BAB 4 ANALISIS DATA
4.1 Statistika Deskriptif Statistika Deskriptif merupakan hal serangkaian teknik statistika yang digunakan untuk mempelajari cara-cara pengumpulan, penyusunan, penyajian data, dan penarikan kesimpulan suatu penelitian secara numerik (Wahana, 2009). Paparan ini bertujuan untuk memperoleh gambaran umum dari sekumpulan sampel yang akan diteliti, sehingga dapat menyimpulkan data secara mudah dan cepat. Selain itu juga untuk mempermudah pengamatan terhadap sampel tersebut. Pembuatan statistik deskriptif untuk sampel tersebut dibantu dengan menggunakan program komputer Statisical Package for Sosial Science atau lebih dikenal dengan SPSS versi 20 dengan hasil perhitungan sebagai berikut : Tabel 4.1 Statistika Deskriptif
Descriptive Statistics N
Minimum
Maximum
Mean
Std. Deviation
K_UMKM
60
163252.00
343990.00
236502.4833
44748.50660
DPK
60
521856.00
1201284.00
789721.7000
173703.46134
CAR
60
12.77
20.94
15.8090
1.76684
BOPO
60
70.24
173.89
90.4118
14.73985
Valid N (listwise)
60
Tabel 4.1 tersebut menyaikan data yang akan diolah selama periode 20082012 dari kelompok bank persero. Dari data tersebut dapat kita lihat bahwa variabel terikat (Y) yang berupa kredit UMKM menunjukan nilai minimum sebesar 163.252
51
miliar dan nilai maksimum sebesar 343.990 miliar dengan rata-rata sebesar 236.502,48 miliar dan standar deviasi sebesar 44.748,50 miliar. Variabel bebas 1 (X1) yang berupa Dana Pihak Ketiga (DPK) menunjukan nilai minimum sebesar 521.856 miliar dan nilai maksimum sebesar 1.201.284 miliar dengan rata-rata sebesar 789.721,70 miliar dengan standar deviasi 173.703,46 miliar Variabel bebas 2 (X2) yang berupa Capital Adequacy Ratio (CAR) menunjukan nilai minimum sebesar 12,77% dan nilai maksimum sebesar 20,94% dengan rata-rata sebesar 15,80% dengan standar deviasi 1,76% Variabel bebas 3 (X3) yang berupa Beban Operasional terhadap Pendapatan Operasional menunjukan nilai minimum sebesar 70,24% dan nilai maksimum sebesar 173,89% dengan rata-rata sebesar 90,41% dengan standar deviasi 14,73% 4.2 Paparan Uji Asumsi Klasik Uji Asumsi klasik digunakan agar model regresi dapat disebut model regresi yang baik. Untuk dapat dikatakan memenuhi kriteria model yang baik ada beberapa asumsi yang harus dipenuhi oleh suatu data dan variabel. Asumsi tersebut adalah bahwa variabel haruslah normal, homokedastik, tidak ada multikolinearitas dan tidak terdapat autokorelasi. Apabila keempat syarat tersebut telah terpenuhi barulah dapat dilakukan prosedur statistik menggunakan analisis parametrik. 4.2.1 Uji Normalitas Uji normalitas pada model regresi digunakan untuk menguji apakah nilai residual yang dihasilkan dari regresi terdistribusi secara normal atau tidak. Model regresi yang baik adalah yang memiliki nilai residual yang terdistribusi secara normal. Uji ini dilakukan dengan melihat range data. Data dapat dikatakan baik 52
apabila penyebarannya normal serta tidak terlalu luas. Untuk dapat menentukan bahwa persebaran data normal dapat dilakukan dengan beberapa cara, salah satu nya adalah dengan uji Kolmogorov-Smirnov. Uji Kolmogorov-Smirnov merupakan salah satu uji normalitas yang sering digunakan karena kemudahan dan reliabilitasnya. Cara untuk melakukan uji Kolmogorov-Smirnov adalah dengan menggunakan SPSS dimana nilai signifikansi dari tabel Kolmogorov-Smirnov harus diatas standard error 0,05 atau 5%. Apabila nilai signifikansi diatas dari standar error sebesar 0,05 maka dapat dikatakan bahwa data dari suatu variabel memiliki distribusi yang normal. Berikut ini merupakan hasil uji Kolmogorov-Smirnov dari variabel variabel yang digunakan dalam penelitian: Tabel 4.2 Hasil Uji Kolmogorov-Smirnov
One-Sample Kolmogorov-Smirnov Test Unstandardized Residual N
60 Mean
Normal Parameters
a,b
Std. Deviation Absolute
Most Extreme Differences
Kolmogorov-Smirnov Z Asymp. Sig. (2-tailed)
0E-7 28974.4268493 6 .157
Positive
.157
Negative
-.077 1.218 .103
a. Test distribution is Normal. b. Calculated from data.
