Analisis dan Pengujian Hipotesis

6 Bank Ekonomi Raharja 51,04 60,37 44,63 Sumber : Data Diolah Dari tabel diatas diketahui bahwa liquidity paba Bank Central Asia Tbk pada tahun 2007 mencatat 42,2, tahun 2008 mengalami kenaikan menjadi 51,52 dan tahun 2009 mengalami penurunan sebesar 48,29. Bank Mandiri Tbk pada tahun 2007 mencatat 49,64 dan kemudian terus mengalami kenaikan sampai dengan tahun 2009 menjadi 55,9. Bank Negara Indonesia Tbk pada tahun 2007 mencatat 55,47, tahun 2008 mengalami kenaikan menjadi 63,57 dan tahun 2009 mengalami penurunan menjadi 59,24. Bank OCBC NISP Tbk pada tahun 2007 mencatat 84,11 dan kemudian terus mengalami penurunan sampai dengan tahun 2009 menjadi 70,43. Bank Artha Graha Internasional Tbk pada tahun 2007 mencatat 78,91, tahun 2008 mengalami kenaikan menjadi 90,71 dan mengalami penurunan pada tahun 2009 menjadi 82,16. Bank Ekonomi Raharja Tbk pada tahun 2007 mencatat 51,04, tahun 2008 mengalami kenaikan menjadi 60,37 dan mengalami penurunan pada tahun 2009 menjadi 44,63.

4.3 Analisis dan Pengujian Hipotesis

4.3.1 Uji Normalitas

Normalitas : Sebuah model regresi yang variabel Dependen dan Independen atau keduanya mempunyai distribusi normal atau tidak. Hak Cipta © milik UPN Veteran Jatim : Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber. Untuk mengetahui apakah data tersebut mengikuti sebaran normal dapat dilakukan dengan metode Kolmogrov Smirnov Sumarsono, 2004;40. Dasar pengambilan keputusan : jika nilai signifikan nilai probabilitasnya lebih besar dari 10, maka distribusi adalah normal Sumarsono, 2004;43. Hak Cipta © milik UPN Veteran Jatim : Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber. Tabel 4.7 : Uji Normalitas One-Sample Kolmogorov-Smirnov Test CAR APYD NPM NIM LDR ROA N 18 18 18 18 18 18 Mean 14.7561 14.8606 14.6261 11.5978 62.1039 1.7156 Normal Parameters a Std. Deviation 5.84145 7.76245 9.06437 1.38478 1.46559E1 .94243 Absolute .146 .338 .089 .139 .164 .084 Positive .146 .338 .075 .084 .164 .082 Most Extreme Differences Negative -.117 -.288 -.089 -.139 -.096 -.084 Kolmogorov-Smirnov Z .618 1.435 .377 .588 .696 .355 Asymp. Sig. 2-tailed .839 .033 .999 .880 .718 1.000 a. Test distribution is Normal. Sumber : Data diolah lampiran Berdasarkan hasil uji Kolmogorov-Smirnov dengan menggunakan uji ini diperoleh hasil analisis bahwa tidak semua variable yang diteliti memiliki distribusi yang normal, hanya pada variable CAR, NPM, NIM, LDR dan ROA yang memiliki distribusi normal dimana nilai Asymp. Sig signifikansi lebih besar dari 0,10, sehingga dapat disimpulkan sebagian data tersebut tidak memenuhi asumsi berdistribusi normal. Hak Cipta © milik UPN Veteran Jatim : Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.

