HASIL DAN PEMBAHASAN

HASIL DAN PEMBAHASAN

A. Deskripsi Obyek Penelitian

Obyek dalam penelitian ini adalah bank umum go public yang listing di Bursa Efek Indonesia periode tahun 2005 sampai dengan tahun 2009. Kriteria sampel yang digunakan adalah bank yang menyajikan laporan keuangan publikasi tahunan periode desember 2005 sampai dengan desember 2009 secara lengkap dan sesuai dengan variabel yang akan diteliti. Sampel yang digunakan dalam penelitian ini berjumlah 75 bank.

Tabel 4.1 Hasil Pengambilan Sampel

Kriteria Sampel

Jumlah

1. Perusahaan perbankan yang terdaftar di BEI periode 2007

sampai dengan 2009. 135

2. Perusahaan perbankan yang terdaftar di BEI tetapi tidak menyajikan secara lengkap laporan keuangan dan rasio- rasio keuangan.

(60) Jumlah Sampel Penelitian

75 Sumber: Indonesia Capital Market Directory (ICMD)

Statistik deskriptif digunakan untuk menunjukkan jumlah data yang digunakan dalam penelitian ini serta dapat menunjukkan nilai maksimum, nilai minimum, nilai rata-rata serta standar deviasi dari masing-masing variabel. Variabel dalam penelitian ini meliputi CAR, BOPO, NIM, NPL, LDR dan ROA.

Tabel 4.2 Hasil Statistik Deskriptif

Std. Deviation CAR

0,0218 Sumber: Output SPSS

Tabel 4.2 menunjukkan bahwa N atau jumlah data pada setiap variabel yang valid adalah 75. Data CAR sejumlah 75 buah, nilai minimum sebesar 0,0943 ada pada bank Kesawan tahun 2006 dan maksimum sebesar 0,7283 pada bank Capital tahun 2005. Nilai rata-rata sebesar 0,2092 dengan standar deviasi sebesar 0,1132.

Data BOPO sejumlah 75 buah, nilai minimum sebesar 0,6880 ada pada bank Windu tahun 2008 dan maksimum sebesar 2,0297 pada bank Capital

0,1492. Data NIM sejumlah 75 buah sampel, nilai minimum sebesar 0,0238 ada pada bank Victoria tahun 2009 dan maksimum sebesar 0,1384 pada bank Tabungan Pensiunan Nasional tahun 2007. Nilai rata-rata sebesar 0,0580 dengan standar deviasi sebesar 0,0225.

Data NPL sejumlah 75 buah sampel, nilai minimum sebesar 0,000 ada pada bank Capital tahun 2005 , 2006 dan 2007, bank Victoria tahun 2005, 2006 dan 2009 dan maksimum sebesar 0,0681 pada bank Kesawan tahun 2005. Nilai rata-rata sebesar 0,0224 dengan standar deviasi sebesar 0,0238.

Data LDR sejumlah 75 buah, nilai minimum sebesar 0,1764 ada pada bank Nusantara Parahyangan tahun 2009 dan maksimum sebesar 1,0388 pada bank Mayapada tahun 2007. Nilai rata-rata sebesar 0,7289 dengan standar deviasi sebesar 0,1749.

Data ROA yang berjumlah 75 buah, nilai minimum sebesar -0,0049 terdapat pada bank Saudara tahun 2006 dan maksimum sebesar 0,1770 pada bank Capital tahun 2005. Sedangkan nilai rata-rata sebesar 0,0179 dengan standar deviasi sebesar 0,0218.

C. Uji Data

1. Uji Multikolinearitas Uji multikolinearitas menguji apakah model regresi ditemukan adanya korelasi antara variabel bebas dalam model regresi yang disusun. Model 1. Uji Multikolinearitas Uji multikolinearitas menguji apakah model regresi ditemukan adanya korelasi antara variabel bebas dalam model regresi yang disusun. Model

Tabel 4.3 Hasil Uji Multikolinearitas

1,410 Sumber: Output SPSS Berdasar tabel 4.3 menunjukkan bahwa kelima variabel independen tidak terjadi multikolinearitas karena nilai VIF < 5,00, sehingga dapat disimpulkan tidak terdapat pengaruh antar variabel independen. Lima variabel independen (CAR, BOPO, NIM, NPL, dan LDR) dapat digunakan untuk memprediksi ROA.

Uji normalitas ini dilakukan karena data yang diuji dengan statistik parametrik harus berdistribusi normal. Model regresi yang baik adalah memiliki distribusi data normal atau mendekati normal.

Deteksi melalui grafik histogram yang membandingkan antara data observasi dengan distribusi yang mendekati distribusi normal. Jika data penyebaran di sekitar garis diagonal dan mengikuti arah garis diagonal, maka regresi memenuhi asumsi normalitas. Namun jika data menyebar dari garis diagonal dan atau tidak mengikuti arah garis diagonal, maka regresi tidak memenuhi asumsi normalitas.

