BCIC yaitu sebesar 0,2575 25,75 . Hal ini menunjukkan bahwa bank yang paling besar menanggung resiko akibat dari adanya penyaluran dana
dalam bentuk kredit relatif lebih besar dibandingkan dengan deposito atau simpanan masyarakat adalah PT. Bank Niaga, Tbk BNGA. Dan yang
menanggung resiko yang paling kecil adalah PT. Bank Century,Tbk BCIC Tahun 2006 nilai variabel Loan to Deposit Ratio LDR tertinggi
dimiliki oleh PT. Bank Bumiputera Internasional, Tbk BABP yaitu sebesar 0,8925 89,25 . Sedangkan yang memiliki LDR terendah adalah PT. Bank
Century, Tbk BCIC yaitu sebesar 0,2150 21,50 . Hal ini menunjukkan bahwa bank yang paling besar menanggung resiko akibat dari adanya
penyaluran dana dalam bentuk kredit relatif lebih besar dibandingkan dengan deposito atau simpanan masyarakat adalah PT. Bank Bumiputera
Internasional, Tbk BABP. Dan yang menanggung resiko yang paling kecil adalah PT. Bank Century,Tbk BCIC
B. Regresi Linier Berganda
Regresi linier berganda dilakukan untuk mengetahui pengaruh variabel bebas, yakni Return on Total Assets ROA dan Loan to Deposit Ratio LDR
terhadap variabel terikat yaitu eksposur fluktuasi nilai tukar perusahaan perbankan yang terdaftar di Bursa Efek Indonesia. Tabel 4.4 berikut ini menunjukkan hasil
uji regresi menggunakan melalui pengolahan data dengan SPSS 12.00 for Windows.
Universitas Sumatera Utara
Tabel 4.4 Hasil Uji Regresi
Coefficientsa
Model Unstandardized
Coefficients Standardized
Coefficients T
Sig. B
Std. Error Beta
1 Constant
-24.508 16.336
-1.500 .139
ROA -44.437
506.238 -.012
-.088 .930
LDR 27.043
25.720 .142
1.051 .047
a Dependent Variable: Eksposur_Nilai_Tukar
Sumber: Hasil olahan SPSS
Berdasarkan Tabel 4.4 tersebut maka dihasilkan persamaan regresi linier berganda sebagai berikut:
Y = - 24,508 – 44,437 ROA + 27,043 LDR + e Dimana:
Y = Eksposur Fluktuasi Nilai Tukar
ROA = Return on Total Assets
LDR =
Loan to Deposit Ratio C.
Pengujian Asumsi Klasik
Model persamaan regresi linier berganda agar memberikan hasil yang representatif sesuai kriteria Best, Linier, Unbiased, Estimated BLUE, maka
dilakukan uji asumsi dasar klasik sebelum model tersebut digunakan untuk menguji hipotesis yang diajukan. Persamaan yang dibangun harus memenuhi
asumsi dasar: data berdistribusi normal, tidak terjadi gejala multikolinearitas, tidak ada gejala autokorelasi, dan tidak terjadi heterokedastisitas. Adapun uji
asumsi dasar klasik yang dilakukan adalah sebagai berikut:
Universitas Sumatera Utara
1. Uji Normalitas
Uji normalitas adalah uji yang digunakan untuk mengetahui apakah distribusi sebuah data mengikuti atau mendekati distribusi normal, yakni
distribusi data dengan bentuk seperti lonceng. Data yang baik adalah data yang mempunyai pola seperti distribusi normal, yakni distribusi data
tersebut tidak menceng ke kiri atau menceng ke kanan. Variabel terikat yaitu eksposur fluktuasi nilai tukar awalnya tidak
mempunyai distribusi normal. Hal ini disebabkan karena adanya nilai-nilai ekstrem outlier yang dapat mengganggu estimasi koefisien regresi, yang
dapat berakibat tidak tepatnya model yang dibuat yaitu observasi no. 22 seperti yang terlihat pada Tabel 4.5 berikut ini:
Tabel 4.5
Casewise Diagnosticsa
Case Number
Std. Residual Eksposur_Nilai
_Tukar Predicted
Value Residual
22 6.621
1140.217 60.63120
1079.585801 a Dependent Variable: Eksposur_Nilai_Tukar
Sumber: Hasil olahan SPSS
Nilai-nilai ekstrem outlier pada observasi no.22 mengakibatkan data tidak berdistribusi normal. Hal ini dapat dilihat dari Gambar 4.1 sebagai
berikut:
Universitas Sumatera Utara
-4 -2
2 4
6 8
Regression Standardized Residual
10 20
30 40
Frequency
Mean = 7.55E-17 Std. Dev. = 0.983
N = 60
Dependent Variable: Eksposur_Nilai_Tukar Histogram
Sumber: Hasil olahan SPSS Gambar 4.1 : Histogram Variabel Dependen
Ketika outlier belum dikeluarkan dari model, pola residual menjadi menceng ke kiri. Padahal seharusnya mengikuti distribusi normal. Hal ini
membuktikan bahwa variabel eksposur fluktuasi nilai tukar tersebut tidak normal.
