dana sebesar 334.763 juta rupiah dan bagi hasil sebesar 70.667 juta rupiah. Pada tahun 2002, bagi hasil yang didapat mengalami penurunan meskipun jumlah
tabungan mudharabah-nya mengalami kenaikan. Pada akhir tahun 2011, sudah terdapat 11 BUS, dan 8 diantaranya sudah dapat menghimpun dana dari tabungan
mudharabah dengan baik.
4.3. Analisis Statistik
Sebuah model regresi berganda dapat dianalisis jika telah memenuhi syarat- syarat asumsi klasik. Uji asumsi klasik yang harus dipenuhi antara lain:
1. Uji Normalitas
Uji normalitas digunakan untuk mengetahui distribusi sebuah data mengikuti atau mendekati distribusi normal Situmorang, et al., 2010: 91. Pada
penelitian ini data sampel yang digunakan ada 42 data.
Grafik 4.2 Grafik 4.3
Histogram Normal P-P Plot
Sumber: Hasil olahan SPSS17 12 Juni 2012 Sumber: Hasil olahan SPSS17 12 Juni 2012
Pada Grafik 4.2 terlihat bahwa variabel berdistribusi normal. Hal ini
Universitas Sumatera Utara
ditunjukkan oleh distribusi data tersebut yang tidak menceng ke kiri atau menceng ke kanan. Pada Grafik 4.3 P-P plot menunjukkan bahwa titik-titik menyebar
disekitar garis diagonal dan mengikuti garis diagonal, maka dapat disimpulkan bahwa data yang diperoleh berdistribusi normal.
Peneliti ingin mendapatkan tingkat uji Normalitas yang lebih signifikan, maka peneliti menggunakan uji statistic non parametric Kolmogrov-Smirnov.
Tabel 4.4 Normalitas-Statistik
One-Sample Kolmogorov-Smirnov Test
Unstandardized Residual
N 42
Normal Parameters
a,,b
Mean .0000000
Std. Deviation 1.51077086E6
Most Extreme Differences Absolute
.156 Positive
.156 Negative
-.156 Kolmogorov-Smirnov Z
1.012 Asymp. Sig. 2-tailed
.257 a. Test distribution is Normal.
b. Calculated from data.
Sumber: Hasil olahan SPSS17 12 Juni 2012
Pada Tabel 4.4 diperoleh nilai Asymp.Sig. 2-tailed adalah 0.257, yang berada di atas nilai signifikan 0.05. Hal ini menunjukkan model regresi
mempunyai pola distribusi normal, sehingga memenuhi asumsi normalitas.
2. Uji Multikolinieritas
Uji multikolinearitas dilakukan untuk melihat ada tidaknya hubungan linear diantara variabel bebas pada model regresi.
Universitas Sumatera Utara
Tabel 4.5 Multikolinearitas
Coefficients
a
Model Unstandardized Coefficients
Standardized Coefficients
t Sig.
Collinearity Statistics B
Std. Error Beta
Tolerance VIF
1 Constant
791531.390 629237.112
1.258 .216
Sukubunga -158867.019
121555.603 -.111 -1.307
.199 .957
1.045 Bagihasil
14.497 1.486
.826 9.757 .000
.957 1.045
a. Dependent Variable: jumlahtabunganmudharabah
Sumber: Hasil olahan SPSS17 12 Juni 2012
Adanya multikolinearitas dapat dilihat dari nilai Tolerance Value 0.1 dan nilai Variance Inflation Factor VIF 5. Pada Tabel 4.5 diperoleh Tolerance
Value-nya sebesar 0.957 0.1 dan VIF-nya 1.045 5. Hal ini berarti semua data variabel tidak terkena multikolinearitas.
3. Uji Heteroskedastisitas
Uji heteroskedastisitas digunakan untuk menguji ada atau tidaknya varians yang sama diantara anggota grup pada sebuah grup. Uji untuk mengatasi
heteroskedastisitas ini adalah dengan melihat penyebaran dari varians residual pada diagram pencar scatter plot.
Grafik 4.4 Scatterplot
Sumber: Hasil olahan SPSS17 12 Juni 2012
Universitas Sumatera Utara
Pada Grafik 4.4 terlihat bahwa titik-titik menyebar secara acak tidak membentuk sebuah pola tertentu yang jelas dan tersebar baik di atas maupun di
bawah angka nol pada sumbu Y. Namun demikian, untuk memperoleh tingkat uji heteroskedastisitas yang lebih signifikan maka dalam penelitian ini digunakan uji
Glesjer.
