Analisis Deskriptif Statistik Analisis Regresi

71

BAB IV ANALISIS DAN PEMBAHASAN

A. Analisis Deskriptif Statistik

Bab ini menganalisis data yang akan digunakan. Data yang digunakan berupa variabel-varibael return on assets, pembiayaan murabahah, pembiyaan bagi hasil, tingkat suku bunga, dan inflasi. Objek penelitian ini adalah Bank Umum Syariah periode 2012-2015 dengan data laporan keuangan bulanan. Pemilihan BUS sesuai dengan kriteria yang dibutuhkan guna penerapan operasional variabel dengan teknik puposive sampling yang cocok digunakan bagi penelitian ini. Bank umum syariah yang menjadi sampel dalam penelitian ini adalah : Tabel 4.1 Daftar Sampel Bank Umum Syariah No. Nama Bank Umum Syariah 1. Bank BNI Syariah 2. Bank Syariah Mega Indonesia 3. Bank Mandiri Syariah 4. Bank Victoria Syariah 5. PT. Bank Bukopin Syariah 6. Bank Jawa Barat Banten Syariah 7. Bank Panin Syariah 72 Data yang digunakan dalam penelitian ini diperoleh dari Laporan Publikasi Bank Umum Syariah oleh Bank Indonesia BI dan Otoritas Jasa Keuangan OJK, Laporan Tingkat Suku Bunga, dan Inflasi oleh BI.

B. Analisis dan Pembahasan

1. Uji Asumsi Klasik

Pada prinsipnya model regresi yang dibangun sebaliknya tidak boleh menyimpang dari asumsi BLUE Best Linear Unbiased Estimator. Selanjutnya akan dilakukan uji asumsi klasik sebagai berikut:

a. Uji Multikolinearitas

Dalam model regresi diasumsikan tidak memuat hubungan dependensi linier antar variabel. Jika terjadi hubungan dependensi linier yang kuat di antara variabel indpenden maka dinamakan terjadi problem multikolinearitas. Masalah multikolinearitas sering muncul dalam model ekonometrika karena pada dasarnya variabel-variabel ekonomi saling terkait. Pada penelitian ini peneliti menggunakan metode korelasi parsial antar variabel independen untuk menguji multikolineritas. Karena multikolinearitas adalah hubungan linier antar variabel independen di dalam regresi. Oleh karena itu, untuk menguji multikolineritas menggunakan uji koefisien korelasi antar variabel. Mengikuti aturan yang ada jika nilai koefisien korelasi di atas 0,85 maka diduga ada multikolinieritas dalam model. Sebaliknya jika nilai koefisien korelasi relatif rendah maka kita duga model tidak mengandung unsur multikoliniearitas. Uji multikolinearitas ini secara singkat dapat dinyatakan dengan hipotesis berikut: 73 H : Tidak terjadi multikolinearitas dalam model H 1 : Terjadi multikolinearitas dalam model Tabel 4. 1 Hasil Uji Multikolinieritas LOGPM LOGPBH LOGTS LOGINF LOGPM 1.000000 0.424252 0.136460 0.140112 LOGPBH 0.424252 1.000000 0.178634 0.141110 LOGTS 0.136460 0.178634 1.000000 0.452635 LOGINF 0.140112 0.141110 0.452635 1.000000 Berdasarkan tabel di atas, dapat dilihat nilai koefisien korelasi antar variabel dalam penelitian. Nilai korelasi tertinggi terdapat pada hubungan antar LOGTS dengan LOGINF sebesar 0.452635 0.85. Berdasarakan dari nilai korelasi antar variabel dan masih lebih kecil dari 0,85 diketahui nilai korelasi antar variabel adalah rendah maka diduga tidak terdapat masalah multikolinearitas. Berikut analisisnya: a. LOG Pembiayaan Murabahah – LOG Pembiayaan Bagi Hasil : r0.424252 0,85, maka H diterima dan H 1 ditolak. b. LOG Pembiayaan Murabahah – LOG Tingkat Suku Bunga : r0.136460 0,85, maka H diterima dan H 1 ditolak. c. LOG Pembiayaan Murabahah – LOG Inflasi : r0.140112 0,85, maka H diterima dan H 1 ditolak. 74 d. LOG Pembiayaan Bagi Hasil – LOG Tingkat Suku Bunga :r0. 178634 0,85, maka H diterima dan H 1 ditolak. e. LOG Pembiayaan Bagi Hasil – LOG Inflasi : r0.141110 0,85, maka H diterima dan H 1 ditolak. f. LOG Tingkat Suku Bunga – LOG Inflasi : r0.452635 0,85, maka H diterima dan H 1 ditolak.

