Uji Stasioneritas Analisis dan Pembahasan

dilihat dari probabilitas yang lebih besar dari 0,05 yakni 0.5390 data akan stasioner jika nilai probabilitas 0,05.  Data NPF_X2 non performing financing belum stasioner pada tingkat level. Hal ini karena data nilai absolut t-statistik ADF -0.104303 yang lebih kecil dari nilai kritis pada tingkat keyakinan 5 -3.502373. Dapat pula dilihat dari probabilitas yang lebih besar dari 0,05 yakni 0.9934 data akan stasioner jika nilai probabilitas 0,05.  Data FDR_X3 Financing to deposit ratio belum stasioner pada tingkat level. Hal ini terlihat dari data nilai absolut t-statistik ADF -2.391627 yang lebih kecil dari nilai kritis pada tingkat keyakinan 5 -3.487845. Dapat pula dilihat dari probabilitas yang lebih besar dari 0,05 yakni 0.3800 data akan stasioner jika nilai probabilitas 0,05 Tabel 4.3 Unit Root Test Augmented Dickey-Fuller Pada First Difference Variabel Nilai t- Statistik ADF Nilai Kritis Statistik ADF Prob Kesimpulan ROA_Y1 -10.60817 -1.946549 0.0000 Stasioner MRB_X1 -0.561287 -1.946764 0.4697 Tidak Stasioner NPF_X2 -2.629278 -1.947119 0.0095 Stasioner FDR_X3 -8.311764 -1.946549 0.0000 Stasioner Tabel 4.3 menunjukkan unit root test dengan menggunakkan ADF pada derajat integrasi pertama yang memperlihatkan bahwa variabel ROA_Y1, NPF_X2, dan FDR_X3 sudah stasioner karena nilai absolut t-Statistik ADF lebih besar dari nilai kritis pada tingkat keyakinan 5, dan dapat pula dilihat dari probabilitas nya yang lebih kecil dari 0,05. Sedangkan pada variabel MRB_X1 pembiayaan murabahah belum stasioner pada integrasi pertama. Tabel 4.4 Unit Root Test Augmented Dickey-Fuller Pada Two Difference Variabel Nilai t- Statistik ADF Nilai Kritis Statistik ADF Prob Kesimpulan ROA_Y1 -7.839077 -1.946878 0.0000 Stasioner MRB_X1 -9.349204 -1.946764 0.0000 Stasioner NPF_X2 -9.714189 -1.947119 0.0000 Stasioner FDR_X3 -10.77143 -1.946764 0.0000 Stasioner Tabel 4.4 menunjukkan unit root test dengan menggunakan ADF pada derajat integrasi kedua yang memperlihatkan bahwa masing-masing variabel sudah stasioner. Hal ini dikarenakan nilai absolut t-Statistik ADF lebih besar dari nilai kritis pada tingkat keyakinan 5. Dapat pula dilihat dari probabilitas masing-masing variabel yang lebih kecil dari 0,05.

2. Uji Normalitas

Salah satu asumsi dalam analisis statistika adalah data berdistribusi normal. Uji normalitas digunakan untuk mengetahui apakah populasi data berdistribusi normal atau tidak.model regresi yang baik adalah distribusi data normal atau mendekati normal. Dalam melakukan uji kenormalan dari data maka dapat digunakan metodependekatan grafik dan pendekatan inferensi statistika dengan uji hipotesis. Pada langkah awal, untuk menentukkan model distribusi peluang yang mungkin cocok untuk data dapat digunakan pendekatan ukuran numerik rata- rata, median, modus, skewness, kurtosis, dan lain-lain atau menggunakan pendekatan grafis histigram, estimating density, empirical, cumulative distribution function. Dari pengujian awal ini dapat dilihat kecocokan sifat- sifat empiris dari data terhadap sifat-sifat teoritis dari suatu distribusi peluang, yang dalam hal ini yang menjadi perhatian adalah distribusi normal. Gambar 4.1 Uji Normalitas Berdasarkan gambar 4.1 menunjukkan bahwa data dalam penelitian ini sudah berdistribusi normal. Hal ini terlihat nilai skewness yang negatif dan bernilai 0 -0.060447 ekor yang relatif tidak tebal, bersifat unimodal dengan 1 2 3 4 5 6 7 8 9 -0.6 -0.4 -0.2 0.0 0.2 0.4 Series: Residuals Sample 2009M01 2013M12 Observations 60 Mean -1.69e-15 Median -0.019858 Maximum 0.448153 Minimum -0.565948 Std. Dev. 0.197987 Skewness -0.060447 Kurtosis 3.248411 Jarque-Bera 0.190808 Probability 0.909006 kurtosis = 3 atau excess kurtosis=0. Dan probability yang lebih besar dari 0,05. 1

3. Uji Asumsi Klasik

Analisis regresi dapat menghadapi beberapa masalah serius seperti adanya multikolinieritas, heteroskedastisitas, atau autokorelasi. Uji asumsi klasik dilakukan untuk melihat apakah dalam model regresi tersebut terdapat masalah serius atau tidak, sehingga model tersebut memenuhi kriteria BLUE Best Linier Unbiased Estimator.

a. Uji Multikolinieritas

Multikolinieritas mengacu pada situasi dimana dua atau lebih variabel penjelas dalam suatu regresi mempunyai korelasi yang tinggi. Uji multikolinieritas ini bertujuan untuk menguji apakah dalam model regresi ditemukan adanya korelasi antar variabel independen. Model yang baik adalah model yang tidak terjadi korelasi antar variabel independennya. Tabel 4.5 Uji Multikolinieritas ROA_Y1 MRB_X1 NPF_X2 FDR_X3 ROA_Y1 1.000000 0.359968 -0.246469 0.599507 MRB_X1 0.359968 1.000000 -0.800108 0.505706 NPF_X2 -0.246469 -0.800108 1.000000 -0.079812 FDR_X3 0.599507 0.505706 -0.079812 1.000000 1 Dedi Rosadi, Ekonometrika Analisis Runtun Waktu Terapan dengan Eviews, Yogyakarta: Andi Yogyakarta, h. 29-30