BAB III OBJEK DAN METODE PENELITIAN
3.1. Objek Penelitian Dalam penelitian ini, objek yang dianalisis adalah data-data sekunder dari Non Performing Loans (X1), Dana Pihak Ketiga (X2), Net Interest Margin (X3), Perkembangan kredit (Y1) dan Tingkat Suku Bunga (Y2) pada bank umum. Data tersebut penulis dapatkan sebagian besar dari perpustakaan Bank Indonesia Cabang Bandung Jalan Merdeka no 26 Bandung, badan Pusat Statistik, dan juga situs internetnya. Keseluruhan data variabel-variabel dalam penelitian ini merupakan data time series dengan periode pengamatan dari bulan Januari 2003 sampai dengan Desember 2007. 3.2. Desain dan Metode Penelitian Desain penelitian menurut Kusnendi (2007:40) adalah rencana, struktur dan strategi dalam suatu penelitian yang disusun sedemikian rupa sehingga peneliti akan dapat memperoleh jawaban untuk pertanyaan–pertanyaan penelitiannya. Desain penelitian yang digunakan dalam penelitian ini menggunakan pendekatan deskriptif (descriptive analysis) karena dilakukan untuk memperlihatkan dan menguraikan keadaan objek penelitian dan dilanjutkan dengan analisis verifikatif (verificative analysis) karena dilakukan pengujian untuk mencari kebenaran dari suatu
63
64
hipotesis, yang dilaksanakan melalui pengumpulan data di lapangan dimana dalam penelitian ini akan diuji sejauh mana pengaruh dari Non Performing Loans (NPL), Dana Pihak Ketiga, dan Net Interest Margin (NIM) terhadap tingkat suku bunga kredit konsumsi pada bank umum, serta implikasinya terhadap perkembangan kredit konsumsi. Metode penelitian yang digunakan adalah explanatory research atau penelitian penjelasan karena bersifat penjelasan, yaitu menjelaskan hubungan kausalitas. 3.3 Operasionalisasi Variabel Dalam penelitian ini telah ditetapkan sejumlah variabel yang termasuk ke dalam variabel bebas (eksogen) dan variabel terikat (endogen). Variabel bebas yang dimaksud dalam penelitian ini adalah variabel Non Performing Loans (NPL), Dana Pihak Ketiga, dan Net Interest Margin (NIM). Sedangkan yang dimaksud variabel terikat adalah tingkat suku bunga kredit konsumsi pada bank umum dan perkembangan kredit konsumsi. Variabel-variabel dalam penelitian ini seperti telah di jelaskan pada objek penelitian dijabarkan lebih lanjut ke dalam variabel, indikator, pengukuran dan skala data, seperti pada Tabel 3.1. 3.4 Jenis dan Sumber Data Jenis data yang akan digunakan di dalam penelitian ini bersifat kuantitatif. Selain itu, keseluruhan data variabel dalam penelitian ini merupakan data time series dengan periode pengamatan dari bulan Januari 2003 sampai dengan Desember 2007.
65
Sumber data yang digunakan adalah data sekunder, yaitu jenis data yang di peroleh dalam bentuk yang sudah jadi, sudah dikumpulkan dan diolah oleh pihak lain biasanya dalam bentuk publikasi. Data sekunder diperoleh dari perpustakaan Bank Indonesia cabang Bandung Jln. Merdeka no 26 Bandung, Badan Pusat Statistik, internet, bukubuku, literatur, dan jurnal-jurnal penelitian. Penggunaan data sekunder dalam penelitian ini dikarenakan efektivitas biaya dan penghematan waktu. Tabel 3.1 Operasionalisasi Variabel No
Variabel
1
Perkembangan Kredit (Y2)
2
Tingkat Suku Bunga (Y1)
Subvariabel
Indikator
Satuan
Skala
Jumlah penyaluran kredit
%
Rasio
Tingkat suku bunga kredit bank-bank
%
Rasio
umum berjangka triwulan 4
Dana Pihak Ketiga (X3)
Giro
Dana pihak ketiga dalam bentuk giro
Rupiah
Rasio
Deposito
Dana pihak ketiga dalam bentuk
Rupiah
Rasio
Rupiah
Rasio
%
Rasio
%
Rasio
deposito Tabungan
Dana pihak ketiga dalam bentuk tabungan
3
