X
6
= Equivalent Rate
F. Metode Analisis Data
Metode analisis yang digunakan adalah analisis regresi linier berganda dengan menggunakan persamaan kuadrat terkecil biasa atau Ordinary Least
Square OLS. Analisis data dilakukan dengan bantuan aplikasi komputer, program Eviews 8.
1. Statistika Deskriptif
Statistika deskriptif memberikan informasi mengenai karakteristik variabel dan data penelitian. Statistik deskriptif pada penelitian ini akan
menganalisis nilai rata-rata tertinggi, nilai terendah, serta standar deviasi dari masing-masing variabel yang diteliti.
30
2. Analisis Regresi Linier Berganda
Analisis regresi diartikan sebagai suatu analisis tentang ketergantungan suatu variabel kepada variabel lain yaitu variabel bebas dalam rangka
membuat estimasi katau prediksi dari nilai rata-rata variabel tergantung dengan diketahuinya nilai variabel bebas.
31
Analisis regresi linier berganda adalah suatu model linier regresi yang variable terikatnya merupakan fungsi linier dari beberapa variabel bebas.
Metode ini digunakan untuk menguji pengaruh lebih dari satu variabel independen terhadap variabel dependen. Analisis regresi berganda dalam
penelitian ini digunakan untuk mengetahui keakuratan hubungan antara
30
Imam Ghozali, Aplikasi Analisis Multivariate dengan Program SPSS, Semarang : Badan Penerbit Universitas Diponegoro, 2005, h. 9
31
Alfian Lains, Ekonometrika Teori dan Aplikasi Jilid I, Jakarta:Pustaka LP3ES Indonesia, 2003, h.19
penyaluran pembiayaan variable dependen dengan DPK, NPF, CAR, biaya promosi, inflasi, equivalent rate variabel independen.
Persamaan regresi yang dibentuk adalah sebagai berikut:
Keterangan: Y
= Penyaluran Pembiayaan a
= Konstanta β
1
– β
6
= Koefisien regresi masing – masing variabel independen
X
1
= DPK Dana Pihak Ketiga X
2
= NPF Non Performing Funancing X
3
= Capital Adequacy RatioCAR X
4
= Biaya Promosi X
5
= Inflasi X
6
= Equivalent Rate e
= Variabel Gangguan residual
3. Uji Asumsi Klasik
Pengujian asumsi klasik dilakukan untuk memastikan bahwa autokorelasi, multikolinieritas, dan heterokedastisitas tidak terdapat dalam
penelitian ini dan data yang dihasilkan berdistribusi normal. Untuk mengetahui apakah model regresi linier dalam penelitian ini dapat
digunakan sebagai alat prediksi yang baik atau tidak, maka harus memenuhi semua uji asumsi klasik. Pengujian asumsi klasik terdiri dari:
a. Uji Normalitas
Uji normalitas bertujuan untuk menguji apakah dalam model regresi, variabel pengganggu atau residual memiliki distribusi normal.
Model yang baik adalah yang memiliki distribusi data yang normal. Untuk menguji apakah dalam model regresi, variabel pengganggu atau
residual memiliki distribusi normal atau tidak dapat diketahui dengan Uji Jarque-Bera.
Rumus Jarque-Bera adalah sebagai berikut:
32
JB = [
] Dimana, n merupakan ukuran sampel, S menyatakan kemencengan, dan
K menyatakan peruncingan. Uji normalitas dilakukan dengan membandingkan nilai Jarque-
Bera dengan nilai Chi square tabel. Jika nilai Jarque-Bera dari nilai Chi square tabel pada α = 5, maka data berdistribusi normal. Hipotesis
yang digunakan adalah: H
: Residual berdistribusi tidak normal H
1
: Residual berdistribusi normal
b. Uji Autokorelasi
Autokorelasi dalam konsep regresi linier berarti komponen error berkorelasi berdasarkan urutan waktu pada data berkala. Apabila
terjadi keterkaitan antara pengamatan yang satu dengan yang lain, atau
32
Damodar N.Gujarati, Dasar-Dasar Ekonometrika Edisi Ketiga, Jakarta: PT Gelora Akasara Pratama, 2006, h. 165
dengan kata lain terjadi ketergantungan antara error ke-i dengan error ke-j, maka autokorelasi akan terjadi.