Gambar 4.1 Hasil Uji Normalitas dengan Grafik Histogram

Sumber: Output SPSS

Hasil Uji Normalitas dengan Grafik P-P Plot

Sumber: Output SPSS Berdasarkan tampilan gambar 4.1 dapat diketahui bahwa grafik histogram memiliki pola distribusi normal karena berbentuk simetris. Gambar 4.2 dapat disimpulkan bahwa pola grafik normal, hal itu terlihat dari titik-titik yang menyebar disekitar garis diagonal dan penyebarannya mengikuti garis diagonal. Hal ini menunjukkan bahwa data yang digunakan dalam penelitian ini terdistribusi normal.

Metode yang lebih akurat adalah dengan uji normalitas menggunakan Kolmogorov Smirnov . Dasar pengujiannya dengan melihat angka probabilitas signifikansi dari uji Kolmogorov Smirnov. Berdasarkan uji ini didapatkan kesimpulan yang lebih akurat. Suatu data diinterpretasikan

Hasil Uji Normalitas dengan Uji Kolmogorov Smirnov

Unstandardized Residual N

75 Normal Parametersª

Mean

Std. Deviation

0,1021769 Most Extreme Differences

-0,045 Kolmogorov-Smirnov Z

0,388 Asymp. Sig. (2-tailed)

0,998 Sumber: Output SPSS Tabel 4.4 di atas dapat diterangkan bahwa angka signifikansi dari uji Kolmogorov Smirnov tersebut lebih besar dari nilai signifikansi yang telah ditentukan yaitu 0,05 sehingga berdasarkan data tersebut dapat dijelaskan bahwa model regresi terdistribusi secara normal. Hal ini membuktikan bahwa model regresi layak dipakai untuk prediksi variabel terikat.

3. Uji Autokorelasi Penyimpangan model regresi klasik yang lain adalah adanya korelasi dalam model regresi yaitu adanya korelasi antar anggota sampel. Uji autokorelasi bertujuan untuk menguji apakah dalam suatu model regresi linear ada korelasi antara kesalahan pengganggu pada periode t dengan 3. Uji Autokorelasi Penyimpangan model regresi klasik yang lain adalah adanya korelasi dalam model regresi yaitu adanya korelasi antar anggota sampel. Uji autokorelasi bertujuan untuk menguji apakah dalam suatu model regresi linear ada korelasi antara kesalahan pengganggu pada periode t dengan

Tabel 4.5 Hasil Uji Autokorelasi

Durbin- Watson

1,776 Sumber: Output SPSS

Berdasarkan hasil perhitungan diperoleh nilai Durbin Watson Test sebesar 1,811 untuk variabel ROA sebagai variabel dependen. Tabel DW untuk k=5 dan N=75 besarnya dl = 1,287; du = 1,776. Nilai DW hitung terletak diantara batas atas (du) dan batas bawah (4-du) atau du < dw < 4- du yaitu 1,776 < 1,811 < 2,224. Dengan demikian model terbebas dari autokorelasi.

4. Uji Heteroskedastisitas Uji heteroskedastisitas untuk menguji model regresi terjadi ketidaksamaan variance dari residual satu pengamatan ke pengamatan lain. Pengujian heteroskedastisitas dilakukan dengan menggunakan scatterplot . Scatterplot dilakukan dengan melihat grafik antara nilai prediksi variabel terikat yaitu ZEPRED dengan residualnya SRESID. Deteksi ada tidaknya heteroskedastisitas dapat dilakukan dengan melihat ada tidaknya pola tertentu pada grafik scatterplot antara SRESID dengan 4. Uji Heteroskedastisitas Uji heteroskedastisitas untuk menguji model regresi terjadi ketidaksamaan variance dari residual satu pengamatan ke pengamatan lain. Pengujian heteroskedastisitas dilakukan dengan menggunakan scatterplot . Scatterplot dilakukan dengan melihat grafik antara nilai prediksi variabel terikat yaitu ZEPRED dengan residualnya SRESID. Deteksi ada tidaknya heteroskedastisitas dapat dilakukan dengan melihat ada tidaknya pola tertentu pada grafik scatterplot antara SRESID dengan

Gambar 4.3 Hasil Uji Heteroskedastisitas

Sumber: Output SPSS Berdasarkan gambar 4.3 terlihat bahwa titik-titik tersebut sudah tidak

membentuk pola yang jelas. Kemudian jika ada pola yang jelas, serta titik- titik meyebar di atas dan di bawah angka 0 pada sumbu Y, maka tidak terjadi heterokedastisitas sehingga model layak untuk dipakai karena telah memenuhi uji heteroskedastisitas.

1. Koefisien Determinasi (R²) Koefisien determinasi atau R² pada intinya merupakan kemampuan prediksi atau mengukur dari variabel independen (CAR, BOPO, NIM, NPL, dan LDR) dalam menerangkan variabel dependen (ROA). Berdasarkan hasil perhitungan dengan program SPSS diperoleh nilai koefisien determinasi pada Tabel 4.6.

