Metode Pengumpulan Data Metode Analisis

36 Regresi dilakukan untuk setiap variabel dalam model. Nilai regresi yang diprediksi oleh model dibandingkan dengan matrik korelasi hasil observasi variabel dan nilai goodness of-fit dihitung. Model terbaik dipilih berdasarkan nilai goodness of fit. Imam Ghozali, 2008:21. Analisis jalur merupakan pengembangan lebih lanjut dari analisis regresi berganda dan bivariate. Analisis jalur ingin menguji persamaan regresi yang melibatkan beberapa variabel eksogen dan endogen sekaligus sehingga memungkinkan pengujian terhadap variabel mediatingintervening atau variabel antara. Disamping itu analisis jalur juga dapat mengukur hubungan langsung antar variabel dalam model maupun hubungan tidak langsung antar variabel dalam model. Hubungan langsung antara variabel eksogen terhadap variabel dapat dilihat pada koefisien beta. Hubungan tidak langsung adalah seberapa besar pengaruh variabel eksogen terhadap variabel endogen melalui variabel intervening. Pengaruh total dapat diperoleh dengan menjumlahkan hubungan langsung dan tidak langsung. Imam ghozali, 2008:93. Dilihat dari paradigma penelitian, maka dapat diperoleh 2 dua substruktur linier sebagai berikut: 37 Sub struktur I : Gambar 3.1 Hubungan Kausal X 1 , X 2 , X 3 terhadap Y Bila dirumuskan kedalam persamaan matematis akan didapat model sebagai berikut: Y 1 = ρYX 1 + ρYX 2 + Y ρX 3 +  2 Keterangan : X 1 = BI Rate X 2 = Inflasi X 3 = Jumlah uang beredar  2 = Residual Error X1 X2 X3 Y e1 1 38 Sub struktur II : Gambar 3.2 Hubungan Kausal X 1 , X 2 , X 3 terhadap z Bila dirumuskan kedalam persamaan matematis akan didapat model sebagai berikut: Y 1 = ρZX 1 + ρZX 2 + ρZX 3 +  2 Keterangan : X 1 = BI Rate Y 1 = CAR X 2 = Inflasi X 3 = Jumlah uang beredar  2 = Residual Error Hair et. al 1998 dalam Imam Ghozali 2008:61 mengajukan tahapan pemodelan dan analisis persamaan structural menjadi 7 tujuh langkah yaitu: Langkah 1: Pengembangan Model Berdasar Teori Model persamaan structural didasarkan pada hubungan kausalitas, dimana perubahan satu variabel diasumsikan akan berakibat pada perubahan variabel lainnya. Hubungan kausalitas dapat berarti hubungan yang ketat seperti ditemukan dalam proses fisik seperti dalam riset perilaku yaitu alas an seseorang membeli produk tertentu. Kuatnya hubungan kausalitas antara X1 X2 X3 Y Z e1 1 e2 1 39 dua variabel yang diasumsikan oleh peneliti bukan terletak pada metode analisis yang dia pilih, tetapi terletak pada justifikasi pembenaran secara teoritis untuk mendukung analisis. Jadi jelas bahwa hubungan antar variable dalam model merupakan dedukasi dari teori. Langkah 2 dan 3: Menyusun Diagram Jalur dan Persamaan Struktural Langkah berikutnya adalah menyusun hubungan kausalitas dengan diagram jalur dan menyusun persamaan strukturalnya. Ada dua hal yang perlu dilakukan yaitu menyusun model struktural yaitu menghubungkan antar model konstruk laten baik endogen maupun eksogen dan menyusun measurement model yaitu menghubungkan konstrak laten endogen atau eksogen dengan variabel indikator atau manifest. Langkah 4: Memilih Jenis Input Matrik dan Estimasi Model yang Diusulkan Model persamaan strukturak berbeda dari teknik analisis multivariate lainnya, SEM hanya menggunakan data input berupa matrik variankovariabn atau matrik korelasi. Data mentah obesrvasi individu dapat dimasukkan dalam program AMOS, tetapi program AMOS akan merubah dahulu data mentah menjadi matrik kovarian atau matrik korelasi. Analisis terhadap data outlier harus dilakukan sebelum matrik kovarian atau korelasi dihitung. Teknik estimasi model persamaan structural pada awalnya dilakukanb dengan ordinary least square OLS regression, tetapi teknik ini mulai digantikan oleh Maximum Likelihood Estimation ML yang lebih efisien dan unbiased jika asumsi normalitas multivariate dipenuhi. Teknik 40 ML sekarang digunakan oleh banyak program komputer. Namun demikian teknik ML sangat sensitif terhadap non-normalitas data sehingga diciptakan teknik estimasi lain seperti weight least square WLS, generalized least square GLS dan asymptotivally distribution free ADF. Langkah 5 : Menilai Identifikasi Model Struktural Selama proses estimasi berlangsung dengan program komputer, sering didapat hasil estimasi yang tidak logis atau meaningless dan hal ini berkaitan dengan masalah identifikasi model structural. Problem identifikasi adalah ketidakmampuan proposed model untuk menghasilkan unique estimate. Cara melihat ada tidaknya problem identifikasi adalah dengan melihat hasil estimasi yang meliputi: 1 adanya nilai standar error yang bvesar untuk satu atau lebih koefisien, 2 ketidakmampuan program untuk invert information matrix, 3 nilai estimasi yang tidak mungkin misalkan error variance yang negatif , 4 adanya nilai korelasi yang tinggi 0,90 antar koefisien estimasi. Langkah 6 : Menilai Kriteria Goodness-of-Fit Salah satu tujuan dari Analisis Jalur adalah menentukan apakah model planusible masuk akal atau fit. Suatu model penelitian dikatakan baik, apabila memiliki model fit yang baik pula. Tingkat kesesuaian model dalam buku Imam Ghozali 2008 terdiri dari: 1. Absolute Fit Measure Absolute fit measure mengukur model fit secara keseluruhan baik model strultural maupun model pengukuran secara bersamaan. 