b. Uji Heteroskedastisitas dengan Uji Park

Uji ini bertujuan untuk menganalisis apakah variansi dari error bersifat tetapkonstan homoskedastik atau berubah-ubah heteroskedastik. Deteksi adanya heteroskedastisitas dapat dilakukan secara grafis dengan melihat apakah terdapat suatu variabel independen X atau terhadap nilai fitted variabel dependen ̂ dengan model yang telah diestimasi. Secara formal, dapat juga dilakukan dengan melakukan uji hipotesis : H : Asumsi homoskedastisitas terpenuhi H 1 : Asumsi homoskedastisitas tidak terpenuhi Pada penelitian ini peneliti menggunakan metode uji park untuk menguji heteroskedastisitas. Menurut Park, variabel gangguan yang tidak konstan atau masalah heteroskedastisitas muncul karena residual ini tergantung dari variabel independen yang ada di dalam model. Keputusan ada tidaknya masalah heteroskedastisitas berdasarkan uji statistik estimator β. Jika β tidak signifikan melalui uji t maka dapat disimpulkan tidak ada hetertoskedastisitas karena varian residualnya tidak tergantung dari variabel independen. Sebaliknya jika signifikan 75 secara statistik maka model mengandung unsur heteroskedastisitas karena besar kecilnya varian residual ditentukan oleh variabel independen. Tabel 4. 2 Hasil Uji Heteroskedastisitas dengan Uji Park Dependent Variable: LNRESID Method: Panel Least Squares Date: 072716 Time: 10:36 Sample: 2012M01 2015M12 Periods included: 48 Cross-sections included: 7 Total panel balanced observations: 336 Variable Coefficient Std. Error t-Statistic Prob. LOGPM 0.636977 0.734097 0.867700 0.3862 LOGPBH -0.181322 0.480968 -0.376993 0.7064 LOGTS -4.617684 2.605169 -1.772509 0.0772 LOGINF -0.799994 1.062160 -0.753176 0.4519 C -27.93764 30.04629 -0.929820 0.3532 Effects Specification Cross-section fixed dummy variables R-squared 0.169058 Mean dependent var 0.056944 Adjusted R-squared 0.143490 S.D. dependent var 4.878110 S.E. of regression 4.514584 Akaike info criterion 5.884693 Sum squared resid 6623.977 Schwarz criterion 6.009658 Log likelihood -977.6285 Hannan-Quinn criter. 5.934508 F-statistic 6.612234 Durbin-Watson stat 1.203170 ProbF-statistic 0.000000 Berdasarkan tabel di atas akan dilihat hasil uji heteroskedastisitas dengan melihat nilai t statistik setiap variabel yang ada. Dengan nilai t hitung uji satu sisi pada α = 5 dengan df 44 yaitu 2,015368. Hasil regresi menunjukkan bahwa variabel independen PM, PBH, TS, dan INF, secara statistik tidak signifikan mempengaruhi residual kuadrat dilihat dari kecilnya nilai statistik t hitung. 76 Dengan demikian hasil regresi tidak mengandung masalah heteroskedastisitas. dengan rincian sebagai berikut: a. t statistik LOG Pembiayaan Murabahah = 0.867700 2,015368 tidak terdapat masalah heteroskedastisitas b. t statistik LOG Pembiayaan Bagi Hasil = -0.376993 2,015368 tidak terdapat masalah heteroskedastisitas c. t statistik LOG Tingkat Suku Bunga = -1.772509 2,015368 tidak terdapat masalah heteroskedastisitas d. t statistik LOG Inflasi = -0.753176 2,015368 tidak terdapat masalah heteroskedastisitas

