BAB IV ANALISIS HASIL DAN PEMBAHASAN
A. Deskripsi Objek Penelitian Objek dalam penelitian ini adalah perusahaan yang telah listing di Bursa Efek Indonesia (BEI) dan periode pengamatan untuk sampel yang diambil adalah tahun 2006 sampai dengan tahun 2010. Pengambilan sampel dilakukan dengan menggunakan metode purposive sampling ( kriteria ), sampel yang digunakan sebanyak 30 perusahaan perbankan yang mengeluarkan laporan keuangan yang telah diaudit selama periode penelitian tersebut. Dipilihnya bank Go Public sebagai sampel penelitian karena bank - bank ini bersifat terbuka dalam hal pelaporan kinerjanya dan mereka mengeluarkan laporan keuangan setiap periodenya. Dengan begitu, maka masyarakat dapat memantau kinerja perbankan, terlebih lagi perusahaan yang terdaftar di BEI ini sebagian besar juga menduduki pangsa pasar yang besar di sektor perbankan Indonesia. Selama tahun penelitian, terdapat beberapa bank yang selalu berada di peringkat empat teratas dalam menyalurkan kreditnya, antara lain Bank Mandiri, Bank Rakyat Indonesia, Bank Negara Indonesia dan Bank Central Asia. Sedangkan bank yang selalu berada di urutan terbawah dalam menyalurkan Kreditnya adalah Bank Kesawan, Bank Artha, Bank Swadesi dan Bank Pundi.
62
Dari tahun 2006 – 2010 penyaluran kredit oleh bank-bank yang Go Public di BEI ini cenderung meningkat meskipun tetap fluktuatif. B. Statistik Deskriptif Statistik deskriptif memberikan gambaran atau deskripsi suatu data yang dilihat dari jumlah data yang digunakan (N), nilai rata-rata (mean), standar deviasi, nilai minimum dan nilai maksimum dari masing-masing variabel yang diteliti. Untuk memberikan gambaran dan informasi mengenai data variabel dalam penelitian ini maka digunakanlah tabel statistik deskriptif yang dapat dilihat pada Tabel 4.1 berikut : Tabel 4.1 Statistik Deskriptif Variabel (Sebelum Transformasi) (Dengan Jumlah Kredit (Loan) Sebagai Variabel Dependen)
Output tampilan SPSS di atas menunjukan jumlah sampel (N) sebanyak 150 sampel. Variabel CAR mempunyai nilai minimum sebesar 8,02% dan nilai maksimum 56,82% dengan nilai rata-rata sebesar 18,42% dan standar deviasi 7,72%. Nilai standar deviasi lebih rendah dari nilai rata-ratanya berarti menunjukkan data tersebar dengan baik.
63
Variabel ROA memiliki nilai minimum -12,9% dan nilai maksimum 6,10%. Untuk nilai rata-rata variabel ROA dalam penelitian ini sebesar 1,58% dan standar deviasi 1,88%. Dari data diatas dapat kita ketahui bahwa bank yang masuk ke dalam sampel memiliki range yang cukup tinggi yang dapat diketahui dari nilai standar deviasi diatas nilai rata-ratanya. Variabel NPL mempunyai nilai minimum 0% dan nilai maksimum 18,39% serta mean dari variabel NPL sebesar 2,49% dengan standar deviasi sebesar 2,54%. Nilai maksimum yang masih cukup tinggi mengindikasikan bahwa nilai NPL yang dimiliki bank-bank tersebut belum semuanya memenuhi standar yang ditetapkan oleh Bank Indonesia, yaitu sebesar 5%. Hasil tampilan diatas menunjukkan nilai statistik skewness dan kurtosis jauh dari angka nol sehingga dapat disimpulkan data tidak terdistribusi secara normal. Skewness dan kurtosis merupakan ukuran untuk melihat apakah data terdistribusi secara normal atau tidak. Skewness mengukur kemencengan dari data dan kurtosis mengukur puncak dari distribusi data. Data yang terdistribusi normal mempunyai nilai skewness dan kurtosis mendekati nol. Dari hasil analisis statistik deskriptif di atas dapat kita lihat bahwa data antara Loan dan data variabel independen yang dipakai memiliki gap yang sangat besar dan menimbulkan permasalahan dalam pengolahan data. Oleh karena itu dalam pengolahan ini lalu dibentuk model regresi dengan mentransformasikan salah satu atau sebagian variabel ke bentuk Logaritma Natural (Ln), maka diperoleh hasil seperti yang tampak pada tabel 4.2 berikut :
64
Tabel 4.2 Statistik Deskriptif Variabel Setelah Transformasi (Dengan Jumlah Kredit (Loan) Sebagai Variabel Dependen)
Sumber : Data yang telah diolah dengan menggunakan software spss 19
