62 pada triwulan 3 tahun 2008 dan nilai maksimum sebesar 744.496 pada triwulan
4 tahun 2014. Variabel non performing financing menunjukkan nilai rata –rata
sebesar 2.723235 dengan standar deviasi sebesar 1.53815, nilai minimum non performing financing sebesar 0.410000 pada triwulan 4 tahun 2008 dan nilai
maksimum sebesar 6.490000 pada triwulan 4 tahun 2010. Sedangkan variabel profitabilitas menunjukkan nilai rata
–rata sebesar 1.039118 dengan standar deviasi sebesar 0.618563, nilai minimum profitabilitas return on asset sebesar
0.190000 pada triwulan 1 tahun 2009 dan nilai maksimum sebesar 2.410000 pada triwulan 4 tahun 2013.
C. Hasil dan Pembahasan
Model yang digunakan dalam penelitian ini adalah analisis jalur, untuk menguji spesifikasi model dan kesesuaian teori-teori dengan kenyataan.
Pengolahan data dilakukan dengan menggunakan perangkat lunak Microsoft Excel 2013, dan Eviews 9.0.
1. Pengujian Dasar Asumsi Klasik
a. Hasil Uji Normalitas
Uji normalitas yang digunakan pada penelitian ini menggunakan teknik Jarque-Berra. Pedoman yang digunakan adalah apabila nilai
Jarque-Berra tidak signifikan lebih kecil dari 2, maka data terdistribusi normal. Dan apabila probabilitas lebih besar dari 5 maka
data terdistribusi normal Winarno, 2015:5.43. Pengujian normalitas untuk variabel dependen non performing
financing, dapat dilihat pada gambar 4.1, berikut ini :
63
2 4
6 8
10 12
-1.00 -0.75
-0.50 -0.25
0.00 0.25
0.50 0.75
1.00 1.25
Series: Residuals Sample 1 34
Observations 34 Mean
-5.22e-17 Median
-0.116804 Maximum
1.052448 Minimum
-0.984759 Std. Dev.
0.467932 Skewness
0.191771 Kurtosis
2.582441 Jarque-Bera
0.455402 Probability
0.796363
Gambar 4.1: Hasil Uji Normalitas
Sumber: Eviews 9 data diolah 2016. Gambar menunjukan bahwa setelah dilakukan uji normalitas data
dengan menggunakan fasilitas EViews maka semua variabel pada pengujian model ini menunjukan bahwa penelitian diatas berdistribusi
normal atau dapat dikatakan bahwa persyaratan normalitas dapat dipenuhi. Hal ini dapat dilihat dari nilai J-B pada penelitian ini sebesar
0.455402 dengan probability 0.796363. Di mana probabilitas harus lebih besar dari α= 0,05. Oleh karena itu H
1
diterima dan menunjukan bahwa penelitian tersebut berdistribusi normal, sehingga dapat
dikatakan bahwa persyaratan normalitas dapat terpenuhi.
b. Hasil Uji Multikolonieritas
Uji multikolonieritas bertujuan untuk menguji apakah model regresi ditemukan adanya korelasi antar variabel bebas Ghozali,
2013;103.
64 Pada penelitian ini, ada atau tidaknya multikolinieritas dapat
diketahui atau dilihat dari koefisien korelasi masing-masing variabel bebas. Jika koefisien kolerasi diantara masing-masing variabel bebas
lebih besar dari 0,85 maka terjadi multikolinieritas Agus Widarjono,2010:77.
Multikolinieritas bisa dideteksi dengan melihat kolerasi linier antara variabel independen di dalam regresi. Sebagai aturan yang kasar
rule of thumb, jika koefisien kolerasi cukup tinggi yaitu diatas 0,85 maka kita duga ada multikolinieritas dalam model. Sebaliknya jika
koefisien kolerasi kurang dari 0,85 maka kita duga model tidak mengandung unsur multikolinieritas. Akan tetapi perlu diperhatikan
terutama pada data time series seringkali menunjukan kolerasi antar variabel independen cukup tinggi. Kolerasi tinggi ini terjadi karena data
time series seringkali menunjukan unsur tren yaitu data bergerak naik dan turun secara bersamaan Agus Widarjono, 2010:77.
Pengujian Multtikolonieritas dapat dilihat pada tabel 4.2 berikut ini :