c. Uji Autokorelasi

Dalam asumsi OLS klasik diasumsikan bahwa residual bersifat independen satu dengan yang lain. Untuk uji asumsi ini digunkana uji hipotesis : H : Tidak terdapat korelasi serial pada residual H 1 : Terdapat korelasi serial pada residual Pada penelitian ini peneliti menggunakan uji DW untuk uji autokorelasi. Uji DW pertama kali diperkenalkan oleh J. Durbin dan GS. Watson tahun 1951. Untuk menarik kesimpulan melalui uji DW untuk ada atau tidaknya masalah autokorelasi digunakan kriteria sebagai berikut 1 : 1. Terjadi autokorelasi positif jika nilai DW dibawah -2 DW -2. 1 Danang Sunyoto, : Uji KHI Kuadrat dan Regresi untuk Penelitian,Yogyakarta:Graha Ilmu, 2010, h.110 77 2. Tidak terjadi autokorelasi jika nilai DW berada di antara -2 dan +2 atau -2 DW +2. 3. Terjadi autokorelasi negatif jika nilai DW di atas +2 atau DW +2. Tabel 4. 3 Hasil Uji Autokorelasi Dependent Variable: LOGROA Method: Panel Least Squares Date: 072716 Time: 07:23 Sample: 2012M01 2015M12 Periods included: 48 Cross-sections included: 7 Total panel balanced observations: 336 Variable Coefficient Std. Error t-Statistic Prob. C -86.65200 7.902346 -10.96535 0.0000 LOGPM 0.803566 0.193072 4.162004 0.0000 LOGPBH 1.846070 0.126497 14.59374 0.0000 LOGTS -4.760165 0.685174 -6.947379 0.0000 LOGINF 1.295960 0.279354 4.639128 0.0000 Effects Specification Cross-section fixed dummy variables R-squared 0.768196 Mean dependent var -4.000924 Adjusted R-squared 0.761064 S.D. dependent var 2.429081 S.E. of regression 1.187361 Akaike info criterion 3.213534 Sum squared resid 458.1938 Schwarz criterion 3.338499 Log likelihood -528.8738 Hannan-Quinn criter. 3.263349 F-statistic 107.7048 Durbin-Watson stat 0.676454 ProbF-statistic 0.000000 Pada hasil olah data di atas diketahui nilai statistik hitung d = 0.676454. Karena nilai d berada diantar -2 dan +2 atau -2 DW +2 maka dapat disimpulkan tidak ada masalah autokorelasi. 78

d. Uji Normalitas

Salah satu asumsi lain yang penting untuk inferensi statistika dalam analisis regresi adalah asumsi nomalitas dari error. Dalam menguji kenormalan dari data maka dapat digunakan metodependekatan grafik dan pendekatan inferensi statistik dengan uji hipotesis. Uji normalitas residual metode OLS secara formal dapat dideteksi dari metode yang dikembangkang oleh Jarque-Bera J-B. Metode JB ini didasarkan pasa sampel besar yang diasumsikan bersifat asymptotic. Uji statistik dari J-B ini menggunakan perhitungan skewness dan kurtosis. Jika suatu variabel didistribusikan secara normal maka nilai koefisien S = 0 dan K=3. Oleh karena itu, jika residual terdistribusi secara normal maka diharapkan nilai statistik JK akan sama dengan nol. Nilai statistik JB ini didasarkan padadistribusi Chi Squares dengan derajat kebebasan df 2. Jika nilai probabilitas ρ dari statistik JB besar atau dengan kata lain jika nilai statistik JB ini tidak signifikan maka diterima hipotesis bahwa residual mempunyai distribusi normal karena nilai statistik JB mendeketi nol. Sebaliknya jika nilai probabilitas ρ dari statistik JB kecil atau signifikan maka ditolak hipotesis bahwa residual mempunyai distribusi normal karena nilai statistik JB tidak sama dengan nol. Berikut hasil dari hasil histogram residual didapatkan nilai probability sebesar 0.201788 dan nilai JB sebesar 3.201075 maka nilai probabilitas ρ dari statistik JB besar atau dengan kata lain nilai statistik JB ini tidak signifikan maka diterima hipotesis bahwa residual mempunyai distribusi normal karena nilai statistik JB mendeketi nol dan nilai probability lebih besar dari 0,05. 79 Gambar 4. 1 Hasil uji Normalitas 4 8 12 16 20 24 28 32 -4 -3 -2 -1 1 2 Series: RESID Sample 2012M01 2015M12 Observations 272 Mean -0.181371 Median -0.185901 Maximum 2.436755 Minimum -3.851393 Std. Dev. 1.213039 Skewness -0.264040 Kurtosis 2.940178 Jarque-Bera 3.201075 Probability 0.201788

