86
B. Analisis dan Pembahasan
1. Uji Asumsi Klasik
a. Uji Normalitas
Uji asumsi ini akan menguji data variabel bebas DPK, SBIS, NPF dan ROA dan data variabel terikat Pembiayaan Murabahah pada
persamaan regresi yang dihasilkan, apakah berdistribusi normal atau berdistribusi tidak normal. Persamaan regresi dikatakan baik jika
mempunyai data variabel bebas dan data variabel terikat berdistribusi mendekati normal atau normal sama sekali.
Dalam penelitian ini, cara mendeteksi apakah residual berdistribusi normal atau tidak yaitu dengan analisis grafik dan analisis statistik.
1 Analisis Grafik
Gambar 4.6 Grafik Histogram
Sumber: Hasil Output SPSS Berdasarkan Gambar 4.6 terlihat bahwa grafik histogram
menyerupai bentuk bel, lonceng atau genta, maka nilai residual tersebut dinyatakan normal atau data berdistribusi normal.
87 Uji grafik selanjutnya untuk pengujian normalitas yaitu
dengan melihat Grafik Normal P-P Plot.
Gambar 4.7 Grafik Normal P-P Plot
Sumber: Hasil Output SPSS Berdasarkan Gambar 4.7 terlihat bahwa data titik-titik
menyebar disekitar garis diagonal dan mengikuti arah garis diagonal yang berarti bahwa data berdistribusi normal.
Dengan melihat tampilan Grafik Histogram maupun Grafik Normal P-P Plot, maka dapat disimpulkan bahwa kedua grafik tersebut
menggambarkan keadaan data yang berdistribusi normal. Sehingga dapat disimpulkan bahwa model data penelitian ini bebas masalah
asumsi klasik normalitas. 2 Uji Statistik
Untuk mendukung bahwa data dalam penelitian ini berdistribusi normal, maka dapat dilakukan uji normalitas secara
statistik yaitu dengan uji Kolmogorov-Smirnov.
88
Tabel 4.8 Uji Kolmogorov-Smirnov
One-Sample Kolmogorov-Smirnov Test
Unstandardized Residual
N 96
Normal Parameters
a,b
Mean 0.E-7
Std. Deviation ,25799465
Most Extreme Differences Absolute
,093 Positive
,057 Negative
-,093 Kolmogorov-Smirnov Z
,911 Asymp. Sig. 2-tailed
,378 a. Test distribution is Normal.
b. Calculated from data.
Sumber: Hasil Output SPSS Berdasarkan Tabel 4.8 hasil uji Kolmogorov-Smirnov,
terlihat bahwa nilai Asymp. Sig. 2-tailed sebesar 0,378 atau lebih besar dari 0,05 Sig.
α. Hal tersebut berarti nilai residualnya terdistribusi secara normal.
Dapat disimpulkan dari analisis grafik maupun uji statistik bahwa model regresi bebas dari masalah normalitas atau dapat
dikatakan bahwa data berdistribusi secara normal.
b. Uji Multikolinieritas
Uji multikolinieritas bertujuan untuk menguji apakah model regresi ditemukan adanya korelasi antar variabel bebas independen. Model
regresi yang baik seharusnya tidak terjadi korelasi di antara variabel bebasnya. Untuk mendeteksi ada atau tidaknya multikolinieritas di dalam
model regresi dapat dilihat pada nilai Tolerance dan Variance Inflation Factor VIF.
89
Tabel 4.9 Uji Multikolinieritas
Coefficients
a
Model Collinearity Statistics
Tolerance VIF
1 Constant
LN_DPK ,363
2,754 LN_SBIS
,362 2,765
LN_NPF ,945
1,058 LN_ROA
,913 1,096
a. Dependent Variable: LN_PMURABAHAH
Sumber: Hasil Output SPSS Berdasarkan output Coefficients yang terlihat pada Tabel 4.8, nilai
Tolerance variabel LN_DPK = 0,363, LN_SBIS = 0,362, LN_NPF = 0,954 dan LN_ROA = 0,913. Sedangkan nilai VIF variabel LN_DPK =
2,754, LN_SBIS = 2,765, LN_NPF = 1,058 dan LN_ROA = 1,096. Karena nilai Tolerance 0,10 dan nilai VIF 10 maka dapat disimpulkan bahwa
model regresi dinyatakan tidak terjadi multikolinieritas.
c. Uji Heteroskedastisitas
Uji heterokedastisitas bertujuan menguji apakah dalam model regresi terjadi ketidaksamaan variance dari residual satu pengamatan ke
pengamatan yang lain. Persamaan regresi yang baik adalah jika tidak terjadi heteroskedastisitas. Pengujian heteroskedastisitas pada penelitian
ini menggunakan analisis grafik dan uji statistik. 1 Analisis Grafik
Deteksi ada tidaknya heteroskedastisitas dapat dilakukan dengan melihat ada tidaknya pola tertentu pada grafik Scatterplot.