Pada uji Kolmogorov-Smirnov diatas terlihat bahwa signifikansi seluruh data sebesar 0,103 sehingga berada diatas batas α (standar eror) yakni sebesar
53
0,05. Hal ini membuktikan bahwa data dari variabel yang diteliti memiliki distribusi yang normal dan dapat dilanjutkan untuk pengujian asumsi klasik lainnya. 4.2.2 Uji Multikolinearitas Uji multikolinearitas dapat diketahui dengan melakukan uji Variance Inflating Factor (VIF). Uji VIF merupakan salah satu metode pengujian yang mudah digunakan dalam menganalisis data apakah terjadi multikolinearitas atau tidak. Untuk melihat terjadinya gejala multikolinearitas dapat melihat nilai t dan nilai VIF apabila nilai t (toleransi) berada diatas 0,1 dan nilai VIF berada di bawah 10 maka dapat dikatakan bahwa tidak terjadi multikolinearitas diantara variabel yang diteliti dan sebaliknya. Tabel 4.3 Hasil Uji Multikolinearitas a
Coefficients Model
Collinearity Statistics Tolerance
1
VIF
DPK
.900
1.111
CAR
.991
1.009
BOPO
.907
1.102
a. Dependent Variable: K_UMKM
Pada bagian Coefficients, diketahui bahwa nilai VIF dari masing-masing variabel independen lebih kecil dari pada 10. Dengan demikian dapat disimpulkan bahwa di antara variabel independen tersebut tidak ada korelasi atau tidak terjadi Multikolinearitas pada model regresi linier.
54
4.2.3 Uji Heterokedastisitas Tujuan dari uji heterokedastik adalah untuk menguji apakah dalam suatu model linear terdapat perbedaan variance dari residual suatu pengamatan ke pengamatan yang lain. Terjadinya gejala heterokedastik dapat dilihat dari ketidaksamaan diantara varians residual dari masing masing variabel bebas. Untuk mendeteksi adanya gejala heterokedastik salah satu nya dapat menggunakan grafik scatter plot. Grafik scatter plot dibuat dengan memasukan variabel terikat (zpred) di bagian sumbu x dan residual dari masing masing variabel terikat (sresid) dibagian sumbu y. apabila penyebaran data terlihat acak dan tidak membentuk pola khusus maka dapat dikatakan bahwa tidak terjadi gejala heterokedastik dalam variabel bebas yang akan diteliti. Sebaliknya apabila ketika melakukan uji scatter plot terjadi pola data yang mengumpul dan membentuk suatu pola khusus maka dapat dikatakan data tersebut mengalami gejala heterokedastik.
Gambar 4.1 Hasil Uji Heterokedastisitas (Grafik Scatterplot) 55
Dari Grafik Scatter, jelas bahwa tidak ada pola tertentu karena titik menyebar tidak beraturan di atas dan di bawah sumbu 0 pada sumbu Y. Maka dapat disimpulkan tidak terdapat heteroskedastisitas. Cara lain untuk menguji heteroskedastisitas adalah dengan menggunakan Uji Glejser. Uji Glejser, yakni meregresikan absolute nilai residual sebagai variabel dependen dengan variabel independen. Jika probabilitas signifikansinya diatas tingkat kepercayaan 5% maka tidak terdapat heteroskedastisitas (Ghozali, 2009). Tabel 4.4 Hasil Uji Heterokedastisitas (Uji Glejser) a
Coefficients Model
Unstandardized Coefficients
Standardized
t
Sig.
