Upload
buithien
View
219
Download
5
Embed Size (px)
Citation preview
26
BAB III
METODE PENELITIAN
A. Lokasi Penelitian
Penelitian ini dilakukan pada PT BPD Jawa Timur, karena bank tersebut
memiliki peran sebagai sarana untuk membangun Daerah Jawa Timur, baik
dengan simpanan maupun kredit. Di sisi lain perkembangan penyaluran kredit
yang cukup bagus, namun bank tersebut masih harus meningkatkan penyaluran
kreditnya sebagai pendapatan operasional perusahaan sehingga jumlah aset
yang dimiliki semakin besar dan mampu untuk melakukan tugasnya sebagai
bank pembangunan daerah lebih baik lagi.
B. Jenis Penelitian
Jenis penelitian ini bersifat deskriptif kuantitatif, yaitu penelitian yang
sifatnya memberikan gambaran sistematis secara umum berdasarkan data atau
angka yang ada kemudian dianalisis dan diinterprestasikan dalam bentuk uraian.
Penelitian deskriptif meliputi pengumpulan data untuk diuji hipotesisnya atau
menjawab pertanyaan mengenai status terakhir dari subyek penelitian. Dengan
cara mengamati subyek penelitian yang telah dipilih kemudian menganalisis
serta menyimpulkan antara variabel bebas terhadap variabel terikat.
C. Jenis dan Sumber Data
Jenis data menurut sumber data yang digunakan adalah data sekunder dan
jenis data dalam kurun waktu tertentu (time series) yang diperoleh dari kantor
Bank Indonesia (BI) cabang Surabaya. Data yang digunakan berupa laporan
27
keuangan yang telah dipublikasi yakni DPK (Dana Pihak Ketiga), ROA
(Return On Asset), CAR (Capital Adequacy Ratio), NPL (Non Perfoming Loan),
Suku Bunga SBI, dan tingkat penyaluran kredit.
D. Teknik Pengumpulan Data
Pengumpulan data yang dipergunakan dalam penelitian ini adalah teknik
dokumentasi dengan mengumpulkan informasi dengan mencatat data-data yang
telah dipublikasikan oleh lembaga atau instansi terkait seperti laporan keuangan
dari Bank Indonesia (BI) dan Otoritas Jasa Keuangan (OJK).
E. Definisi Operasional Variabel
1. Kredit
Kredit adalah sejumlah dana yang dipinjamkan oleh kreditur kepada
debitur. Adapun satuan yang digunakan dalam variabel kredit adalah satuan
rupiah (Rp).
2. Dana Pihak Ketiga
Dana Pihak Ketiga (X2) adalah sumber dana yang berasal dari masyarakat
sebagai nasabah dalam bentuk deposito dan tabungan. Adapun satuan yang
digunakan dalam variabel DPK adalah Rupiah (Rp).
3. Return On Asset (ROA)
ROA (Return On Asset) adalah rasio yang digunakan untuk mengukur
kemampuan manajemen bank dalam memperoleh keuntungan (laba) dari
aset yang dimiliki. ROA merupakan perbandingan antara laba bersih
28
sebelum pajak dengan total aktiva. Adapun satuan yang digunakan dalam
variabel ini adalah persentase (%).
4. CAR
CAR (Capital Adequacy Ratio) adalah rasio kecukupan modal bank untuk
menampung risiko kerugian yang kemungkinan dihadapi oleh bank.
Adapun satuan dalam variabel ini adalah persentase (%).
5. NPL
NPL adalah kredit yang bermasalah di mana debitur tidak dapat memenuhi
pembayaran tunggakan peminjaman dan bunga dalam waktu yang telah
ditetapkan. Adapun satuan yang digunakan dalam variabel ini adalah
persentase (%).
6. Suku Bunga SBI
Suku Bunga SBI adalah suku bunga dari surat berharga dalam mata uang
Rupiah yang diterbitkan oleh BI sebagai utang jangka pendek. Adapun
satuan yang digunakan dalam variabel ini adalah persen (%).