Berdasarkan hasil uji statistik deskriptif pada Tabel 4.2 diatas, maka dapat dilihat jumlah sampel yang valid serta dapat digunakan untk pengujian hipotesis menjadi sebanyak 135 sampel, setelah ditransformasikan ke bentuk Ln (Logaritma Natural) maka sampel yang outlier akan dikeluarkan dari model agar suatu pengamatan menjadi tidak bias. Pada variabel CAR memiliki nilai minimum
sebesar 2.24%, nilai
maksimum 3.54% , nilai rata-rata (mean) 2.8320% dan tingkat penyimpangan penyebaran data (standar deviasi) sebesar 0.29485%. Nilai standar deviasi lebih rendah dari nilai rata-ratanya berarti menunjukkan nilai CAR yang ada cukup baik. Pada variabel ROA memiliki nilai minimum sebesar -0,96% serta nilai maksimum 6.10%, nilai rata-rata (mean) 1.7105% dan tingkat penyimpangan penyebaran data (standar deviasi) sebesar 1.16269%. Masih terdapat bank yang memiliki laba negatif, berarti masih belum memenuhi ketentuan BI dengan minimal laba 1,5% walaupun itu bukan merupakan persyaratan. Tetapi dengan 65
standar deviasi yang lebih kecil dari rata-ratanya, maka bisa dikatakan tidak terlalu terjadi rang yang cukup tinggi untuk perolehan laba tersebut. Rata-rata ROA masih diatas ketentuan yang disyaratkan BI. Pada variabel NPL memiliki nilai minimum sebesar -3%, nilai maksimum 1.88%, nilai rata-rata (mean) 0.5165% dan standar deviasi sebesar 0.85045%. bank yang masuk ke dalam sampel memiliki range NPL yang cukup tinggi yang dapat diketahui dari nilai standar deviasi diatas nilai rata-ratanya. Pada variabel Penyaluran Kredit (LOAN) memiliki nilai minimum sebesar 12.69 jutaan rupiah, nilai maksimum 18.83 jutaan rupiah, nilai rata-rata (mean) 16.0546 jutaan rupiah, dan tingkat penyimpangan penyebaran data (standar deviasi) sebesar 1.60243. Nilai standar deviasi yang lebih kecil dari nilai rataratanya maka bisa dikatakan prnyaluran kredit yang ada sudah cukup baik. Hasil tampilan diatas menunjukkan nilai statistik skewness dan kurtosis mendekati Nol sehingga dapat dikatakan bahwa data yang sudah ditransformasi ke bentuk Ln (Logaritma Natural) terdistibusi normal. C. Analisis Data Selanjutnya untuk membahas hasil analisis penelitian ini, terlebih dahulu harus melakukan pengujian terhadap normalitas data dan uji asumsi klasik. Pelanggaran terhadap asumsi klasik ini menyebabkan hasil estimasi menjadi tidak akurat, sehingga memerlukan penanggulangan sebelum model tersebut digunakan untuk pengujian hipotesis.
66
1) Evaluasi Data Outlier Data yang akan menjadi obyek penelitian sebaiknya dievaluasi atau dideteksi, apakah ada data yang memiliki nilai jauh dari rata – rata data suatu sampel. Hal ini dapat dilakukan dengan melihat nilai Z score. Apabila nilai Z score dari masing-masing variabel berada lebih kecil dari -2.5 dan lebih besar dari 2.5 maka dapat disimpulkan data tersebut adalah Outlier. Data outlier akan mengakibatkan hasil dari suatu pengamatan akan menjadi bias dan tidak berdistribusi normal, dan sebaiknya data outlier tersebut tidak digunakan atau dikeluarkan dari sampel. Tabel 4.3 (Lampiran) diketahui nilai Z score dari tiap variabel yang memiliki nilai lebih kecil dari -2.5 dan lebih besar dari 2.5 (yang diarsir) merupakan data outlier. Setelah diketahui data outlier tersebut maka jumlah sampel yang sebelumnya
adalah 150 menjadi 135 sampel. Jumlah data outlier yang
dikeluarkan sebagai sampel berjumlah 15 sampel. 2) Normalitas Data Syarat data yang layak untuk diuji adalah data tersebut harus berdistribusi normal. Uji ini digunakan untuk menguji apakah dalam sebuah model regresi, variabel dependen dan variabel independen, ataupun keduanya mempunyai distribusi normal atau tidak. Untuk mendeteksi apakah variabel residual berdistribusi normal atau tidak yaitu dengan analisis grafik. Analisis grafik merupakan cara termudah untuk melihat normalitas residual yaitu dengan melihat grafik histogram normal probability plot yang membandingkan distribusi kumulatif dari data sesungguhnya dengan distribusi kumulatif dari distribusi normal. Jika data terdistribusi normal, maka data akan tergambarkan dengan 67
