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
mengalami korelasi. Tahapan-tahapan yang dilakukan dalam analisis komponen utama yaitu Ulfah, 2006:
1. Membakukan variabel DPK, pembiayaan, FDR menjadi Z
Hasil pembakuan dalam minitab dengan menggunakan rumus:
Z=
…………………………………………………5 Ket: Z
= hasil pembakuan variabel X Xi
= variabel independen ke- i = rata-rata variabel independen ke-i
Si = Standar Deviasi ke-i
i = 1,2,3, Hasil pembakuan variabel DPK, pembiayaan dan FDR
menjadi Z dapat dilihat pada Tabel 10 berikut
Tabel 10. Pembakuan peubah-peubah X No. Z
1
Z
2
Z
3
1 -1,55455 -1,7582 1,27731
2 -1,08847 -0,7128 1,1921
3 -0,70247 -0,52534 0,71746
4 -0,63875 0,05381 0,96567
5 0,41808 -0,06292 -0,70909
6 0,64942 0,06765 -0,9827
7 0,86516 0,18199 -0,76355
8 0,8715 1,00183 -0,78421
9 1,18008 1,75398 -0,91301
Sumber: Laporan keuangan Bank X KCP 2007-2009 data diolah
2. Menentukan akar ciri dan vektor ciri
Akar ciri dapat dilihat dari niai Eigenvalue pada output analisis komponen utama dengan minitab 14. Sebagian ahli
menganjurkan agar memilih komponen utama yang akar cirinya lebih besar dari satu, karena jika akar cirinya lebih kecil dari
satu, keragaman data yang dapat dijelaskan oleh komponen
Principal Component Analysis: z1; z2; z3 Eigenanalysis of the Correlation Matrix
Eigenvalue 2,7274 0,2661 0,0065 Proportion 0,909 0,089 0,002
Cumulative 0,909 0,998 1,000 Variable PC1 PC2 PC3
z1 -0,602 -0,168 -0,781 z2 -0,552 0,794 0,256
z3 0,577 0,585 -0,570
utama tersebut kecil sekali. Sedangkan vektor ciri dapat dilihat dari nilai Pc
i
. Berdasarkan Gambar 17, terlihat bahwa akar ciri pertama
menjelaskan sekitar 90,9 persen dari keragaman total, akar ciri yang kedua menjelaskan 8, 9 persen dan akar ciri yang ketiga
0,2 persen. Hal ini berarti bahwa dari tiga komponen utama yang diturunkan dari matriks korelasi antar peubah bebas, hanya
sebuah komponen utama yang memegang peranan penting dalam menerangkan keragaman total data, yaitu komponen
utama pertama atau akar ciri yang lebih besar dari 1.
Gambar 17. Akar ciri dan vektor ciriBank X KCP, data diolah. 3.
Menentukan jumlah komponen utama yang digunakan Komponen-komponen
utama yang dibentuk tidak semuanya digunakan. Morrison dalam Ulpah 2006
menyarankan agar memilih komponen-komponen utama yang mempunyai keragaman kumulatif kira-kira 75 persen.
Banyaknya komponen utama yang ditentukan juga dapat dilihat dari plot scree dengan melihat letak terjadinya belokan dengan
menghapus komponen utama yang menghasilkan beberapa nilai eigen kecil membentuk pola garis lurus, Plot Scree ditunjukkan
oleh Gambar 18.
Component Number E
ig e
n v
a lu
e
3 2
1 3,0
2,5 2,0
1,5 1,0
0,5 0,0
Scree Plot of Z1 ; ...; Z3
Gambar 18. Plot Scree komponen utama. Gambar Plot Scree terlihat bahwa komponen pertama
sudah menunjukkan belokan yang curam, sehingga hanya komponen utama pertama saja yang akan digunakan.
Berdasarkan nilai Eigenvalue dan plot scee di atas, dengan demikian komponen utama yang diambil adalah komponen
utama pertama W
1
yang merupakan kombinasi linier Z dan dapat dinyatakan dalam persaman berikut:
W
1
= -0,602 Z
1
-0,552 Z
2
+ 0,577 Z
3
................................…...6 Tabel skor komponen utama dapat dilihat pada Tabel 11.
Sebagai berikut
Tabel 11. Skor komponen utama W No. W
1
W
2
W
3
1 2,64352 -0,38724 0,035838
2 1,73638 0,314292 -0,01231
3 1,12677 0,120646 0,004961
4 0,91166 0,714724 -0,03837
5 -0,62582 -0,53485 0,061968
6 -0,99498 -0,6301 0,070781
7 -1,06165 -0,44734 -0,19342
8 -1,5302 0,190059 0,022896
9 -2,20568 0,659802 0,047644
Sumber: Laporan keuangan Bank X KCP data diolah
Ket: Wi = Komponen utama ke-i,
i=1,2,3
. 4.
Meregresikan komponen utama Setelah dihitung skor komponen utama seperti yang
tertera pada Tabel 11 di atas, maka langkah selanjutnya adalah meregresikan komponen utama W
1
yang terdapat pada Tabel 11, terhadap laba Bank X KCP. Hasil regresi dapat dilihat pada
Gambar 19 di bawah ini.
Gambar 19. Hasil analisis regresi laba tehadap W
1
5. Transformasi W menjadi Z
Hasil regresi komponen utama yaitu:
Laba = 20,6 – 0,485 W
1
Hasil analisis regresi ditransformasikan kedalam persamaan 6 menghasilkan persamaan 7 Lampiran 3.
Laba = 20,6 + 0,29197 Z
1
+0,26772 Z
2
- 0,279845 Z
3
……7
Ket: W = Komponen utama Z = Hasil pembakuan variabel independen
6. Transformasi Z menjadi X
Hasil transformasi Z menjadi X Lampiran 3 akan menghasilkan model akhir dari persamaan regresi sebagai
berikut:
Regression Analysis: Laba versus w1 The regression equation is
Laba = 20,6 - 0,485 w1 Predictor Coef SE Coef T P
Constant 20,6357 0,1449 142,43 0,000 w1 -0,48515 0,09305 -5,21 0,001
S = 0,434638 R-Sq = 79,5 R-Sqadj = 76,6 Analysis of Variance
Source DF SS MS F P Regression 1 5,1357 5,1357 27,19 0,001
Residual Error 7 1,3224 0,1889 Total 8 6,4580
Laba= - 21,9215
+ 0, 535 X
1
+ 1,25287 X
2
– 0, 780 X
3
……..8
dengan, X
1
= DPK X
2
= Pembiayaan X
3
= FDR Dalam model tersebut laba akan dipengaruhi oleh tiga
variabel independen, yaitu DPK, pembiayaan dan FDR. Nilai R- Square
menunjukkan seberapa besar keterandalan model tersebut atau seberapa besar keragaman yang dapat dijelaskan
oleh variabel –variabel penjelas tersebut. Nilai R-Square sebesar 79,5 persen berarti bahwa sebesar 79,5 persen variasi sampel
laba Bank X KCP dapat dijelaskan oleh model Gambar 18. Nilai R-Square Adjusted, 76,6 persen digunakan untuk
membandingkan model terbaik. Semakin tinggi nilai Nilai R- Square Adjusted
, maka model tersebut semakin baik.
4.7.4 Uji Asumsi Klasik Regresi