4.3.2 Uji Asumsi

Klasik Tujuan utama menggunakan uji asumsi klasik adalah untuk mendapatkan koefisien yang terbaik linier dan tidak bias BLUE : Best Linier Unbiased Estimator. Uji asumsi klasik meliputi asumsi mulikolonieritas, autokorelasi dan heteroskedastisitas. Uji Multikolineritas Multikolinieritas : Adanya korelasi variabel independen dalam regresi berganda. Deteksi adanya Multikolinier : a. Besarnya VIF Variance Inflation Factor dan Tolerance - Jika VIF melebihi angka 10, maka variabel tersebut mengindikasikan adanya multikolinieritas. Gujarati b. Nilai Eigenvalue mendekati 0 Singgih Santoso c. Condition Index melebihi angka 15 Singgih Santoso Dalam pengujian asumsi klasik terhadap analisis regresi linier berganda ini menyatakan bahwa hasil analisis penelitian ini menunjukkan tidak adanya gejala multikolinieritas pada semua variabel bebas dimana nilai VIF pada semua variabel lebih kecil dari 10. Syarat terjadi multikolinieritas jika nilai VIF Variance Inflation Factor  10 Cryer,1994 : 681. Hak Cipta © milik UPN Veteran Jatim : Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber. Tabel 4.8 : Hasil Uji Multikolinieritas Coefficients a Unstandardized Coefficients Standardized Coefficients Collinearity Statistics Model B Std. Error Beta t Sig. Tolerance VIF Constant .889 .314 2.831 .015 CAR .014 .005 .087 2.587 .024 .530 1.886 APYD -.007 .004 -.058 -1.937 .077 .674 1.483 NPM .096 .005 .923 20.415 .000 .294 3.402 NIM -.036 .017 -.052 -2.041 .064 .920 1.087 1 LDR -.004 .003 -.067 -1.536 .150 .312 3.200 a. Dependent Variable: ROA Uji Heteroskedastisitas Heteroskedastisitas : Varian dari residual dari satu pengamatan ke pengamatan lain mempunyai varian yang berbeda. Jika sama namanya Homoskedastisitas. Model regresi yang baik tidak mempunyai Heteroskedastisitas. Deteksi Adanya Heteroskedastisitas : a. Dari Scatter Plot Residual: jika ada pola tertentu seperti titik-titik point-point yang ada membentuk pola tertentu yang teratur bergelombang, menyebar kemudian menyempit Hak Cipta © milik UPN Veteran Jatim : Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber. b. Jika tidak ada pola yang jelas, serta titik-titik menyebar di atas 0 pada sumbu Y, maka tidak terjadi Heteroskedastisitas. c. Pada regresi linier nilai residual tidak boleh ada hubungan dengan variabel X. Hal ini bisa diidentifikasi dengan cara menghitung korelasi rank Spearman antara residual dengan seluruh variabel bebas. Rumus rank Spearman adalah : r s = 1 – 6   1 N N d 2 2 i   Keterangan : d i = perbedaan dalam rank antara residual dengan variabel bebas ke-i N = banyaknya data Pengujian Heteroskedastisitas di sini menggunakan korelasi rank Spearman antara residual dengan seluruh variabel bebas dengan hasil analisis sbb: Hak Cipta © milik UPN Veteran Jatim : Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber. Tabel 4.9 Nonparametric Correlations CAR APYD NPM NIM LDR Unstandardized Residual Correlation Coefficient 1.000 .573 .323 .230 .092 -.251 Sig. 2-tailed . .013 .191 .358 .717 .316 CAR N 18 18 18 18 18 18 Correlation Coefficient .573 1.000 .319 .655 -.234 -.135 Sig. 2-tailed .013 . .197 .003 .349 .593 APYD N 18 18 18 18 18 18 Correlation Coefficient .323 .319 1.000 .102 -.792 -.108 Sig. 2-tailed .191 .197 . .687 .000 .669 NPM N 18 18 18 18 18 18 Correlation Coefficient .230 .655 .102 1.000 -.172 -.110 Sig. 2-tailed .358 .003 .687 . .494 .663 NIM N 18 18 18 18 18 18 Correlation Coefficient .092 -.234 - .792 -.172 1.000 .088 Sig. 2-tailed .717 .349 .000 .494 . .729 LDR N 18 18 18 18 18 18 Correlation Coefficient -.251 -.135 -.108 -.110 .088 1.000 Sig. 2-tailed .316 .593 .669 .663 .729 . Spearman s rho Unstandardized Residual N 18 18 18 18 18 18 . Correlation is significant at the 0.05 level 2-tailed. . Correlation is significant at the 0.01 level 2-tailed. Hak Cipta © milik UPN Veteran Jatim : Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber. Hasil analisis menunjukkan bahwa pada variabel X1, X2 , X3, X4 dan X5, TIDAK mempunyai korelasi yang signifikan antara residual dengan variabel bebasnya,nilai Sig lebih besar dari 0,10 maka hasil analisis ini dapat disimpulkan seluruh variabel penelitian tidak terjadi Heteroskedastisitas. Uji Autokorelasi Autokorelasi : Adanya korelasi antara kesalahan pengganggu pada periode t dengan kesalahan pengganggu periode t-1 sebelumnya. Jika data di atas 15 Catatan: Autokorelasi pada sebagian besar data time series. Deteksi Autokorelasi: a. Besarnya Angka Durbin Watson Patokan : Angka D-W di bawah –2 ada autokorelasi positif Angka D-W di atas +2 ada autokorelasi negatif Angka Berada diantara –2 sampai +2 Tidak ada Autokorelasi atau Membandingkan dengan Tabel Durbin Watson Hak Cipta © milik