90
Gambar 4.8 Grafik Scatterplot
Sumber: Hasil Output SPSS Berdasarkan tampilan grafik Scatterplot yang tertera pada
Gambar 4.8 bahwa titik-titik menyebar secara acak serta tersebar baik di atas maupun di bawah angka 0 pada sumbu Y. Hal tersebut dapat
disimpulkan bahwa tidak terjadi heteroskedastisitas pada model regresi.
2 Uji Statistik Selain melihat grafik Scatterplot, uji heteroskedastisitas juga
dapat dilakukan secara statistik. Ada beberapa uji statistik yang dapat digunakan untuk mendeteksi ada tidaknya heteroskedastisitas seperti
Uji Park, Uji Glesjer maupun Uji White. Dalam penelitian ini, untuk pengujian gejala heteroskedastisitas yaitu menggunakan Uji Glesjer.
91
Tabel 4.10 Uji Heteroskedastisitas dengan Metode Glesjer
Coefficients
a
Model Unstandardized
Coefficients Standardized
Coefficients t
Sig. B
Std. Error Beta
1 Constant
,205 ,201
1,020 ,310 LN_DPK
-,031 ,020
-,262 -1,561 ,122 LN_SBIS
,035 ,019
,305 1,811 ,073
LN_NPF ,019
,022 ,091
,871 ,386 LN_ROA
,022 ,017
,135 1,269 ,208
a. Dependent Variable: ABS_RES
Sumber: Hasil Output SPSS Berdasarkan output Coefficients dalam Tabel 4.10, terlihat
bahwa Nilai Sig. variabel bebasnya jika diuraikan adalah LN_DPK = 0,122, LN_SBIS = 0,073, LN_NPF = 0,386 dan LN_ROA = 0,208.
Hasil tampilan output SPSS dengan jelas menunjukan bahwa tidak ada satupun variabel independen yang signifikan secara statistik
mempengaruhi variabel dependen nilai Absolut Residual ABS_RES. Maka dapat disimpulkan bahwa pada model regresi tidak terjadi
gejala heteroskedastisitas. Hal ini terlihat dari probabilitas signifikansinya di atas tingkat kepercayaan 5 Sig.
α.
d. Uji Autokorelasi
Uji autokorelasi dilakukan untuk mengetahui apakah ada korelasi antara kesalahan pengganggu pada periode t dengan kesalahan pada
periode t sebelumnya pada model regresi linier yang dipergunakan. Untuk mengetahui ada atau tidaknya autokorelasi pada penelitian ini peneliti
menggunakan Uji Durbin-Watson DW Test.
92
Tabel 4.11 Uji Durbin-Watson
Model Summary
b
Model R
R Square Adjusted R
Square Std. Error of the
Estimate Durbin-Watson
1 ,972
a
,944 ,942
,26360 ,299
a. Predictors: Constant, LN_ROA, LN_SBIS, LN_NPF, LN_DPK b. Dependent Variable: LN_PMURABAHAH
Sumber: Hasil Output SPSS Berdasarkan output SPSS Tabel 4.12, terlihat bahwa nilai Durbin-
Watson sebesar 0,299. Jika kita bandingkan dengan tabel Durbin-Watson dengan jumlah observasi n = 96 dan jumlah variabel independen 4 k=4
diperoleh nilai tabel dL Lower = 1,5821 dan dU Upper = 1,7553. Oleh karena nilai DW = 0,299 berada di bawah dL = 1,5821, maka dapat
disimpulkan terjadi autokorelasi positif. Oleh karena adanya autokorelasi maka nilai Standard Error SE
dan t-statistik tidak dapat dipercaya sehingga diperlukan pengobatan. Pengobatan autokorelasi tergantung dari nilai
yang diestimasi dengan beberapa cara seperti di bawah ini:
a. Nilai diestimasi dengan Durbin-Watson d
= 1 -
�
= 1 -
, 99
= 0,8505 b. Nilai
diestimasi dengan Theil-Nagar d
=
�
2
−
� 2
+ �
2
�
2
− �
2
=
96
2
−
0,299 2
+ 4
2
96
2
− 4
2
= 0,8537 c. The Cochrane-Orcutt Two-Step Procedures
93
Langkah Iterasi Pertama:
1. Dapatkan nilai lag satu residual Ut_1 dengan perintah Transform dan Compute. Isikan pada target variabel Ut_1 dan isikan pada
kotak Numeric Expression LagRes_1. 2. Dari menu utama SPSS, pilih Analyze, kemudian submenu
Regression, lalu pilih Linear. Pada kotak dependent isikan variabel Res_1 Ut dan pada kotak independent isikan variabel Ut_1 Lag
satu dari Ut. Abaikan yang lain dan pilih OK. Dari persamaan regresi tersebut didapatkan nilai
pada Cochrane-Orcutt Step 1.