2. Pemilihan Model Regresi Data Panel

Regresi data panel dapat dilakukan dengan tiga model analisis yaitu dengan common, fiexed, dan random effect. Masing-masing model tergantung pada asumsi yang diapakai peneliti dan pemenuhan syarat-syarat pengolahan data statistik yang benar. data penelitian yang terdapat penelitian ini diolah untuk melihat ketiga dari modal regresi data penel tersebut seperti pada tabel di bawah ini :

a. Metode Common Effect atau Pooled Least Square PLS

Pooled Least Square model merupakan metode estimasi model regresi data panel yang paling sederhana dengan asumsi intercept dan koefesien slope yang konstan atara waktu dan cross sectio common effect. Dalam pendekatan ini tidak memperhatikan dimensi individu maupun waktu. Diasumsikan bahwa perilaku data antar perusahaan sama dalam berbagai kurun waktu. 80 Tabel 4. 4 Hasil Data Panel dengan Model Common Effect Dependent Variable: LOGROA Method: Panel Least Squares Date: 072816 Time: 10:57 Sample: 2012M01 2015M12 Periods included: 48 Cross-sections included: 7 Total panel balanced observations: 336 Variable Coefficient Std. Error t-Statistic Prob. LOGPM -1.028053 0.076284 -13.47663 0.0000 LOGPBH 0.369238 0.064826 5.695790 0.0000 LOGTS 2.654084 0.777970 3.411550 0.0007 LOGINF 1.592128 0.438779 3.628539 0.0003 C 26.96651 3.171204 8.503557 0.0000 R-squared 0.390861 Mean dependent var -4.000924 Adjusted R-squared 0.383500 S.D. dependent var 2.429081 S.E. of regression 1.907254 Akaike info criterion 4.143975 Sum squared resid 1204.051 Schwarz criterion 4.200777 Log likelihood -691.1878 Hannan-Quinn criter. 4.166618 F-statistic 53.09759 Durbin-Watson stat 0.362602 ProbF-statistic 0.000000

b. Metode

Fixed Effect Model FEM Teknik model fixed effect model adalah teknik mengestimasi data panel dengan menggunakan variabel dummy untuk menangkap adanya perbedaan intersep. Pengertian fixed effect ini didasarkan adanya perbedaan intersep antar perusahaan namun intersepnya sama antar waktu time in variant. Disamping itu, model ini juga mengasumsikan bahwa intersep adalah berbeda antar perusahaan sedangkan slopenya tetap sama antar perusahaan. 81 Tabel 4. 5 Hasil Regresi Data Panel Model Fixed Effect Dependent Variable: LOGROA Method: Panel Least Squares Date: 072816 Time: 10:58 Sample: 2012M01 2015M12 Periods included: 48 Cross-sections included: 7 Total panel balanced observations: 336 Variable Coefficient Std. Error t-Statistic Prob. LOGPM 0.803566 0.193072 4.162004 0.0000 LOGPBH 1.846070 0.126497 14.59374 0.0000 LOGTS -4.760165 0.685174 -6.947379 0.0000 LOGINF 1.295960 0.279354 4.639128 0.0000 C -86.65200 7.902346 -10.96535 0.0000 Effects Specification Cross-section fixed dummy variables R-squared 0.768196 Mean dependent var -4.000924 Adjusted R-squared 0.761064 S.D. dependent var 2.429081 S.E. of regression 1.187361 Akaike info criterion 3.213534 Sum squared resid 458.1938 Schwarz criterion 3.338499 Log likelihood -528.8738 Hannan-Quinn criter. 3.263349 F-statistic 107.7048 Durbin-Watson stat 0.676454 ProbF-statistic 0.000000 c. Metode Random Effect Model REM Random effect model merupakan metode estimasi regresi data panel dengan asumsi koefisien slope dan intecept berbeda antar individu dan antar waktu random effect. Model ini akan mengestimasi data panel dimana variabel gangguan mungkin saling berhubungan anta waktu dan antar individu. Model yang tepat digunakan untuk mengestimasi random effet adalah Generalized Least 82 Square GLS sebagai estimasinya, karena dapat meningkatkan efisiensi dari least square. Tabel 4. 6 Hasil Regresi Data Panel dengan Random Effect Dependent Variable: LOGROA Method: Panel EGLS Cross-section random effects Date: 072816 Time: 10:59 Sample: 2012M01 2015M12 Periods included: 48 Cross-sections included: 7 Total panel balanced observations: 336 Swamy and Arora estimator of component variances Variable Coefficient Std. Error t-Statistic Prob. LOGPM 0.376643 0.176548 2.133373 0.0336 LOGPBH 1.628294 0.120090 13.55900 0.0000 LOGTS -3.393542 0.652836 -5.198154 0.0000 LOGINF 1.367743 0.279080 4.900907 0.0000 C -64.59787 7.158945 -9.023378 0.0000 Effects Specification S.D. Rho Cross-section random 1.651959 0.6594 Idiosyncratic random 1.187361 0.3406 Weighted Statistics R-squared 0.420660 Mean dependent var -0.412856 Adjusted R-squared 0.413659 S.D. dependent var 1.644004 S.E. of regression 1.258861 Sum squared resid 524.5463 F-statistic 60.08506 Durbin-Watson stat 0.596568 ProbF-statistic 0.000000 Unweighted Statistics R-squared -1.854553 Mean dependent var -4.000924 Sum squared resid 5642.440 Durbin-Watson stat 0.076309 83

