b. Eksternal Bank X
3
: Inflasi X
4
: BI Rate
F. Teknik Analisis Data
1. Uji Asumsi Klasik Uji asumsi klasik dilakukan untuk mengetahui apakah suatu model
regresi linear ganda Multiple Linear Regression sudah memenuhi kriteria estimasi tidak bias garis linear terbaik [Best Linear Unbiased Estimation
BLUE]. Suatu model regresi linear ganda Multiple Linear Regression akan dikatakan sebagai suatu model regresi yang BLUE apabila 1 data
berasal dari populasi yang terdistribusi normal, 2 harus tidak terjadi adanya multikolinearitas, 3 tidak terjadi heterokedasitas, 4 tidak terjadi
adanya autokorelasi, dan 5 terdapat adanya model hubungan yang linear garis lurus.
2
Kriteria BLUE dapat tercapai apabila asumsi-asumsi klasik telah terpenuhi. Adapun asumsi-asumsi klasik adalah sebagai berikut :
a. Uji Normalitas Uji normalitas bertujuan untuk mengetahui apakah nilai
residual yang telah distandarisasi pada model regresi berdistribusi normal atau tidak. Tidak terpenuhinya normalitas pada umumnya
2
R.Gunawan Sudarmanto, Statistik Terapan Berbasis Komputer Dengan Program IBM SPSS Statistics 19, Jakarta : Mitra Wacana Media, 2013, h. 224.
disebabkan karena data yang dianalisis tidak terdistribusi secara normal, karena terdapat nilai ekstrem pada data yang diambil. Uji
normalitas dapat dilakukan dengan analisis grafik. Uji normalitas dengan menggunakan grafik bisa dilakukan
dengan menggunakan histogram ataupun dengan pendekatan grafik yakni menggunakan Normal probability plot. Data yang terdistribusi
normal ditandai dengan bentuk Histogram Standardized Regression Residual yang membentuk kurva seperti lonceng. Adapun jika
menggunakan Normal probability plot, distribusi normal digambarkan dengan garis diagonal lurus dari kiri bawah kekanan atas. Di mana
distribusi kumulatif dari data digambarkan dengan ploting. Sehingga apabila data terdistribusi dengan normal maka garis yang
menggambarkan data sesungguhnya akan mengikuti atau merapat ke garis diagonalnya.
b. Uji Multikolinearitas Uji multikolinearitas bertujuan untuk menguji apakah dalam
model regresi yang terbentuk ada korelasi yang tinggi atau sempurna diantara variabel bebas atau tidak. Jika dalam model regresi yang
terbentuk terdapat korelasi yang tinggi atau sempurna diantara variabel bebas maka model regresi tersebut dinyatakan mengandung
gejala multikolinearitas.
3
Jika model
regresi mengandung
multikolinearitas maka
akan menimbulkan
kesulitan dalam
memisahkan pengaruh masing-masing variabel independen terhadap variabel dependennya.
Untuk mengetahui ada atau tidaknya gejala multikolinearitas dapat diketahui atau dideteksi dengan memanfaatkan statistic korelasi
Variance Inflation Factor VIF. Ukuran harga koefisien VIF maksimal adalah 10. Sehingga apabila nilai koefisien VIF untuk
masing-masing veriabel independen lebih besar dari 10, maka variabel tersebut dapat diindikasikan memiliki gejala multikolinearitas.
c. Uji Heterokedastisitas Uji heterokedastisitas bertujuan untuk mengetahui ada atau
tidaknya varian variabel pada model regresi yang tidak sama konstan. Jika terjadi heterokedastisitas pada model regresi maka
penaksiran terhadap data tidak lagi efisien dan estimasi koefisien dapat dikatakan menjadi kurang akurat. Untuk mengetahui terjadi atau
tidaknya gejala heterokedastisitas pada suatu model regresi dapat dilakukan dengan metode analisis grafik yakni dengan mengamati
scatterplot.
3
Suliyanto, Ekonometrika Terapan : Teori Aplikasi dengan SPSS, Yogyakarta : CV.Andi Offset, 2011, h. 81.
Jika scatterplot membentuk pola tertentu, maka menandakan adanya gejala heterokedastisitas dan sebaliknya jika scatterplot
menyebar secara acak maka dapat dikatakan model regresi tidak mengalami heterokedastisitas dan sebaliknya.
d. Uji Autokorelasi Autokorelasi merupakan suatu kondisi di mana terdapat
korelasi atau hubungan antar pengamatan atau observasi, baik itu dalam bentuk observasi deret waktu time series atau observasi cross
section.