Cara lain untuk menguji normalitas data dengan grafik adalah dengan melihat penyebaran data titik pada garis diagonal dari grafik
normalitas Normal P-P Plot. Jika data menyebar disekitar garis diagonal, maka dapat disimpulkan bahwa data berdistribusi normal. Namun, jika
Universitas Sumatera Utara
data menyebar jauh dari garis diagonal atau tidak mengikuti arah garis diagonal, maka dapat disimpulkan bahwa data tidak berdistribusi normal.
Gambar 4.2 menunjukkan bahwa pada saat outlier yaitu observasi no. 22 belum dikeluarkan, data menyebar jauh dari garis diagonal atau
tidak mengikuti arah garis diagonal, maka dapat disimpulkan bahwa data tidak berdistribusi normal.
0.0 0.2
0.4 0.6
0.8 1.0
Observed Cum Prob
0.0 0.2
0.4 0.6
0.8 1.0
Exp ected Cum
Prob
Dependent Variable: Eksposur_Nilai_Tukar Normal P-P Plot of Regression Standardized Residual
Sumber: Hasil
olahan SPSS
Gambar 4.2 : Normal P-P Plot
Cara lain yang dilakukan untuk memastikan apakah data tersebut berdistribusi normal atau tidak, maka dilakukan uji Kolmogrov Smirnov
1 Sample KS yakni dengan melihat data residualnya apakah berdistribusi normal atau tidak. Jika nilai Asymp.sig 2-tailed taraf nyata
α = 0,05 maka data residual berdistribusi normal. Sebaliknya, jika nilai Asymp.sig
2-tailed taraf nyata α = 0,05 maka residual tidak berdistribusi normal.
Universitas Sumatera Utara
Tabel 4.6 Uji Normalitas
One-Sample Kolmogorov-Smirnov Test
Unstandardized Residual
N 60
Normal Parametersa,b
Mean .0000000
Std. Deviation 160.27236503
Most Extreme Differences
Absolute .281
Positive .281
Negative -.241
Kolmogorov-Smirnov Z 2.179
Asymp. Sig. 2-tailed .000
a Test distribution is Normal b Calculated from data.
Sumber: Hasil olahan SPSS
Tabel 4.6 menunjukkan bahwa ketika nilai ekstrem outlier yaitu observasi no. 22 tidak dikeluarkan maka nilai Asymp.sig 2-tailed adalah
sebesar 0,000 lebih kecil dari taraf nyata α = 0,05. Dengan demikian,
dapat disimpulkan bahwa data tidak berdistribusi normal. Peneliti mendapatkan model yang lebih baik dengan mengeluarkan
nilai-nilai ekstrem outlier tersebut dari penelitian, dalam hal ini outlier yang dimaksud adalah observasi no.22. Setelah observasi no. 22
dikeluarkan, namun masih terdapat sebuah nilai ekstrem outlier yang lain, yaitu pada observasi no.3 seperti terlihat pada Tabel 4.7 berikut ini:
Tabel 4.7
Casewise Diagnosticsa
Case Number Std. Residual
Eksposur_Nilai _Tukar
Predicted Value
Residual 3
-6.188 -463.094
-25.82533 -437.268668
a Dependent Variable: Eksposur_Nilai_Tukar
Sumber: Hasil olahan SPSS
Universitas Sumatera Utara
Masih terdapatnya outlier pada penelitian yaitu observasi no. 3 menyebabkan data tetap berdistribusi tidak normal. Hal ini dapat dilihat
pada Gambar 4.3 berikut ini:
-8 -6
-4 -2
2
Regression Standardized Residual
10 20
30 40
Fr equenc
y
Mean = -1.02E-16 Std. Dev. = 0.983
N = 59
Dependent Variable: Eksposur_Nilai_Tukar Histogram
Sumber: Hasil olahan SPSS Gambar 4.3: Histogram Variabel Dependen
Gambar 4.3 menunjukkan bahwa distribusi data menceng ke kanan. Padahal seharusnya distribusi data tersebut mengikuti distribusi
data normal. Demikian pula apabila menguji normalitas data dengan grafik normal P-P Plot, akan terlihat bahwa data berdistribusi tidak normal
dengan ditandai adanya penyebaran data yang tidak mengikuti garis diagonal meskipun penyebaran data tersebut tidak terlalu jauh lagi dari
