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