BAB III OBJEK DAN METODE PENELITIAN. Dalam penelitian ini, objek yang dianalisis adalah data-data sekunder dari

Transkripsi

1 BAB III OBJEK DAN METODE PENELITIAN 3.1. Objek Peneltan Dalam peneltan n, objek yang danalss adalah data-data sekunder dar CAR (X1), BOPO (X2), NPL (X3), NIM (X4), dan LDR (X5), pertumbuhan kredt (Y1) dan pertumbuhan laba bank (Y2) pada bank pemerntah. Data tersebut penuls dapatkan sebagan besar dar perpustakaan Bank Indonesa Cabang Bandung Jalan Merdeka no 26 Bandung, badan Pusat Statstk, dan juga stus nternetnya. Keseluruhan data varabel-varabel dalam peneltan n merupakan data tme seres dengan perode pengamatan dar Tahun Metode Peneltan Metode peneltan yang dgunakan dalam peneltan n menggunakan pendekatan deskrptf (descrptve analyss) karena dlakukan untuk memperlhatkan dan mengurakan keadaan objek peneltan dan dlanjutkan dengan analss verfkatf (verfcatve analyss) karena dlakukan pengujan untuk mencar kebenaran dar suatu hpotess, yang dlaksanakan melalu pengumpulan data d lapangan dmana dalam peneltan n akan duj sejauh mana pengaruh dar CAR (X1), BOPO (X2), NPL (X3), NIM (X4), dan LDR (X5) terhadap pertumbuhan kredt (Y1), serta mplkasnya terhadap pertumbuhan laba bank (Y2). Metode peneltan yang dgunakan adalah explanatory research atau peneltan penjelasan karena bersfat penjelasan, yatu menjelaskan hubungan kausaltas. 45

2 Operasonalsas Varabel Dalam peneltan n telah dtetapkan sejumlah varabel yang termasuk ke dalam varabel bebas (eksogen) dan varabel terkat (endogen). Varabel bebas yang dmaksud dalam peneltan n adalah varabel CAR (X1), BOPO (X2), NPL (X3), NIM (X4), dan LDR (X5). Sedangkan yang dmaksud varabel terkat adalah pertumbuhan kredt (Y1) dan pertumbuhan laba bank (Y2). Varabel-varabel dalam peneltan n sepert telah d jelaskan pada objek peneltan djabarkan lebh lanjut ke dalam varabel, ndkator, pengukuran dan skala data, sepert pada Tabel 3.1. Tabel 3.1 Operasonalsas Varabel No Varabel Indkator Satuan Skala 1 Pertumbuhan Kredt (Y1) kredt tahun n- kredt tahun lalu Pertumbuhan Kredt = kredt tahun lalu 2 Pertumbuhan laba bank (Y2) laba tahun n- laba tahun lalu Pertumbuhan Laba = laba tahun lalu 4 CAR (X1) Modal Bank CAR = Total ATMR 5 BOPO (X2) Total Beban Operasonal BOPO = Total Pendapatan Operasonal 6 NPL (X3) Total Kredt Bermasalah NPL = Total Kredt 7 NIM (X4) Pendapatan Bunga Bersh NIM = Rata-rata Aktva Produktf 8 LDR (X5) Total Kredt LDR = Total Dana Phak Ketga % Raso % Raso % Raso % Raso % Raso % Raso % Raso