mengikuti garis diagonalnya (Ghozali, 2011). Sedangkan normalitas suatu variabel umumnya dideteksi dengan grafik atau uji statistik (non - parametrik Kolmogorof - Smirnov (K-S). Suatu variabel dikatakan terdistribusi normal jika nilai signifikansinya > 0,05 (Ghozali, 2011). Gambar 4.1 dan 4.2 berikut ini menggambarkan hasil uji normalitas yang dilakukan dalam penelitian ini :
Gambar 4.1 Uji Normalitas Histogram Sebelum Transformasi
Gambar 4.2 Uji Normalitas Probability Plot Sebelum Transformasi 68
Dengan melihat tampilan grafik histogram maupun grafik normal plot dari Gambar 4.1 dan 4.2 diatas dapat disimpulkan bahwa grafik histogram memberikan pola distribusi yang menceng (skewness) ke kiri atau tidak normal. Sedangkan pada grafik normal plot terlihat penyebarannya agak menjauh dari garis diagonal. Sehingga kedua grafik ini menunjukan bahwa model regresi menyalahi asumsi normalitas. Uji normalitas menggunakan grafik bisa saja menyesatkan karena secara visual bisa saja terlihat normal padahal secara statistik bisa saja sebaliknya. Untuk itu, dalam penelitian ini juga dilakukan uji Kolmogorov-Smirnov yang hasil pengujiannya akan ditampilkan dalam tabel 4.3 berikut : Tabel 4.3 Uji Normalitas Kolmogorov Smirnov (K-S) Sebelum Transformasi Data One-Sample Kolmogorov-Smirnov Test CAR N Normal Parameters
a,,b
ROA
NPL 135
LOAN
135
135
135
Mean
17.7523
1.7105
2.2199 2.6118E7
Std. Deviation
5.56129
1.16269
1.54313 3.46591E 7
Most Extreme
Absolute
.134
.105
.143
.228
Differences
Positive
.134
.105
.143
.211
Negative
-.070
-.048
-.080
-.228
1.557
1.217
1.660
2.654
.016
.104
.008
.000
Kolmogorov-Smirnov Z Asymp. Sig. (2-tailed) a. Test distribution is Normal. b. Calculated from data.
Sumber : Data yang telah diolah dengan menggunakan software spss 19
69
Dari tabel 4.3 diatas diketahui bahwa variabel CAR memiliki nilai sig (2 tailed) sebesar 0.016, untuk variabel ROA memiliki nilai sig(2 tailed) sebesar 0.104, kemudian variabel NPL memiliki nilai sig(2 tailed) sebesar 0.008 serta variabel LOAN dengan nilai sig (2 Tailed) sebesar 0.000. Hal ini berarti hanya variabel ROA yang memiliki sebaran data berdistribusi normal yaitu diatas 0,05. Suatu variabel dikatakan berdistribusi normal jika nilai sig(2 Tailed) > 0,05. Dari tabel 4.3 diatas ternyata terdapat satu variabel yang terdistribusi normal yaitu untuk variabel ROA karena nilai kolmogorov-Smirnov berada pada angka 1.217 dengan signifikan pada 0,104. Maka variabel ROA bisa dikatakan memenuhi asumsi normalitas. Data yang tidak terdistribusi secara normal dapat ditransformsikan agar dapat memenuhi asumsi normalitas yaitu dilakukan dengan cara mentransformasikan variabel dependen dan independen yang tidak memenuhi asumsi normalitas menjadi bentuk logaritma natural (LN). Berikut hasil uji normalitas dalam bentuk Logaritma Natural (LN) yang sudah ditransformasi dapat dilihat dari Gambar 4.3 dan 4.4 :
70
Gambar 4.3 Uji Normalitas Histogram Setelah Transformasi
Gambar 4.4 Uji Normalitas Probability Plot Setelah Transformasi 71
Dari grafik histogram tampak bahwa residual terdistribusi secara normal dan berbentuk simetris tidak menceng ke kanan atau ke kiri. Pada grafik normal probability plot titik-titik menyebar berhimpit di sekitar diagonal dan hal ini menunjukan bahwa residual terdistribusi normal. Dapat diambil kesimpulan bahwa data yang menyebar disekitar garis normal serta mengikuti arah garis diagonal regresi ini berarti model regersi telah memenuhi asumsi normalitas. Dasar pengambilan keputusan ini didasari oleh pendapat (Ghozali:2011) sebagai berikut :
Jika data menyebar disekitar garis diagonal dan mengikuti arah garis diagonal atau grafik histogramnya menunjukkan pola distribusi normal, maka model regresi memenuhi asumsi normalitas.
Jika data menyebar jauh dari diagonal dan/tidak mengikuti arah garis diagonal atau grafik histogram tidak menunjukkan pola distribusi normal, maka model regresi tidak memenuhi asumsi normalitas.