garis diagonal seperti yang terlihat pada Gambar 4.4 berikut ini:
Universitas Sumatera Utara
0.0 0.2
0.4 0.6
0.8 1.0
Observed Cum Prob
0.0 0.2
0.4 0.6
0.8 1.0
Expe cted Cum
Prob
Dependent Variable: Eksposur_Nilai_Tukar Normal P-P Plot of Regression Standardized Residual
Sumber: Hasil olahan SPSS Gambar 4.4: Normal P-P Plot
Pengujian yang dilakukan dengan Kolmogrov Smirnov 1 Sample KS juga menunjukkan bahwa data tersebut berdistribusi tidak normal
seperti terlihat pada Tabel 4.8 berikut ini:
Universitas Sumatera Utara
Tabel 4.8 Uji Normalitas
One-Sample Kolmogorov-Smirnov Test
Unstandardized Residual
N 59
Normal Parametersa,b Mean
.0000000 Std. Deviation
69.43529932 Most Extreme Differences
Absolute .193
Positive .168
Negative -.193
Kolmogorov-Smirnov Z 1.485
Asymp. Sig. 2-tailed .024
a Test distribution is Normal. b Calculated from data.
Sumber: Hasil olahan SPSS
Oleh karena data tetap berdistribusi tidak normal dan agar data memiliki model yang terbaik maka outlier yaitu observasi no. 3 harus
dikeluarkan dari penelitian. Sehingga, ketika outlier dikeluarkan maka data tersebut telah berdistribusi normal dan telah memiliki model yang
terbaik. Hal ini dapat dilihat pada Gambar 4.5 berikut ini:
Universitas Sumatera Utara
Sumber: Hasil olahan SPSS Gambar 4.5: Histogram Variabel Dependen
Gambar 4.5 menunjukkan bahwa variabel terikat yaitu eksposur fluktuasi nilai tukar mempunyai distribusi normal. Hal ini ditunjukkan
oleh distribusi data tersebut tidak menceng ke kiri atau ke kanan dan
distribusi data telah berbentuk seperti lonceng.
Pengujian normalitas data menggunakan Normal P-P Plot, maka akan terlihat juga bahwa data tersebut telah berdistribusi dengan normal.
Karena, pada Gambar 4.6 tersebut terlihat titik-titik yang tersebar di
-3 -2
-1 1
2 3
Regression Standardized Residual
5 10
15 20
25
Frequency
Mean =1.91E-17 Std. Dev. = 0.982
N = 58
Dependent Variable: Eksposur_Nilai_Tukar Histogram
Universitas Sumatera Utara
sepanjang garis diagonal dan mengikuti arah garis diagonal. Hal ini menunjukkan bahwa data telah berdistribusi normal.
0.0 0.2
0.4 0.6
0.8 1.0
Observed Cum Prob
0.0 0.2
0.4 0.6
0.8 1.0
Expe cted Cum
Prob
Dependent Variable: Eksposur_Nilai_Tukar Normal P-P Plot of Regression Standardized Residual
Sumber: Hasil olahan SPSS Gambar 4.6: Normal P-P Plot
Peneliti memastikan data di sepanjang garis diagonal tersebut berdistribusi normal atau tidak, maka dilakukan uji Kolmogorov Smirnov
1 sample KS yakni dengan melihat data residualnya apakah berdistribusi normal atau tidak. Jika nilai Asymp.sig 2-tailed taraf nyata
α = 0,05
Universitas Sumatera Utara
maka data residual berdistribusi normal. Sebaliknya, jika nilai Asymp.sig 2-tailed taraf nyata
α = 0,05 maka residual tidak berdistribusi normal.
Tabel 4.9 Uji Normalitas
One-Sample Kolmogorov-Smirnov Test
Unstandardized Residual
N 58
Normal Parametersa,b Mean
.0000000 Std. Deviation
38.18918324 Most Extreme Differences
Absolute .135
Positive .106
Negative -.135
Kolmogorov-Smirnov Z 1.026
Asymp. Sig. 2-tailed .243
a Test distribution is Normal. b Calculated from data.
Sumber: Hasil
olahan SPSS
Tabel 4.9 menunjukkan bahwa nilai Asymp.sig 2-tailed adalah sebesar 0,243 lebih besar dari taraf nyata
α = 0,05. Dengan demikian dapat disimpulkan bahwa data residual telah terdistribusi normal.