3 Sampel dan Populas Peneltan Menurut Sugyono (2006:90) Populas adalah wlayah generalsas yang terdr atas objek/subjek yang mempunya kualtas dan karakterstk tertentu yang dtetapkan oleh penelt untuk dpelajar dan kemudan dtark kesmpulannya. Populas dalam peneltan n adalah 130 bank. Dalam suatu peneltan tdak mungkn semua populas dtelt, dalam hal n dsebabkan beberapa faktor, dantaranya keterbatasan baya, tenaga dan waktu yang terseda. Oleh karena tu, penelt dperkenankan mengambl sebagan dar objek populas yang dtentukan, dengan catatan bagan yang dambl tersebut mewakl yang lan yang tdak dtelt. Hal n sejalan dengan pendapat Sugyono (2002:73) bahwa : Bla populas besar dan penelt tdak mungkn mempelajar semua yang ada pada populas, msalnya karena keterbatasan dana, tenaga dan waktu, maka penelt dapat menggunakan sampel yang dambl dar populas tu. Apa yang dpelajar dar sampel tu kesmpulannya akan dberlakukan untuk populas. Untuk tu, sampel dar populas harus benar-benar mewakl. Untuk pengamblan sampel dar populas agar dperoleh sampel yang representatf dan mewakl, maka penarkan sampel berdasarkan metode purposve samplng dengan cara memlh Bank Pemerntah yang memlk laporan keuangan lengkap selama perode Januar 2001 hngga Desember Sesua dengan krtera d atas, banyaknya bank yang damat adalah 4 bank yatu BNI, BRI, BTN, dan Mandr.

4 Metode Pengumpulan Data Sumber data yang dgunakan adalah data sekunder, yatu jens data yang d peroleh dalam bentuk yang sudah jad, sudah dkumpulkan dan dolah oleh phak lan basanya dalam bentuk publkas. Data sekunder yang dbutuhkan dalam peneltan n adalah Laporan Keuangan Publkas yang dterbtkan oleh Bank Indonesa dalam Drektor Perbankan Indonesa. Perodesas data menggunakan data Laporan Keuangan Publkas Tahunan perode 2001 hngga Jangka waktu tersebut dpandang cukup untuk mengkut perkembangan Knerja Bank karena dgunakan data tme seres serta mencakup perode terbaru laporan keuangan publkas yang dterbtkan oleh Bank Indonesa Data sekunder dperoleh dar perpustakaan Bank Indonesa cabang Bandung Jln. Merdeka no 26 Bandung, Badan Pusat Statstk, nternet, bukubuku, lteratur, dan jurnal-jurnal peneltan. Penggunaan data sekunder dalam peneltan n dkarenakan efektvtas baya dan penghematan waktu Teknk Analss Data Analss data dgunakan penuls adalah analss jalur (path analyss) yang dperkenalkan pertama kal oleh Sewall Wrght pada tahun Pada awalnya analss jalur dpergunakan untuk lmu sosolog dan dkembangkan oleh Karl G Joreskog dan Dag Sorbom dar departemen Statstk Unverstas Uppsala Sweda. Sedangkan hasl pengembangannya d publkaskan pada tahun 1993 dan tahun 1996.

5 49 Ada beberapa langkah yang harus dlakukan dalam analss jalur (Gambar 3.1). Pertama, menentukan model peneltan dan merumuskan persamaan strukturalnya sesua dengan hpotess peneltan yang dajukan. Kemudan melakukan estmas parameter model dan dlanjutkan dengan melakukan pengujan model. Pengujan model dlakukan dengan tga tahap, yatu evaluas asums statstk, kesesuaan model, dan uj ndvdual koefsen jalur. Untuk mengolah data statstka dalam peneltan n, penuls akan menggunakan program SPSS vers 17. Sumber : Kusnend (2006:83) Gambar 3.1 Prosedur Pengujan Model Analss Jalur

6 50 Hubungan kausal antar varabel peneltan dapat dgambarkan secara lengkap dalam struktur model peneltan sebagamana dtunjukkan pada Gambar 3.2 Keterangan : Gambar 3.2 Struktur Model peneltan X1 X2 X3 X4 X5 Y1 Y2 = CAR = BOPO = NPL = NIM = LDR = Pertumbuhan Kredt = Pertumbuhan Laba Bank Sesua dengan Gambar 3.2 dan hpotess yang dajukan sebelumnya maka dapat dbuat model dalam bentuk persamaan dagram jalur sebaga berkut : Y = ρ X ρ X ρ X + ρ X + ρ X + e Y = ρ X ρ X ρ X + ρ X + ρ X + ρ Y + e