Transformasi bentuk logaritma natural (LN) serupa juga dilakukan pada variabel dependen dan independen yang tidak memenuhi asumsi normalitas dengan cara pengujian Kolmogorov-Smirnov. Pada uji Kolmogorov-Smirnov ini dilakukan transformasi data Logaritma Natural (LN) untuk variabel CAR, NPL dan Loan(kredit) sedangkan untuk ROA tidak perlu di transformasikan karena sudah terdistribusi secara normal. Hasil pengujiannya akan ditampilkan dalam tabel 4.4 berikut :
72
Tabel 4.4 Uji Normalitas Kolmogorov Smirnov (K-S) Setelah Transformasi One-Sample Kolmogorov-Smirnov Test LN_CAR N
ROA
LN_NPL
LN_LOAN
135
135
135
135
Mean
2.8320
1.7105
.5165
16.0546
Std. Deviation
.29485
1.16269
.85045
1.60263
Absolute
.078
.105
.088
.087
Positive
.078
.105
.055
.087
Negative
-.048
-.048
-.088
-.085
Kolmogorov-Smirnov Z
.906
1.217
1.022
1.014
Asymp. Sig. (2-tailed)
.385
.104
.247
.255
Normal Parameters
a,,b
Most Extreme Differences
a. Test distribution is Normal. b. Calculated from data.
Sumber : Data yang telah diolah dengan menggunakan software spss 19
Dari tabel 4.4 diatas dapat diketahui bahwa nilai K-S pada variabel LN CAR, ROA, LN NPL dan LN Loan telah terdistribusi secara normal, karena masingmasing dari variabel memiliki probabilitas lebih dari 0.05. Nilai masing-masing variabel yang telah memenuhi standar yang ditetapkan dapat dilihat pada baris nilai asymp sig(2-tailed) yang hasilnya lebih besar dari α = 0,05. LN CAR, ROA, LN NPL dan LN Loan memiliki nilai masing-masing sebesar 0,385 ; 0,104 ; 0,247 dan 0,255. Dasar pengambilan keputusan sebagai berikut : -
Jika Asymp. Sig > 0,05 maka distribusi data adalah normal
-
Jika Asymp. Sig < 0,05 maka distribusi data tidak normal.
73
Jadi secara keseluruhan dapat disimpulkan bahwa data variabel-variabel tersebut memiliki sebaran data berdistribusi normal dan layak untuk digunakan dalam penelitian ini. D. Pengujian Asumsi Klasik Dalam analisis regresi berganda perlu dihindari penyimpangan asumsi klasik supaya tidak timbul masalah dalam penggunaan analisis regresi berganda. Ada tiga uji asumsi klasik yang dilakukan yaitu uji Multikolinearitas, uji Autokorelasi, dan uji Heteroskedastisitas. Pendeteksian terhadap pengujian asumsi klasik ini dengan tujuan untuk mendapatkan analisis yang akurat atas faktor-faktor yang perlu dipertimbangkan dalam analisis. Apabila terjadi pelanggaran terhadap asumsi klasik perlu dilakukan perbaikan terlebih dahulu. Pengujian asumsi klasik dilakukan sebagai berikut : 1. Uji Multikolinearitas Pengujian yang dilakukan terhadap 3 uji asumsi klasik yang pertama adalah pengujian terhadap multikolinearitas. Uji Multikolinearitas bertujuan untuk menguji apakah model regresi ditemukan adanya korelasi antar variabel independen. Model regresi yang baik seharusnya tidak terjadi korelasi di antara variabel independen.( Ghozali : 2011 ). Penelitian yang mengandung multikolinearitas akan berpengaruh terhadap hasil penelitian sehingga penelitian tersebut menjadi tidak berfungsi. Cara yang digunakan untuk mendeteksi ada tidaknya multikolinearitas dengan mendasarkan pada nilai Tolerance dan VIF. Nilai cutoff yang dipakai untuk menunjukan adanya 74
multikolonieritas adalah nilai Tolerance untuk semua variabel independen ≤ 0,10. Sedangkan dari nilai VIF jika terdapat multikolinearitas diketahui bahwa VIF semua variabel independen dalam penelitian ≥10. Semakin tinggi nilai VIF maka semakin tinggi kolinearitas antar variabel independen. Tabel 4.5 Uji Multikolinearitas a
Coefficients Unstandardized
Standardized
Coefficients
Coefficients
Model
B
Std. Error
1
(Constant)
19.129
1.275
LN_CAR
-1.505
.461
ROA
.641
LN_NPL
.174
Beta
Collinearity Statistics T
Sig.
Tolerance
VIF
14.999
.000
-.277
-3.264
.001
.853
1.173
.118
.465
5.418
.000
.832
1.202
.154
.092
1.129
.261
.918
1.089
a. Dependent Variable: LN_LOAN
Sumber : Data yang telah diolah dengan menggunakan software spss 19
Hasil uji multikolonieritas pada tabel 4.5 terlihat bahwa tidak ada variabel independen yang memiliki nilai tolerance kurang dari 0,10 dan hasil perhitungan Variance Inflation Factor (VIF) juga menunjukkan bahwa tidak ada satu variabel independen yang memiliki nilai VIF lebih dari 10. Maka dapat disimpulkan bahwa persamaan model regresi yang diajukan bebas dari multikolonieritas. Dengan demikian variabel-variabel independen bebas dari pengujian asumsi klasik yang pertama yaitu multikolinearitas, sehingga variabel independen ini tidak perlu dikeluarkan dari model regresi.
