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 26
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 (X 2 ) 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: Y t = β 0 + β 1 X 1t + β 2 X 2t + β 3 X 3t + β 4 X 4t + β 5 X 5t + u t... (3.1) Diasumsikan u t 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: Y t = α 0 + α 1 DX1 t + α 2 DX2 t + α 3 DX3 t + α 4 DX4 t + α 5 DX5 t + α 2 u t 1 + ε t... (3.2) Jika ditulis dalam persamaan log maka sebagai berikut: log Y t = α 0 + α 1 logdx1 t + α 2 logdx2 t + α 3 logdx3 t + α 4 logdx4 t + α 5 logdx5 t + α 2 logu t 1 + ε t... (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. Y t = β 0 + β 1 X 1 + β 2 X 2 + β 3 X 3 + β 4 X 4 + β 5 X 5 + U t... (3.4) Dimana: Y t β 0 β 1, β 2, β 3, β 4, dan β 5 X 1 X 2 X 3 X 4 = Kredit yang diharapkan = Intersep = Koefisien regresi yang diharapkan = DPK = ROA = CAR = NPL
31 X 5 U t = SBI = Error Karena Y t yang diinginkan tidak dapat diamati secara langsung, maka hipotesis penyesuaian parsial sebagai berikut. Y t Y t 1 = δ(y t Y t 1 )... (3.5) Menurut Gujarati dan Porter (2012), dimana δ, diketahui sebagai koefisien penyesuaian (coefficient of adjustment) dan Y t Y t-1 = perubahan aktual dan Y * t - Y t-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. Y t Y t 1 = δ(β 0 + β 1 X 1 β 2 X 2 + β 3 X 3 + β 4 X 4 + β 5 X 5 + U t ) δ(y t 1 )... (3.6) Y t = δβ 0 + δβ 1 X 1 + δβ 2 X 2 + δβ 3 X 3 + δβ 4 X 4 +δβ 5 X 5 + (1 δ)y t 1 + δu t... (3.6.a)
32 Jika δβ 0 = α 0, δβ 1 = α 1, δβ 2 = α 2, δβ 3 = α 3, δβ 4 = α 4, δβ 5 = α 5, (1 δ) = α 6, δu t = e, maka dapat ditulis persamaan sebagai berikut: Y = α 0 + α 1 X 1 + α 2 X 2 + α 3 X 3 + α 4 X 4 + α 5 X 5 + α 6 Y t 1 + e (3.7) Dalam bentuk log adalah sebagai berikut: logy = α 0 + α 1 logx 1 + α 2 logx 2 + α 3 logx 3 + α 4 logx 4 + α 5 logx 5 + α 6 logy t 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 (R 2 ) Salah satu ukuran goodness of fit dari sebuah model regresi adalah R 2, dimana dapat didefinisikan sebagai berikut: R 2 = ESS = 1 RSS... (3.9) TSS TSS Dimana : ESS : Explained Sum of Square TSS : Total Sum of Square RSS : Residual Sum of Square R 2 didefinisikan berada diantara 0 dan 1. Lebih dekat nilai R 2 dengan 1, lebih baik kesesuaian modelnya. Akan tetapi, terdapat problem dengan R 2. Pertama, R 2 mengukur goodness of fit di dalam sampel dalam pengertian seberapa dekat sebuah nilai Y dengan aktualnya pada sebuah sampel. Tidak ada jaminan bahwa R 2 akan meramalkan observasi-observasi di luar model dengan baik. Kedua, dalam membandingkan dua atau lebih R 2, variabel dependen harus sama. Ketiga, R 2 tidak dapat berkurang ketika lebih banyak variabel ke dalam model. Oleh karena itu, terdapat masalah ketika memaksimalkan nilai R 2 hanya dengan menambahkan lebih banyak variabel kedalam model. Hal ini mungkin akan dapat meningkatkan R 2, tetapi hal ini juga dapat meningkatkan varians dari kesalahan forecasting.
34 b. Adjusted R-Squared (R 2 ) R 2 = 1 Adjusted R 2 dapat dilihat memalui perhitungan sebagai berikut: RSS n k TSS n 1 = 1 (1 r 2 ) n 1... (3.10) n k R 2 dan Adjusted R 2 pada dasarnya keduanya di jadikan sebagai kriteria Goodness Of Fit atau pengukuran kesesuain model regresi. Jika dalam penambahan variabel bebas dapat meningkatkan nilai dari R 2, maka sebaliknya penambhan dari variabel bebas tidak menjamin naiknya nilai dari Adjusted R 2 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 = e 2k/n ύ i 2 n RSS = e2k/n 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]... (3.12) n 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 R 2 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: k/n ύ2 SIC = n n = nk/n RSS n Atau dalam bentuk log:... (3.13) ln SIC = k n ln n + ln [RSS]... (3.14) n 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 variabelvariabel independen terhadap variabel dependen secara keseluruhan. Nilai F hitung dapat diperoleh dengan rumus. F hit = R 2 /(k 1) (1 R 2 )/(n k)... (3.15) Dimana : R 2 = 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 = (b i b) Sb i... (3.16) berikut. Dimana: b i = koefisien variabel independen ke i b = nilai hipotesis nol sb i = simpangan baku dari variabel independen hipotesis yang digunakn dalam uji t statistik adalah sebagai 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 (R 2 ) 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. r 2 = (Ŷ i Ῡ) 2 = ESS (Y i Ῡ) 2 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 R 2 1. Suatu R 2 sebesar 1 maka memiliki kecocokan sempurna, sedangkan sempurna, sedangkan R 2 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 = β 1 β 1 σ β 1 b. Uji Multikolinieritas... (3.18) 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 X 1, X 2,., X k (di mana X 1 =1 untuk semua observasi mengikutkan faktor intersep), dikatakan terdapat hubungan liniear yang tepat jika kondisi tersebut dipenuhi: λ 1 X 1 + λ 2 X 2 + λ 3 X 3 + λ 4 X 4 +λ 5 X 5 = 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(u i 2 ) = σ 2... (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 = p n 1 n[var(a 2 )]... (3.21) Hipotesis yang digunakan dalam penelitian ini adalah sebagai berikut: Ho : tidak terdapat autokorelasi dalam model autoregressive H 1 : terdapat autokorelasi dalam model autoregressive Dengan derajat integrasi α=5% dan kriteria pengujian Ho ditolak dan H1 diterima jika h hitung <h tabel H 1 diterima dan Ho ditolak jika h hitung > h tabel