3. Pemiliham Model Regresi Data Panel

Dari model regresi data panel yang terdapat pada tabel di atas selanjutnya dari ketiga model tersebut akan dipih mana yang lebih baik digunakan dalam penelitian ini. Ada dua uji untuk memilih model regresi data panel yang digunakan pada penelitian ini yaitu Uji Chow dan Uji Hausman. Uji Chow digunakan untuk mengetahui model yang terbaik dari model common dan fixed, sedangkan Uji Hausman digunakan untuk mengetahui model yang terbaik antara model fixed dan random. Pengujian dilakukan sehingga model yang digunakan dalam penelitian ini tepat dan akurat karena mengikuti syarat-syarat statistik yang berlaku. Seperti pada tabel di bawah ini :

a. Uji Chow

Uji chow adalah pengujian untuk memilih apakah model digunakan pooled least square model atau fixed effect model. Dalam pengujian ini dilakukan dengan hipotesis sebagai berikut : H = Pooled Least Square PLS H 1 = Fixed Effect Model FEM Dasar penolakan terhadap hipotesis di atas adalah dengan membandingkan nilai probabilitas α = 5 jika nilai probabilitas lebih kecil dari 0.05 maka H ditolak artinya model yang lebih tepat digunakan adalah fixed effect dan sebalikanya. Atau dengan membandingkan perhitungan F statistik dengan F tabel. Perabandingan dipakai apabila hasil F hitung lebih besar dari F tabel, maka H ditolak yang berarti model yang lebih tepat digunakan adalah fixed effect model. 84 Begitu sebalinya, jika F hitung lebih kecil dari F tabel, maka H diterima model yang lebih tepat digunakan adalah common effect model. Tabel 4. 7 Hasil Uji Chow Redundant Fixed Effects Tests Equation: Untitled Test cross-section fixed effects Effects Test Statistic d.f. Prob. Cross-section F 88.173594 6,325 0.0000 Cross-section Chi-square 324.627972 6 0.0000 Cross-section fixed effects test equation: Dependent Variable: LOGROA Method: Panel Least Squares Date: 072816 Time: 11:10 Sample: 2012M01 2015M12 Periods included: 48 Cross-sections included: 7 Total panel balanced observations: 336 Variable Coefficient Std. Error t-Statistic Prob. LOGPM -1.028053 0.076284 -13.47663 0.0000 LOGPBH 0.369238 0.064826 5.695790 0.0000 LOGTS 2.654084 0.777970 3.411550 0.0007 LOGINF 1.592128 0.438779 3.628539 0.0003 C 26.96651 3.171204 8.503557 0.0000 R-squared 0.390861 Mean dependent var -4.000924 Adjusted R-squared 0.383500 S.D. dependent var 2.429081 S.E. of regression 1.907254 Akaike info criterion 4.143975 Sum squared resid 1204.051 Schwarz criterion 4.200777 Log likelihood -691.1878 Hannan-Quinn criter. 4.166618 F-statistic 53.09759 Durbin-Watson stat 0.362602 ProbF-statistic 0.000000 Hasil uji Chow pada tabel di atas menunjukkan bahwa probabilitas cross section adalah sebesar 0.0000 0,05, dan berdasarkan perbandingan perhitungan 85 F statistik dengan F tabel diketahui F tabel yaitu 2,816466 dan F statistik 87.9022993 yang artinya F hitung lebih besar dari F tabel, maka H ditolak. Artinya H 1 diterima model fixed effect lebih tepat dibandingkan dengan model common effect atau PLS.