F. Teknik Analisa Data
Teknik anlisis data yang digunakan dalam penelitian ini yakni mengunakan
model autoregresif atau juga disebut dengan model dinamis (dynamic models).
Menurut Gujarati dan Porter (2012), model autoregresif menggambarkan alur
waktu dari variabel dependen dalam hubungannya dengan nilai pada waktu
lampau. Model autoregresif yang digunakan dalam penelitian ini yaitu:
29
1. Error Correction Model (ECM)
Data dianalisis menggunakan mekanisme perbaikan error (ECM). Data
time series yang tidak stationer pada tingkat level dapat dikatakan memiliki
hubungan kointegrasi antar variabel. Sehingga dimungkinkan memiliki
hubungan jangka panjang atau keseimbangan diantara variabelnya. Untuk
analisis mekanisme perbaikan error dapat digunakan uji di bawah ini.
a. Uji Kointegrasi
Menurut Gujarati dan Porter (2012), data yang berkontegrasi
menunjukan bahwa data memiliki keseimbangan jangka panjang.
Kointegrasi dapat diuji dengan membuat residual dari persamaan
regresi di bawah ini:
𝑌𝑡 = 𝛽0 + 𝛽1𝑋1𝑡 + 𝛽2𝑋2𝑡 + 𝛽3𝑋3𝑡 + 𝛽4𝑋4𝑡 + 𝛽5𝑋5𝑡 + 𝑢𝑡 ...... (3.1)
Diasumsikan ut dianalisis uji root dan memiliki hasil yang
stasioner pada tingkat level. Dalam hal ini dapat dikatakan
antarvariabel saling berkointegrasi.
b. Mekanisme Perbaikan Error (ECM)
Menurut Gujuarati dan Porter (2012), jika data yang digunakan
saling terkointegrasi, maka terdapat hubungan jangka panjang atau
keseimbangan antar variabel. Untuk hubungan jangka pendek mungkin
terjadi ketidakseimbangan. Sehingga error dapat diperlakukan sebagai
persamaan regresi error equilibrium. Teori Representasi Granger
30
menjelaskan apabila dua variabel X dan Y adalah kointegrasi,
hubungan antar keduanya bisa dinyatakan dalam ECM sebagai berikut:
∆𝑌𝑡 = 𝛼0 + 𝛼1𝐷𝑋1𝑡 + 𝛼2𝐷𝑋2𝑡 + 𝛼3𝐷𝑋3𝑡 + 𝛼4𝐷𝑋4𝑡 + 𝛼5𝐷𝑋5𝑡 +
𝛼2𝑢𝑡−1 + 휀𝑡 .............................................................................. (3.2)
Jika ditulis dalam persamaan log maka sebagai berikut:
𝑙𝑜𝑔∆𝑌𝑡 = 𝛼0 + 𝛼1𝑙𝑜𝑔𝐷𝑋1𝑡 + 𝛼2𝑙𝑜𝑔𝐷𝑋2𝑡 + 𝛼3𝑙𝑜𝑔𝐷𝑋3𝑡 +
𝛼4𝑙𝑜𝑔𝐷𝑋4𝑡 + 𝛼5𝑙𝑜𝑔𝐷𝑋5𝑡 + 𝛼2𝑙𝑜𝑔𝑢𝑡−1 + 휀𝑡 ......................... (3.3)
2. Partial Adjustment Model (PAM)
Dari setiap perubahan variabel independen tidak selalu secara
langsung mampu untuk mempengaruhi variabel dependen, akan tetapi
dibutuhkan suatu tenggang atau kelambanan (lag). Sehingga secara
sistematis dasar model sebagai berikut.
