Bank Tahun Triwulan
CAR NPL LDR ROA 1 9.993
0.243
26.034 -0.205
2 9.202 0.244
9.304 0.755
3 9.097 0.246
4.548 1.592
2006 4 8.304
0.247
2.717 2.340
1 9.323 0.222
6.512 1.331
2 10.724 0.248
3.401 2.783
3 11.578 0.273
2.262 4.132
2007 4 12.908
0.322
1.664 4.866
1 17.563 0.348
2.007 1.102
2 18.144 0.451
3.747 1.571
3 15.513 0.389
2.439 1.358
2008 4 13.474
0.327
1.588 0.766
1 12.044 0.302
4.112 0.157
2 11.453 0.373
1.372 0.745
3 11.065 0.139
2.114 1.404
Mandiri Syariah
2009 4 10.961
0.239
0.837 1.912
Sumber : Lampiran 2 Dari data rasio-rasio keuangan diatas kemudian dilaukan analisis untuk
mengetahui pengaruh beberapa rasio keuangan terhadap kinerja profitabilitas dengan menggunakan metode regresi linier baik secara partial maupun simultan.
Adapun untuk menganalisis dengan metode regresi linier, peneliti menggunakan bantuan program komputer software SPSS v.15.
4.3. Analisis Penelitian
Berdasarkan data yang telah di tampilkan pada tabel 4.1, langkah selanjutnya dilakukan analisis dengan menggunakan metode regresi linier dengan
bantuan software SPSS v.15. Adapun hasil pengolahan dapat dilihat pada lampiran 3.
Hak Cipta © milik UPN Veteran Jatim : Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.
4.3.1. Statistik Deskriptif
Statistik deskriptif digunakan untuk menunjukkan jumlah data yang digunakan dalam penelitian ini serta dapat menunjukkan nilai maksimum, nilai
minimum, nilai rata-rata serta standar deviasi dari masing-masing variabel. Variabel dalm penelitian ini meliputi variabel CAR, NPL, LDR dan ROA. Hasil
olah data deskriptif dapat dilihat pada tabel 4.2 sebagai berikut:
Tabel 4.2 : Statistik Deskriptif
Descriptive Statistics
1.31371 .906701
48 12.54273
2.366393 48
.12240 .133438
48 18.95273
24.806791 48
ROA CAR
NPL LDR
Mean Std. Deviation
N
sumber : lampiran 3 Pada tabel 4.2 menunjukkan bahwa N atau jumlah data pada setiap variabel
yang valid adalah 48. Dari 48 buah sampel data ROA, dengan nilai rata-rata mean sebesar 1,31371 dan nilai standar deviasiasinya sebesar 0,906701.Dari 48
buah sampel data CAR, dengan nilai rata-rata mean sebesar 12,54273 dan nilai standar deviasiasinya sebesar 2,366393. Dari 48 buah sampel data NPL, dengan
nilai rata-rata mean sebesar 0,12240 dan nilai standar deviasiasinya sebesar 0,133438. Dari 48 buah sampel data LDR, dengan nilai rata-rata mean sebesar
18,95273 dan nilai standar deviasiasinya sebesar 24,806791.
Hak Cipta © milik UPN Veteran Jatim : Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.
4.3.2. Uji Asumsi Klasik
4.3.2.1 Uji Normalitas
Uji normalitas bertujuan untuk menguji apakah data yang digunakan dalam model regresi, variabel independent dan variabel dependen atau keduanya
telah berdistribusi secara normal atau tidak. Model regresi yang baik adalah memiliki distribusi data normal atau mendekati normal. Untuk mendeteksi
normalitas data, dapat dilakukan dengan melihat penyebaran data. Caranya adalah dengan menentukan terlebih dahulu hipotesis pengujian, yaitu:
Ho : data terdistribusi secara normal Ha : data tidak terdistribusi secara normal
Normalitas data dapat dilihat dari penyebaran data titik pada sumbu diagonal pada grafik Normal P-Plot atau dengan melihat histogram dari
residualnya. Uji normalitas dengan grafik Normal P-Plot akan membentuk satu garis lurus diagonal, kemudian plotting data akan dibandingkan dengan garis
diagonal. Jika distribusi normal maka garis yang menggambarkan data sesungguhnya akan mengikuti garis diagonalnya. Dan juga bisa dilihat pada
histogram, dimana data membentuk pola seperti dalam histogram. Berdasarkan tampilan grafik Normal P-Plot di lampiran 3, dapat
disimpulkan bahwa pola grafik normal terlihat dari titik-titik yang menyebar disekitar garis diagonal dan penyebarannya mengikuti arah garis diagonal. Hal ini
menunjukkan bahwa data yang digunakan dalam penelitian ini telah terdistribusi secara normal sehingga model regresi dapat digunakan dan memenuhi asumsi
normalitas.
Hak Cipta © milik UPN Veteran Jatim : Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.
Sedangkan dalam pengujian menggunakan histogram, dapat diketahui bahwa grafik memiliki pola distribusi normal karena berbentuk simetris tidak
menceng ke kiri maupun ke kanan.