33
Tujuan dari uji ini adalah untuk menguji apakah dalam sebuah model regresi linear ada korelasi antara kesalahan pengganggu pada
periode t dengan kesalahan dengan periode t-1 sebelumnya. Konsekuensi dari adanya autokolerasi adalah penaksiran menjadi tidak
efisien dan Uji t serta Uji F yang biasa tidak valid walaupun hasil estimasi tidak bias.
Dalam penelitian ini uji autokorelasi menggunakan uji Lagrange Multiplier LM atau yang biasa dikenal dengan The Breusch-Godfrey
BG Test. Uji BG dilakukan dengan melihat nilai probability atau p- value pada ObsR-squared dengan
tingkat signifikan α = 0,05 5. Apabila nilai probability 5 maka model tidak mengandung masalah
autokorelasi. Hipotesis yang digunakan adalah: H
: Tidak terdapat masalah autokorelasi H
1
: Terdapat masalah autokorelasi
c. Uji Multikoliniearitas
Multikolinieritas adalah hubungan linier antar variabel bebas. Pengujian ini bertujuan untuk memastikan apakah model regresi
ditemukan adanya korelasi antar variabel bebas independen. Dalam membuat regresi berganda, variabel bebas yang baik adalah variabel
33
Setiawan dan Dwi Endah Kusrini, Ekonometrika, Yogyakarta: C.V ANDI, 2010, h. 136
bebas yang mempunyai hubungan dengan variabel terikat, tetapi tidak mempunyai hubungan dengan variabel bebas lainnya.
Ada atau tidaknya multikolinieritas dapat diketahui atau dilihat dari koefisien korelasi masing-masing variable bebas. Jika koefisien korelasi
di antara masing-masing variable bebas lebih besar dari 0,8 maka terjadi multikolinieritas. Hipotesis yang digunakan adalah:
H : Tidak terjadi multikolinieritas
H
1
: Terjadi multikolinieritas
d. Uji Heteroskedastisitas
Salah satu asumsi yang harus dipenuhi agar taksiran parameter dalam model bersifat BLUE adalah semua residual atau error
mempunyai varian yang sama dan bersifat konstan atau disebut dengan homoskedastisitas. Sedangkan bila varian error-nya Y tidak konstan
atau berubah-ubah disebut dengan heteroskedastisitas. Heteroskedasitas muncul apabila nilai varian dari variabel teikat
Yi meningkat sebagai meningkatnya varian dari variabel bebas Xi, maka varian dari Yi adalah tidak sama.Heteroskedastisitas bertujuan
menguji apakah dalam model regresi terjadi ketidaksamaan varian dari residual satu pengamatan ke pengamatan yang lain.Data yang baik
adalah data yang bersifat homoskedastisitas. Pengujian heteroskedastisitas dalam penelitian ini menggunakan
Uji White White’s General Heteroscedasticity Test. Uji ini
mengasumsikan bahwa varian error merupakan fungsi yang mempunyai
hubungan dengan variabel bebas, dan interaksi antar variabel bebas.
34
Apabila nilai probabilitas Chi-Square pada ObsR-squared lebih besar dari α= 0,05 5 dapat diputuskan bahwa tidak terdapat
heteroskedastisitas. Hipotesis yang digunakan adalah: H
: Tidak ada heteroskedastisitas H
1
: Ada heteroskedastisitas
4. Koefisien Determinasi R
2
Koefisien determinasi Goodness of Fit, yang dinotasikan dengan R
2
ataupun Adjusted R
2
adalah uji kecocokan model regresi yang dibentuk. Koefisien determinasi bertujuan untuk mengetahui berapa besar peran atau
kontribusi dari beberapa variabel bebas independen yang terdapat dalam persamaan regresi tersebut dalam menjelaskan nilai variabel terikat
dependen. Semakin besar nilai R
2
, semakin bagus atau semakin tepat atau cocok suatu garis regresi. Sebaliknya, semakin kecil maka semakin tidak tepat
garis regresi tersebut untuk mewakili data hasil observasi. Nilai R
2
terletak antara 0 dan 1 0 ≤ R
2
≤ 1.
35
5. Uji Hipotesis