dari tahun ke t laporan keuangan tahunan. Berikut ini adalah rumus
perhitungan NPF: NPF =
Pembiayaan Bermasalah x 100
Total Pembiayaan
b. Profitabilitas Y2 Pada penelitian ini profitabilitas diproksikan dengan Return On Asset
ROA. ROA diukur dengan mencari rasio yang terdapat dari tahun ke t
laporan keuangan tahun. Berikut ini adalah rumus perhitungan ROA:
ROA = Laba Sebelum Pajak Disetahunkan
x 100 Rata-rata Total Aset
3.6 Metode Analisis Data
3.6.1 Statistik Deskriptif Statistik deskriptif adalah statistik yang digunakan untuk menganalisa data
dengan cara mendeskripsikan atau menggambarkan data yang telah terkumpul sebagaimana adanya tanpa bermaksud membuat kesimpulan yang berlaku untuk
umum atau generalisasi Sugiyono, 2012:148. Dengan menggunakan statistik deskriptif ini nantinya dapat menjelaskan tentang besarnya nilai rata-rata, deviasi
standar, nilai minimum, dan nilai maksimum untuk variabel-variabel penelitian.
3.6.2 Uji Normalitas Data Uji normalitas bertujuan untuk menguji apakah dalam model regresi,
variabel pengganggu atau residual memiliki distribusi normal. Ada dua cara untuk mendeteksi apakah residual berdistribusi normal atau tidak yaitu dengan analisis
grafik dan uji statistik. Untuk menguji apakah data berdistribusi normal atau tidak dilakukan uji statistik Kolmogorov-Smirnov Test. Residual berdistribusi normal
jika memiliki nilai signifikansi 0,05 Ghozali, 2011: 160-165.
3.6.3 Uji Asumsi Klasik a. Uji Multikolinearitas
Uji ini bertujuan untuk mengetahui apakah model regresi ditemukan adanya korelasi antar variabel independen Ghozali, 2011:105. Model regresi
yang baik seharusnya tidak terjadi korelasi di antara variabel independen. Multikolinearitas dapat juga dilihat dari nilai Tolerance TOL dan metode
Variance Inflation Factor VIF . Nilai TOL berkebalikan dengan VIF. TOL adalah besarnya variasi dari satu variabel independen yang tidak dijelaskan oleh
variabel independen lainnya. Sedangkan VIF menjelaskan derajat suatu variabel independen yang dijelaskan oleh variabel independen lainnya. Nilai TOL yang
rendah adalah sama dengan nilai VIF yang tinggi karena VIF = 1TOL. Nilai cut off yang umum dipakai untuk menunjukkan adanya multikolinearitas adalah nilai
TOL 0,10 atau sama dengan nilai VIF 10.
b. Uji Heteroskedastisitas Uji ini bertujuan untuk menguji apakah dalam model regresi terjadi
ketidaksamaan varian dari residual satu pengamatan ke pengamatan yang lain Ghozali, 2011:139. Jika varian dari residual satu pengamatan ke pengamatan
lain tetap, maka disebut homoskedastisitas, dan jika varian dari residual satu pengamatan ke pengamatan lain berbeda disebut heteroskedastisitas. Untuk
mendeteksi ada atau tidaknya heteroskedastisitas dapat dilakukan dengan melihat grafik scatterplot, dengan dasar analisis:
1. Jika ada pola tertentu, seperti titik-titik yang ada membentuk pola tertentu yang teratur bergelombang, melebar kemudian menyempit, maka mengindikasikan
telah terjadi heteroskedastisitas. 2. Jika tidak ada pola yang jelas, serta titik-titik menyebar di atas dan di bawah
angka 0 pada sumbu Y, maka tidak terjadi heteroskedastisitas.
c. Uji Autokorelasi Uji autokorelasi bertujuan menguji apakah dalam model regresi linier ada
korelasi antara kesalahan pengganggu pada periode t dengan kesalahan
pengganggu pada periode t-1 sebelumnya. Jika terjadi korelasi, maka dinamakan ada problem autokorelasi Imam Ghozali, 2011:110. Autokorelasi muncul karena
observasi yang berurutan sepanjang waktu berkaitan satu sama lain. Masalah ini timbul karena residual kesalahan pengganggu tidak bebas dari satu observasi ke
observasi lainnya. Model regresi yang baik adalah regresi yang bebas dari autokorelasi.