Coefficients B (Constant)
Std. Error
77823.324
29314.646
DPK
-.023
.014
CAR
-1166.155 -208.284
Beta 2.655
.010
-.220
-1.618
.111
1341.261
-.112
-.869
.388
168.037
-.168
-1.240
.220
1 BOPO
a. Dependent Variable: ABS_RES
Dari output di atas dapat diketahui bahwa nilai signifikansi DPK sebesar 0.111, CAR 0.388, dan BOPO 0,220 sehingga signifikansi dari ketiga variabel bebas lebih besar dari 0,05. Dengan demikian dapat disimpulkan bahwa tidak terjadi masalah heteroskedastisitas pada model regresi. 4.2.4 Uji Autokorelasi Uji autokorelasi bertujuan untuk menguji apakah dalam suatu model regresi terdapat korelasi antara kesalahan pengganggu pada periode t dengan
56
kesalahan pengganggu pada periode sebelumnya (t-1). Uji autkorelasi dapat dilakukan dengan melakukan uji Durbin-Watson atau juga disebut DW test. Pengambilan keputusan apakah terjadi autokorelasi diantara variabel bebas dilihat pada tabel dibawah ini : Tabel 4.5 Keputusan Uji Durbin-Watson Kondisi
Keputusan
X ≤ 4-dl
Terjadi autokorelasi positif
X ≥ 4-dI
Terjadi autokorelasi negatif
dI ≤ X ≤ dU
Tidak dapat disimpulkan
dU ≤ X ≤ 4-dU
Tidak terdapat autokorelasi
Hasil uji Durbin-Watson dapat dilihat pada hasil dibawah ini
Tabel 4.6 Hasil Uji Autokorelasi b
Model Summary Model
R
R Square
a
1
.762
Adjusted R
Std. Error of the
Square
Estimate
.581
.558
Durbin-Watson
29740.40279
.504
a. Predictors: (Constant), BOPO, CAR, DPK b. Dependent Variable: K_UMKM
Hasil uji Durbin-Watsin menunjukan nilai 0,504 dengan jumlah variabel sebanyak 3 dan n sebanyak 60, maka dari tabel Durbin Waston didapat dL = 1,479 dan dU = 1,688 dan 4-dU= 2,311. Dari tabel Model Summary didapatkan nilai Durbin Watson sebesar 0,504 dan nilai tersebut lebih kecil dari dU (0,504<1,688) maka dapat disimpulkan bahwa dalam regresi linier ini terdapat autokorelasi, sehingga perlu dilakukan transformasi untuk menanggulangi masalah autokorelasi tersebut.
Dalam penelitian ini digunakan model regresi generalized difference
equation
(persamaan beda umum ) untuk menanggulangi masalah autokorelasi.
Setelah dilakukan transformasi didapatkan hasil sebagai berikut: 57
Tabel 4.7 Hasil Uji Autokorelasi (transformasi) b
Model Summary Model
R
R Square
a
1
.743
Adjusted R
Std. Error of the
Square
Estimate
.552
.527
Durbin-Watson
19001.97099
1.582
a. Predictors: (Constant), BOPO, CAR, DPK b. Dependent Variable: Kredit_UMKM
Hasil uji Durbin-Watsin menunjukan nilai 1,582 dengan jumlah variabel sebanyak 3 dan n sebanyak 60, maka dari tabel Durbin Waston didapat dL = 1,479 dan dU = 1,688 dan 4-dU= 2,311. Dari tabel Model Summary didapatkan nilai Durbin Watson sebesar 1,582 dan nilai tersebut terletak antara dL dan 4-dU atau 1,479 < 1,582 < 2,311 maka dapat disimpulkan bahwa dalam regresi linier ini tidak terdapat Autokorelasi. 4.3 Analisis Regresi Linier Berganda Uji Regresi linear dilakukan atas variabel Dana Pihak Ketiga (DPK), Capital Adequacy Ratio (CAR), dan Biaya Operasional terhadap Pendapatan Operasional (BOPO) terhadap kredit UMKM disajikan dalam tabel di bawah ini: Tabel 4.8 Hasil Analisis Regresi Linier Berganda a
Coefficients Model
Unstandardized Coefficients
Standardized
t
Sig.