b. Uji Hausman

Uji hausman adalah pengujian statistik untuk memilih apakah model fixed effect atau random effect lebih tepat digunakan dalam regresi data panel. Uji ini dikembangkan oleh Hausman dengan didasarkan pada ide waktu LSDV di dalam model fixed effect dan GLS adalah efisien sedangkan OLS adalah tidak efisien, di lain pihak alternatifnya metode OLS efisien dan GLS tidak efisien. Karen itu uji hipotesis nolnya adalah hasil estimasi keduanya tidak berbeda sehingga uji hausman dilakukan berdasarkan perbedaan estimasi tersebut. Pengujian dilakukan dengan hipotesis berikut. H = Random effect model H 1 = Fixedeffect model Uji ini menggunakan distribusi chi square diman jika probabilitas dari hausman lebih kecil dari α hasil hausman test signifikan maka H ditolak dan model fixed effet digunakan dan dengan membandingakan nilai chi square hitung dan chi square tabel jika chi square hitung lebih kecil dari chi square tabel maka model yang tepat adalah random effect, dan sebalilknya. 86 Tabel 4. 8 Hasil Uji Hausman Correlated Random Effects - Hausman Test Equation: Untitled Test cross-section random effects Test Summary Chi-Sq. Statistic Chi-Sq. d.f. Prob. Cross-section random 44.064266 4 0.0000 Cross-section random effects test comparisons: Variable Fixed Random VarDiff. Prob. LOGPM 0.803566 0.376643 0.006108 0.0000 LOGPBH 1.846070 1.628294 0.001580 0.0000 LOGTS -4.760165 -3.393542 0.043269 0.0000 LOGINF 1.295960 1.367743 0.000153 0.0000 Cross-section random effects test equation: Dependent Variable: LOGROA Method: Panel Least Squares Date: 072816 Time: 11:17 Sample: 2012M01 2015M12 Periods included: 48 Cross-sections included: 7 Total panel balanced observations: 336 Variable Coefficient Std. Error t-Statistic Prob. C -86.65200 7.902346 -10.96535 0.0000 LOGPM 0.803566 0.193072 4.162004 0.0000 LOGPBH 1.846070 0.126497 14.59374 0.0000 LOGTS -4.760165 0.685174 -6.947379 0.0000 LOGINF 1.295960 0.279354 4.639128 0.0000 Effects Specification Cross-section fixed dummy variables 87 R-squared 0.768196 Mean dependent var -4.000924 Adjusted R-squared 0.761064 S.D. dependent var 2.429081 S.E. of regression 1.187361 Akaike info criterion 3.213534 Sum squared resid 458.1938 Schwarz criterion 3.338499 Log likelihood -528.8738 Hannan-Quinn criter. 3.263349 F-statistic 107.7048 Durbin-Watson stat 0.676454 ProbF-statistic 0.000000 Hasil dari uji Hausman pada tabel di atas menunjukkan bahwa probabilitas cross section random adalah sebesar 0,0000 0,05. Karena memiliki nilai probalilitas yang lebih kecil dari nilai siginifikan α, sehingga dapat disimpulkan bahwa model yang terbaik yang dapat digunakan dalam penelitian ini adalah model fixed effect. Dan berdasarkan hasil uji antara chi square yaitu chi square hitung 44.064266 dan chi square tabel 9.488 yang artinya chi square htiung chi square tabel sehingga model yang tepat digunakan adalah fixed effect.

4. Uji Signifikansi

Berdasarkan hasil uji chow dan Hausman, model estimasi data panel yang terpilih adalah fixed effect. Maka selanjutnya dilakukan uji signifikansi dari model yang terpilih. 88 Tabel 4. 9 Hasil Estimasi Fixed Effect Model Dependent Variable: LOGROA Method: Panel Least Squares Date: 072816 Time: 11:19 Sample: 2012M01 2015M12 Periods included: 48 Cross-sections included: 7 Total panel balanced observations: 336 Variable Coefficient Std. Error t-Statistic Prob. LOGPM 0.803566 0.193072 4.162004 0.0000 LOGPBH 1.846070 0.126497 14.59374 0.0000 LOGTS -4.760165 0.685174 -6.947379 0.0000 LOGINF 1.295960 0.279354 4.639128 0.0000 C -86.65200 7.902346 -10.96535 0.0000 Effects Specification Cross-section fixed dummy variables R-squared 0.768196 Mean dependent var -4.000924 Adjusted R-squared 0.761064 S.D. dependent var 2.429081 S.E. of regression 1.187361 Akaike info criterion 3.213534 Sum squared resid 458.1938 Schwarz criterion 3.338499 Log likelihood -528.8738 Hannan-Quinn criter. 3.263349 F-statistic 107.7048 Durbin-Watson stat 0.676454 ProbF-statistic 0.000000