𝑌𝑡∗ = 𝛽0 + 𝛽1𝑋1 + 𝛽2𝑋2 + 𝛽3𝑋3 + 𝛽4𝑋4 + 𝛽5𝑋5 + 𝑈𝑡 ............... (3.4)
Dimana:
𝑌𝑡∗ = Kredit yang diharapkan
𝛽0 = Intersep
𝛽1, 𝛽2, 𝛽3, 𝛽4, dan 𝛽5 = Koefisien regresi yang diharapkan
𝑋1 = DPK
𝑋2 = ROA
𝑋3 = CAR
𝑋4 = NPL
31
𝑋5 = SBI
Ut = Error
Karena Yt yang diinginkan tidak dapat diamati secara langsung, maka
hipotesis penyesuaian parsial sebagai berikut.
Yt − Yt−1 = δ(Yt∗ − Yt−1) ........................................................ (3.5)
Menurut Gujarati dan Porter (2012), dimana δ , diketahui sebagai
koefisien penyesuaian (coefficient of adjustment) dan Yt –Yt-1 = perubahan
aktual dan Yt* - Yt-1 = perubahan yang diinginkan. Persamaan tersebut
mengemukakan bahwa perubahan yang diinginkan untuk periode tersebut.
Jika δ = 0, berarti tidak ada perubahan aktual nilai Y aktual pada t sama
seperti yang diobservasi pada periode sebelumnya. Biasanya, δ
diekspektasikan berada antara kondisi-kondisi yang tersebut karena
terdapat kemungkinan tidak selesainya penyesuaian pada persediaan nilai
Y yang diharapkan.
Jika persamaan (1) dan (2) disubtitusi maka akan diperoleh
persamaan baru sebagai berikut.
Yt − Yt−1 = 𝛿(𝛽0 + 𝛽1𝑋1𝛽2𝑋2 + 𝛽3𝑋3 + 𝛽4𝑋4 + 𝛽5𝑋5 + 𝑈𝑡) −
𝛿(𝑌𝑡−1) ................................................................ (3.6)
Yt = 𝛿𝛽0 + 𝛿𝛽1𝑋1 + 𝛿𝛽2𝑋2 + 𝛿𝛽3𝑋3 + 𝛿𝛽4𝑋4+𝛿𝛽5𝑋5 + (1 − 𝛿)𝑌𝑡−1 +
𝛿𝑈𝑡 ........................................................................................... (3.6.a)
32
Jika 𝛿𝛽0 = 𝛼0, 𝛿𝛽1 = 𝛼1, 𝛿𝛽2 = 𝛼2, 𝛿𝛽3 = 𝛼3, 𝛿𝛽4 = 𝛼4, 𝛿𝛽5 =
𝛼5, (1 − 𝛿) = 𝛼6, 𝛿𝑈𝑡 = 𝑒, maka dapat ditulis persamaan sebagai
berikut:
Y = 𝛼0 + 𝛼1𝑋1 + 𝛼2𝑋2 + 𝛼3𝑋3 + 𝛼4𝑋4 + 𝛼5𝑋5 + 𝛼6𝑌𝑡−1 + 𝑒 (3.7)
Dalam bentuk log adalah sebagai berikut:
logY = 𝛼0 + 𝛼1𝑙𝑜𝑔X1 + 𝛼2𝑙𝑜𝑔X2 + 𝛼3𝑙𝑜𝑔X3 + 𝛼4𝑙𝑜𝑔X4 + 𝛼5𝑙𝑜𝑔X5 +
𝛼6𝑙𝑜𝑔Yt−1 + e .......................................................................... (3.8)
3. Kriteria Pemilihan Model Terbaik
Menurut Gujarati dan Porter (2012), kriteria digunakan untuk
memilih di antara model-model yang berkompetisi dan/atau
membandingkan model-model untuk tujuan forecasting. Dalam pemilihan
model terdapat dua jenis yaitu forecasting di dalam sampel dan forecasting
di luar sampel. Forecasting di dalam sampel pada dasarnya
memberitahukan bagaimana model terpilih sesuai dengan data pada suatu
sampel. Sementara forecasting di luar sampel berhubungan dengan
menentukan bagaimana sebuah model yang telah disesuaikan meramalkan
nilai-nilai regresan dimasa depan, dengan nilai-nilai tertentu dari
regresornya. Kriteria-kriteria yang digunakan adalah dilihat dari nilai R-
