26 adanya kolinearitas yang tinggi. Nilai cut off yang umum dipakai adalah
nilai tolerance 0,10 atau sama dengan nilai VIF diatas 10.
c. Uji Heteroskedastisitas
Bertujuan untuk menguji apakah dalam model regresi terjadi ketidaksamaan variance dari residual pengamatan 1 ke pengamatan yang
lain tetap. Hal seperti itu juga disebut sebagai homokedastisitas dan dan jika berbeda disebut heteroskedastisitas atau tidak terjadi
heteroskedastisitas.Salah satu cara untuk mengetahui ada tidaknya heteroskedastisitas dalam suatu model regresi linier berganda adalah
dengan melihat grafik scatterplot atau nilai prediksi variabel terikat yaitu SRESID dengan residual error yaitu ZPRED. Jika tidak ada pola tertentu
dan tidak menyebar diatas dan dibawah angka nol pada sumbu y, maka tidak terjadi heteroskedastisitas.
d. Uji Autokorelasi
Bertujuan untuk menguji apakah dalam suatu model regresi linier berganda terdapat korelasi antara residual pada periode t dengan residual
periode t-1 sebelumnya. Model regresi yang baik adalah regresi yang
bebas dari autokorelasi. 3.6.2. Analisis Regresi Linier Berganda
Regresi linier berganda yaitu suatu model linier regresi yang variable dependennya merupakan fungsi linier dari beberapa variabel bebas.
Regresi linier berganda sangat bermanfaat untuk meneliti pengaruh beberapa variabel yang berkorelasi dengan variabel yang diuji. Teknik
Universitas Sumatera Utara
27 analisis ini sangat dibutuhkan dalam berbagai pengambilan keputusan baik
dalam perumusan kebijakan manajemen maupun dalam telaah ilmiah. Hubungan fungsi antara satu variabel dependent dengan lebih dari
satu variabel independent dapat dilakukan dengan analisis regresi linier berganda, dimana kinerja profitabilitas sebagai variabel dependent
sedangkan CAR, NPL, BOPO,LDR, NIM, dan Pangsa kredit sebagai variabel independent.
Persamaan regresi yang digunakan adalah sebagai berikut:
Y= b0 + b1x1 + b2x2 + b3x3 + e
Keterangan: Y = Tingkat Profitabilitas Perbankan
b0 = Konstanta b1-b4 = Koefisien regresi variabel independent
x1 = Biaya operasi terhadap pendapatan operasi BOPO x2 = Earning per Share EPS
x3 = Debt to Equity Ratio DER e = error
3.6.3. Pengujian secara parsial uji t
Pengujian hipotesis dalam penelitian ini menggunakan pengujian secara parsial uji t.
Pengujian ini dilakukan untuk mengetahui secara parsial variabel bebas berpengaruh secara signifikan atau tidak terhadap variabel terikat.
Universitas Sumatera Utara
28 Pengujian ini dilakukan dengan menggunakan uji dua arah dengan
hipotesis sebagai berikut: 1. Ho = b1 = 0, artinya tidak ada pengaruh secara signifikan dari variable
bebas terhadap variabel terikat. 2. Ho = b1
≠ 0, artinya ada pengaruh secara signifikan dari variabel bebas terhadap variabel terikat.
Untuk menilai t hitung digunakan rumus : t
hitung
=
��������� ������� �1 ������� ������� �1
Kriteria pengujian yang digunakan sebagai berikut : 1. H
diterima dan H
a
ditolak apabila t hitung t tabel. Artinya variabel bebas tidak berpengaruh secara signifikan terhadap variabel terikat.
2. H ditolak dan H
a
diterima apabila t hitung t tabel. Artinya variabel bebas berpengaruh secara signifikan terhadap variabel terikat.