Non Performing Loan (X2)
Kredit kurang lancar (KL), kredit diragukan (D), dan kredit
macet
(M), dan outstanding (OS) 5
Net Interest Margin (X3)
Pendapatan produktif
bunga
dan
aktiva
66
3.5 Teknik Pengumpulan Data Adapun teknik pengumpulan data yang dilakukan oleh penulis adalah metode dokumentasi. Mengenai metode dokumentasi, Arikunto (1998:236) berpendapat sebagai berikut : “Metode dokumentasi yaitu mencari data mengenai hal-hal atau variabel yang berupa catatan, transkrip, buku, surat kabar, majalah, dan lain sebagainya. …. Dalam menggunakan metode ini peneliti memegang checklist untuk variabel yang sudah ditentukan. Apabila terdapat/muncul variabel yang dicari, maka peneliti tinggal membubuhkan tanda check di tempat yang sesuai” Berdasarkan pendapat tersebut, maka peneliti melakukan pengumpulan data berupa data sekunder. Data sekunder adalah data yang didapat dari pihak lain yang telah mengumpulkan terlebih dahulu dari jenis data yang dipergunakan data time series. Data sekunder yang dibutuhkan dalam penelitian ini adalah : 1. Data Perkembangan kredit bank-bank umum berjangka triwulan (commercial banks) dari laporan Bank Indonesia, terhitung sejak Bulan Januari 2003 sampai dengan Desember 2007. 2. Data suku bunga kredit bank-bank umum (commercial banks) dari laporan Bank Indonesia, terhitung sejak Bulan Januari 2003 sampai dengan Desember 2007. 3. Data Non Performing Loans bank-bank umum (commercial banks) dari laporan Bank Indonesia, terhitung sejak Bulan Januari 2003 sampai dengan Desember 2007. 4. Data Dana Pihak Ketiga bank-bank umum (commercial banks) dari laporan Bank Indonesia, terhitung sejak Bulan Januari 2003 sampai dengan Desember 2007.
67
5. Data Net Interest Margin bank-bank umum (commercial banks) dari laporan Bank Indonesia, terhitung sejak bulan Januari 2003 sampai dengan Desember 2007.
3.7. Teknik Analisis Data dan Pengujian Hipotesis 3.7.1 Teknik Analisis Data Sesuai dengan yang ditetapkan dalam penelitian ini, teknik analisis data dilakukan dengan menggunakan pendekatan statistic seperti yang diuraikan dalam Tabel 3.2 Tabel 3.2 Tujuan Penelitian dan Teknik Analisis Data Tujuan penelitian
Teknik Analisis Data
Deskripsi tentang Non Performing Loans (NPL), Dana Pihak Ketiga, Net Interest Margin (NIM), tingkat suku bunga kredit konsumsi dan perkembangan kredit konsumsi pada bank umum
Analisa statistik Deskriptif
periode Januari 2003 sampai dengan Desember 2007 Menjelaskan Pengaruh Non Performing Loans (NPL), Dana Pihak Ketiga, dan Net Interest Margin (NIM) terhadap tingkat suku bunga kredit konsumsi bank umum periode Januari 2003
Analisis jalur
sampai dengan Desember 2007 Menjelaskan implikasi tingkat suku bunga kredit konsumsi bank umum terhadap perkembangan kredit konsumsi pada bank umum periode Januari 2003 sampai dengan Desember 2007
Analisis jalur
68
Analisis statistik deskriptif dilakukan dengan menggunakan tendensi sentral berupa rata-rata hitung (mean), nilai terbesar dan terkecil maupun ukuran disersi (dispersion) berupa standar deviasi yang disajikan dalam bentuk tabel. Dalam pelaksanaannya, analisis statistik deskriptif menggunakan program MS.Excel 2007 Sedangkan untuk mengolah data analisis jalur menggunakan komputasi Analysis of Moment Structure (AMOS) versi 5.0 dengan bentuk data berupa time series. 3.7.2 Pengujian Hipotesis Analisis data digunakan penulis adalah analisis jalur (path analysis) yang diperkenalkan pertama kali oleh Sewall Wright pada tahun 1920. Pada awalnya analisis jalur dipergunakan untuk ilmu sosiologi dan dikembangkan oleh Karl G Joreskog dan Dag Sorbom dari departemen Statistik Universitas Uppsala Swedia. Berdasarkan kerangka pemikiran dan hipotesis penelitian yang telah diajukan sebelumna, maka hubungan kausal antar variabel penelitian dapat digambarkan secara lengkap dalam struktur model penelitian sebagaimana ditunjukkan pada Gambar 3.1
