Gambar 16. Hasil analisis regresi Bank X KCP, data diolah Gambar 16 memperlihatkan bahwa model regresi yang
terbentuk yaitu
Laba = - 25,3 - 3,48 DPK + 5,41 Pembiayaan - 4,77 FDR........
.
4
Namun, model pada persamaan 4 tidak dapat digunakan, karena terjadi kendala multikolinearitas.
Multikolinearitas adalah suatu keadaan dimana antar variabel independen terdapat hubungan yang erat. Identifikasi
adanya multikolinieritas dalam model dapat dilakukan dengan melihat nilai variance inflation factors VIF. Multikolinieritas
dapat diidentifikasi pada parameter yang memiliki nilai VIF ≥ 5
Iriawan dan Astuti, dalam Rismayanti, 2009. Nilai VIF variabel DPK, Pembiayaan dan FDR dapat dilihat pada Tabel 8 berikut.
Regression Analysis: Laba versus DPK; Pembiayaan; FDR The regression equation is
Laba = - 25,3 - 3,48 DPK + 5,41 Pembiayaan - 4,77 FDR Predictor Coef SE Coef T P VIF
Constant -25,32 26,21 -0,97 0,378 DPK -3,477 2,537 -1,37 0,229 94,0
Pembiayaan 5,410 2,361 2,29 0,071 12,5 FDR -4,772 2,851 -1,67 0,155 51,5
S = 0,403258 R-Sq = 87,4 R-Sqadj = 79,9 Analysis of Variance
Source DF SS MS F P Regression 3 5,6449 1,8816 11,57 0,011
Residual Error 5 0,8131 0,1626 Total 8 6,4580
Source DF Seq SS DPK 1 4,7710
Pembiayaan 1 0,4184 FDR 1 0,4556
Tabel 8. Nilai VIF dalam model regresi Prediktor VIF
DPK 94 Pembiayaan 12,5
FDR 51,5 Sumber: Laporan keuangan Bank X KCP data diolah
4.7.2 Analisis Korelasi
Pada tahap ini, dihasilkan nilai korelasi antar variabel independen serta nilai korelasi antara variabel independen dan
variabel dependen. Nilai korelasi antar variabel independen dapat digunakan untuk mendeteksi secara dini adanya multikolinearitas.
Iriawan dan Astuti dalam Rismayanti 2009 menyatakan bahwa multikolinearitas dalam kasus dapat dideteksi apabila:
- Terdapat korelasi yang kuat antar variabel independen yang
ditandai dengan nilai korelasi mendekati 1
-
Tanda parameter model berlawanan dengan tanda nilai korelasi antara variabel independen dengan variabel dependen.
Tabel 9 menunjukkan nilai korelasi antar variabel pada Bank X KCP.
Tabel 9. Nilai korelasi antar variabel DPK, pembiayaan, FDR, dan laba pada Bank X KCP
Variabel Laba DPK Pembiayaan
DPK
Nilai Korelasi 0,860
p-value 0,003
Pembiayaan
Nilai Korelasi 0,873
0,870 p-value 0,002
0,002 FDR
Nilai Korelasi -0,820
-0,970 -0,746
p-value 0,007 0,000
0,021 Sumber: Laporan keuangan Bank X KCP data diolah
Hasil analisis korelasi memperlihatkan bahwa variabel pembiayaan menunjukkan korelasi yang paling kuat diantara ketiga
variabel independen yang lain terhadap laba dengan pengaruh
positif, yaitu dengan nilai korelasi sebesar 0,873. Dengan menggunakan taraf nyata 5 persen, p-value korelasi antara laba dan
pembiayaan adalah 0, 002. Nilai p-value cukup signifikan untuk menolak H
o
, yang berarti bahwa Laba dan pembiayaan memiliki korelasi sangat kuat Nugroho dalam Rohaeni, 2009. Variabel laba
dan DPK juga memiliki nilai korelasi yang sangat kuat, dengan nilai korelasi yang mencapai 0,860 dan nilai p-value 0,003. Sama
halnya dengan kedua variabel independen tersebut, variabel FDR pun memiliki korelasi yang sangat dengan laba yaitu 0,820 dengan
p-value 0,007 tetapi dengan pengaruh negatif. Berdasarkan Tabel 6 ketiga variabel independen tersebut mempunyai korelasi sangat
kuat terhadap laba. Tabel 8 memperlihatkan bahwa korelasi antar variabel
independen yang cukup erat adalah DPK dan FDR dengan nilai korelasi -0,970 dengan nilai p-value 0. Dengan menggunakan taraf
nyata 5persen, p-value cukup signifikan untuk menolak H
o
, yang berarti bahwa DPK dan FDR mempunyai korelasi yang erat.
Korelasi yang sangat kuat juga ditunjukkan oleh variabel pembiayaan dan DPK dengan nilai korelasi 0,87. Pembiayaan dan
FDR pun menunjukkan korelasi yang kuat dengan nilai korelasi 0,746 dengan pengaruh negatif. Korelasi yang cukup erat antara
ketiga variabel independen di atas mengindikasikan adanya multikolinearitas.
Tabel 9 di atas menunjukkan bahwa model regresi pada persamaan 4 mengalami kendala multikolinieritas karena VIF 5.
Kendala multikolnieritas pada model dapat diatasi dengan menggunakan analisis komponen utama.
4.7.3 Analisis Komponen Utama
Analisis komponen utama Principal Component Analysis digunakan untuk mengatasi kendala multikolinearitas. Dengan
analisis komponen utama, persamaan yang terbentuk bebas dari masalah multikolinearitas tanpa menghilangkan peubah bebas yang