3.6.4 Pengujian Secara Simultan F-test
Uji F digunakan untuk menunjukkan apakah semua variabel independen yang dimasukkan dalam model mempunyai pengaruh secara bersama- sama
terhadap variabel dependen. Uji ini dilakukan dengan membandingkan F hitung dengan F tabel dengan ketentuan sebagai berikut:
H diterima dan H
a
ditolak jika F hitung F tabel untuk α = 5 H
ditolak dan H
a
diterima jika F hitung F tabel untuk α = 5
Universitas Sumatera Utara
29
BAB IV HASIL PENELITIAN DAN PEMBAHASAN
4.1. Deskriptif Data Penelitian
Populasi yang diteliti dalam penelitian ini adalah perusahaan perbankan yang terdaftar di Bursa Efek Indonesia selama tahun 2009-2011. Perusahaan yang
dijadikan sampel berjumlah 25 perusahaan. Daftar perusahaan yang telah ditentukan dapat dilihat pada lampiran.
4.2. Analisis Hasil Penelitian 4.2.1 Statistik Deskriptif
Statistik deskriptif ini memberikan gambaran mengenai nilai minimum, nilai maksimun, mean, dan standar deviasi. Statistik deskriptif akan
dijelaskan dalam tabel berikut ini.
Descriptive Statistics
N Minimum
Maximum Mean
Std. Deviation BOPO
75 .31
.97 .6751
.19994 EPS
75 1.00
930.00 147.9600
189.64871 DER
75 3.03
15.62 9.1153
2.67638 ROA
75 .15
4.45 1.8793
.98039 Valid N listwise
75
Tabel 4.1. STATISTIK DESKRIPTIF
Sumber : Output SPSS, diolah Peneliti, 2013
Universitas Sumatera Utara
30 Berdasarkan data dari tabel 4.1 dapat dijelaskan bahwa :
1. Rata-rata dari ukuran BOPO adalah 0,6751 dengan standar deviasi
0,19994 dan jumlah data yang ada adalah 75. Nilai tertinggi BOPO adalah 0,97 sedangkan nilai terendah adalah 0,31.
2. Rata-rata dari EPS adalah 147,9600 dengan standar deviasi
189.64871 dan jumlah data yang ada adalah 75. Nilai EPS tertinggi adalah 930,00 sedangkan nilai terendah adalah 1,00.
3. Rata-rata dari DER adalah 9,1153 dengan standar deviasi 2.67638
dan jumlah data yang ada adalah 75. Nilai tertinggi DER adalah 15,62 sedangkan nilai terendah adalah 3,03.
4. Rata-rata dari ROA adalah 1,8793 dengan standar deviasi 0,98039
dan jumlah data yang ada adalah 75. Nilai tertinggi ROA adalah
4,45 sedangkan nilai terendah adalah 0,15. 4.2.2 Pengujian Asumsi Klasik
Salah satu satu syarat yang menjadi dasar penggunaan model regresi berganda dengan metode estimasi Ordinary Least Square OLS adalah
dipenuhinya semua asumsi klasik, agar hasil pengujian bersifat tidak bias dan efisien Best Linear Unbiased Estimator. Pengujian asumsi klasik dalam
penelitian ini dilakukan dengan bantuan program statistik. Menurut Ghozali 2005, asumsi klasik yang harus dipenuhi adalah sebagai berikut ini.
• Berdistibusi normal.
Universitas Sumatera Utara
31 • Non-Multikolinearitas, artinya antara variabel independen dalam model
regresi tidak memiliki korelasi atau hubungan secara sempurna ataupun mendekati sempurna.
• Non-Autokorelasi, artinya kesalahan pengganggu dalam model regresi tidak saling berkorelasi.
• Non-Heterokedastisitas, artinya variance variabel independen dari satu pengamatan ke pengamatan lain adalah konstan atau sama.
4.2.2.1. Uji Normalitas
Uji data statistik dengan model Kolmogorov-Smirnov dilakukan untuk mengetahui apakah data sudah terdistribusi secara normal atau tidak.
Ghozali 2005, memberikan pedoman pengambilan keputusan rentang data mendekati atau merupakan distribusi normal berdasarkan uji Kolmogorov
Smirnov yang dapat dilihat dari: a nilai sig. atau signifikan atau probabilitas 0,05, maka distribusi data
adalah tidak normal, b nilai sig. atau signifikan atau probabilitas 0,05, maka distribusi data
adalah normal. Hipotesis yang digunakan adalah :
H : Data residual berdistribusi normal, dan
H
a
: Data residual tidak berdistribusi normal. Hasil uji normalitas dengan menggunakan model Kolmogorov-Smirnov
adalah seperti yang ditampilkan berikut ini :
Universitas Sumatera Utara
32
One-Sample Kolmogorov-Smirnov Test
Unstandardized Residual
N 75
Normal Parameters
a,,b
Mean .0000000
Std. Deviation .64813861
Most Extreme Differences Absolute .094
Positive .094
Negative -.093
Kolmogorov-Smirnov Z .812
Asymp. Sig. 2-tailed .525
a. Test distribution is Normal. b. Calculated from data.
