antar variabel bebas independen ada korelasi yang tinggi umumnya di atas 0,90 maka hal ini merupakan indikasi adanya multikolinearitas Ghozali, 2006. Tabel 4.11 memperlihatkan korelasi antara ketiga variable eksogen NPM, Cover ratio dan Persetujuan Kredit sebesar 0,482 hingga 0,797 masih dibawah 1. Berarti tidak terjadi multikolinieritas dalam model ini. Universitas Sumatera Utara Tabel 4.11 Indikator Matriks Korelasi antar Variabel Independen Correlations NPL NPM COVER RATIO PERS KREDIT Pearson Correlation NPL 1.000 -.797 -.482 .590 NPM -.797 1.000 .565 .647 COVER RATIO -.482 .565 1.000 .723 PERS KREDIT .590 .647 .723 1.000 Sig. 1-tailed NPL . .000 .003 .000 NPM .000 . .000 .000 COVER RATIO .003 .000 . .000 PERS KREDIT .000 .000 .000 . N NPL 32 32 32 32 NPM 32 32 32 32 COVER RATIO 32 32 32 32 PERS KREDIT 32 32 32 32 Sumber: Data sekunder yang diolah, 2013 d. Uji Heteroskedastisitas Uji heteroskedastisitas bertujuan menguji apakah dalam model regresi terjadi ketidaksamaan variance dari residual satu pengamatan ke pengamatan yang lain. Jika variance dari residual satu pengamatan ke pengamatan yang lain tetap maka disebut homoskedastisitas dan jika berbeda disebut heteroskedastisitas. Model regresi yang baik adalah yang homoskedastisitas bukan heteroskedastisitas Ghozali, 2006. Untuk mendeteksi ada tidaknya heteroskedastisitas dapat digunakan metode grafik, yaitu dengan menghubungkan nilai variable dependen yang diprediksi predicted dengan residualnya Y prediksi -Y sesungguhnya dimana sumbu X adalah nilai variabel dependen yang diprediksi dan sumbu Y adalah residualnya. Apabila noktah titik dalam grafik membentuk pola menyebar lalu menyempit atau sebaliknya di sekitar garis diagonal funnel shape maka bisa dikatakan terjadi heteroskedastisitas. Universitas Sumatera Utara Jika titik-titik menyebar dengan tidak membentuk pola tertentu di bawah dan di atas angka 0 pada sumbu Y clouds shape maka dikatakan terjadi homoskedastisitas Ghozali, 2006. Tabel 4.12 menunjukkan bahwa nilai t-statistik dari seluruh variable penjelas tidak ada yang signifikan secara statistik, sehingga dapat disimpulkan bahwa model yang dibuat tidak mengalami masalah heteroskedastisitas. Tabel 4.12Uji Glejser Statistik Coefficients a Model Unstandardized Coefficients Standardized Coefficients t Sig. B Std. Error Beta 1 Constant .059 .022 2.676 .012 RASIO KEUANGAN -.170 .108 -.374 -1.570 .128 JAMINAN .016 .013 .321 1.222 .232 PERS KREDIT 7.968E-012 .000 .040 .140 .889 a. Dependent Variable: abresid Sumber: Data sekunder yang diolah, 2013 Berdasarkan hasil komputasi dengan menggunakan bantuan SPSS maka hubungan antara nilai variabel yang diprediksi dengan residualnya digambarkan dalam gambar 4.8 di bawah ini. Universitas Sumatera Utara Sumber: Data sekunder yang diolah, 2013 Gambar 4.8 Grafik Scatterplot Berdasarkan gambar 4.8 di atas, nampak bahwa noktah-noktah terpencar dengan tidak membentuk pola seperti cerobong asap di sekitar garis diagonal menyebar lalu menyempit atau sebaliknya, di atas dan di bawah angka 0 pada sumbu Y sehingga dinyatakan bahwa pada model regresi dalam penelitian ini terjadi homoskedastisitas daripada heteroskedastisitas.

4.1.3.3 Uji Hipotesis

a. Analisis Jalur Persamaan Sub Struktur I

Persamaan struktur I dalam model penelitian ini adalah untuk mengetahui dan menguji besar pengaruh Rasio Keuangan Net Profit Margin dan Jaminan Cover Rasio secara simultan dan parsial terhadap Persetujuan Kredit. Universitas Sumatera Utara Diagram Jalur : € 1 ρ = 0,394 1 = 0,351 ρ 2 =0,525 Gambar 4.9 Digram JalurSub Struktur I Persamaan Struktur I : Y 1 = 0,351X 1 + 0,525X Dimana : 2 Y 1 X = Persetujuan Kredit 1 X = Rasio Keuangan 2 ρ = Jaminan 1 = Koefisien jalur X ρ 1 2 = Koefisien jalur X € 2 1 = Error term variable yang tidak terungkap

1. Uji F Uji Serempak