4
Tujuan dari dilakukannya uji autokorelasi dalam penelitian adalah untuk mengetahui terjadi atau tidaknya korelasi diantara data
pengamatan. Data pengamatan yang mengandung autokorelasi dapat berdampak pada hasil penelitian di mana, autokorelasi pada data dapat
menyebabkan penaksiran menjadi tidak efisien karena mempunyai varians yang tidak minimum, uji-t dan uji F tidak dapat digunakan,
karena akan memberikan kesimpulan yang salah, serta penaksiran akan memberikan gambaran yang menyimpang dari kondisi populasi
yang sebenarnya. Autokorelasi
dapat dideteksi
atau diketahui
dengan menggunakan metode Lagrange Multiplier LM Test. LM test dapat
digunakan untuk menguji adanya masalah autokorelasi tidak hanya
4
R.Gunawan Sudarmanto, Statistik Terapan Berbasis Komputer Dengan Program IBM SPSS Statistics 19, Jakarta : Mitra Wacana Media, 2013, h. 263.
pada derajat pertama first order tetapi juga pada berbagai tingkat derajat autokorelasi. Suatu model regresi dikatakan tidak mengalami
autokorelasi apabila X
2
hitung ≤ X
2
tabel dan sebaliknya. Nilai X
2
hitung adalah n-1 R2 dan X
2
tabel adala h X2 tabel = df=α, n-1.
2. Analisis Regresi Berganda Analisis regresi berganda bertujuan untuk melihat pengaruh atau
hubungan dari beberapa variabel bebas terhadap suatu variabel terikat. Model persamaan analisis regresi berganda dalam penelitian ini adalah
sebagai berikut : Y = a + b
1
X
1
+ b
2
X
2
+ b
3
X
3
+ b
4
X
4
+ ε Keterangan :
Y = Non Performing Financing NPF pada BPRS a = konstanta
b
1
= Koefisien FDR X
1
= Finance to Deposite Ratio FDR b
2
= Koefisien KAP X
2
= Kualitas Aktiva Produktif KAP b
3
= Koefisien Inflasi X
3
= Inflasi b
4
= Koefisien BI Rate X
4
= BI Rate ε = Nilai Residu
3. Uji Signifikansi a. Uji Simultan Uji F
Uji F digunakan untuk melihat bagaimana pengaruh variabel- variabel bebas terhadap variabel terikat secara simultan atau secara
keseluruhan. Jika variabel bebas memiliki pengaruh yang simultan terhadap variabel terikat, maka model persamaan regresi masuk
kedalam kriteria cocok atau fit. Untuk menguji ketepatan model goodness of fit, digunakan nilai F
hitung. Dan untuk menyimpulkan apakah model masuk dalam kategori cocok fit atau tidak, dilakukan pembandingan antara nilai F hitung
dengan F tabel, dengan derajat bebas :
df : α, k-1, n-k. Di mana jika nilai F
hitung
F
tabel
maka dapat dikatakan bahwa model persamaan
regresi yang terbentuk masuk kriteria fit cocok. Adapun untuk
menghitung besarnya nilai F
hitung
digunakan formula sebaga berikut :
F = R
2
k-1 1-R
2
n-k
Keterangan : F = Nilai F Hitung
R
2
= Koefisien Determinasi k =Jumlah Variabel
n = Jumlah Pengamatan
b. Uji Parsial Uji T Uji parsial atau uji t bertujuan untuk mengetahui bagaimana
pengaruh masing-masing variabel bebas terhadap suatu variabel terikat secara parsial per variabel. Serta untuk megetahui apakah variabel-
variabel bebas tersebut memiliki pengaruh yang signifikan atau tidak terhadap variabel terikatnya.
Suatu variabel bebas dianggap memiliki pengaruh yang berarti
apabila dengan menggunakan tingkat signifikasi sebesar 5 nilai dari t
hitung
t
tabel ,
dan sebaliknya jika dengan menggunakan tingkat
signifikasi sebesar 5 nilai t
hitung
t
tabel
maka variabel bebas dianggap tidak memiliki pengaruh yang berarti terhadap variabel
terikatnya. Dan jika nilai probabilitas lebih kecil dari 0.05 maka variabel bebas secara individu berpengaruh terhadap variabel terikat,
sedangkan jika nilai probabilitas lebih besar dari 0.05 maka variabel bebas secara individu tidak berpengaruh terhadap variabel terikat.
c. Uji Koefisien Determinasi R
2
Dalam model regresi linear koefisien determinasi diartikan sebagai seberapa besar kemampuan variabel-variabel bebas dalam
menjelaskan varians dari variabel variabel terikatnya seberapa besar kontribusi variabel bebas terhadap variabel terikat. Salah satu
kelemahan dari nilai R
2
adalah memiliki nilai yang bias terhadap
jumlah variabel. Di mana ketika terjadi penambahan jumlah variabel maka nilai R
2
juga akan ikut meningkat.Oleh karena itu, untuk mengurangi kelemahan tersebut maka digunakan nilai koefisien
determinasi yang sudah disesuaikan atau Adjusted R Square R
2 adj
.