69
Y1
Gambar 3.1 Struktur Model penelitian Keterangan : X1
= Non Performing Loans
X2
= Dana Pihak Ketiga
X3
= Net Interest Margin
Y1
= Tingkat Suku Bunga
Y2
= Perkembangan Kredit
e1dan e2
= Koefisien jalur variabel residu
Sesuai dengan Gambar 3.1 dan hipotesis yang diajukan sebelumnya maka dapat dibuat model dalam bentuk persamaan diagram jalur sebagai berikut :
70
Y1 = ρ41 X 1 + ρ42 X 2 + ρ43 X 3 + e1 Y2 = ρ51 X 1 + ρ52 X 2 + ρ53 X 3 + ρ53Y1 + e2 Untuk menentukan berapa besarnya pengaruh dari suatu variabel terhadap variabel lainnya dalam analisis jalur diperlukan persyaratan seperti yang dikemukakan Sitepu (1994:14) sebagai berikut : 1. Hubungan antar variabel harus merupakan hubungan linear dan aditif. Uji linearitas menggunakan curve fit dan menerapkan prinsip parsimony, yaitu bilamana seluruh model signifikan yang dilihat dari p-value ≥ 0.05, root means square error of approximation (RMSEA) ≤ 0.08 dan nilai comparative fit index (CFI) ≥ 0.90 berarti dapat dikatakan model berbentuk linear. 2. Semua variabel residu tidak mempunyai korelasi satu sama lain (autokorelasi). Guna memenuhi syarat kedua, dilakukan uji autokorelasi yang dilakukan dengan menggunakan metode grafik atau PP Plot (Supranto, 2004:98). Bila gambar dalam PP-Plot menunjukkan pola tertenu dari sebaran nilai residual atas model yang diuji, berarti model tersebut memiliki gejala autokorelasi. Lebih jauh Supranto mengatakan, konsekuensi dari mengabaikan adanya gejala autokorelasi diantaraya adalah : a. Uji signifikansi menjadi kurang kuat (less powerful) b. Penggunaan uji t dan uji F tidak lagi syah (valid)
71
Menurut Supranto (2004:108-114) ada beberapa cara dalam mengatasi persoalan autokorelasi, salah satunya dengan mentransformasikan data mentah (raw data) dengan menggunakan rumus :
(Yt - ρ Yt-1 ) = A (1- ρ ) + B (X t - ρ X t-1 ) + (ε t - ρε t-1 ) Dimana : Yt = data variabel endogen setelah transformasi Xt = data variabel eksogen setelah transformasi A = intercept B = koefisien regresi έ
= kesalahan pengganggu
3. Pola hubungan antar variabel adalah rekursif 4. Skala pengukuran baik pada variabel penyebab maupun pada variabel akibat sekurang-kurangnya interval Apabila persyaratan ini dipenuhi, maka koefien jalur bias dihitung dengan langkah sebagai berikut : 1. Menggambarkan dengan jelas diagram jalur yang mencerminkan proporsi hipotetik yang diajukan, lengkap dengan persamaan strukturalnya. 2. Menghitung matriks korelasi antar variabel.
72
X1 1 R =
X 2 ... Xu rX1X2 ... 1
... ...
ru rX2u ... i
Formula untuk menghitung koefisien korelasi menggunakan Pearson’s Cofficient of Correlation (Product Moment Coefficient)dari Karl Pearson. Rumus Pearson’s Cofficient of Correlation (Product Moment Coefficient) (Al Rasyid, 2005) :
n
∑x y −
r=
i =1
i
( ∑ x )( ∑ y ) i
i
i
n
n ( x) ∑ x 2 − ∑ i n i =1 i
2
2 n yi ) ( ∑ 2 ∑ y − n i =1 i
3. Menghitung matriks korelasi variabel eksogen X1 1 R =
X 2 ... Xk rX1X2 ... 1
... ...
rk rX2k ... i
4. Menghitung matriks invers korelasi variabel eksogen
R i-1 =
1 Ri
( adj ⋅ R i )
C11
C12
...
C22 ... ...
C1j C2j ... C jj
5. Menghitung semua koefisien jalur ρ xuxi , dimana I = 1,2,…,k; melalui rumus
73
ρ xu x1 ρ xu x2 ... = ρ xu x j
C11
C12
...
C22 ... ...