Tabel 4.6 Heteroskedastisitas-Uji Glesjer
Coefficients
a
Model Unstandardized Coefficients
Standardized Coefficients
t Sig.
B Std. Error
Beta 1
Constant 837153.788
370881.264 2.257
.030 Sukubunga
-62238.257 71646.594
-.115 -.869
.390 Bagihasil
3.671 .876
.554 4.191
.000 a. Dependent Variable: absut
Sumber: Hasil olahan SPSS17 12 Juni 2012
Tabel 4.6 menunjukkan hasil uji heterokedastisitas yang diperoleh dari ouput SPSS dengan memasukkan nilai residual yang ditransformasikan ke dalam
bentuk absolut sebagai variabel dependen dan suku bunga dan bagi hasil sebagai variabel independen. Ada atau tidaknya heterokedastisitas, dapat dilihat dari
angka signifikansi. Jika nilai Sig. α 0.05, berarti terjadi heterokedastisitas.
Pada Tabel 4.6, dapat dilihat bahwa nilai Sig. variabel suku bunga berada di atas nilai signifikansi
α 0.05 yaitu sebesar 0.390. Namun pada variabel bagi hasil, nilai Sig.-nya berada di bawah nilai signifikansi
α 0.05 yaitu sebesar 0.000. Dikarenakan nilai keseluruhan Sig. tidak berada di atas 0.05, maka dapat
disimpulkan bahwa model regresi mengarah adanya heteroskedastisitas. Oleh karena itu, peneliti tidak dapat menggunakan data tersebut untuk melakukan uji
hipotesis.
Universitas Sumatera Utara
Dikarenakan terjadi heterokedastisitas, maka transformasi data perlu dilakukan. Peneliti mencoba untuk menormalitaskan data dengan menggunakan
Logaritma Natural Ln. Setelah data dilogaritmakan, hasil yang didapat pun menunjukkan bahwa heterokedastisitas masih terjadi pada data. Oleh karena itu,
peneliti melakukan deteksi terhadap univariate outlier, yaitu kasus atau data yang memiliki karakteristik unik yang terlihat sangat berbeda jauh dari observasi-
observasi lainnya dan muncul dalam bentuk nilai ekstrim baik untuk sebuah variabel tunggal atau variabel kombinasi. Deteksi terhadap univariate outlier
dapat dilakukan dengan menentukan nilai batas yang dapat dikategorikan sebagai data outlier yaitu dengan cara mengkonversi nilai data ke dalam skor
standaridized atau yang biasa disebut Z-score Ghozali, 2005. Setelah data distandarkan, maka diketahui bahwa terdapat 6 data sampel yang dianggap
sebagai outlier sehingga harus dihapus dari data sampel penelitian. Outlier merupakan data-data yang dianggap sebagai penyebab tidak normalnya data.
Setelah itu, peneliti melakukan pengujian ulang terhadap uji asumsi klasik. Berikut hasil uji asumsi klasik setelah dilakukan tranformasi data:
1. Uji Normalitas
Grafik 4.5 Grafik 4.6
Histogram Normal P-P Plot
Sumber: Hasil olahan SPSS17 12 Juni 2012 Sumber: Hasil olahan SPSS17 12 Juni 2012
Universitas Sumatera Utara
Pada Grafik 4.5 terlihat bahwa variabel berdistribusi normal. Hal ini ditunjukkan oleh distribusi data tersebut yang tidak menceng ke kiri atau menceng
ke kanan. Pada Grafik 4.6 P-P plot menunjukkan bahwa titik-titik menyebar disekitar garis diagonal dan mengikuti garis diagonal, maka dapat disimpulkan
bahwa data yang diperoleh berdistribusi normal. Peneliti ingin mendapatkan tingkat uji Normalitas yang lebih signifikan,
maka peneliti menggunakan uji statistik non parametric Kolmogrov-Smirnov.
Tabel 4.7 Normalitas-Statistik
One-Sample Kolmogorov-Smirnov Test
Unstandardized Residual
N 36
Normal Parameters
a,,b
Mean .0000000
Std. Deviation .65265745
Most Extreme Differences Absolute
.148 Positive
.148 Negative
-.141 Kolmogorov-Smirnov Z
.888 Asymp. Sig. 2-tailed
.409 a. Test distribution is Normal.
b. Calculated from data.
Sumber: Hasil olahan SPSS17 12 Juni 2012, diolah
Pada Tabel 4.7 diperoleh nilai Asymp.Sig. 2-tailed adalah 0.409, dan di atas nilai signifikan 0.05. Hal ini menunjukkan pola distribusi normal, sehingga
model regresi memenuhi asumsi normalitas.