Squared, Adjusted R-Squared, Informasi Akaike (AIC), dan Informasi
Schawarz (SIC) yaitu sebagai berikut:
33
a. Kriteria R-Squared (𝐑𝟐)
Salah satu ukuran goodness of fit dari sebuah model regresi
adalah 𝑅2, dimana dapat didefinisikan sebagai berikut:
𝑅2 =𝐸𝑆𝑆
𝑇𝑆𝑆= 1 −
𝑅𝑆𝑆
𝑇𝑆𝑆 .......................................................................... (3.9)
Dimana :
ESS : Explained Sum of Square
TSS : Total Sum of Square
RSS : Residual Sum of Square
𝑅𝟐 didefinisikan berada diantara 0 dan 1. Lebih dekat nilai
𝑅𝟐 dengan 1, lebih baik kesesuaian modelnya. Akan tetapi, terdapat
problem dengan 𝑅𝟐. Pertama, 𝑅𝟐 mengukur goodness of fit di dalam
sampel dalam pengertian seberapa dekat sebuah nilai Y dengan
aktualnya pada sebuah sampel. Tidak ada jaminan bahwa 𝑅𝟐 akan
meramalkan observasi-observasi di luar model dengan baik. Kedua,
dalam membandingkan dua atau lebih 𝑅𝟐, variabel dependen harus sama.
Ketiga, 𝑅𝟐 tidak dapat berkurang ketika lebih banyak variabel ke dalam
model. Oleh karena itu, terdapat masalah ketika memaksimalkan nilai
𝑅𝟐 hanya dengan menambahkan lebih banyak variabel kedalam model.
Hal ini mungkin akan dapat meningkatkan 𝑅𝟐, tetapi hal ini juga dapat
meningkatkan varians dari kesalahan forecasting.
34
b. Adjusted R-Squared (𝐑𝟐)
Adjusted 𝑅𝟐 dapat dilihat memalui perhitungan sebagai berikut:
𝑅2 = 1 −𝑅𝑆𝑆
𝑛−𝑘𝑇𝑆𝑆
𝑛−1
= 1 − (1 − 𝑟2)𝑛−1
𝑛−𝑘 ............................................... (3.10)
𝑅𝟐 dan Adjusted 𝑅𝟐 pada dasarnya keduanya di jadikan sebagai
kriteria Goodness Of Fit atau pengukuran kesesuain model regresi. Jika
dalam penambahan variabel bebas dapat meningkatkan nilai dari 𝑅𝟐 ,
maka sebaliknya penambhan dari variabel bebas tidak menjamin
naiknya nilai dari Adjusted 𝑅𝟐 karena bisa saja terdapat variabel yang
sebenarnya memang tidak dapat memberikan kontribusi yang terlalu
besar.
c. Kriteria Informasi Akaike (AIC)
Penambahan regresor-regresor ke dalam model pada kriteria AIC,
yang didefinisikan sebagai:
AIC = e2k/n ∑ ύi2
n= e2k/n RSS
n ...................................................... (3.11)
Dimana k adalah jumlah regresor (termasuk intercept) dan n
adalah jumlah observasi. Untuk kemudahan matematis, persamaan
ditulis sebagai berikut :
In AIC = [2k
n] + In [
RSS
n] ........................................................................ (3.12)
Dimana ln AIC = log natural AIC dan 2k/n = faktor hukuman.
Dalam rumus matematis AIC hanya pada istilah transformasi
35
logaritmanya sehingga tidak perlu menambahkan ln sebelum AIC.
