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