2. Uji Multikolinearitas
Uji Multikolinearitas dilakukan untuk mengetahui apakah terdapat hubungan linier antara variabel bebas. Dalam model regresi. Tabel 4.10
menunjukkan tidak ada masalah multikolinearitas dimana hasil uji VIF Variance Inflation Factor menunjukkan nilai kurang dari 5 VIF 5.
Universitas Sumatera Utara
Tabel 4.10 Colinearity Statistics
Coefficientsa
Model Collinearity Statistics
Tolerance VIF
1 Constant
ROA .978
1.022 LDR
.978 1.022
a Dependent Variable: Eksposur_Nilai_Tukar
Sumber : Hasil olahan SPSS
Tabel 4.10 dapat dilihat bahwa semua variabel bebas tidak terkena masalah multikolinearitas. Hal ini dapat dilihat dari Variance Inflation
Factor VIF masing-masing variabel bebas yakni Return on Total Assets ROA dan Loan to Deposit Ratio LDR adalah lebih kecil dari 5 VIF5.
3. Uji Autokorelasi
Uji autokorelasi dilakukan untuk menguji apakah model regresi terdapat korelasi kesalahan penganggu pada periode ke-t dan kesalahan
penganggu pada periode sebelumnya periode ke-t. Gejala autokorelasi dideteksi dengan menggunakan Durbin Watson Test. Kriteria pengambilan
keputusan uji autokorelasi ditunjukkan dalam Tabel 4.8 sebagai berikut: 1. 1,65 DW 2,35 tidak ada autokorelasi
2. 1,21 DW 1,65 atau 2,35 DW 2,79 tidak dapat disimpulkan
3. DW 1,21 atau DW 2,79 terjadi autokorelasi
Universitas Sumatera Utara
Hasil pengujian autokorelasi yang dilakukan dengan SPSS ditampilkan pada Tabel 4.11 sebagai berikut:
Tabel 4.11 Hasil Uji Autokorelasi
Model Summaryb
Model R
R Square Adjusted R
Square Std. Error of the
Estimate Durbin-
Watson 1
.141a .020
.016 38.877332
1.815 a Predictors: Constant, LDR, ROA
b Dependent Variable: Eksposur_Nilai_Tukar
Sumber: Hasil olahan SPSS
Tabel 4.11 dapat dilihat bahwa nilai Durbin Watson adalah 1,815 yang berarti bahwa pada model regresi penelitian ini tidak terjadi masalah
autokorelasi.
4. Uji Heterokedastisitas
Uji heterokedastisitas bertujuan untuk menguji apakah dalam model regresi terdapat ketidaksamaan varians dari residual satu
pengamatan ke pengamatan lainnya. Model regresi yang baik adalah yang tidak terjadi heterokedastisitas. Heterokedastisitas dapat dideteksi dengan
melihat penyebaran plot melalui gambar scatterplot sebagai berikut:
Universitas Sumatera Utara
-2 -1
1 2
Regression Standardized Predicted Value
-3 -2
-1 1
2 3
Re gre
ssion Stu denti
ze d
Resi dual
Dependent Variable: Eksposur_Nilai_Tukar Scatterplot
Sumber: Hasil olahan SPSS Gambar 4.7 : Scatterplot Variabel Dependen
Gambar 4.7 menunjukkan titik-titik yang menyebar secara acak baik di atas maupun di bawah angka nol pada sumbu Y dan tidak
berbentuk seperti pola tertentu. Hal ini memenuhi salah satu asumsi bahwa tidak terjadi heterokedastisitas pada model regresi. Untuk memperoleh
tingkat uji gejala heterokedastisitas yang lebih signifikan maka dalam penelitian ini menggunakan uji glejser seperti yang ditampilkan pada
Tabel 4.12 berikut:
Universitas Sumatera Utara
Tabel 4.12 Uji Glejser
Coefficientsa
Model Unstandardized
Coefficients Standardized
Coefficients T
Sig. B
Std. Error Beta
1 Constant
43.073 11.156
3.861 .000
ROA 301.800
345.718 .114
.873 .386
LDR -36.121
17.564 -.269
-2.056 .054
a Dependent Variable: absut
Su mber: Hasil olahan SPSS
Pada Tabel 4.12 dapat dilihat bahwa nilai signifikansi variabel- variabel independen lebih besar dari taraf nyata
α 5 . Dengan demikian dapat disimpulkan bahwa tidak terjadi heterokedastisitas.
D. Pengujian Hipotesis