Coefficients B (Constant)
Std. Error
-2760.821
2648.804
DPK
.247
.086
CAR
-9538.205 -888.251
Beta -1.042
.302
.267
2.873
.006
3221.517
-.275
-2.961
.005
141.506
-.569
-6.277
.000
1 BOPO
a. Dependent Variable: Kredit_UMKM
58
Dari hasil tabel diatas persamaan untuk membentuk model regresi linear dapat dilihat pada tabel unstandarized coefficient di kolom beta. Dari Hasil analisis tersebut diperoleh nilai konstanta sebesar -2.760,821, nilai variabel DPK sebesar 0,247, nilai variabel CAR sebesar -9.538,205, dan nilai variabel BOPO sebesar 888,251. Dari Nilai tersebut dapat dibentuk model regresi linier sebagai berikut: Y= -2.760,821+ 0,247 X1 – 9.538,205X2 – 888,251X3 Keterangan: Y= Kredit UMKM X1 = Dana Pihak Ketiga (DPK) X2 = Capital Adequacy Ratio (CAR) X3 = Biaya Operasional terhadap Pendapatan Operasional (BOPO) Dari hasil regresi linear berganda diatas ada beberapa hal yang dapat dijelaskan beberapa hal berikut : 1. Konstanta (koefisien intersep) bernilai -2.760,821 berarti apabila variabel lainnya seperti dana pihak ketiga, capital adequacy ratio, biaya operasional terhadap pendapatan operasional tidak dipertimbangkan atau dianggap 0 maka kredit UMKM menurun sebesar 2.760,821 miliar. 2. Nilai koefisien regresi DPK (X1) sebesar 0,247 memiliki pengertian bahwa setiap kenaikan 1% dari dana pihak ketiga maka akan memberikan pengaruh kenaikan terhadap pemberian kredit UMKM sebesar 0,247 miliar. 3. Nilai koefisien regresi CAR (X2) sebesar -9.538,205 memiliki pengertian bahwa setiap kenaikan 1% dari return on assets maka akan memberikan
59
pengaruh penurunan terhadap pemberian kredit UMKM sebesar 9.538,205 miliar. 4. Nilai koefisien regresi BOPO (X3) sebesar -888,251 memiliki pengertian bahwa setiap kenaikan 1% dari BOPO maka akan memberikan pengaruh penurunan terhadap pemberian kredit UMKM sebesar 888,251 miliar. 4.4 Pengujian Hipotesis Agar dapat membuktikan pengaruh antara DPK, CAR, dan BOPO berpengaruh terhadap pemberian kredit UMKM baik secara parsial maupun simultan maka dilakukan uji hipotesis. Untuk menguji pengaruh simultan dari variabel DPK, CAR, dan BOPO terhadap variabel terikat dilakukan uji f . Untuk menguji pengaruh parsial dari DPK, CAR, dan BOPO terhadap variabel terikat dilakukan uji t. 4.4.1 Uji F Uji F digunakan untuk membuktikan H01 dan Ha1 yang menyatakan “Tidak ada hubungan yang signifikan antara DPK, CAR, dan BOPO terhadap pemberian kredit UMKM secara simultan” dan “Ada hubungan yang signifikan antara DPK, CAR, dan BOPO terhadap pemberian kredit UMKM secara simultan”. Uji F tersebut bertujuan untuk mengetahui signifikansi atau pengaruh variabel bebas (DPK, CAR, dan BOPO) secara bersama sama terhadap variabel terikat (kredit UMKM). Uji ini dilakukan menggunakan uji distribusi F yakni membandingkan antara nilai F hitung dengan F tabel yang terdapat dalam tabel uji F. Apabila hasil uji F hitung lebih besar (>) dari f tabel dan signifikansinya dibawah (<) 0,05(α) maka dapat dikatakan bahwa variabel bebas berpengaruh secara bersama sama atas variabel terikat sebaliknya apabila signifikansinya 60
diatas (>) 0,05(α) maka dapat dinyatakan variabel bebas secara simultan kurang berpengaruh terhadap variabel terikat. Hasil uji F dapat dilihat pada tabel di bawah ini : Tabel 4.9 Hasil Uji - F a
ANOVA Model
Sum of Squares Regression
1
Residual
Total
df
24454830557.9
Mean Square 3
26 19859119588.7
55
86 44313950146.7
F
8151610185.97 5
Sig.