Universitas Sumatera Utara
2. Uji Multikolinearitas Tabel 4.8
Multikolinearitas
Coefficients
a
Model Unstandardized
Coefficients Standardized
Coefficients t
Sig. Collinearity Statistics
B Std. Error
Beta Tolerance
VIF 1
Constant 2.323E-16
.112 .000
1.000 ZscoreLn
X1 .038
.114 .038
.332 .742
.994 1.006
ZscoreLn X2
.754 .114
.754 6.617
.000 .994
1.006 a. Dependent Variable: ZscoreLnY
Sumber: Hasil olahan SPSS17 12 Juni 2012
Adanya multikolinearitas dapat dilihat dari nilai Tolerance Value 0.1 dan nilai Variance Inflation Factor VIF 5. Pada Tabel 4.5 diperoleh Tolerance
Value-nya 0.994 0.1 dan VIF-nya 1.006 5. Hal ini berarti semua data variabel tidak terjadi multikolinearitas.
3. Uji Heterokedastisitas Grafik 4.7
Scatterplot
Sumber: Hasil olahan SPSS17 12 Juni 2012, dilolah
Pada Grafik 4.7 terlihat bahwa titik-titik menyebar secara acak tidak membentuk sebuah pola tertentu yang jelas dan tersebar baik di atas maupun di
Universitas Sumatera Utara
bawah angka nol pada sumbu Y. Namun demikian, untuk memperoleh tingkat uji
heteroskedastisitas yang lebih signifikan, penelitian ini menggunakan uji Glesjer. Tabel 4.9
Heteroskedastisitas-Uji Glesjer
Coefficients
a
Model Unstandardized Coefficients
Standardized Coefficients
T Sig.
B Std. Error
Beta 1
Constant .449
.072 6.224
.000 ZscoreLnX1
-.146 .073
-.312 -1.987
.055 ZscoreLnX2
-.131 .073
-.280 -1.780
.084 a. Dependent Variable: abs
Sumber: Hasil olahan SPSS17 12 Juni 2012, diolah
Pada Tabel 4.9 terlihat bahwa tidak satupun variabel independen yang signifikan secara statistik mempengaruhi variabel dependen absolut Ut absUt.
Hal terlihat dari nilai signifikansi dari variabel suku bunga 0.55 dan variabel bagi hasil 0.84 berada di atas tingkat kepercayaan 0.05. Oleh karena itu, dapat
disimpulkan bahwa model regresi tidak mengarah adanya heterokedastisitas.
4. Uji Autokorelasi
Uji Autokorelasi digunakan untuk menguji ada atau tidaknya kesalahan pengganggu pada periode t dengan kesalahan pengganggu pada periode
sebelumnya. Autokorelasi muncul karena observasi yang berurutan sepanjang waktu berkaitan satu sama lainnya. Gejala autokorelasi dideteksi dengan
menggunakan uji Durbin Watson DW. Kriteria pengambilan keputusan uji autokorelasi ditunjukkan pada Tabel 4.10 berikut:
Universitas Sumatera Utara
Tabel 4.10 Kriteria Pengambilan Keputusan Uji Autokorelasi
Hipotesis Nol Keputusan
Jika
Tidak ada autokorelasi positif
Tolak 0 DW dl
Tidak ada autokorelasi positif
No decision dl≤ DW ≤ du
Tidak ada
korelasi negative
Tolak 4-dl DW du
Tidak ada
korelasi negative
No decision 4-du
≤ DW ≤ 4-dl Tidak ada autokorelasi.
positif atau negatif Tidak ditolak
du DW 4-du
Sumber: Situmorang 2010: 145
Tabel 4.11 menunjukkan bahwa hasil Durbin Watson DW pada penelitian ini adalah sebesar 1.633 dan berada pada daerah
“Tidak ditolak” yaitu duDW4- du 1.571.6332.43, yang artinya tidak terjadi autokorelasi positif atau negatif
pada model regresi.
Tabel 4.11 Autokorelasi
Model Summary
b
Model R
R Square Adjusted R
Square Std. Error of the
Estimate Durbin-Watson
1 .758
a
.574 .548
.67214404 1.633
a. Predictors: Constant, ZscoreLnX2, ZscoreLnX1 b. Dependent Variable: ZscoreLnY
Sumber: Hasil olahan SPSS17 12 Juni 2012
4.4. Analisis Regresi Berganda