7 51 Uj Asums Statstk Suatu model menghaslkan estmator yang tdak bas, lner dan terbak (best lnear unbased estmator = BLUE) jka dpenuh beberapa asums yang dsebut dengan asums klask, sebaga berkut (Gujarat, 2003:929) : Tdak terdapat multkolneartas, yatu tdak adanya hubungan lnear antar varable ndependen. Tdak terdapat heteroskedaststas, yatu resdual memlk varan yang tdak konstan pada setap varabel. Tdak terjad autokorelas antar error, yatu resdual suatu observas tdak salng berhubungan dengan resdual observas lannya. a. Uj Multkolnertas Istlah multkolneartas dcptakan oleh Ragner Frsh d dalam bukunya Statstcal confluence analyss by means of complete Regresson Systems. Multkolneartas menunjukkan : the exstence of perfect or exact, lnear relatonshp among some or explanatory varables of a regresson model (Gujarat, 2003:342). Jad, multkolneartas menunjukkan konds dmana antar varabel ndependen dalam model regres terdapat hubungan lnear yang sempurna (koefsen korelas tngg), eksak, perfectly predcated atau sngularty. Apabla model predks kta memlk multkolneartas, akan memunculkan akbat-akbat sebaga berkut (Gujarat, 2003:350): a. Adanya multkolneartas mash menghaslkan estmator yang BLUE, tetap menyebabkan suatu model mempunya varan dan kovaran yang besar

8 52 sehngga sult mendapatkan estmas yang tepat. Akbatnya model regres yang dperoleh tdak vald. n case of perfect lnear relatonshp or perfect multcolnearty among explanatory varables, we cannot obtan ther unque estmates, we cannot draw any statstcal nferences (.e., hypothess testng) about them form a gven sample. b. Interval estmas akan cenderung lebh lebar dan nla htung statstk uj t akan kecl sehngga membuat varabel ndependen secara statstk tdak sgnfkan mempengaruh varabel ndependen dan probabltas menerma hpotess yang salah juga akan semakn besar. Tujuan uj multkolneartas bukan untuk mengetahu ada tdaknya multkolneartas dalam model regres, tetap untuk mengetahu seberapa besar derajat multkolneartas tersebut dalam model regres. Multkolneartas dapat dlhat dar nla varance nflaton factor (VIF) dan tolerance value yatu dengan rumus (Har, et. al, 2006:176) : 1 1 VIF = = 1 R 2 Tolerance Batas tolerance value adalah 0,10 sedangkan batas VIF adalah 10,00 (Har, et. al, 2006 : 230). D mana : Tolerance value < 0,10 atau VIF>10 maka terjad multkolneartas. Tolerance value > 0,10 atau VIF<10 maka tdak terjad multkolneartas.

9 53 b. Uj Heteroskedaststas Heteroskedaststas muncul apabla resdual memlk varan yang tdak konstan pada setap varabel (Hanke & Retsch, 1998:259). Tdak adanya heteroskedaststas n dapat dnyatakan sebaga berkut (Gujarat, 2003:387): E( e) 2 = σ Model regres dengan heteroskedaststas mengandung konsekuens serus pada estmator metode OLS karena tdak lag BLUE, yatu (Gujarat, 2003:398): a. Jka estmator tdak lag mempunya varan yang mnmum maka menyebabkan perhtungan standard error metode OLS tdak lag bsa dpercaya kebenarannya. b. Interval estmas maupun uj hpotess yang ddasarkan pada dstrbus t maupun F tdak lag bsa dpercaya kebenarannya untuk evaluas hasl regres. Ada beberapa metode yang dapat dgunakan untuk mengdentfkas ada tdaknya masalah heteroskedaststas, dantaranya metode park gleyser. Gejala heteroskedaststas akan dtunjukkan oleh koefsen regres dar masng-masng varabel ndependen terhadap nla absolut resdunya (e). Jka nla probabltasnya lebh besar dar nla alphanya (0.05), maka dapat dpastkan model tdak mengandung unsur heteroskedaststas. Dkatakan tdak terjad heteroskedaststas apabla : T-htung < t-tabel atau sg.-t > α c. Uj Autokorelas Autokorelas ddefnskan sebaga korelas antar error dar serangkaan observas satu dengan observas lan yang berlanan waktu (Gujarat, 2003:465).

