Deskripsi Data Penelitian Analisis Hasil Penelitian .1 Statistik Deskriptif

BAB IV HASIL PENELITIAN DAN PEMBAHASAN

4.1 Deskripsi Data Penelitian

Populasi yang diteliti dalam penelitian ini adalah industri perbankan, terutama Bank Konvensional, yang terdaftar di Bursa Efek Indonesia selama tahun 2009-2011. Perusahaan yang dijadikan sampel berjumlah 24 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. Tabel 4.1. STATISTIK DESKRIPTIF Descriptive Statistics N Minimum Maximum Mean Std. Deviation ROA 72 .13 12.90 2.3260 1.84249 CAR 72 8.02 45.49 17.8806 7.18005 NPL 72 .35 50.96 4.1104 7.60039 BOPO 72 43.59 157.50 82.3217 18.99462 LDR 72 40.22 108.42 73.4953 14.90282 NIM 72 .76 14.00 5.6849 2.53873 Valid N listwise 72 Sumber : Output SPSS, diolah Peneliti, 2013 Universitas Sumatera Utara Berdasarkan data dari tabel 4.1 dapat dijelaskan bahwa : 1. Rata-rata dari Capital Adequacy Ratio CAR adalah 17,8806 dengan standar deviasi 7,18005 dan jumlah data yang ada adalah 72. Nilai tertinggi CAR adalah 45,49 sedangkan nilai terendah adalah 8,02. 2. Rata-rata dari Non-Peforming Loan NPL adalah 4,1104 dengan standar deviasi 7,60039 dan jumlah data yang ada adalah 72. Nilai NPL tertinggi adalah 50,96 sedangkan nilai terendah adalah 0,35. 3. Rata-rata dari BOPO adalah 82,3217 dengan standar deviasi 18,99462 dan jumlah data yang ada adalah 72. Nilai tertinggi BOPO adalah 157,50 sedangkan nilai terendah adalah 43,59. 4. Rata-rata dari Loan to Deposit Ratio LDR adalah 73,4953 dengan standar deviasi 14,90282 dan jumlah data yang ada adalah 72. Nilai tertinggi LDR adalah 108,42 sedangkan nilai terendah adalah 40,22. 5. Rata-rata dari Net Interest Margin NIM adalah 5,6849 dengan standar deviasi 2,53873 dan jumlah data yang ada adalah 72. Nilai tertinggi ROA adalah 14,00 sedangkan nilai terendah adalah 0,76. 6. Rata-rata dari profitabilitas ROA adalah 2,3260 dengan standar deviasi 1,84249 dan jumlah data yang ada adalah 72. Nilai tertinggi ROA adalah 12,90 sedangkan nilai terendah adalah 0,13. 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 Universitas Sumatera Utara 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. • 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 : H0 : Data residual berdistribusi normal, dan Ha : Data residual tidak berdistribusi normal. Hasil uji normalitas dengan menggunakan model Kolmogorov-Smirnov adalah seperti yang ditampilkan berikut ini : Universitas Sumatera Utara Tabel 4.2 HASIL UJI NORMALITAS One-Sample Kolmogorov-Smirnov Test Unstandardized Residual N 72 Normal Parameters a,,b Mean .0000000 Std. Deviation .96945058 Most Extreme Differences Absolute .094 Positive .037 Negative -.094 Kolmogorov-Smirnov Z .798 Asymp. Sig. 2-tailed .548 a. Test distribution is Normal. b. Calculated from data. 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 Kolmogrov–Smirnov sebesar 0,798 dan signifikan lebih dari 0,05 karena Asymp. Sig. 2-tailed 0,548 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 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 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 Universitas Sumatera Utara 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 tolerence dan lawannya, 2 Variance Inflatin Factor VIF. 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. Tabel 4.3 HASIL UJI MULTIKOLINIERITAS Coefficients a Model Unstandardized Coefficients Standardized Coefficients t Sig. Collinearity Statistics B Std. Error Beta Tolerance VIF 1 Constant 2.659 .929 2.862 .006 CAR .006 .017 .023 .335 .738 .908 1.102 NPL .221 .019 .910 11.348 .000 .653 1.532 BOPO -.018 .008 -.188 -2.320 .023 .638 1.566 LDR -.024 .009 -.192 -2.672 .009 .809 1.235 NIM .335 .053 .462 6.291 .000 .778 1.285 a. Dependent Variable: ROA Sumber : Output SPSS, diolah Peneliti, 2013 Universitas Sumatera Utara 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 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. Universitas Sumatera Utara Berikut ini dilampirkan grafik scatterplot untuk menganalisis apakah terjadi gejala heteroskedastisitas atau tidak dengan cara mengamati penyebaran titik-titik pada grafik. 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 tingkat profitabilitas pada Bank Konvensional yang terdaftar di Bursa Efek Indonesia berdasarkan masukan variabel independen yaitu CAR, NPL, BOPO, LDR, NIM. Universitas Sumatera Utara

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 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. Tabel 4.4 HASIL UJI AUTOKORELASI Model Summary b Model R R Square Adjusted R Square Std. Error of the Estimate Durbin-Watson 1 .850 a .723 .702 1.00550 1.842 a. Predictors: Constant, NIM, CAR, NPL, LDR, BOPO b. Dependent Variable: ROA Sumber : Output SPSS, diolah oleh peneliti, 2013 Tabel 4.4 menunjukkan hasil uji autokorelasi variabel penelitian. Berdasarkan hasil pengujiannya dapat dilihat bahwa terjadi autokorelasi antar kesalahan pengganggu antar periode. Hal tersebut dilihat dari nilai Durbin-Watson D-W sebesar 1,842. Angka D-W di antara -2 sampai +2 yang mengartikan bahwa tidak ada autokorelasi positif maupun negatif. Universitas Sumatera Utara

4.3 Analisis Regresi