UPN Veteran Jatim : Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber. Identifikasi gejala autokorelasi dapat dilakukan dengan kurva di bawah ini. Tidak ada autokorelasi positif dan tidak ada autokorelasi negatif dL dU 4 - dU 4 - dL 4 ada auto korelasi positif daerah keragu raguan ada auto korelasi negatif daerah keragu raguan 0,52 1,80 2,590 5.48 4.2 a. Koefisien determinasi berganda R square tinggi b. Koefisien korelasi sederhananya tinggi. c. Nilai F hitung tinggi signifikan d. Tapi tak satupun atau sedikit sekali diantara variabel bebas yang signifikan. Untuk asumsi klasik yang mendeteksi adanya autokorelasi di sini dilihat dari hasil analisis yang menunjukkan hasil bahwa nilai Durbin Watson sebesar 2,590, hal ini menunjukkan adanya gejala autokorelasi, hal ini tidak menjadi masalah yang serius karena data penelitian bukan time series, akan tetapi merupakan data pooling gabungan data time series dan cross section. Hak Cipta © milik UPN Veteran Jatim : Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber. Jadi dapat disimpulkan bahwa model regresi linier berganda yang diperoleh pada penelitian ini telah memenuhi asumsi klasiknya yaitu tidak memenuhi autokorelasi dan normalitas datanya untuk sebagian variabel, 4.3.3 Analisis Regresi Linier Berganda Berdasarkan data tabel di atas diperoleh data masukan seperti terlihat pada lampiran. Data masukan ini digunakan untuk menghasilkan perhitungan statistik. Perhitungan dilakukan dengan menggunakan metode regresi linier berganda untuk melihat konsistensi dari pengaruh variabel- variabel independent terhadap variabel dependennya. Variabel dependent dalam penelitian ini adalah Rasio Camel CAR, APYD, NPM, NIM, LDR terhadap variabel terikat yaitu ROA. Dari hasil analisis perhitungan computer menggunakan program SPSS, Statistik diskriptif berguna untuk mengetahui karakteristik sample yang digunakan dalam penelitian. Untuk mengetahui gambaran mengenai karakteristik sample yang digunakan. Berdasarkan statistik diskriptif ini, dapat diketahui jumlah sample yang diteliti, nilai rata-rata sample dan tingkat penyebaran data dari masing-masing variabel penelitian. Hak Cipta © milik UPN Veteran Jatim : Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber. Tabel 4.10 : Statistik Deskriptif Descriptive Statistics Mean Std. Deviation N ROA 1.7156 .94243 18 CAR 14.7561 5.84145 18 APYD 14.8606 7.76245 18 NPM 14.6261 9.06437 18 NIM 11.5978 1.38478 18 LDR 62.1039 14.65592 18 Pada data dengan metode regresi linier berganda diperoleh hasil seperti ditunjukkan pada tabel dibawah ini: Tabel 4.11 : Hasil Analisis Regresi Linier Berganda Hasil Regresi Berganda Coefficients a Unstandardized Coefficients Standardized Coefficients Collinearity Statistics Model B Std. Error Beta t Sig. Tolerance VIF Constant .889 .314 2.831 .015 CAR .014 .005 .087 2.587 .024 .530 1.886 APYD -.007 .004 -.058 -1.937 .077 .674 1.483 NPM .096 .005 .923 20.415 .000 .294 3.402 NIM -.036 .017 -.052 -2.041 .064 .920 1.087 1 LDR -.004 .003 -.067 -1.536 .150 .312 3.200 a. Dependent Variable:ROA Hak Cipta © milik UPN Veteran Jatim : Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber. Adapun persamaan regresi yang dihasilkan adalah sebagai berikut : Y = 0,889 + 0,014X 1 – 0,007X 2 + 0,096X 3 – 0,036X 4 – 0,004X 5 + ei Interpretasi dari persamaan regresi diatas, dapat dijelaskan sebagai berikut : a. Konstanta sebesar 0,889 Artinya tanpa pengaruh dari variabel CAR, APYD, NPM, NIM, LDR maka ROA adalah 0,889. b. Koefisien regresi variabel X 1 CAR sebesar 0,014 Artinya apabila CAR X 1 berubah sebesar satu-satuan mengakibatkan penurunan terhadap ROA Y sebesar 0,014 dengan asumsi bahwa variabel lain konstan begitu pula sebaliknya. c. Koefisien regresi variabel X 2 APYD sebesar -0,007 Artinya apabila APYD X 2 berubah sebesar satu-satuan mengakibatkan penurunan terhadap ROA sebesar – 0,007 dengan asumsi bahwa variabel lain konstan begitu pula sebaliknya. d. Koefisien regresi variabel X 3 NPM sebesar 0,096 Artinya apabila NPM X 3 berubah sebesar satu-satuan mengakibatkan penurunan terhadap ROA Y sebesar 0,096 dengan asumsi bahwa variabel lain konstan begitu pula sebaliknya. e. Koefisien regresi variabel X 4 NIM sebesar -0,036 Artinya apabila NIM X 4 berubah sebesar satu-satuan mengakibatkan penurunan terhadap ROA Y sebesar -0,036 dengan asumsi bahwa variabel lain konstan begitu pula sebaliknya. Hak Cipta © milik UPN Veteran Jatim : Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber. f. Koefisien regresi variabel X 5 LDR sebesar -0,004 Artinya apabila LDR X 5 berubah sebesar satu-satuan mengakibatkan penurunan terhadap ROA Y sebesar -0,004 dengan asumsi bahwa variabel lain konstan begitu pula sebaliknya.