22.576
.000b
361074901.614
58
12
a. Dependent Variable: Kredit_UMKM b. Predictors: (Constant), BOPO, CAR, DPK
Berdasarkan uji – F Didapatkan nilai t hitung sebesar 22,567 dan tingkat signifikasi 0,000. Nilai signifikansi lebih kecil dari nilai probabilitas 0,05 (0,000<0,05) sehingga dapat disimpulkan semua variable independen (DPK, CAR, dan BOPO) secara simultan memiliki pengaruh yang signifikan terhadap variabel kredit UMKM. Hasil pengujian menunjukan t hitung 22,567 sedangkan t tabel sebesar 3,1559 dimana t tabel < t hitung (3,1559<22,567) dapat disimpulkan bahwa variabel
DPK, CAR dan BOPO memiliki kontribusi
terhadap Kredit UMKM. Hal ini berarti DPK, CAR, dan BOPO cukup efektif apabila digunakan bersama untuk menilai pemberian kredit UMKM sehingga H01 yang menyatakan bahwa “Tidak ada hubungan yang signifikan antara DPK, CAR, dan BOPO terhadap pemberian kredit UMKM secara simultan” ditolak dan Ha1 yang menyatakan bahwa “Ada hubungan yang signifikan antara DPK, CAR, dan BOPO, terhadap pemberian kredit UMKM secara simultan” diterima. 61
4.4.2 Uji t Uji t dilakukan untuk membuktikan hipotesis kedua, ketiga, dan keempat, apakah hipotesis diterima atau ditolak. Tujuan dari uji t adalah untuk melihat pengaruh antara variabel bebas terhadap variabel terikat secara parsial atau terpisah. Sebuah variabel bebas dapat dianggap berpengaruh parsial terhadap variabel terikat apabila signifikansinya lebih besar dari (>) 0,05 (α) . Hasil uji t dapat dilihat pada tabel berikut ini : Tabel 4.10 Hasil Uji t Coefficientsa Model
Unstandardized Coefficients
Standardized
t
Sig.
Coefficients B (Constant)
Std. Error
-2760.821
2648.804
DPK
.247
.086
CAR
-9538.205 -888.251
Beta -1.042
.302
.267
2.873
.006
3221.517
-.275
-2.961
.005
141.506
-.569
-6.277
.000
1 BOPO
a. Dependent Variable: Kredit_UMKM
Dari hasil Uji - t dapat dilakukan pembahasan hipotesis yang diajukan sebagai berikut: 1. Variabel Dana Pihak Ketiga Berdasarkan Uji - t diperoleh hasil bahwa nilai t hitung sebesar 2.873 dengan tingkat signifikansi 0,006, apabila dibandingkan dengan t tabel sebesar 2,001 maka t hitung lebih rendah dari t tabel, selain itu signifikansi variabel dana pihal ketiga sebesar 0,006 lebih kecil daripada 0,050. Hal ini menunjukan ada pengaruh yang signifikan antara dana pihak ketiga terhadap kredit UMKM secara parsial dengan demikian H02 62
yang menyatakan “tidak ada hubungan yang signifikan antara
DPK
terhadap pemberian kredit UMKM parsial” ditolak, sedangkan Ha2 yang menyatakan “ada hubungan yang signifikan antara
DPK terhadap
pemberian kredit UMKM parsial” diterima. Nilai t positif menunjukkan bahwa DPK mempunyai hubungan yang searah dengan kredit UMKM. Hasil dari penelitian ini mendukung penelitian yang dilakukan oleh Pratama (2010) dan Kusnandar (2012) yang menyatakan bahwa dana pihak ketiga berpengaruh secara signifikan terhadap pemberian kredit. Hal ini membuktikan bahwa bank persero menjalankan fungsi nya sebagai lembaga intermediasi dimana bank mengumpulkan dana dari masyarakat yang kemudian DPK tersebut disalurkan kembali dalam bentuk kredit. Pengaruh yang positif dan signifikan berarti semakin besar DPK yang dapat dihimpun oleh bank membuat bank memiliki sumber pendanaan yang besar, sehingga bank dapat meningkatkan pengucuran kredit UMKM. 2. Variabel Capital Adequacy Ratio (CAR) Berdasarkan Uji - t diperoleh hasil bahwa nilai t hitung sebesar – 2,961 dengan tingkat signifikansi 0,005. Nilai sig lebih kecil dari nilai probabilitas 0,05, atau nilai 0,005<0,05, maka Ha3 diterima dan H03 ditolak. Variabel CAR mempunyai t hitung yakni 2,961 dengan t tabel=2,001. Jadi t hitung > t tabel dapat disimpulkan bahwa variabel CAR memiliki kontribusi terhadap Kredit UMKM. Nilai t negatif menunjukkan bahwa CAR mempunyai hubungan yang berlawanan arah dengan kredit UMKM. Jadi dapat disimpulkan CAR memiliki pengaruh signifikan terhadap kredit UMKM.