C1j rxu x1 C2j rxu x2 ... ... C jj rxu x j
Untuk menentukan koefisien jalur, dapat juga digunakan fungsi regresi, yaitu mengalikan koefisien regresi dengan standar deviasi variabel eksogen dibagi dengan standar deviasi variabel endogen. Rumusnya adalah sebagai berikut (Kusnendi, 2005:9):
ρ = ij
Sk (bk ) Sy
Keterangan : Ρij = koefisien jalur Sk = standar deviasi variabel eksogen Sy = standar deviasi variabel endogen Bk = koefisien regresi variabel eksogen
6. Menguji kebermaknaan (test of significance) koefisien jalur secara keseluruhan maupun secara individu. Guna melakukan pengujian kebermaknaan koefisien jalur atas hipotesis yang ditetapkan, Tabel 3.3 menguraikan rancangan pengujian hipotesis dengan menggunakan criteria uji berdasarkan output AMOS versi 5.0
74
Tabel 3.3 Rumusan Hipotesis Penelitian Pengujian
Hipotesis statistik
Secara keseluruhan (over all model fit)
H0, R=R(θ) : Matriks korelasi antar variabel Y, X1, X2, X3, dan Y1 sampel tidak berbeda dengan matriks korelasi populasi H1, R≠R(θ) : Matriks korelasi antar variabel Y, X1, X2, X3, dan Y1 sampel berbeda dengan matriks korelasi populasi
Kriteria uji Diharapkan H0 diterima, jika : Pvalue ≥ 0.05, RMSEA ≤ 0.08, CFI ≥ 0.90
Secara individual H0, ρ < 0 : masing-masing variabel X1, X2 dan X3 tidak berpengaruh terhadap variabel Y1
Hipotesis 1
Diharapkan H0 diterima, jika : Pvalue ≤ 0.05
H1, ρ >0 : masing-masing variabel X1, X2 dan X3berpengaruh terhadap variabel Y1 H0, ρ < 0 : masing-masing variabel X1, X2, X3 dan Y1 tidak berpengaruh terhadap variabel Y
Hipotesis 2
H1, ρ>0
Diharapkan H0 diterima, jika : Pvalue ≤ 0.05
: masing-masing variabel X1, X2, X3 dan Y1 berpengaruh terhadap variabel Y
7. Menghitung besarnya pengaruh langsung, pengaruh tidak langsung, serta pengaruh total variabel eksogen terhadap variabel endogen secara parsial, dengan rumus : a. Besarnya pengaruh langsung variabel eksogen terhadap variabel endogen =
ρ x x xρ x x u j
u j
b. Besarnya pengaruh tidak langsung variabel eksogen terhadap variabel endogen = ρ xu x j xrx1x2 xρ xu x j
75
c. Besarnya pengaruh total variabel eksogen terhadap endogen adalah penjumlahan besarnya pengaruh langsung dengan besarnya pengaruh tidak langsung = ρ xu x j x ρ xu x j + ρ xu x j xrx1x2 x ρ xu x j 8. Menghitung R2 Xu ( X1 , X 2 , ..., X k ) , yaitu koefisien determinasi total X1, X2, …, Xk terhadap Xu atau besarnya pengaruh variabel eksogen secara bersama-sama (gabungan) terhadap variabel endogen dengan menggunakan rumus :
(
R 2 X u ( X1 , X 2 , ..., X k ) = ρ xu x1
ρ x x ... ρ x x u 2
u j
)
rxu x1 rxu x2 ... rxu x j
9. Menghitung besarnya variabel residu, yaitu variabel yang mempengaruhi variabel endogen di luar variabel eksogen dengan rumus :
ρ x ε = R 2 X u ( X1 , X 2 , ..., X k ) u
Perlu diketahui, produk akhir dari langkah perhitungan tersebut adalah memperoleh model penelitian yang sesuai dalam memprediksi perubahan variabel eksogen terhadap variabel endogen yang diinterpretasikan dalam bentuk persamaan structural maupun gambar struktur maupun gambar struktur jalur itu sendiri. Dengan demikian dalam teknik analisis jalur, tidak tertutup kemungkinan persamaan maupun model akan berubah yang disebabkan oleh adanya salah satu atau lebih variabel independen yang pengujian hipotesisnya ditolak (Ho diterima). Apabila terjadi hal tersebut, maka dalam kaidah statistic khususnya teknik analisis jalur dapat dilakukan
76
trimming. Trimming sebagaimana dikemukakan oleh Heise, Al Rasyid dalam Kusnendi (2004:12) adalah metode yang digunakan untuk memperbaiki model dengan jalan mengeluarkan atau mendrop dari model variabel eksogen yang koefisisn jalurnya tidak signifikan. Dengan demikian sudah jelas terjadinya trimming berdampak pada perubahan model. Oleh karenanya dalam penjelasan AMOS, peneliti dapat membandingkan (mengkomparasi) model mana yang paling fit dengan data, dimana model yang dinyatakan fit dengan data adalah model yang menunjukkan tingkat keakurasian dalam memprediksi perubahan dalam variabel-variabel yang diteliti melalui penggunaan nilai comparative fit index (CFI). CFI merupakan ukuran kesesuaian model berbasis koparatif degan model null. CFI nilainya berkisar antara 0.0 sampai 1.0. CFI ≥ 0.90 dikatakan model fit dengan data (Kusnendi, 2004:58).