G. Kerangka Penelitian
Gambar 3.1 Kerangka Penelitian
Analisis Faktor-Faktor yang Mempengaruhi Non Performing Financing Pada BPRS di Indonesia Periode Tahun 2010-2015
Uji Asumsi Klasik Regresi Linear Berganda
1. Normalitas 2. Multikolinearitas
3. Heterokedasitas 4. autokorelasi
Uji Statistik Regresi Berganda Uji Signifikasi Model
Uji F Uji T
Uji Adjust R
2
Analisis Kesimpulan
Variabel IndependenX 1. FDR
2. KAP 3. INFLASI
4. BI Rate Variabel Dependen Y
Non Performing Financing NPF
58
BAB IV HASIL DAN ANALISIS DATA
A. Analisis Statistik Deskriptif
Tabel 4.1 Statistik Deskriptif BPRS
Descriptive Statistics
N Minimum
Maximum Mean
Std. Deviation NPF
72 .062
.104 .07655
.010287 FDR
72 1.195
1.400 1.28389
.049467 KAP
72 .017
.024 .02010
.001778 INFLASI
72 .034
.088 .05758
.015179 BI RATE
72 .058
.078 .06733
.007088 Valid N listwise
72
Berdasarkan tabel 4.1 diatas tingkat NPF terendah yang didapat oleh BPRS adalah 0.062 atau 6.2, dan NPF tertinggi adalah 0.104 atau 10.4,
dengan rata-rata NPF 0.77 atau 7.7. Sementara tingkat FDR terendah adalah sebesar 1.195 atau 119.5 dan FDR tertinggi adalah 1.400 atau 140.
Adapun tingkat KAP tertinggi adalah 0.024 atau 2.4 dan tingkat KAP terendah adalah 0.017 atau 1.7 . Tingkat Inflasi tertinggi adalah 0.088 atau
8.8 dan inflasi terendah adalah sebesar 0.034 atau 3.4. Dan tingkat tertinggi dari BI Rate adalah sebesar 7.8 dan tingkat terendahnya adalah
0.058 atau 5.8.
B. Uji Asumsi Klasik
1. Uji Normalitas
1 Histogram
Gambar 4.1 Uji Normalitas Histogram BPRS
Berdasarkan tampilan histogram terlihat bahwa kurva dependen dan regression standardized residual membentuk gambar seperti
loceng. Oleh karena itu berdasarkan uji normalitas, diketahui bahwa data terdistribusi secara normal sehingga analisis regresi layak
digunakan.
2 Normal P-P Plot Regression Standardized
Gambar 4.2 Uji
Normalitas P-Plot BPRS
Berdasarkan tampilan grafik P-Plot trlihat bahwa titik menyebar disekitar garis diagonal. Maka, dapat disimpulkan bahwa model yang
dignakan dalam analisis ini telah memenuhi asumsi normalitas data.
2. Uji Multikolinearitas
Uji multikolinearitas dapat dilakukan dengan melihat nilai Tolerance dan Variance Inflation Factor VIF dari masing-masing variabel bebas
terhadap variabel terikatnya. Suatu model regresi dikatakan mengalami gejala multikolinearitas jika nilai VIF 10, dan sebaliknya.
Tabel 4.2 Uji Multikolinearitas
Coefficients
a
Model Collinearity Statistics
Tolerance VIF
1Constant FDR
.921 1.085
KAP .500
2.000 INFLASI
.672 1.487
BI RATE .398
2.511 a. Dependen Variabel:
NPF
Berdasarkan tabel diatas diketahui bahwa nilai VIF FDR adalah sebesar 1.085, VIF KAP sebesar 2.000, VIF Inflasi sebesar 1.487, dan
VIF BI Rate sebesar 2.511. Dari keempat variabel bebas diatas, semuanya memiliki nilai VIF 10 sehingga dapat disimpulkan bahwa
model regresi tidak mengalami gejala multikolinearitas.