10 54 Autokorelas muncul karena observas yang berurutan sepanjang waktu salng berkatan satu sama lan (Hanke dan Retseh, 1998:360). Tdak adanya autokorelas dapat dnyatakan sebaga berkut (Gujarat, 2003:442) : E( e e ) = 0 Autokorelas terjad karena beberapa sebab, dantaranya : 1) Data mengandung pergerakan nak turun secara musman 2) Kekelruan memanpulas data 3) Data tme seres 4) Data yang danalss tdak bersfat stasoner. j Apabla data yang kta analss mengandung autokorelas, maka estmator yang kta dapatkan memlk karakterstk berkut n : 1) Estmator metode kuadrat terkecl mash lnear 2) Estmator metode kuadrat terkecl mash tdak bas 3) Estmator metode kuadrat terkecl tdak mempunya varan yang mnmum. Pengujan Autokorelas dlakukan dengan menggunakan uj Durbn Watson (Durbn-Watson Test), yatu untuk menguj apakah terjad korelas seral atau tdak dengan menghtung nla d statstc dengan rumus (Gujarat, 2003:467): Dmana: d = nla d DW = n 2 ( et et 1) t= 2 n t= 2 2 e t e = nla resdu dar persamaan regres perode t. c t-1 = nla resdu dar persamaan regres perode t-1.

11 55 Sumber : Gujarat, 2003:469 Gambar 3.3 Statstk d Durbn-Watson(DW) Dmana: 0 < d < d L : menolak hpotess nol; ada autokorelas postf d L < d < d U dan 4 - d U < d < 4 - d L d U < d < 4 - d U : daerah keragu-raguan; tdak ada keputusan : menerma hpótess nol; tdak ada q autokorelas postf/negatf 4 - d L d 4 : menolak hpótess nol; ada autokorelas negatf d. Uj Normaltas Uj normaltas dmaksudkan untuk mengetahu apakah resdual yang dtelt berdstrbus normal atau tdak. Nla resdual berdstrbus normal merupakan suatu kurva berbentuk lonceng yang kedua ssnya melebar sampa tak terhngga. Dstrbus data tdak normal karena terdapat nla ekstrm dalam data yang dambl.

12 56 Cara mendeteks dengan menggunakan hstogram regresson resdual yang sudah dstandarkan serta menggunakan análss Ch kuadrat (χ 2 ) dan kolmogorov-smrnov. Kurva nla resdual terstandardsas dkatakan menyebar dengan normal apabla : nla kolmogorov-smrnov Z Z tabel; atau nla asymp.sg. (2 taled) >α. Uj Analss Jalur Apabla persyaratan n dpenuh, maka koefen jalur bsa dhtung dengan langkah sebaga berkut : 1. Menggambarkan dengan jelas dagram jalur yang mencermnkan propors hpotetk yang dajukan, lengkap dengan persamaan strukturalnya. 2. Menghtung matrks korelas antar varabel. R X X Xu 1 r X1X... r 2 u 1... r X2u = Formula untuk menghtung koefsen korelas menggunakan Pearson s Coffcent of Correlaton (Product Moment Coeffcent) dar Karl Pearson. Rumus Pearson s Coffcent of Correlaton (Product Moment Coeffcent) (Al Rasyd, 2005) :

13 57 r = n = 1 x y ( x )( y ) n ( x ) ( y ) y 2 2 n 2 2 x = 1 n = 1 n n 3. Menghtung matrks korelas varabel eksogen R X X Xk 1 r X1X... r 2 k 1... r X2k = 4. Menghtung matrks nvers korelas varabel eksogen 1 R = adj R -1 R ( ) C 11 C C1j C C2j Cjj 5. Menghtung semua koefsen jalur ρ xux, dmana I = 1,2,,k; melalu rumus ρx C 1 11 C C ux 1j rx u x 1 ρx C C ux r 2j xu x2... = ρ C r xu x j jj xu x j Untuk menentukan koefsen jalur, dapat juga dgunakan fungs regres, yatu mengalkan koefsen regres dengan standar devas varabel eksogen dbag dengan standar devas varabel endogen. Rumusnya adalah sebaga berkut (Kusnend, 2005:9): S ρ = j S k y ( b ) k