75
2. Uji Autokorelasi Pengujian kedua yang dilakukan terhadap asumsi klasik yaitu uji autokorelasi. Pengujian ini dilakukan dengan tujuan untuk melihat adanya hubungan antara data satu dengan data yang lainnya dalam satu variabel. Cara untuk mendeteksi adanya autokorelasi adalah dengan menggunakan Uji DurbinWatson (DW test). Hasil uji Autokorelasi tampak dalam tabel 4.6 berikut : Tabel 4.6 Hasil Uji Autokorelasi
(Sebelum Transformasi) b
Model Summary Model
R
R Square a
1
.393
Adjusted R
Std. Error of the
Square
Estimate
.154
.135
32238996.37941
Durbin-Watson .726
a. Predictors: (Constant), NPL, CAR, ROA b. Dependent Variable: LOAN
Sumber : Data yang telah diolah dengan menggunakan software spss 19
Nilai DW sebesar 0,726 kemudian nilai ini dibandingkan dengan nilai tabel dengan signifikasi 5%, jumlah sampel 135 (n) dan jumlah variabel 3 (K=3) maka pada tabel Durbin Watson akan didapatkan nilai dl = 1.6738 dan du = 1.7645 sehingga 0 < 0.726 < 1.6738 artinya Ho yang menyatakan tidak ada autokorelasi positif, hasilnya ditolak. Maka dalam model regresi ini terdapat autokorelasi positif. Jika terjadi autokorelasi positif maka untuk mengatasi masalah autokorelasi ini harus dilakukan transformasi dalam bentuk Logaritma Natural (Ln). Berikut hasil uji autokorelasi setelah dilakukan transformasi Logaritma Natural ( Ln ). 76
Tabel 4.7 Hasil Uji Autokorelasi
(Setelah Transformasi) b
Model Summary
Model 1
R
R Square a
.443
Adjusted R
Std. Error of the
Square
Estimate
.196
.178
Durbin-Watson
1.45328
.747
a. Predictors: (Constant), LN_NPL, LN_CAR, ROA b. Dependent Variable: LN_LOAN
Sumber : Data yang telah diolah dengan menggunakan software spss 19
Dari hasil tabel 4.7 diatas dapat dilihat bahwa berdasarkan perhitungan yang telah dilakukan terhadap uji autokorelasi setelah dilakukan transformasi dalam bentuk Logartima Natural (Ln) didapatkan nilai DW sebesar 0.747 kemudian nilai ini kembali dibandingkan dengan nilai tabel Durbin Watson yang telah didapat sebelumnya, yaitu dengan nilai dl = 1.6738 dan du = 1.7645 sehingga hasilnya didapat 0 < 0.747 < 1.6738 Ternyata walaupun sudah dilakukan transformasi kedalam bentuk Logaritma natural (Ln), hasilnya masih terdapat autokorelasi positif. Oleh sebab itu, maka dalam penelitian ini, model regresi linier yang terjadi autokorelasi positif bisa dianggap sebagai keterbatasan penelitian karena kondisi data pada saat penelitian dilakukan memang terjadi autokorelasi dan tidak bisa diatasi lagi. Hal ini pun memang sering ditemukan pada data runtun waktu (time series) karena “gangguan” pada seseorang individu/kelompok cenderung mempengaruhi “gangguan” pada individu/kelompok yang sama pada periode berikutnya.
77
3. Uji Heteroskedastisitas Pengujian yang ketiga adalah uji Heteroskedastisitas. Pengujian ini dilakukan dengan tujuan untuk melihat jarak kuadrat titik-titik sebaran terhadap garis regresi. Untuk mendeteksi hal ini dapat dilakukan dengan bermacam-macam cara. Dalam penelitian ini untuk mendeteksi adanya gejala heteroskedastisitas dapat dilakukan dengan metode Scatter Plot . Metode ini mendeteksi jika terdapat pola tertentu
seperti
titik-titik
membentuk
satu
pola
tertentu
yang
teratur
(bergelombang, melebar kemudian menyempit) maka diindikasikan telah terjadi heteroskedastisitas, sebaliknya jika tidak ada pola yang jelas, serta titik-titiknya menyebar maka tidak terjadi heteroskedastisitas. Hasil pengujian heteroskedastisitas yang dilakukan terhadap penelitian ini dapat dilihat pada gambar 4.5 berikut :
Gambar 4.5 Uji Heteroskedastisitas
78
Berdasarkan Scatter Plot di atas terlihat bahwa tidak ada pola yang jelas, serta titik-titiknya menyebar secara acak. Maka dapat disimpulkan bahwa semua variabel independen dalam model regresi ini bebas dari heteroskedastisitas.