Tabel 4.2: Hasil Uji Multikolonieritas 1
KPRMU KPRIST
NPF KPRMU
1.000000 0.858924
-0.410932 KPRIST
0.858924 1.000000
-0.494347 NPF
-0.410932 -0.494347
1.000000 Sumber: Eviews 9 data diolah 2016.
Berdasarkan tabel di atas dapat dilihat bahwa masih ada variabel yang berada di atas 0,85 yaitu variabel pembiayaan pemilikan rumah
65 sistim akad istishna sebesar 0,858924 yang masih berada di atas 0,85
yang artinya data mengandung multikolinearitas. Adanya multikolinearitas dalam suatu model merupakan hal yang
sangat serius dan perlu segera dibenahi. Parameter yang terestimasi pada saat adanya multikolinearitas menjadi tidak reliable. Dengan
demikian, pada saat kita hendak menginterpretasikan parameter tersebut analisisnya menjadi kurang atau tidak akurat. Akan tetapi,
model yang mengandung multikolinearitas masih bermanfaat, jika model yang terestimasi digunakan untuk membuat suatu ramalan
forecast saja, asalkan R
2
masih cukup tinggi. Sebab untuk keperluan meramal, yang penting adalah menganalisis keseluruhan model dan
tidak individual parameter Nachrowi dan Hardius Usman, 2006. Dari tabel hasil analisis uji multikolinearitas dengan correlation
matrix diatas terlihat bahwa koefisien korelasi ada yang diatas 0.8, sehingga dapat disimpulkan bahwa dalam model terdapat masalah
multikolinearitas. Meskipun terdapat multikolinearitas, tetapi tifak mempengaruhi model secara signifikan hasil akhir estimasi tetap
menunjukan hasil yang cukup bagus Agus Widarjono, 2005:111. Ada
beberapa alternatif
dalam menghadapi
masalah multikolinearitas, salah satunya melakukan tranformasi salah satu
atau beberapa variabel, termasuk misalnya dengan melakukan diferensi Winarno :2015:5.8.
66
Tabel 4.3: Hasil Uji Multikolonieritas 2
Sumber: Eviews 9 data diolah 2016. Berdasarkan tabel di atas setelah dilakukan diferensi dapat dilihat
bahwa semua variabel masih ada yang berada di bawah 0,85. Sehingga dapat
disimpulkan bahwa
model tidak
terdapat masalah
multikolinearitas.
c. Hasil Uji Autokorelasi
Uji autokorelasi bertujuan menguji apakah dalam model regresi linear ada korelasi antara kesalahan pengganggu pada periode t dengan
kesalahan penggangu pada periode t-1 sebelumnya. Jika terjadi korelasi, maka dinamakan ada problem autokorelasi Ghozali,
2013:107. Pengujian Autokorelasi untuk variabel dependen non performing
financing dapat dilihat pada tabel 4.4 berikut ini :
Tabel 4.4: Hasil Uji Autokorelasi
Sumber: Eviews 9 data diolah 2016. Pada tabel hasil output diatas menunjukan bahwa nilai ObsR
Squared LM mempunyai probabilitas sebesar 0.3210 dimana probabilitas lebih besar dari nilai α sebesar 0.05 atau 5. Berarti
DKPRMU DKPRIST DNPF
DKPRMU 1.000000 -0.169172
0.240386 DKPRIST -0.169172
1.000000 -0.035361
DNPF 0.240386
-0.035361 1.000000
Breusch-Godfrey Serial Correlation LM Test: F-statistic
1.002961 Prob. F2,28 0.3796
ObsR-squared 2.272929 Prob. Chi-Square2
0.3210
67 probabilitas tersebut memberikan putusan bahwa model ini telah
terbebas dari permasalahan autokorelasi.
d. Hasil Uji Heteroskedastisitas
Autokorelasi adalah hubungan antara residual satu observasi dengan residual observasi lainnya. Autokorelasi lebih mudah timbul
pada data yang bersifat runtun waktu, karena berdasarkan sifatnya data masa sekarang dipengaruhi oleh data pada masa sebelumnya Winarno,
2015:5.29. Data yang baik adalah data yang homoskedastisitas. Homoskedastisitas adalah kesamaan varians dalam model regresi.
Autokorelasi dapat diteksi dengan menggunakan Uji Breusch-Godfrey nama lain uji BG ini adalah Uji Langrange Multiplier LM-test. Uji ini
sangat berguna untuk mengidentifikasi masalah autokorelasi tidak hanya pada derajat pertama first order tetapi juga digunakan pada
tingkat derajat. Uji autokerelasi juga bisa dilihat dari nilai probabilitas Chi-
Square. Jika probabilitas Chi-Square lebih besar dari tingkat signifikan 5 maka tidak terdapat autokorelasi dan sebaliknya jika probabilitas
Chi-Squared lebih kecil dari 5 maka terdapat autokorelasi. Apabila probabilitas signifikansi variabel independen lebih besar
d ari α = 5, maka dalam model regresi tidak terjadi heteroskedastisitas
atau terjadi homoskedastisitas. Namun apabila probabilitas signifikansi kurang α = 5, maka dalam model regresi ada indikasi terjadi
heteroskedastisitas Winarno, 2015:5.12.
68 Pengujian heteroskedastisitas untuk variabel dependen non
performing financing dapat dilihat pada tabel 4.6 berikut ini :
Tabel 4.5: Hasil Uji Heteroskedastikitas
Sumber: Eviews 9 data diolah 2016. Tabel diatas menunjukkan bahwa nilai probabilitas dari Chi-
Square sebesar 0.2918 yang lebih besar dari nilai α sebesar 0.05, karena
nilai probabilitas Chi- Square lebih besar dari α= 5 maka Ho diterima
sehingga dapat disimpulkan bahwa dalam model ini tidak ada masalah heterokedastisitas.
2. Analisis Regresi Linear