a. Uji Signifikan Simultan Uji F

Uji F berguna untuk menguji apakah koefisien regresi signifikan berbeda nyata. Koefisisen regresi yang signifikan adalah koefisien regresi yang secara statistik tidak sama dengan nol. Uji F yang dipakai dalam penelitian ini adalah : H : β 1, β 2, β 3, β 4, β 5, = 0 89 H 1 : β 1, β 2, β 3, β 4, β 5, ≠ 0 paling tidak ada satu slope yang ≠ 0 Beta merupakan slope dari variabel bebas model. 3. Pengujian ini dialkukan dengan membandingkan nilai F hitung dan F tabel. a Bila F statistik F ɑ;k,n-k-1 maka H ditolak b Bila F statistik F ɑ;k,n-k-1 maka H diterima 4. berdasarkan probabilitas a jika probabilitas p-value 0,05, maka H diterima b jika probabilitas p-value 0,05, maka H ditolak Berdasarkan hasil F-statistik yang diperoleh dari model nilai F-hitung sebesar 107.7048 sementara dengan n = 44 dan k = 4, nilai pada F-tabel diperoleh nilai 2.816466 dengan df k-1 dan df2 n-k sebsar 3 dan 44, nilai probabilitas 5. Berdasarkan hasil di atas nilai F-hitung F-tabel 107.7048 2.816466 dengan hasil tersebut berarti H ditolak dan H 1 diterima. Jadi dapat disimpulkan bahwa variabel PM, PBH, TS, dan INF, berpengaruh secara simultan terhadap profitabilitas Bank Umum Syariah Periode Januari 2012- Desember 2015.

b. Uji Signifikan Parsial Uji t

Pengujian ini dilakukan untuk melihat signifikansi pengaruh individual dari variabel-variabel bebas dalam model terhadap variabel dependennya. Dengan melakukan pengujian ini nilai-nilai statistik setiap variabel bebas. H : β t = 0, tidak berpengaruh signifikan H 1 : β t ≠ 0, berpengaruh signifikan 90 Kriteria penerimaan H adalah sebagai berikut : 3. Berdasarkan perbandingan t statistik dengan t-tabel. Kita membandingkan nilai t hitung dengna t tabel, dengan derajat bebas n-2, di mana n adalah banyaknya jumlah pengamatan serta tingkat signifikansi yang dipakai. a bila t statistik t tabel maka H diterima b bila t statistik t tabel maka H ditolak 4. berdasarkan probabilitas a jika probabilitas p-value 0,05, maka H diterima b jika probabilitas p-value 0,05, maka H ditolak Membandingkan nilai t-hitung dengan t-tabel sebesar 2.036933 dan melihat nilai probabilitas masing-masing variabel independen, maka dapat disimpulkan sebagai berikut: a. Uji t terhadap Variabel Pembiayaan Murabahah PM Hasil pengujian analisis regresi data penel menunjukkan, hasil uji t-hitung untuk variabel pembiayaan murabahah sebasar 4.162004, sementara nilai t-tabel dengan α=5 dan df n-k 48-4=44 adalah sebesar 2.015368, yang berarti diperoleh bahwa nilai t-hitung lebih besar dari nilai t-tabel 4.162004 2.015368, dan nilai probabilitasnya sebesar 0.0000 yang berarti lebih kecil dari nilai signifikansi yang digunkan 0,05 0.0000 0,05. Berdasarkan hasil tersebut maka H ditolak sehingga dapat disimpulkan bahwa variabel pembiayaan murabahah berpengaruh signifikan terhadap profitabilitas BUS. 91 b. Uji terhadap Variabel Pembiayaan Bagi Hasil PBH Hasil pengujian analisis regresi data penel menunjukkan, hasil uji t-hitung untuk variabel pembiayaan murabahah sebasar 14.59374, sementara nilai t-tabel dengan α=5 dan df n-k 48-4=44 adalah sebesar 2.015368, yang berarti diperoleh bahwa nilai t-hitung lebih besar dari nilai t-tabel 14.59374 2.015368, dan nilai probabilitasnya sebesar 0.0000 yang berarti lebih kecil dari nilai signifikansi yang digunkan 0,05 0.0000 0,05. Berdasarkan hasil tersebut maka H ditolak sehingga dapat disimpulkan bahwa variabel pembiayaan bagi hasil berpengaruh signifikan terhadap profitabilitas BUS. c. Uji terhadap Variabel Tingkat Suku Bunga TS Hasil pengujian analisis regresi data penel menunjukkan, hasil uji t-hitung untuk variabel tingkat suku bunga sebasar 6.947379, sementara nilai t-tabel dengan α=5 dan df n-k 48-4=44 adalah sebesar 2.015368, yang berarti diperoleh bahwa nilai t-hitung lebih besar dari nilai t-tabel 6.947379 2.015368, dan nilai probabilitasnya sebesar 0.0000 yang berarti lebih kecil dari nilai signifikansi yang digunkan 0,05 0.0000 0,05. Berdasarkan hasil tersebut maka H ditolak sehingga dapat disimpulkan bahwa variabel tingkat suku bunga berpengaruh signifikan terhadap profitabilitas BUS. d. Uji terhadap Variabel Inflasi INF Hasil pengujian analisis regresi data penel menunjukkan, hasil uji t-hitung untuk variabel inflasi sebasar 4.639128, sementara nilai t- tabel dengan α=5 dan df n-k 48-4=44 adalah sebesar 2.015368, yang berarti diperoleh bahwa nilai t- 92 hitung lebih besar dari nilai t-tabel 4.639128 2.015368, dan nilai probabilitasnya sebesar 0.0000 yang berarti lebih kecil dari nilai signifikansi yang digunkan 0,05 0.0000 0,05. Berdasarkan hasil tersebut maka H ditolak sehingga dapat disimpulkan bahwa variabel inflasi berpengaruh signifikan terhadap profitabilitas BUS.