Tabel 4.12 Estimasi Iterasi Pertama
Coefficients
a
Model Unstandardized
Coefficients Standardized
Coefficients t
Sig. B
Std. Error Beta
1 Constant
-,001 ,014
-,049 ,961 Ut_1
,855 ,056
,844 15,171 ,000 a. Dependent Variable: Unstandardized Residual
Sumber: Hasil Output SPSS Berdasarkan hasil output SPSS yang tertera pada Tabel 4.13,
diperoleh nilai pada iterasi pertama sebesar 0,855 yaitu koefisien
variabel Ut_1
Langkah Iterasi Kedua:
Nilai = 0,855 yang diperoleh dari iterasi pertama digunakan untuk
mengestimasi model general difference equation. Lalu lakukan regresi dengan model general difference equation untuk mendapatan nilai
2, 3, 4, dan 5.
94
Tabel 4.13 Langkah Estimasi Iterasi Kedua
Coefficients
a
Model Unstandardized
Coefficients Standardized
Coefficients t
Sig. B
Std. Error Beta
1 Constant
,415 ,053
7,795 ,000 pLN_DPK
,807 ,025
,995 31,994 ,000 pLN_SBIS
-,034 ,017
-,055 -1,926 ,057
pLN_NPF ,032
,043 ,018
,750 ,455 pLN_ROA
-,016 ,017
-,024 -,902 ,369
a. Dependent Variable: pLN_PMURABAHAH
Sumber: Hasil Output SPSS Hasil output SPSS Tabel 4.14 memberikan nilai
2 = 0,807, 3 = -0,034,
4 = 0,032, 5 = -0,016 sedangkan nilai 1 = 11- = -
0,001.1-0,855= -0,000145. Setelah mendapatkan nilai Ut, buat variabel Lag satu Ut
Lag_Ut. Lalu lakukan regresi dengan mengisikan Ut pada kotak dependen dan Lag_Ut pada kotak independen pada SPSS.
Tabel 4.14 Estimasi Iterasi Kedua
Coefficients
a
Model Unstandardized
Coefficients Standardized
Coefficients t
Sig. B
Std. Error Beta
1 Constant
,048 ,105
,461 ,646 LagUt
,981 ,036
,943 27,446 ,000
a. Dependent Variable: Ut
Sumber: Hasil Output SPSS Berdasarkan hasil output SPSS Tabel 4.15, diperoleh nilai
= 0.981 pada iterasi kedua. Berdasarkan pada perhitungan di atas
95 diperoleh
menurut berbagai metode seperti terlihat pada tabel di bawah ini:
Tabel 4.15 Hasil Estimasi
Metode Nilai
Durbin-Watson d
0,8505
Theil-Nagar d
0,8537
Cochrane-Orcutt Step 1
0,855
Cochrane-Orcutt Step 2
0,981
Sumber : Data Diolah Tabel 4.16 menampilkan estimasi
dari masing-masing metode. Untuk itu peneliti memilih metode Cochrane-Orcutt Step 2
untuk mentransformasikan persamaan regresi.
Tabel 4.16 Hasil Durbin-Watson Pengobatan Autokorelasi
Model Summary
b
Model R
R Square Adjusted R
Square Std. Error of the
Estimate Durbin-
Watson 1
,979
a
,958 ,956
,10853 2,012
a. Predictors: Constant, LN_ROAIt, LN_NPFIt, LN_SBISIt, LN_DPKIt b. Dependent Variable: LN_PMURIt
Sumber: Hasil Output SPSS Hasil regresi persamaan asli dengan sebelum ada
transformasi dan hasil regresi setelah transformasi ternyata dapat dibandingkan comparable. Hanya bedanya terletak pada nilai
Durbin-Watson. Pada persamaan asli nilai DW sebesar 0,299 dan terjadi autokorelasi positif, sedangkan dengan persamaan regresi
transformasi nilai Durbin-Watson sebesar 2,012 yang berarti tidak ada lagi masalah autokorelasi.
96
Gambar 4.9 Hasil Uji Durbin-Watson
Tolak H
Bukti otokorelasi
positif
Daerah meragukan
Terima H
atau H
atau keduanya Daerah
meragukan
Tolak H
Bukti otokorelasi
negatif
d 4
4- d
U
4- d
L
d
U
d
L
2,2447 2,4179
1,7553 1,5821
2,012
Sumber : Data Diolah
2. Analisis Regresi Linier Berganda