41 a. LikeliHood-Ratio Chi-Square Statistic Ukuran fundamental dari overall fit adalah likeliHood-ratio chi-square 2  . Nilai chi-square yang tinggi relative terhadap degree of freedom menunjukkan bahwa matrik kovarian atau korelasi yang diobservasi dengan yang diprediksi berbeda secara nyata dan ini menghasilkan probabilitas p akan menghasilkan nilai probabilitas p yang lebih besar dari tingkat signifikansi  dan ini menunjukkan bahwa input matrik kovariab abtara prediksi dengan observasi sesungguhnya tidak berbeda secara signifikan. Dalam hal ini peneliti harus mencari nilai chi-square yang tidak signifikan p  0.05 karena mengharapkan bahwa model yang diusulkan cocok atau fit dengan data observasi b. CMINDF Adalah nilai chi-square dibagi dengan degree of freedom. Beberapa pengarang menganjurkan menggunakan ratio ukuran ini untuk mengukur fit. Menurut Wheaton et. Al 1977 dalam Imam GHozali 2008 nilai ratio 5 lima atau kurang dari lima merupakan ukuran yang reasonable. Peniliti lainnya seperti Byrne 1988 mengusulkan nilai ratio ini 2 merupakan ukuran fit. c. Goodness of Fit Index GFI Goodness of Fit Index GFI dikembangkan oleh Joreskog dan Sorbon 1984 yaitu ukuran non-statistik yang nilainya berkisar antar 0 poor fit sampai 1 perfect fit. Nilai GFI tinggi 42 menunjukkan fit yang lebih baik dan berapa nilai GFI dapat diterima sebagai nilai yang layak belum ada standarnya, tetapi banyak peneliti menganjurkan nilai di atas 90 sebagai ukuran good fit. d. Root Mean Square Erorrs of Approximation RMSEA Root mean square error of approximination RMSEA merupakan ukuran yang mencoba memperbaikia kecenderungan statistic chi-square menolak model dengan jumlah sampel yang besar. Nilai RMSEA antara 0,05 sampai 0,08 merupakan ukuran yang dapat diterima. Hasil uji empiris RMSEA cocok untuk menguji model konfitmatori atau competing model strategy dengan jumlah sampel besar. 2. Incremental Fit Measures Incremental fit measures membandingkan proposed model dengan baseline model sering disebut dengan null model. Null model merupakan model realistic dimana model-model yang lain harus diatasnya. a. Adjusted Goodness of Fit Indes AGFI Adjusted Goodnbess of Fit Index AGFI merupakan pengembangan dari GFI yang disesuaikan dengan ratio degree of freedom untuk propsed model dengan degree of freedom untuk null model. Nilai yang direkomendasikan adalah  0,90. 43 b. Tucker-Lewis Index TLI Tucker-Lewis Index atau dikenal dengan nonnormed fit index NNFI. Pertama kali diusulkan sebagai alat untuk mengevaluasi analisis faktor, tetapi sekarang dikembangkan untuk SEM. Ukuran ini menggabungkan ukuran parsimony kedalam indek komparasi antara proposal model dan null model dan nilai TLI berkisar dari 0 sampai 1.0. Nilai TLI yang direkomemdasikan adalah  0,90. c. Normed Fit Index NFI Normed Fit Index merupakan ukuran perbandingan antara proposed model dan null model. Nilai NFI akan bervariasi dari 0 no fit at all sampai 1.0 perfect fit. Seperti halnya TLI tidak ada nilai absolute yang dapat digunakan sebagai standar, tetapi umumnya direkomendasikan  0,90. 3. Parsimony Fit Measures Ukuran ini menghubungkan goodness-of-fit model dengan sejumlah koefisien estimasi yang diperlukan untuk mencapai level fit. Tujuan dasarnya adalah untuk mendiagnose apakah model fit telah tercapai dengan “overfitting” data yang memiliki banyak koefisien. Prosedur ini mirip dengan “adjustment” terhadap nilai R 2 didalam multiple regression. Namun demikian karena tidak ada uji statistic yang tersedia maka penggunaannya hanya terbatas untuk membandingkan model. 44 a. Parsimony Goodness of Fit Index PGFI Parsimonious goodness-of-fit index PGFI memodifikasi GFI atas dasar parsimony estimated model. Nilai PGFI berkisar antara 0 sampai 1.0 debngan nilai semakin tinggi menunjukkan model lebih parsimony. b. Parsimony Normed Fit Index PNFI Parsimonious normal fit index PNFI merupakan modifikasi dari NFI. PNFI memasukkan jumlahb degree of freedom yang digunakan untuk mencapai level fit. Semakin tinggi nilai PNFI semakin baik. Kegunaan utama dari PNFI adalah untuk membandingkan model dengan degree of freedom yang berbeda. Digunakan untuk membandingkan model alternative sehingga tidak ada nilai yang direkomendasikan sebagai nilai fit yang diterima. Namun demikian jika membandingkan dua model maka perbedaan PNFI 0,60 sampai 0,90 menunjukkan adanya perbedaan model yang signifikan. 45 Tabel 3.1 Standar Penilaian Kesesuaian Fit Nilai yang Direkomendasikan Imam Ghozali 2008 Laporan Statistik Cut of value Keterangan Absolut Fit Probabilitas 2  Tidak signifikan p 0.05 Model yang diusulkan cocokfit dengan data observasi 2  df  5 2 - Ukuran yang reasonable - Ukuran fit RMSEA 0.1 0.05 0.01 0.05   x 0.08 - good fit - very good fit - outstanding fit - reasonable fit GFI 0.9 good fit Incremental Fit AGFI  0.9 good fit TLI  0.9 good fit NFI  0.9 good fit Parsimonious Fit PNFI 0-1.0 lebih besar lebih baik PGFI 0-1.0 lebih besar lebih baik Sumber : Imam Ghozali, 2008 Langkah 7 : Interpretasi dan Modifikasi Model Ketika model telah dinyatakan diterima, maka peneliti dapat mempertimbangkan dilakukannya modifikasi model untuk memperbaiki penjelasan teoritis atau goodness-of-fit. Modifikasi dari model awal harus dilakukan setelah dikaji banyak pertimbangan. Jika model dimodifikasi, maka model tersebut harus di cross-validated diestimasi dengan data terpisah sebelum model modifikasi diterima. 46