c. Uji Adjusted R

2 Nilai R Squared R 2 mengukur tingkat bagaimana model dapat dijelaskan dengan baik. uji ini dilakukan untuk melihat sejauh mana variasi variabel terikat mampu dijelaskan oleh variabel bebasnya. Nilai R 2 merupakan fraksi dari variasi yang mampu dijelaskan oleh variabel bebas terhadap variabel terikat. Nilai R 2 terletak antara 0-1, semakin mendekati 1 maka model semakin baik. Adjusted R 2 adalah koefisien determinasi yaitu koefisien yang menjelaskan seberapa besar proporsi variasi dalam dependen yang dapat dijelaskan oleh variabel-variabel independen secara bersama-bersama. Berdasarkan hasil uji regresi dapat diperoleh nilai Adjusted R-squared sebesar 0.761064 artinya menunjukkan bahwa kemampuan variabel independen PM, PBH, TS, dan INF dalam menjelaskan variabel dependen ROA sebesar 76,11, sisanya yaitu sebesar 23,89 dijelaskan oleh faktor-faktor lain yang tidak dimasukkan dalam model penelitian. 93

C. Analisis Regresi

Berdasarkan model estimasi yang terpilih yaitu fixed effect model, diperoleh persamaan model regresi data panel dengan menggunakan perangkat lunak Eviews 8 adalah sebagai berikut : ROA it = -86.65200 + 0.803566Pembiayaan Murabahah it + 1.846070Pembiayaan Bagi Hasil it + -4.760165Tingkat Suku Bunga it + 1.295960Inflasi it Dari persamaan regresi di atas dapat dinyatakan nilai koefesien regresinya sebagai berikut: a. Nilai konstanta sebesar -86.65200, berarti jika setiap variabel independen konstanta bernnilai nol atau tidak ada pengaruh dari varibel independen, maka akan menurunkan profitabilitas ROA sebesar -86.65200. b. Nilai koefisien variabel pembiayaan murabaha sebesar 0.803566, berarti setiap peningkatan 1 pembiayaan murabaha akan meningkatkan profitabilitas ROA sebesar 0.803566 dengan asumsi variabel lainnya diabaikak dan konstan. c. Nilai koefisien variabel pembiayaan bagi hasil sebesar 1.846070 , berarti setiap peningkatan 1 pembiayaan bagi hasil akan meningkatkan profitabilitas ROA sebesar 1.846070 dengan asumsi variabel lainnya diabaikan dan konstan. d. Nilai koefisien variabel tingkat suku bunga sebesar -4.760165 , berarti setiap peningkatan 1 tingkat suku bunga akan menurunkan profitabilitas ROA sebesar -4.760165 dengan asumsi variabel lainnya diabaikan dan konstan. 94 e. Nilai koefisien variabel inflasi sebesar 1.295960, berarti setiap peningkatan 1 tingkat suku bunga akan menaikan profitabilitas ROA sebesar 1.295960 dengan asumsi variabel lainnya diabaikan dan konstan.

D. Interpretasi