Seperti rumusdiatas, AIC memberlakukan hukuman yang lebih keras
daripada R2
untuk penambahan lebih banyak regresor. Dalam
membandingkan dua atau lebih model, model dengan nilai AIC paling
rendah merupakan model yang lebih disukai. Salah satu keuntungan
AIC adalah kriteria ini berguna tidak hanya pada kinerja forecasting
sebuah regresi di-dalam-sampel, tetapi juga di-luar-sampel. AIC juga
berguna baik untuk model nested dan non-nested. Model tersebut juga
telah digunakan untuk menentukan panjang lag pada model AR(p).
d. Kriteria Informasi Schwarz (SIC)
Serupa dengan semangat AIC, SIC didefinisikan sebagai:
SIC = nk/n ∑ ύ2
n= nk/n RSS
n ........................................................ (3.13)
Atau dalam bentuk log:
ln SIC =𝑘
𝑛ln 𝑛 + ln [
RSS
n] ....................................................... (3.14)
Seperti yang jelas terlihat dari perbandingan antara persamaan In
SIC dan Persamaan ln AIC. Seperti AIC, semakin rendah nilai SIC,
semakin baik model tersebut. Sekali lagi, seperti AIC, SIC dapat
digunakan untuk membandingkan kinerja forecasting di dalam sampel
atau di luar sampel dari sebuah model.
36
4. Uji Statistik
a. Uji Simultan (Uji Statistik-F)
Menurut Gujarati dan Sumarno (1978), uji F merupakan salah
satu uji statistik yang digunakan untuk melihat pengaruh variabel-
variabel independen terhadap variabel dependen secara keseluruhan.
Nilai F hitung dapat diperoleh dengan rumus.
𝐹 ℎ𝑖𝑡 = 𝑅2/(𝑘−1)
(1−𝑅2)/(𝑛−𝑘) ............................................................... (3.15)
Dimana :
𝑅2 = Koefisien determinasi
k = jumlah variabel independen
n = jumlah sampel
Hipotesis yang digunakan dalam pengujian adalah sebagai berikut.
Ho: Variabel-variabel independen tidak mempengaruhi variabel
dependen
H1: Minimal satu diantara variabel-variabel independen
mempengaruhi variabel dependen
Dengan membandingkan nilai dari probabilitas F-statistik dan
nilai probabilitas α=5%. Sehingga kriteria dari pengujian ini adalah
Ho ditolak jika nilai probabilitas F-statistik < α=5%, yang berarti
bahwa minimal satu di antara variabel independen dapat
mempengaruhi variabel dependen.
37
b. Uji Parsial (Uji Statistik-t)
Menurut Gujarati dan Sumarno (1978), pengujian ini dilakukan
untuk melihat signifikan dari pengaruh variabel independen secara
individu terhadap dependen, dengan menganggap variabel
independen lainnya konstan. Untuk nilai t hitung dapat diperoleh
dengan rumus.
𝑡 ℎ𝑖𝑡 =(𝑏𝑖−𝑏)
𝑆𝑏𝑖 ........................................................................... (3.16)
Dimana:
bi = koefisien variabel independen ke i
b = nilai hipotesis nol
sbi= simpangan baku dari variabel independen
hipotesis yang digunakn dalam uji t statistik adalah sebagai
berikut.
H0 : Variabel indpenden tidak mempengaruhi variabel dependen
H1 : Variabel independen mempengaruhi variabel dependen
Dengan membandingkan nilai dari probabilitas t-statistik dan
nilai probabilitas α =5% atau 0,05. Sehingga kriteria dari pengujian
ini adalah Ho di tolak jika nilai probabilitas t-statistik <α =5%, yang
berarti bahwa variabel independen dapat mempengaruhi variabel
dependen.
38
c. Koefisien Determinasi (R2)
Menurut Gujarati dan Sumarno (1978), koefisien determinasi
pada intinya mengukur sejauh mana kemampuan model dalam
menerangkan variabel terikat. Dapat dikatakan pula untuk
mengetahui sebaik mana garis regresi. Untuk nilai koefisien
determinasi dapat diperoleh dengan rumus.