E. Operasional Variabel 1. Variabel Endogen

a. Pengertian CAR

Capital Adequacy Ratio CAR menurut Lukman Dendawijaya 2000:122 adalah” Rasio yang memperlihatkan seberapa jauh seluruh aktiva bank yang mengandung risiko kredit, penyertaan, surat berharga, tagihan pada bank lain ikut di biayai dari dana modal sendiri bank disamping memperoleh dana – dana dari sumber – sumber di luar bank, seperti dana dari masyarakat, pinjaman dan lain – lain. CAR merupakan indikator terhadap kemampuan bank untuk menutupi penurunan aktivanya sebagai akibat dari kerugian – kerugian bank yang di sebabkan oleh aktiva yang berisiko.

b. Penawaran Kredit

Kredit berasal dari bahasa LatinYunani yang berarti Credere atau Creditum atau kepercayaan. Menurut UU No. 10 Tahun 1998 kredit adalah penyediaan uang atau tagihan yang dapat dipersamakan dengan itu, berdasarkan persetujuan atau kesepakatan pinjam meminjam antar bank dengan pihak lain yang mewajibkan pihak peminjam untuk melunasi hutangnya setelah jangka waktu tertentu dengan jumlah bunga, imbalan, atau pembagian hasil keuntungan. Pihak-pihak yang kelebihan dana, baik perseorangan, badan usaha, yayasan, maupun lembaga pemerintah dapat menyimpan kelebihan 47 dananya di bank dalam bentuk rekening giro, tabungan, ataupun deposito berjangka sesuai dengan kebutuhan dan preferensinya Suseno dan Piter A, 2003:6. Sementara itu pihak-pihak yang kekurangan dan membutuhkan dana akan mengajukan pinjaman atau kredit kepada bank. Kredit tersebut dapat berupa kredit investasi, kredit modal kerja, dan kredit konsumsi. Data penawaran kredit yang digunakan adalah jumlah kredit pada Bank Umum Swasta Nasional BUSN periode Januari 2004 – Desember 2009. Data tersebut diperoleh dari Statistik Keuangan dan Perbankan Indonesia pada situs www.bi.go.id .

2. Variabel Eksogen a. BI

Rate Bi rate merupakan suku bunga dengan tenor 1 bulan yang diumumkan oleh bank Indonesia secara periodic yang berfungsi sebagai sinyal stance kebijakan moneter. Secara sederhana, BI rate merupakan indikasi suku bunga jangka pendek yang diinginkan bank Indonesia dalam upaya mencapai target inflasi. Bi rate digunakan sebagai acuan dalam operasi moneter untuk mengarahkan agar suku bunga SBI 1 bulan hasil lelang operasi pasar terbuka berada disekitar BI rate.selanjutnya suku bunga BI diharapkan mempengaruhi PUAB, suku bunga simpanan, dan suku bunga lainnya dalam jangka panjang.