E. Pengujian Hipotesis Setelah pengujian tiga (3) asumsi klasik dilakukan maka dapat disimpulkan bahwa data yang digunakan dalam penelitian ini terdistribusi secara normal serta tidak memiliki masalah multikolinearitas, autokorelasi dan heteroskedastisitas. sehingga variabel-variabel independen bebas dari ketiga asumsi klasik. Hal ini berarti bahwa variabel-variabel tersebut tidak perlu dikeluarkan dari model regresi yang akan berpengaruh terhadap hasil. Sehingga memenuhi persyaratan untuk melakukan analisis regresi berganda serta melakukan pengujian terhadap hipotesis. Analisa yang selanjutnya dilakukan adalah analisa terhadap hipotesa yang telah dijelaskan pada bab sebelumnya. Dalam hal ini analisa terhadap hipotesa dilakukan dengan Uji t (Uji Partial) dan Uji F (Uji Simultan).
1)
Uji Signifikasi Partial (Uji t) Dalam uji partial (Uji t) ini, seluruh variabel independen dalam penelitian yaitu variabel CAR, ROA dan NPL diuji satu persatu terhadap variabel dependen yaitu penyaluran Kredit (Loan). Hal ini dilakukan dengan tujuan untuk menguji signifikansi nilai parameter hasil regresi serta melihat
79
kecocokan tanda (hubungan positif atau negatif) antara hipotesis alternatif dan hasil pengujian. Uji t ini dilakukan dengan membandingkan nilai P-value dari t dengan α = 0,05. Kesimpulan yang dapat diambil dari uji t ini adalah:
Bila nilai P value dari t masing-masing variabel independen ≥ α = 5%, maka Ho: bi = 0 diterima dan Ha: bi ≠ 0 ditolak, artinya secara individual variabel independen X tidak berpengaruh signifikan terhadap variabel dependen.
Sebaliknya bila P value dari t masing-masing variabel independen < α = 5% maka Ho: bi = 0 ditolak dan Ha: bi ≠ 0 diterima, artinya secara
individual
masing-masing
variabel
independen
X
berpengaruh secara signifikan terhadap variabel dependen. Tabel 4.8 Hasil Regresi Berganda Uji Signifikasi Partial ( Uji t ) a
Coefficients Unstandardized
Standardized
Coefficients
Coefficients
Model
B
Std. Error
1
(Constant)
19.129
1.275
LN_CAR
-1.505
.461
ROA
.641
LN_NPL
.174
Beta
Collinearity Statistics T
Sig.
Tolerance
VIF
14.999
.000
-.277
-3.264
.001
.853
1.173
.118
.465
5.418
.000
.832
1.202
.154
.092
1.129
.261
.918
1.089
a. Dependent Variable: LN_LOAN
Sumber : Data yang telah diolah dengan menggunakan software spss 19
80
Berdasarkan tabel 4.8 di atas dapat disimpulkan mengenai uji hipotesis dari masing-masing variabel independen terhadap variabel dependen sebagai berikut : 1. Ha1 : CAR berpengaruh terhadap penyaluran kredit pada bank umum di Indonesia. Hasil uji t menunjukan bahwa nilai signifikasinya 0,001 (sig < 0,05), ini menunjukan bahwa CAR berpengaruh signifikan dan memiliki nilai koefisien regresi negatif sebesar 1,505. Hal ini menggambarkan bahwa jika terjadi kenaikan CAR sebanyak satu persen maka akan menyebabkan penurunan nilai Loan sebesar Rp 1.505.000,Sehingga dapat disimpulkan bahwa Ha1 diterima dan Ho ditolak. 2. Ha2 = ROA berpengaruh terhadap penyaluran kredit pada bank umum di Indonesia. Variabel ROA memiliki nilai koefisien regresi regresi positif yaitu sebesar 0,641 dengan nilai signifikasinya 0,000 (sig < 0,05). Nilai koefisien yang positif menunjukkan bahwa ROA terhadap jumlah penyaluran kredit (Loan) berpengaruh positif. Hal ini menggambarkan bahwa jika terjadi kenaikan ROA sebanyak satu persen maka akan menyebabkan kenaikan nilai Loan sebesar Rp 641.000,- dengan asumsi variabel independen yang lain dianggap konstan. Maka dapat disimpulkan Ha2 diterima dan Ho ditolak.