4.3.2.2 Uji Multikolinieritas
Uji ini bertujuan untuk menguji apakah dalam model regresi ditemukan adanya korelasi antara variabel independent. Model yang baik seharusnya tidak
terjadi korelasi yang tinggi diantara variabel bebas. Tolerance mengukur variabilitas variabel bebas yang terpilih yang tidak dapat dijelaskan oleh variabel
bebas lainnya. Jadi, nilai tolerance rendah sama dengan nilai VIF tinggi karena VIF = 1 tolerance dan menunjukkan adanya kolinearitas yang tinggi. Nilai cut
off yang umum dipakai adalah nilai tolerance 0,10 atau sama dengan nilai VIF diatas 10.
Berdasarkan aturan variance inflation factor VIF dan tolerance, maka apabila VIF melebihi angka 10 atau tolerance kurang dari 0,10 maka dinyatakan
terjadi gejala multikolinearitas. Sebaliknya apabila nilai VIF kurang dari 10 atau tolerance lebih dari 0,10 maka dinyatakan tidak terjadi gejala multikolinearitas.
Tabel 4.3 : Uji Multikolinieritas
Collinierity Statistic Model
Tolerance VIF Keterangan
CAR NPL
LDR 0,984
0,732 0,728
1,016 1,367
1,374 Bebas multikolinieritas
Bebas multikolinieritas Bebas multikolinieritas
Sumber : lampiran 3
Hak Cipta © milik UPN Veteran Jatim : Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.
4.3.2.3 Uji Autokorelasi
Autokorelasi muncul karena observasi yang berurutan sepanjang waktu berkaitan satu sama lain. Masalah ini timbul karena residual kesalahan
pengganggu tidak bebas dari satu observasi ke observasi lainnya. Model regresi yang baik adalah yang bebas dari autokorelasi. Pengujian ini digunakan untuk
menguji asumsi klasik regresi berkaitan dengan adanya autokorelasi. Pengujian ini menggunakan Durbin Watson DW-test. Ketentuan uji DW adalah jika nilai DW
hitung terletak diantara batas atas du dan batas bawah 4-du, maka dapat dikatakan bahwa model terbebas dari autokorelasi atau bila du dw 4-du.
Tabel 4.4 : Uji Autokorelasi
Model R
R Square Adjusted R
Square Durbin -
Watson 1 .282
.080 .017
1.994 Sumber : lampiran 3
Hasil uji DW dalam tabel 4.4 menunjukkan nilai DW sebesar 1,994. Nilai DW akan dibandingkan dengan nilai tabel dengan menggunakan derajat
kepercayaan 5, dengan jumlah sampel 48 dengan 3 variabel independent. Maka dari tabel Durbin Watson akan didapatkan nilai dl 1,46 dan nilai du 1,63. Karena
nilai DW hitung terletak diantara batas atas du dan batas bawah 4-du atau du dw 4-du yaitu 1,63 1,994 6,52. Dengan demikian dapat dikatakan bahwa
model terbebas dari autokorelasi.
4.3.2.4 Uji Heteroskedasitas
Uji Heteroskedastisitas bertujuan untuk menguji apakah dalam model regresi terjadi ketidaksamaan variance dari residual pengamatan satu ke
Hak Cipta © milik UPN Veteran Jatim : Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.
pengamatan yang lain berbeda. Sedangkan bila terjadi ketidaknyamanan variance dari residual pengamatan satu ke pengamatan yang lain tetap maka disebut
homokedastisitas. Model regresi yang baik adalah yang homokedastisitas atau tidak terjadi heteroskedastisitas.
Salah satu cara untuk mengetahui ada tidaknya heteroskedastisitas dalam suatu model regresi linear berganda adalah dengan melihat grafik scatterplot
antara nilai prediksi variabel terikat yaitu SRESID dengan residual error yaitu ZPRED. Jika tidak ada pola tertentu dan titik menyebar diatas dan dibawah angka
0 pada sumbu Y, maka tidak terjadi heteroskedastisitas. Gambar SRESID dengan residual error yaitu ZPRED pada lampiran 3
menunjukkan bahwa data tersebar secara acak dan tidak membentuk suatu pola tertentu. Data tersebar baik diatas maupun di bawah angka 0 pada sumbu Y. Hal
ini menunjukkan bahwa tidak terdapat heteroskedastisitas dalam model regresi yang digunakan.
4.3.3. Pengujian Secara Parsial
Berdasar uji asumsi klasik yang telah dilakukan dapat diketahui bahwa data terdistribusi normal, tidak terdapat multikolinearitas, tidak terjadi
autokorelasi dan tidak terdapat heteroskedastisitas. Oleh karena itu data yang tersedia telah memenuhi syarat untuk menggunakan model regresi linear
berganda. Secara umum, analisis regresi pada dasarnya adalah studi mengenai ketergantungan variabel dependen dengan satu atau lebih variabel independent,
dengan tujuan untuk mengestimasi dan atau memprediksi rata-rata populasi atau
Hak Cipta © milik UPN Veteran Jatim : Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.
nilai rata-rata variabel dependen berdasarkan nilai variabel independent yang diketahui Gujarati, 2003:129. Sebelumnya dilakukan analisa secara pengujian
secara parsial sebagai berikut :
a. Regression X
