87
perbankan syariah. Kondisi ini mencerminkan bahwa kontributor utama pendapatan bank syariah adalah pendapatan tetap terutama
penyaluran dana dalam bentuk piutang murabahah dan pembiayaan mudharabah yang masih mendominasi bisnis bank syariah.
Pada tahun 2009, menurut Laporan Perkembangan Perbankan Syariah setelah mengalami penurunan pada triwulan
keempat tahun 2008, profitabilitas perbankan syariah sempat mengalami peningkatan pada triwulan pertama dan kedua di tahun
2009. Namun, kondisi tersebut kembali menunjukkan penurunan pada awal triwulan ketiga pada tahun 2009 sehingga posisi triwulan
keempat tahun 2009 kembali mendekati posisi triwulan keempat tahun 2008. Kondisi tersebut sejalan dengan penurunan efisiensi
perbankan syariah pada triwula ketiga dan keempat tahun 2009. Peningkatan efisiensi mengakibatkan kinerja perbankan syariah
dalam menghasilkan laba tahun 2009 hanya mengalami sedikit peningkatan, dengan laba sebesar Rp 791 miliar atau pertumbuhan
laba sebesar 17. Secara rata-rata tingkat efisiensi perbankan syariah pada tahun 2009 masih pada tingkat yang baik.
Pada tahun 2010, menurut Laporan Perkembangan Perbankan Syariah tingkat profitabilitas perbankan syariah pada
tahun 2010 menunjukkan kinerja yang membaik dilihat dari Net Operating Margin NOM dan Return on Assets ROA.
88
Pertumbuhan pembiayaan yang diberikan masih merupakan sumber utama peningkatan pendapatan perbankan syariah, khususnya
penerimaan dari pembiayaan dengan akad murabahah dan musyarakah. Pertumbuhan pendapatan perbankan syariah pada tahun
2010 masih lebih tinggi.
2. Analisis Pengujian Statistik
a. Uji Stasioneritas
Sebelum melakukan analisa regresi dengan menggunakan data times series, perlu dilakukan uji stasioneritas terhadap seluruh variabel
untuk mengetahui apakan variabel-variabel tersebut stasioner atau tidak. Pengujian ini dilakukan dengan melakukan pengujian unit root, yang
bertujuan mengetahui apakah data tersebut mengandung unit root atau tidak. Jika variabel tersebut mengandung unit root, maka data tersebut
dikatakan data tidak stasioner. Dengan kata lain suatu data times series dikatakan stasioner jika nilai rata-rata mean, variance dan autocovariance
bukan merupakan fungsi dari waktu time invariant. Jika data time series tidak memenuhi kriteria tersebut maka data dikatakan tidak stasioner.
Dengan kata lain data times series dikatakan tidak stasioner jika rata- ratanya maupun variancenya tidak konstan, berubah-ubah sepanjang
waktu.
Pengujian akar-akar unit untuk semua variabel yang digunakan dalam analisis runtun waktu perlu dilakukan untuk memenuhi kesahihan
89
analisis ARIMA. Untuk mengetahui apakah ada unit root pada variabel data yang digunakan, maka nilai Augmented Dicky-Fuller ADF t-
Statistic harus lebih kecil dibandingkan dengan test critical values atau nilai kritis Wing Wahyu Winarno, 2007:79.
Perlu dilakukan uji unit root untuk mengetahui sampai berapa kali diferensiasi harus dilakukan agar data time series menjadi stasioner.
Metode pengujian unit root dalam penelitian ini dilakukan dengan
menggunakan uji Augmented Dickey-Fuller ADF. Tabel 4.2
Uji Stasioner Pada Tingkat Level
No Nama
Variabel ADF Statistik
Critical Value 5
Prob Keterangan
1 Aset
2.583574 -3.673616
1.0000 Tidak
Stasioner 2
DPK 3.645655
-3.733200 1.0000
Tidak Stasioner
3 Pembiayaan
1.886270 -3.690814
1.0000 Tidak
Stasioner 4
Laba Tahun Berjalan
-2.406072 -3.673616
0.3649 Tidak
Stasioner Sumber : Data diolah
Dari tabel 4.2 dapat diketahui bahwa nilai ADF Statistik untuk semua variabel yaitu Aset, DPK, Pembiayaan dan Laba Tahun Berjalan
tidak signifikan pada α = 5. Dengan demikian dapat disimpulkan bahwa
data series tersebut belum stasioner. Salah satu cara yang dapat dilakukan untuk mengatasi ini adalah dengan membuat first difference dari series
yang tidak stasioner. Hasil uji stasioner dengan menggunakan ADF statistik terhadap
first difference variabel penelitian dapat dilihat pada tabel 4.3
.
90
Tabel 4.3 Uji Stasioneritas Pada Tingkat
1st difference
No Nama Variabel ADF Statistik Critical
Value 5 Prob
Keterangan 1
Aset -2.459061
-3.690814 0.3412
Tidak Stasioner
2 DPK
-0.691402 -3.759743
0.9538 Tidak
Stasioner 3
Pembiayaan -0.942136
-3.710482 0.9260
Tidak Stasioner
4 Laba Tahun
Berjalan -4.564662
-3.733200 0.0120
Stasioner Sumber: Data diolah
Dari tabel 4.3 dapat dilihat bahwa first difference dari variabel Laba Tahun Berjalan signifikan pada α = 5 dengan ADF Statistik,
sedangkan variabel Aset, DPK dan Pembiayaan tidak signifikan pada α = 5. Dengan demikian dapat disimpulkan bahwa data serier Aset, DPK dan
Pembiayaan belum stasioner pada tingka first difference. Cara mengatasinya dengan membuat second difference dari data series yang
tidak stasioner. Hasil uji stasioner dengan menggunakan ADF Statistik terhadap
second difference variabel penelitian dapat dilihat pada tabel 4.4.
Tabel 4.4 Uji Stasioner Pada Tingkat
2nd Difference
No Nama Variabel ADF Statistik Critical
Value 5 Prob
Keterangan 1
Aset -7.425287
-3.710482 0.0001
Stasioner 2
DPK -5.121606
-3.759743 0.0053
Stasioner 3
Pembiayaan -9.175418
-3.710482 0.0000
Stasioner Sumber : Data diolah
91
Dari tabel 4.4 dapat dilihat bahwa second difference dari variabel Aset, DPK dan Pembiayaan signifikan pada α = 5 dengan ADF Statistik,
sehingga dapat disimpulkan data tersebut telah menjadi series yang stasioner.
b. Pengujian Box-Jenkins ARIMA
Model ARIMA merupaka model yang menggunakan series-nya sendiri untuk melakukan peramalan. Model ARIMA ini sangat cocok untuk
forecasting jangka pendek. Ada beberapa tahapan dalam permodelan yaitu yang pertama adalah identifikasi model stasioneritas data. Kedua adalah
estimasi AR dan MA dalam model. Selanjutnya melakukan tes diagnostik untuk mengetahui model yang terpilih cocok dengan data atau tidak. Terakhir
melakukan peramalan untuk menentukan kondisi di masa yang akan datang
Annisa Arifiani, 2009:50.
Pengujian ARIMA yang dilakukan terhadap model-model tingkat pertumbuhan bank syariah dengan variabel-variabel yang mempengaruhi
tingkat pertumbuhan bank syariah, lalu dibandingkan dengan setiap model tingkat pertumbuhan bank syariah satu sama lain. Dengan melihat
kesignifikan variabel independen dengan variabel dependen. Dalam hal ini setiap model mempunyai variabel yang berbeda dengan variabel yang
terdapat di model lain.