81
3. Ha3 = NPL berpengaruh terhadap penyaluran kredit pada bank umum di Indonesia. Untuk NPL, pada hasil uji t menunjukan bahwa nilai signifikasinya 0,261(sig>0,05) ini menunjukan bahwa NPL tidak berpengaruh signifikan terhadap penyaluran kredit dan dapat disimpulkan Ha3 ditolak dan Ho diterima. Hal ini menggambarkan bahwa jika terjadi kenaikan NPL sebanyak satu persen maka tidak akan menyebabkan kenaikan yang signifikan untuk nilai Loan. Dari Tabel 4.8 tersebut dapat diperoleh model persamaan regresi yang dapat dibentuk sebagai berikut:
Yt = a - b1 x1t + b2 x2t +b3 x3t + e LOAN = 19.129 - 1.505 CAR + 0.641 ROA + 0.174 NPL + e
2)
Uji Signifikansi Simultan (Uji Statistik F) Uji F dilakukan dengan cara pengujian variabel-variabel independen secara serempak. Tujuan dari pengujian variabel-variabel independen secara serempak adalah untuk menentukan apakah variabel-variabel independen secara bersama-sama berpengaruh terhadap variabel dependen. Berdasarkan tabel 4.9 dapat dilihat hasil uji serempak (uji F) pada penelitian ini menunjukan bahwa variabel capital adequacy ratio (CAR), variabel return on assets (ROA) dan variabel non performing loan (NPL), secara bersama-sama berpengaruh terhadap variabel dependen yaitu penyaluran kredit (LOAN). Hal
82
ini dilihat dari nilai Sig sebesar 0.000 < α = 0.05 ( Nilai Sig 0,000 lebih kecil dari alpha 0,05 ). Tabel 4.9 Hasil Regresi Berganda Uji Signifikasi Simultan ( Uji F ) b
ANOVA Model 1
Sum of Squares Regression
df
Mean Square
67.493
3
22.498
Residual
276.677
131
2.112
Total
344.170
134
F 10.652
Sig. a
.000
a. Predictors: (Constant), LN_NPL, LN_CAR, ROA b. Dependent Variable: LN_LOAN
Sumber : Data yang telah diolah dengan menggunakan software spss 19
F. Pembahasan Dari model regresi yang diperoleh dari hasil pengujian akan dijelaskan pengaruh variabel-variabel independen CAR, ROA dan NPL terhadap variabel dependen yaitu penyaluran kredit (Loan). a)
Variabel Capital Adequacy Ratio (CAR) Pengujian dilakukan terhadap variabel CAR, pengaruhnya terhadap
penyaluran kredit (Loan) dapat dilihat pada Tabel 4.8 diatas. Berdasarkan tabel tersebut dapat diketahui bahwa CAR memiliki nilai koefisien regresi sebesar -1.505 dengan nilai P-value atau tingkat siginifikan sebesar 0.001, dimana nilai ini masih dibawah nilai alpha sebesar 0.05, hasil ini membuktikan bahwa variabel Capital Adequacy Ratio (CAR) mempengaruhi penyaluran kredit (Loan) namun arahnya negatif. (Ho ditolak dan Ha diterima). 83
Berdasarkan pembahasan tersebut dapat disimpulkan bahwa hasil penelitian ini secara statistik dapat dikatakan bahwa hubungan antara Capital Adequacy Ratio (CAR) dengan penyaluran kredit (LOAN) adalah saling berhubungan namun arahnya negatif, dengan demikian dapat disimpulkan, jika terjadi kenaikan CAR sebanyak satu persen maka akan menyebabkan penurunan nilai Loan sebesar Rp 1.505.000,Hasil tersebut mendukung penelitian yang dilakukan oleh Perry Warjio (2006), dengan hasil penelitian bahwa CAR bernilai negatif signifikan dan juga sejalan dengan penelitian yang dilakukan oleh Widi Pramono (2006) dengan hasil penelitian secara parsial CAR berpengaruh negatif dan signifikan terhadap pemberian kredit, juga sejalan dengan penelitian yang dilakukan oleh Seandy Nandadipa (2010) yang menyatakan CAR berpengaruh negatif signifikan terhadap LDR. Namun hasil tersebut berbeda dengan hasil penelitian Meydianawathi (2006) yang menyatakan bahwa CAR berpengaruh nyata dan positif terhadap penyaluran kredit kepada sector UMKM. b) Variabel Return On Asset (ROA) Pengujian dilakukan terhadap variabel Return On Asset (ROA), pengaruhnya terhadap penyaluran kredit (Loan) dapat dilihat pada Tabel 4.8 diatas. Berdasarkan tabel tersebut dapat diketahui bahwa Return On Asset (ROA) memiliki nilai koefisien regresi sebesar 0.641 dengan nilai P-value atau tingkat siginifikan sebesar 0.000 nilai ini masih dibawah nilai alpha sebesar 0.05, hasil ini
84
membuktikan bahwa variabel Return On Asset (ROA) secara signifikan positif mempengaruhi penyaluran kredit (Loan). Artinya jika terjadi kenaikan ROA sebanyak satu persen maka akan menyebabkan kenaikan nilai Loan sebesar Rp 641.000,- dan hasil tersebut membuktikan bahwa hipotesis kedua yang menyatakan ROA berpengaruh secara positif dan signifikan terhadap penyaluran kredit dapat diterima (Ho ditolak dan Ha diterima). Berdasarkan pembahasan tersebut dapat disimpulkan bahwa hasil penelitian ini mendukung hipotesa yang telah ditetapkan dalam bab dua (2) bahwa Return On Asset (ROA) berpengaruh secara positif terhadap penyaluran kredit (LOAN). Secara statistik dapat dikatakan bahwa hubungan antara Return On Asset (ROA) dengan penyaluran kredit (LOAN) adalah saling berhubungan dan arahnya positif, dengan demikian dapat disimpulkan yaitu jika terjadi kenaikan satuan Return On Asset (ROA) maka akan mengakibatkan kenaikan penyaluran kredit (LOAN) sebesar 0.641. Hasil penelitian ini sejalan dengan penelitian yang dilakukan oleh Fransiska dan Hasan S Siregar (2007) yang menyatakan bahwa ROA berpengaruh signifikan positif terhadap volume kredit. Beberapa penelitian lain yang sejalan dengan hasil penelitian ini yaitu penelitian yang telah dilakukan oleh Aditya Prayudi (2011) dan Meydianawathi (2006) dengan masing-masing hasil penelitian yang menyatakan bahwa ROA berpengaruh terhadap LDR dan ROA berpengaruh nyata dan positif terhadap penyaluran kredit.