4.3.4 Koefisien determinasi

R 2 Besarnya pengaruh CAR X 1 , APYD X 2 , NPM X 3 , NIM X 4 dan LDR X 5 dan berpengaruh terhadap ROA Y dapat dilihat dari nilai koefisien determinasi R-squareR 2 . Berikut ini nilai koefisien determinasi R-squareR 2 . Nilai Koefisien Determinansi R-squareR 2 Tabel 4.12 Model Summary b Model R R Square Adjusted R Square Std. Error of the Estimate Durbin-Watson 1 .996 a .993 .990 .09529 2.590 a. Predictors: Constant, LDR, CAR, NIM, APYD, NPM b. Dependent Variable: ROA Nilai koefisien determinasi R-squareR 2 yang dihasilkan sebesar 0,993 menunjukkan bahwa variabel CAR X 1 , APYD X 2 , NPM X 3 , NIM X 4 dan LDR X 5 dan berpengaruh terhadap ROA Y sebesar 99,30 sedangkan sisanya 0,70 dijelaskan oleh variabel lain diluar model. Hak Cipta © milik UPN Veteran Jatim : Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.

4.3.5 Uji f

Tabel 4.13 F Test UJI F ANOVA b Model Sum of Squares df Mean Square F Sig. Regression 14.990 5 2.998 330.198 .000 a Residual .109 12 .009 1 Total 15.099 17 a. Predictors: Constant, LDR, CAR, NIM, APYD, NPM b. Dependent Variable: ROA Berdasarkan hasil pengujai dengan F test, menunjukkan bahwa nilai signifikansi Sig = 0,000 lebih kecil dari 0,10.

4.3.6 Uji t

Uji t digunakan untuk menguji pengaruh secara parsial masing- masing variabel bebas CAR, APYD, NPM, NIM, LDR terhadap variabel terikat ROA. Pengujian ini dilakukan dengan menggunakan tingkat signifikan 0,10 10 ; df:12 dengan nilai t tabel adalah sebesar 2,179 Hak Cipta © milik UPN Veteran Jatim : Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber. Tabel 4.14 Coefficients a Unstandardized Coefficients Standardized Coefficients Collinearity Statistics Model B Std. Error Beta T Sig. Tolerance VIF Constant .889 .314 2.831 .015 CAR .014 .005 .087 2.587 .024 .530 1.886 APYD -.007 .004 -.058 -1.937 .077 .674 1.483 NPM .096 .005 .923 20.415 .000 .294 3.402 NIM -.036 .017 -.052 -2.041 .064 .920 1.087 1 LDR -.004 .003 -.067 -1.536 .150 .312 3.200 a. Dependent Variable: ROA Y a. Pengaruh secara parsial antara CAR terhadap ROA Dari perhitungan didapat t hitung 2,587 lebih kecil dari t tabel 2,179, maka Ho diterima atau Ha ditolak pada level of significant 10. Sehingga secara parsial variabel CAR berpengaruh signifikan positif terhadap ROA. b. Pengaruh secara parsial antara APYD terhadap ROA Dari perhitungan didapat t hitung -1,937 lebih besar dari t tabel - 2,179, maka Ho ditolak dan Ha diterima pada level tingkat signifikan 10. Sehingga secara parsial variabel APYD berpengaruh signifikan negative terhadap ROA. Hak Cipta © milik UPN Veteran Jatim : Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber. c. Pengaruh secara parsial antara NPM terhadap ROA Dari perhitungan di dapat t hitung 20,415 lebih kecil dari t tabel 2,179, maka Ho diterima dan Ha ditolak pada level signifikan 10. Sehingga secara parsial variabel NPM berpengaruh signifikan positif terhadap ROA. d. Pengaruh secara parsial antara NIM terhadap ROA Dari perhitungan di dapat t hitung -2,041 lebih besar dari t tabel -2,179, maka Ho ditolak dan Ha diterima pada level signifikan 10. Sehingga secara parsial variabel NIM berpengaruh signifikan negative terhadap ROA. e. Pengaruh secara parsial antara LDR terhadap ROA Dari perhitungan di dapat t hitung -1,536 lebih besar dari t tabel -2,179, maka Ho ditolak dan Ha diterima pada level signifikan 10. Sehingga secara parsial variabel LDR tidak berpengaruh signifikan negative terhadap ROA. Hak Cipta © milik UPN Veteran Jatim : Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.

4.4 Pembahasan