Analisis Statistik HASIL PENELITIAN DAN PEMBAHASAN

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