Regresi Linier Berganda ANALISIS DAN PEMBAHASAN

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