Pengujian terhadap adanya fenomena autokorelasi dalam data yang dianalisis dapat dilakukan dengan menggunakan Durbin-Watson Test. Autokorelasi pada
model regresi artinya ada korelasi antar anggota sampel yang diurutkan berdasarkan waktu saling berkorelasi. Untuk mengetahui adanya autokorelasi
dalam suatu model regresi dilakukan melalui pengujian terhadap nilai uji Durbin Watson Uji DW, dengan ketentuan sebagai berikut:
1. Angka D-W dibawah -2 berarti ada autokorelasi positif 2. Angka D-W diantara -2 sampai +2 berarti tidak ada auto korelasi
3. Angka D-W diatas +2 berarti ada autokorelasi negatif.
d. Uji Normalitas Model Uji normalitas bertujuan untuk menguji apakah dalam sebuah regresi,
setiap variabel mempunyai distribusi normal ataukah tidak mempunyai distribusi normal, salah satu metode ujinya adalah dengan menggunakan metode analisis
grafik, baik secara normal plot probability plot atau grafik histogram, dengan acuan sebagai berikut Ghozali, 2011 :
1. Jika data menyebar di sekitar garis diagonal dan mengikuti arah garis diagonal atau grafik histogramnya menunjukkan pola distribusi normal, maka model
regresi memenuhi asumsi normalitas. 2. Jika data menyebar jauh dari garis diagonal dan atau tidak mengikuti arah garis
diagonal atau grafik histogramnya tidak menunjukkan pola distribusi normal, maka model regresi tidak memenuhi asumsi normalitas kenormalan model.
3.6.4 Analisis Jalur Path Analysis Untuk menguji pengaruh variabel intervening digunakan metode analisis
jalur Path Analysis. Analisi jalur merupakan perluasan dari analisis regresi linear berganda, atau analisi jalur adalah perluasan analisis regresi untuk menaksir
hubungan kualitas antar variabel yang telah ditetapkan sebelumnya berdasarkan teori Ghozali, 2011. Analisis jalur sendiri tidak dapat menentukan hubungan
sebab akibat dan juga tidak dapat digunakan sebagai substitusi bagi peneliti untuk melihat hubungan kualitas antar variabel. Hubungan kualitas antar variabel telah
dibentuk dengan model berdasarkan landasan teoritis. Apa yang dapat dilakukan analisis jalur adalah menentukan pola hubungan antara tiga atau lebih variabel dan
tidak dapat digunakan untuk mengkonfirmasi atau menolak hipotesis kasualitas imajenir.
Apabila terdapat jalur yang tidak signifikan maka diberlakukan trimming theory. Teori ini dilakukan dengan cara menghilangkan atau menghapus jalur
yang tidak signifikan. Siginifikansi model dapat dilihat dari koefisien beta β
yang signifikan terhadap jalur. Dibawah ini merupakan diagram jalur dan koefisien jalur:
Gambar 3.1 Model Analisis Jalur X1
X2 Y1
Y2 βY
1
X
1
βY
2
X
2
βY
2
X
1
βY
1
X
2
βY
2
Y
1
Keterangan Gambar: βY
1
X
1
= koefisien jalur pengaruh X
1
terhadap Y
1
βY
1
X
2
= koefisien jalur pengaruh X
2
terhadap Y
1
βY
2
X
1
= koefisien jalur pengaruh X
1
terhadap Y
2
βY
2
X
2
= koefisien jalur pengaruh X
2
terhadap Y
2
βY
1
X
2
= koefisien jalur pengaruh Y
1
terhadap Y
2
Model analisis jalur yang digunakan dalam penelitin ini dapat diuraikan dalam persamaan struktural berikut:
Y
1
= β + β
Y1 X1
X
1
+ β
Y1 X2
X
2
+ + €....................... persamaan 1 Y
2
= β + β
Y2 X1
X
1
+ β
Y2 X2
X
2
+ + β
Y2 Y1
+ €......... persamaan 2 Keterangan:
Y
1
= Risiko Pembiayaan Y
2
= Profitabilitas X
1
= Dana syirkah temporer X
2
= Kewajiban Perhitungan jalur digunakan untuk menjelaskan pengaruh dari dana