Tabel 4.2 HASIL UJI NORMALITAS
Sumber : Output SPSS, diolah Peneliti, 2013 Berdasarkan hasil uji statistik dengan model Kolmogorov-Smirnov
seperti yang terdapat dalam tabel 4.2 dapat disimpulkan bahwa besarnya nilai Kolmogorov–Smirnov sebesar 0,812 dan signifikan lebih dari 0,05
karena Asymp. Sig. 2-tailed 0,525 dari 0,05. Nilai signifikansi lebih besar dari 0,05 maka H0 diterima atau Ha ditolak yang berarti data residual
telah berdistribusi normal. Dengan demikian, dapat disimpulkan bahwa nilai-nilai observasi data telah terdistribusi secara normal dan dapat
dilanjutkan dengan uji asumsi klasik lainnya. Untuk lebih jelas, berikut ini turut dilampirkan grafik histrogram dan plot data yang terdistribusi normal.
Universitas Sumatera Utara
33
Gambar 4.1 HISTOGRAM
Sumber : Output SPSS, diolah Peneliti, 2013
Grafik histogram di atas menunjukkan bahwa data telah terdistribusi secara normal. Hal ini dapat dilihat dari grafik histogram yang menunjukkan
distribusi data mengikuti garis diagonal yang tidak menceng skewness kiri maupun menceng ke kanan. Hal ini juga didukung dengan hasil uji
normalitas dengan menggunakan grafik plot yang ditampilkan pada Gambar 4.2
Universitas Sumatera Utara
34
Gambar 4.2 UJI NORMALITAS DATA
Sumber : Output SPSS, diolah Peneliti, 2013
Menurut Ghozali 2005, pendeteksian normalitas dapat dilakukan dengan melihat penyebaran data titik pada sumbu diagonal dari grafik,
yaitu jika data titik menyebar di sekitar garis diagonal dan mengikuti arah garis diagonal, hal ini menunjukkan data yang telah terdistribusi normal.
Gambar 4.2 menunjukkan bahwa data titik menyebar di sekitar dan mendekati garis diagonal. Hal ini sejalan dengan hasil pengujian dengan
menggunakan histogram bahwa data telah terdistribusi normal. Karena secara keseluruhan data telah terdistribusi secara normal, maka dapat
dilakukan pengujian asumsi klasik lainnya.
4.2.2.2. Uji Multikolinieritas
Untuk melihat ada atau tidaknya multikolinieritas dalam model regresi dapat dilihat dari:
1 nilai tolerance dan lawannya,
Universitas Sumatera Utara
35 2 Variance Inflatin Factor VIF.
Kedua ukuran ini menunjukkan setiap variabel independen manakah yang dijelaskan oleh variabel independen lainnya. Tolerance mengukur
variabilitas variabel independen yang terpilih yang tidak dijelaskan oleh variabel independen lainnya. Jadi, nilai Tolerance yang rendah sama dengan
nilai VIF yang tinggi karena VIF = 1tolerence. Nilai cutoff yang umum dipakai untuk menunjukkan adanya mutikolineritas adalah nilai Tolerence
0,10 atau sama dengan VIF 10 Ghozali, 2005.
Coefficients
a
Model Unstandardized
Coefficients Standardiz
ed Coefficient
s T
Sig. Collinearity
Statistics B
Std. Error
Beta Toleran
ce VIF
1 Consta
nt 2.243
.395 5.674
.000 BOPO
-1.097 .413
-.224 -2.656
.010 .868 1.152
EPS .003
.000 .638
7.612 .000
.876 1.142 DER
-.012 .029
-.033 -.421
.675 .987 1.014
a. Dependent Variable: ROA
Tabel 4.3 HASIL UJI MULTIKOLINIERITAS
Sumber : Output SPSS, diolah Peneliti, 2013 Berdasarkan tabel 4.3 dapat disimpulkan bahwa penelitian ini bebas
dari adanya multikolinieritas. Hal tersebut dapat dilihat dengan membandingkannya dengan nilai Tolerance atau VIF. Masing-masing
Universitas Sumatera Utara
36 variabel independen yang digunakan dalam penelitian ini memiliki nilai
Tolerence yang lebih besar dari 0,10. Jika dilihat dari VIFnya, bahwa masing-masing variabel bebas lebih kecil dari 10. Dengan demikian dapat
disimpulkan bahwa tidak terjadi gejala multikolinieritas dalam variabel bebasnya.