14 58 Keterangan : Ρj = koefsen jalur Sk = standar devas varabel eksogen Sy = standar devas varabel endogen Bk = koefsen regres varabel eksogen 6. Menguj kebermaknaan (test of sgnfcance) koefsen jalur secara keseluruhan maupun secara ndvdu. Guna melakukan pengujan kebermaknaan koefsen jalur atas hpotess yang dtetapkan, Tabel 3.2 mengurakan rancangan pengujan hpotess dengan menggunakan krtera uj berdasarkan output SPSS vers 17. Tabel 3.2 Rumusan Hpotess Peneltan Pengujan Hpotess statstk Krtera uj Secara ndvdual Hpotess 1 H 0, ρ < 0 : masng-masng varabel X 1, X 2, X 3, X 4, X 5 tdak berpengaruh terhadap varabel Y1 H 1, ρ >0 : masng-masng varabel X 1, X 2, X 3, X 4, X 5 berpengaruh terhadap varabel Y1 Dharapkan H 0 dterma, jka : P- value 0.05 Hpotess 2 H 0, ρ < 0 : masng-masng varabel X 1, X 2, X 3, X 4, X 5 dan Y 1 tdak berpengaruh terhadap varabel Y 2 H 1, ρ>0 : masng-masng varabel X 1, X 2, X 3, X 4, X 5 dan Y 1 berpengaruh terhadap varabel Y 2 Dharapkan H 0 dterma, jka : P- value 0.05

15 59 7. Menghtung besarnya pengaruh langsung, pengaruh tdak langsung, serta pengaruh total varabel eksogen terhadap varabel endogen secara parsal, dengan rumus : a. Besarnya pengaruh langsung varabel eksogen terhadap varabel endogen = ρ xρ xu x j xu x j b. Besarnya pengaruh tdak langsung varabel eksogen terhadap varabel endogen = ρ xr xρ xu x j x1x2 xu x j c. Besarnya pengaruh total varabel eksogen terhadap endogen adalah penjumlahan besarnya pengaruh langsung dengan besarnya pengaruh tdak langsung = ρ xρ + ρ xr xρ xu x j xu x j xu x j x1 x2 xu x j 8. Menghtung R 2 Xu ( X 1, X 2,..., X k ), yatu koefsen determnas total X 1, X 2,, X k terhadap X u atau besarnya pengaruh varabel eksogen secara bersamasama (gabungan) terhadap varabel endogen dengan menggunakan rumus : ( ) = ( ρx ) u x ρ 1 xu x ρ 2 xu x j 2 R Xu X 1, X 2,..., X k... rx u x 1 rx u x2... r xu x j 9. Menghtung besarnya varabel resdu, yatu varabel yang mempengaruh varabel endogen d luar varabel eksogen dengan rumus : ρ ( ) 2 x = R Xu X 1, X 2,..., X uε k Perlu dketahu, produk akhr dar langkah perhtungan tersebut adalah memperoleh model peneltan yang sesua dalam mempredks perubahan varabel eksogen terhadap varabel endogen yang dnterpretaskan dalam bentuk persamaan

16 60 struktural maupun gambar struktur jalur tu sendr. Dengan demkan dalam teknk analss jalur, tdak tertutup kemungknan persamaan maupun model akan berubah yang dsebabkan oleh adanya salah satu atau lebh varabel ndependen yang pengujan hpotessnya dtolak (H o dterma). Apabla terjad hal tersebut, maka dalam kadah statstk khususnya teknk analss jalur dapat dlakukan trmmng. Trmmng sebagamana dkemukakan oleh Hese, Al Rasyd dalam Kusnend (2004:12) adalah metode yang dgunakan untuk memperbak model dengan jalan mengeluarkan atau mendrop dar model varabel eksogen yang koefsen jalurnya tdak sgnfkan.