Uji Asumsi Klasik PENGARUH DANA PIHAK KETIGA (DPK), SERTIFIKAT BANK INDONESIA SYARIAH (SBIS), NON PERFORMING FINANCING (NPF) DAN RETURN ON ASSETS (ROA) TERHADAP PEMBIAYAAN MURABAHAH (Studi Kasus Pada Bank Umum Syariah dan Unit Usaha Syariah di Indonesia P

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