4.2.2.3. Uji Heteroskedastisitas
Ghozali 2005 menyatakan “uji heteroskedastisitas bertujuan untuk menguji apakah dalam model regresi terjadi ketidaksamaan variance dari
residual satu pengamatan ke pengamatan yang lain. Jika variance dari satu pengamatan ke pengamatan lain tetap, maka disebut homoskedastisitas dan
jika berbeda disebut heteroskedastisitas”. Model regresi yang baik adalah tidak terjadi heteroskedastisitas. Cara mendeteksi ada tidaknya gejala
heteroskedastisitas adalah dengan melihat grafik scatterplot yang dihasilkan dari pengolahan data menggunakan program SPSS. Dasar pengambilan
keputusannya menurut Ghozali 2005 adalah sebagai berikut: 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.
Berikut ini dilampirkan grafik scatterplot untuk menganalisis apakah
terjadi gejala heteroskedastisitas atau tidak dengan cara mengamati penyebaran titik-titik pada grafik.
Universitas Sumatera Utara
37
Gambar 4.3 HASIL UJI HETEROSKEDASTISITAS
Sumber : Output SPSS, diolah Peneliti, 2013 Dari grafik scatterplot terlihat bahwa titik-titik menyebar secara acak
dengan tidak adanya pola yang jelas serta tersebar baik di atas maupun di bawah angka 0 pada sumbu Y. Hal tersebut menunjukkan bahwa tidak
terjadi heteroskedastisitas, sehingga model ini layak dipakai untuk memprediksi ROA perusahaan perbankan yang terdaftar di Bursa Efek
Indonesia berdasarkan masukan variabel independen yaitu BOPO, EPS, dan DER.
4.2.2.4. Uji Autokorelasi
Uji ini bertujuan untuk melihat apakah dalam suatu model linear ada korelasi antar kesalahan pengganggu pada periode t dengan kesalahan pada
periode t-1 sebelumnya. Model regresi yang baik adalah yang bebas dari autokorelasi. Masalah autokorelasi umumnya terjadi pada regresi yang
datanya time series. Ada beberapa cara yang dapat digunakan untuk mendeteksi masalah dalam autokorelasi diantaranya adalah dengan Uji
Universitas Sumatera Utara
38 Durbin Watson. Menurut Sunyoto 2009, untuk melihat ada tidaknya
autokorelasi dilihat dari: 1 angka D-W dibawah –2 berarti ada autokorelasi positif,
2 angka D-W di antara -2 sampai +2 berarti tidak ada autokorelasi, 3 angka D-W di atas +2 berarti ada autokorelasi negatif.
Model Summary
b
Model R
R Square Adjusted R
Square Std. Error of
the Estimate Durbin-
Watson 1
.750
a
.563 .544
.66169 1.602
a. Predictors: Constant, DER, EPS, BOPO b. Dependent Variable: ROA
Tabel 4.4 HASIL UJI AUTOKORELASI
Sumber : Output SPSS, diolah oleh peneliti, 2013 Tabel 4.5 menunjukkan hasil uji autokorelasi variabel penelitian.
Berdasarkan hasil pengujiannya dapat dilihat bahwa tidak terjadi autokorelasi antar kesalahan pengganggu antar periode. Hal tersebut dilihat
dari nilai Durbin-Watson D-W sebesar 1,602. Angka D-W di antara -2 sampai +2 yang mengartikan bahwa angka DW lebih besar dari -2 dan lebih
kecil dari 2. Dengan demikian, dapat dikemukakan bahwa tidak ada autokorelasi positif maupun negatif.
4.3 Analisis Regresi