𝑟2 =∑(Ŷ𝑖−Ῡ)
2
∑(𝑌𝑖−Ῡ)2 =𝐸𝑆𝑆
𝑇𝑆𝑆 ................................................................. (3.17)
Dimana ESS (Explained Sum of Square) bisa disebut sebagai
jumlah kuadrat yang dijelaskan dan TTS (Total Sum of Square) bisa
disebut jumlah total kuadrat. Batasnya adalah 0 ≤ 𝑅𝟐 ≤1. Suatu R2
sebesar 1 maka memiliki kecocokan sempurna, sedangkan sempurna,
sedangkan R2 yang bernilai nol berarti tidak ada hubungan antar
variabel tak bebas dengan variabel yang menjelaskan.
5. Uji Asumsi Klasik
Pengujian pelanggaran asumsi klasik ini dilakukan untuk mengetahui
tentang adanya penyimpangan asumsi klasik yang sebagai syarat untuk
memenuhi persyaratan model estimasi Ordinary Least Square (OLS). Uji
asumsi klasik antara lain yaitu:
a. Uji Normalitas
Pengujian normalitas ini digunakan untuk mengetahui apakah
model yang diuji memiliki distribusi data yang normal atau memiliki
39
model yang baik. Dalam pengujian ini menggunakan Uji Jarque-Bera
dengan statistik uji yaitu:
𝐽𝐵 =�̂�1−𝛽1
𝜎�̂�1
................................................................................ (3.18)
b. Uji Multikolinieritas
Multikolinieritas adalah salah satu keadaan dimana terdapat
korelasi variabel-variabel bebas diantara satu dengan yang lainnya.
Multikolinieritas menunjukan adanya keberadaan dari hubungan linier
yang sempurna atau tepat diantara sebagian atau seluruh variabel
penjelas dalam sebuah model regresi. Untuk regresi variabel 𝑘 yang
melibatkan variabel penjelas 𝑋1, 𝑋2, … . , 𝑋𝑘 (di mana X1=1 untuk
semua observasi mengikutkan faktor intersep), dikatakan terdapat
hubungan liniear yang tepat jika kondisi tersebut dipenuhi:
𝜆1𝑋1 + 𝜆2𝑋2 + 𝜆3𝑋3 + 𝜆4𝑋4+𝜆5𝑋5 = 0 .................................... (3.19)
c. Uji Heterokedastisitas
Uji Heterokedastisitas digunakan untuk mengetahui apakah
faktor pengganggu mempunyai variasi yang sama atau tidak.
Pengujian Heterokedastisitas dilakukan dengan tujuan untuk
mengetahui jarak atau pesebaran varians terhadap garis regresi yaitu
sebagai berikut:
𝐸(𝑢𝑖2) = 𝜎2 ................................................................................. (3.20)
40
d. Uji Autokorelasi
Uji Autokorelasi ini bertujuan untuk menguji adanya korelasi
berseri antar kesalahan pengganggu pada periode saat ini dan
sebelumnya dalam suatu regresi linier. Autokorelasi muncul karena
observasi yang berurutan sepanjang waktu yang berkaitan satu sama
lain. Masalah autokorelasi timbul karena residual (kesalahan
pengganggu) tidak bebas dari satu observasi ke observasi lainnya.
Menurut Gujarati & Porter (2012),salah satu cara untuk
mendeteksi ada atau tidaknya autokorelasi pada model dinamis yaitu
dengan cara Durbin h Test atau statistik h dengan formulasi sebagai
berikut:
ℎ = �̂�√𝑛
1−𝑛[𝑉𝑎𝑟(𝑎2)] ...................................................................... (3.21)
Hipotesis yang digunakan dalam penelitian ini adalah sebagai berikut:
Ho : tidak terdapat autokorelasi dalam model autoregressive
H1 : terdapat autokorelasi dalam model autoregressive
Dengan derajat integrasi α=5% dan kriteria pengujian
Ho ditolak dan H1 diterima jika ℎℎ𝑖𝑡𝑢𝑛𝑔<ℎ𝑡𝑎𝑏𝑒𝑙
H1 diterima dan Ho ditolak jika ℎℎ𝑖𝑡𝑢𝑛𝑔 > ℎ𝑡𝑎𝑏𝑒𝑙