Tabel 4.6 Hasil Uji Koefisien Determinasi

Model

R Square Adjusted R Square

Std. Error of the Estimate

0,01058 Sumber: Output SPSS Berdasarkan hasil perhitungan diperoleh nilai koefisien determinasi (Adjuste R Square) sebesar 0,766. Hal ini berarti besar variasi variabel kinerja perbankan di Indonesia (ROA) yang dapat diterangkan oleh variasi variabel CAR, NIM, NPL, BOPO, dan LDR adalah 76,6 persen sedang sisanya 23,4 persen dipengaruhi oleh variabel lain di luar model penelitian.

2. Uji t-statistik Pengujian signifikansi individual (uji t statistik) digunakan untuk mengetahui apakah terdapat pengaruh antara variabel bebas (CAR, NIM,

Indonesia) secara parsial.

Tabel 4.7 Hasil Uji t-statistik

Variabel

B t hitung

Sumber: Output SPSS Berdasarkan hasil perhitungan diperoleh persamaan regresi sebagai berikut. ROA = -0,090 + 0.051 CAR + 0,092 BOPO + 0,484 NIM – 0,162 NPL - 0,014 LDR + e

Persamaan regresi di atas maka dapat disimpulkan antara lain adalah sebagai berikut.

a. Hasil pengujian parsial (uji t) antara CAR dengan kinerja bank menunjukkan nilai t hitung sebesar 3,970 dengan nilai signifikan sebesar 0,000 yang berada di bawah 0,05. Hal ini berarti bahwa CAR berpengaruh signifikan terhadap kinerja bank (ROA). Hipotesis pertama yang menyatakan bahwa rasio CAR berpengaruh positif a. Hasil pengujian parsial (uji t) antara CAR dengan kinerja bank menunjukkan nilai t hitung sebesar 3,970 dengan nilai signifikan sebesar 0,000 yang berada di bawah 0,05. Hal ini berarti bahwa CAR berpengaruh signifikan terhadap kinerja bank (ROA). Hipotesis pertama yang menyatakan bahwa rasio CAR berpengaruh positif

b. Hasil pengujian parsial (uji t) antara BOPO dengan kinerja bank menunjukkan nilai t hitung sebesar 10,091 dengan nilai signifikan sebesar 0,000 yang berada di bawah 0,05. Hal ini berarti BOPO berpengaruh signifikan terhadap kinerja bank (ROA). Sehingga

hipotesis kedua yang menyatakan bahwa rasio BOPO berpengaruh negatif terhadap ROA bank tidak dapat diterima. Hasil pengujian dapat mengindikasikan jika BOPO meningkat, maka ROA juga akan meningkat.

c. Hasil pengujian parsial (uji t) antara NIM dengan kinerja bank menunjukkan nilai t hitung sebesar 7,340 dengan nilai signifikan sebesar 0,000 yang berada di bawah 0,05. Hal ini berarti NIM berpengaruh positif signifikan terhadap kinerja bank (ROA). Hipotesis

ketiga yang menyatakan bahwa rasio NIM berpengaruh positif terhadap ROA bank dapat diterima. Hipotesis ketiga diterima artinya dalam penelitian ini semakin tinggi NIM suatu bank dapat menjadi tolak ukur tinggi rendahnya ROA. Hasil penelitian ini sesuai dengan Mawardi (2004) yang menyatakan bahwa rasio NIM berpengaruh positif terhadap ROA bank.

d. Hasil pengujian parsial (uji t) antara NPL dengan kinerja bank menunjukkan nilai t hitung sebesar -2,832 dengan nilai signifikan d. Hasil pengujian parsial (uji t) antara NPL dengan kinerja bank menunjukkan nilai t hitung sebesar -2,832 dengan nilai signifikan

e. Hasil pengujian parsial (uji t) antara LDR dengan kinerja bank menunjukkan nilai t hitung sebesar -1,657 dengan nilai signifikan sebesar 0,102 yang berada di atas 0,05. Hal ini berarti bahwa LDR tidak berpengaruh signifikan terhadap kinerja bank. Hipotesis kelima yang menyatakan bahwa rasio LDR berpengaruh positif terhadap ROA bank tidak dapat diterima.

3. Uji F-statistik Uji F (Uji Simultan) digunakan untuk mengetahui dan membuktikan apakah semua variabel bebas (CAR, BOPO, NIM, NPL, LDR) secara simultan berpengaruh secara signifikan terhadap variabel terikat (ROA). Hasil uji statistik F adalah sebagai berikut.

Tabel 4.8 Hasil Uji F-statistik

Model

Sum of Squares

df Mean Square

F Sig.

1 Regression

5 0,006 49,332 0,000ª Residual

Sumber: Output SPSS Hasil uji F pada tabel 4.8 didapat nilai F hitung sebesar 49,332 dengan probabilitas 0,000. Probabilitas dalam penelitian ini lebih kecil dari 0,05, maka model regresi dapat digunakan untuk memprediksi kinerja bank atau dapat dikatakan bahwa CAR, BOPO, NIM, NPL, dan LDR mempunyai pengaruh terhadap kinerja bank.