63
Hasil dari penelitian ini mendukung hasil dari penelitian yang telah dilakukan oleh Kusnandar (2012), Pratama (2010) dan Adawiyah (2012) yang menyatakan bahwa ada hubungan yang signifikan antara CAR dengan pemberian kredit. Berdasarkan hasil penelitian yang dilakukan terhadap bank persero selama 5 tahun didapatkan hasil CAR berada jauh diatas ketentuan Bank Indonesia yang sebesar 8% yakni berkisar 12,77 – 20,94. CAR yang tingi mencerminkan stabilnya jumlah modal dan jumlah risiko yang dimiliki oleh bank sehingga seharusnya memungkinkan untuk bisa lebih banyak menyalurkan kreditnya, namun dilihat dari signifikansi CAR yang berarah negatif terhadap kredit UMKM dimungkinkan bank cenderung untuk mempertahankan dana nya untuk memenuhi ketentuan batas minimal CAR yang ditetapkan oleh Bank Indonesia sehingga membatasi kredit yang diberikan. 3. Variabel Biaya Operasional terhadap Pendapatan Operasional (BOPO) Berdasarkan Uji - t diperoleh hasil bahwa nilai t hitung sebesar 6,277 signifikansi 0,000. Terlihat pada kolom Coefficients model 1 terdapat nilai sig 0,000. Nilai sig lebih kecil dari nilai probabilitas 0,05, atau nilai 0,000<0,05, maka Ha4 diterima dan H04 ditolak. Variabel BOPO mempunyai t hitung yakni 6,277 dengan t tabel sebesar 2,001. Jadi t hitung > t tabel dapat disimpulkan bahwa variabel BOPO memiliki kontribusi terhadap kredit UMKM. Nilai t negatif menunjukkan bahwa BOPO mempunyai hubungan yang berlawanan arah dengan kredit UMKM. Jadi dapat disimpulkan BOPO memiliki pengaruh signifikan terhadap kredit UMKM. 64
Hasil penelitian ini mendukung hasil dari penelitian yang telah dilakukan oleh Kusnandar (2012) dan Yulhasnita (2012 yang menyatakan bahwa ada hubungan yang signifikan antara BOPO dengan pemberian kredit. Signifikansi dari BOPO yang kearah negatif berarti bahwa efesiensi dari bank akan mempengaruhi pemberian kredit UMKM oleh bank, apabila manajemen bank tidak efisien dalam pengelolaan biaya operasionalnya sehingga meningkatkan biaya operasional bank dan menurunkan laba, pada akhirnya akan berdampak pada penurunan kredit UMKM. 4.5 Uji Koefisien Determinasi Koefisien determinasi
digunakan untuk mengetahui
seberapa mampu
variabel bebas DPK, CAR, BOPO menjelaskan variabel terikat kredit UMKM. Koefisien determinasi memiliki besaran angka 0 hingga 1. Apabila nilai koefisien determinasi
mendekati angka 1 maka dapat dikatakan bahwa variabel bebas
memberikan informasi yang semakin dapat memprediksi variabel terikat. Tabel berikut ini merupakan hasil dari analisis koefisien determinasi Tabel 4.11 Hasil Uji Koefisien Determinasi b
Model Summary Model
1
R
R Square
a
.743
Adjusted R
Std. Error of the
Square
Estimate
.552
.527
19001.97099
Durbin-Watson
1.582
a. Predictors: (Constant), BOPO, CAR, DPK b. Dependent Variable: Kredit_UMKM
65
Dari hasil perhitungan koefisien determinasi dapat dilihat bahwa
sebesar
0,552 = 55,2%, hal ini menunjukkan bahwa kemampuan variabel DPK, CAR, dan BOPO dalam menjelaskan atau memberikan pengaruh variabel pemberian kredit UMKM sebesar 55,2%, dan sisanya sebanyak 44,8% dijelaskan oleh variabel lain yang tidak dibahas pada penelitian ini.
66