85
c) Variabel Non Performing Loan (NPL) Pengujian dilakukan terhadap variabel Non Performing Loan (NPL), pengaruhnya terhadap penyaluran kredit (Loan) dapat dilihat pada Tabel 4.8 diatas. Berdasarkan tabel tersebut dapat diketahui bahwa NPL memiliki nilai koefisien regresi sebesar 0.174 dengan nilai P-value atau tingkat siginifikan sebesar 0.261, hasil ini membuktikan bahwa variabel NPL tidak berpengaruh signifikan terhadap penyaluran kredit (Loan) karena tingkat signifikasi sudah berada diatas nilai alpha 0,05. Dan hasil tersebut membuktikan bahwa hipotesis ketiga yang menyatakan NPL berpengaruh terhadap penyaluran kredit ditolak (Ho diterima dan Ha3 ditolak). Berdasarkan pembahasan tersebut dapat disimpulkan bahwa hasil penelitian ini tidak mendukung hipotesa yang telah ditetapkan dalam bab dua (2) bahwa Non Performing Loan (NPL) berpengaruh terhadap penyaluran kredit (LOAN). Hasil penelitian ini memperkuat penelitian sebelumnya yang dilakukan oleh Fransiska dan Hasan S Siregar (2007) yang menyatakan NPL tidak ada pengaruh yang signifikan dan tidak dapat digunakan untuk memprediksi volume kredit. Juga sesuai dengan penelitian Arditya Prayudi (2011) dengan hasil penelitian bahwa NPL tidak membawa pengaruh terhadap LDR. Dengan banyaknya kredit yang di salurkan oleh pihak bank yang selektif dengan menggunakan 5C semakin menurunkan resiko kredit macet, sehingga tidak akan mengganggu likuiditas dari bank tersebut. Hal ini bertentangan dengan hasil penelitian dari Meydianawathi
86
(2006) yang menyatakan bahwa pengaruh NPL terhadap penawaran atau penyaluran kredit perbankan adalah negatif signifikan. d). Koefisien Determinasi (R2) Koefisein Determinasi ( R2 ) digunakan untuk mengukur seberapa jauh kemampuan model dalam menerangkan variabel dependen. Nilai koefisien determinasi yang semakin mendekati satu maka variabel independen yang ada dapat memberikan hampir semua infromasi yang dibutuhkan untuk memprediksi variabel dependen dan begitu juga sebaliknya. Namun terdapat kelemahan, yaitu akan terjadi peningkatan R2 jika terdapat penambahan variabel independen, tanpa memperhatikan tingkat signifikasinya. Untuk itu dalam penelitian ini digunakan adjusted R2 karena nilai ini tidak akan naik atau turun meskipun terdapat penambahan variabel independen ke dalam model. Nilai adjusted R2 tersebut akan tampak pada tabel 4.9 berikut : Tabel 4.10 Koefisien Determinasi
b
Model Summary
Model 1
R
R Square a
.443
Adjusted R
Std. Error of the
Square
Estimate
.196
.178
Durbin-Watson
1.45328
.747
a. Predictors: (Constant), LN_NPL, LN_CAR, ROA b. Dependent Variable: LN_LOAN
Sumber : Data yang telah diolah dengan menggunakan software spss 19
Dari hasil regresi pada tabel 4.10 diatas, dapat dilihat koefisien determinasi yang ditunjukan oleh nilai Adjusted R square sebesar 0,178 atau 17,8%. Hal ini menunjukan bahwa variabel dependen yaitu penyaluran kredit (LOAN) dapat 87
dijelaskan oleh variabel independen Capital Adequacy Ratio (CAR) , Return on Asset (ROA) dan Non performing Loan (NPL) sebesar 17,8 %. Sedangkan persentase sisanya sebesar 82.2 % dipengaruhi oleh faktor – faktor lain diluar penelitian ini. Dari situ dapat kita lihat bahwa nilai adjusted R2 dapat dikatakan relative kecil karena masih terdapat 82,2% faktor di luar model yang mampu mempengaruhi penyaluran Kredit (LOAN) tersebut. Variabel lain yang mempengaruhi adalah faktor-faktor dari sisi internal perbankan berupa kondisi atau tingkat kesehatan perbankan lainnya juga dari sisi eksternal seperti kualitas penilaian usaha kelayakan debitur, kualitas management risiko kredit, analisis kredit, serta perilaku konsumen itu sendiri dan lain-lain.
88