syirkah temporer dan kewajiban. Pengaruh dari kedua variabel tersebut bisa pengaruh yang langsung maupun pengaruh yang tidak langsung terhadap
profitabilitas melalui risiko pembiayaan. Jika jalur yang dihitung tidak signifikan, maka dilakukan trimming theory. Jika sudah melakukan trimming theory
selanjutnya adalah menghitung kembali masing-masing koefisien jalurnya. Berikut ini adalah model analisis jalur:
a. Analisis Jalur Model Trimming Trimming theory adalah model yang digunakan untuk memperbaiki suatu
model struktur analisis jalur dengan cara mengeluarkan dari model variabel eksogen independen yang koefisien jalurnya tidak signifikan Riduwan,
2007: 127. Langkah-langkah pengujian analisis jalur dengan model trimming adalah sebagi berikut Riduwan, 2007:128:
1. Merumuskan persamaan struktural 2. Menghitung koefisien jalur yang didasarkan pada koefisien regresi
a Membuat gambar diagram jalur secara lengkap b Menghitung koefisien regresi untuk sub struktur yang telah dirumuskan
3. Menghitung koefisien jalur secara simultan keseluruhan 4. Menghitung secara individual
5. Menguji kesesuaian antara model analisis jalur 6. Merangkum ke dalam tabel
7. Memaknai dan meyimpulkan
b. Analisis Jalur Model Dekomposisi Pengaruh Langsung Direct Effect atau DE
1. Pengaruh variabel dana syirkah temporer terhadap risiko pembiayaan. DEY
1
X
1
= X
1
Y
1
2. Pengaruh variabel kewajiban terhadap risiko pembiayaan. DEY
1
X
2
= X
2
Y
1
3. Pengaruh variabel dana syirkah temporer terhadap profitabilitas. DEY
2
X
1
= X
1
Y
2
4. Pengaruh variabel kewajiban terhadap profitabilitas. DEY
2
X
2
= X
2
Y
2
5. Pengaruh variabel risiko pembiayaan terhadap profitabilitas. DEY
2
Y
1
= Y
1
Y
2
Pengaruh Tidak Langsung Indirect Effect atau IE 1. Pengaruh variabel dana syirkah temporer terhadap risiko pembiayaan
dan profitabilitas. IEY
2
Y
1
X
1
= X
1
Y
1
Y
2
2. Pengaruh variabel kewajiban terhadap risiko pembiayaan dan profitabilitas.
IEY
2
Y
1
X
2
= X
2
Y
1
Y
2
3.6.5 Uji Hipotesis a. Uji t
Menurut Ghozali 2011:98 uji t pada dasarnya menunjukkan seberapa jauh pengaruh satu variabel independen secara individual dalam menerangkan
variabel dependen. Menurut Ghozali 2011:99, uji t dilakukan dengan membandingkan signifikansi thitung dengan ttabel dengan ketentuan : 1. H0
diterima dan Ha ditolak jika t hitung t tabel untuk α = 0,05 2. H0 ditolak dan Ha dit
erima jika t hitung t tabel untuk α = 0,05
b. Uji Koefisien determinasi Adjusted R
2
Koefisien determinasi R2 pada intinya mengukur seberapa jauh kemampuan model dalam menerangkan variasi variabel dependen. Nilai
koefisien determinasi adalah antara nol dan satu. Nilai R2 yang kecil berarti kemampuan variabel-variabel independen dalam menjelaskan variasi variabel
dependen amat terbatas. Nilai yang mendekati satu berarti variabel-variabel independen memberikan hampir semua informasi yang dibutuhkan untuk
memprediksi variasi variabel dependen Imam Ghozali, 2011: 97. Nilai koefisien determinasi yang digunakan dalam penelitian ini adalah
nilai adjusted R2 karena variabel independen yang digunakan dalam penelitian ini lebih dari dua variabel. Selain itu nilai adjusted R2 dianggap lebih baik dari
nilai R2 , karena nilai adjusted R2 dapat naik atau turun apabila satu variabel independen ditambahkan ke dalam model regresi Ghozali, 2011:97.
3.7. Kerangka Pemecahan Masalah