pengujian asumsi klasik yang terdiri dari uji normalitas, uji multi kolinearitas, uji heteroskedastisitas dan uji auto korelasi. Analisis regresi
berganda bertujuan untuk melihat pengaruh antara variabel independen dengan variabel dependen. Pengujian ini dilakukan dengan menggunakan
program Eviews 5.0. Setelah model regresi terbebas dari penyimpangan asumsi klasik, maka langkah selanjutnya dilakukan uji statistic yang terdiri
dari uji t, uji F, dan uji koefisien determinasi R2, kemudian uji regresi berganda.
1. Uji Asumsi Klasik a Uji Normalitas Data
Uji normalitas digunakan untuk menentukan apakah variable berdistribusi normal atau tidak. Dalam penelitian ini uji normalitas
data menggunakan metode Jarque-BeraJ-B. jika residual didistribusikan secara normal maka diharapkan nilai statistic J-B
akan sama dengan nol. Jika nilai probabilitas dari statistic J-B besar atau dengan kata lain jika nilai statistic dari J-B ini tidak signifikan
maka kita menerima hipotesis bahwa residual mempunyai distribusi normal karena nilai statistik J-B mendekati nol.
Sebaliknya jika nilai probabilitas dari statistic JB kecil atau signifikan maka kita menolak hipotesis bahwa residual mempunyai
distribusi normal karena nilai statistic J-B tidak sama dengan nol. Tabel 4.8
Hasil uji normalitas data Jarque Bera
Probabilitas
5.012119 0.081589
Sumber: Lampiran 1 Berdasarkan uji statistik J-B, nilai statistiknya sebesar
5.012119 dengan probabilitas yang cukup besar yaitu sebesar 8.16. Oleh karena itu, berarti hipotesis nol diterima karena
residual didistribusikan secara normal.
b Uji Multikolonieritas
Masalah multikolinearitas dengan uji korelasi parsial antar variabel independen dapat dilihat dengan nilai korelasi antar
variabel. Jika koefisen korelasi lebih dari 0.80, dapat disimpulkan terdapat multikolinearitas pada model. Sebaliknya jika nilai
koefisien korelasi lebih kecil dari 0,80 maka diduga model tidak mengandung masalah multikolinearitas Widarjono;2007.
Tabel 4.9 Hasil Matrix Correlation
LOGX1 LOGX2
LOGX3 LOGX4
LOGX5
LOGX1 1.000000
0.420459 -0.470297
-0.952165 0.387142
LOGX2 0.420459
1.000000 0.219513
-0.460449 0.588672
LOGX3 -0.470297
0.219513 1.000000
0.486492 0.405190
LOGX4 -0.952165
-0.460449 0.486492
1.000000 -0.404755
LOGX5 0.387142
0.588672 0.405190
-0.404755 1.000000
Sumber: Lampiran 2
R-squared 0.014402
Mean dependent var 0.007132
Adjusted R-squared -0.080367
S.D. dependent var 0.045399
S.E. of regression 0.047188
Akaike info criterion -3.178609
Sum squared resid 0.231573
Schwarz criterion -2.916051
Tabel 4.9 Terlihat bahwa nilai korelasi antar variable independen tidak lebih dari 0,8. Hal ini menunjukkan bahwa tidak
terdapat masalah multikolinearitas pada model regresi tersebut.
c Uji Heterokedastisitas
Uji heterokedastisitas bertujuan untuk menguji apakah dalam model regresi terjadi ketidaksamaan varians dari residual
satu pengamatan ke pengamatan yang lain. Dalam penelitian ini menggunakan
uji white
untuk mengidentifikasi
masalah heterokedastisitas ini. Hasil uji white dengan bantuan software
eviews 5.0 adalah sebagai berikut: Tabel 4.10
Hasil Uji White untuk heterokedastisitas
White Heteroskedasticity Test: F-statistic
0.151970 Probability
0.998714 ObsR-squared
1.656238 Probability
0.998361 Test Equation:
Dependent Variable: RESID2 Method: Least Squares
Date: 021610 Time: 16:58 Sample: 1 115
Included observations: 115 Variable
Coefficient Std. Error
t-Statistic Prob.
C 0.004603
0.009643 0.477270
0.6342 X1
0.000962 0.018985
0.050665 0.9597
X12 0.000699
0.007342 0.095189
0.9243 X2
-4.76E-06 6.05E-06
-0.786444 0.4334
X22 2.62E-10
4.48E-10 0.583911
0.5605 X3
0.008005 0.008055
0.993822 0.3226
X32 -0.000943
0.000900 -1.047590
0.2973 X4
-8.99E-05 0.000133
-0.673442 0.5022
X42 8.89E-08
1.55E-07 0.572381
0.5683 X5
-0.014469 0.034099
-0.424331 0.6722
X52 0.003996
0.009838 0.406244
0.6854
Log likelihood 193.7700
F-statistic 0.151970
Durbin-Watson stat 2.026386
ProbF-statistic 0.998714
Sumber: Lampiran 3 Tabel 4.10 Menunjukkan bahwa model tidak mengandung
heterokedastisitas, karena nilai probabilitas chi squares sebesar 99.83 lebih besar dari 0.05 atau 5. Selain itu nilai chi square
hitung sebesar
1.656238
sedangkan nilai kritis chi square pada = 5 dengan df sebesar 10 adalah 18.3070. Karena nilai chi square
hitung lebih kecil dari nilai kritis chi square maka dapat disimpulkan tidak ada masalah heterokedastisitas.
d Uji autokorelasi
Penelitian ini menggunakan Metode Breusch-godfrey atau yang lebih dikenal dengan metode Langrange Multiplier LM
untuk mendeteksi adanya
masalah autokorelasi jika
probabilitasobsR2 uji LM 0.05 maka terdapat gejala
autokorelasi dalam model yang
digunakan.hasil deteksi
autokorelasi dengan menggunakan metode LM dapat dilihat pada tabel 4.11 Berikut:
Tabel 4.11 Hasil Uji Autokorelasi
Breusch-Godfrey Serial Correlation LM Test: F-statistic
0.167947 Probability
0.845621 ObsR-squared
0.359877 Probability
0.835322 Test Equation:
Dependent Variable: RESID Method: Least Squares Date:
021610 Time: 16:57 Presample missing value lagged residuals set to zero.
Variable Coefficient
Std. Error t-Statistic
Prob.
C -0.000520
0.012640 -0.041153
0.9673 X1
-0.000401 0.015026
-0.026696 0.9788
X2 2.93E-07
4.52E-06 0.064786
0.9485 X3
-4.10E-05 0.004174
-0.009820 0.9922
X4 4.03E-06
8.36E-05 0.048210
0.9616 X5
0.001549 0.022804
0.067909 0.9460
RESID-1 0.002357
0.098366 0.023958
0.9809 RESID-2
0.056885 0.098221
0.579149 0.5637
R-squared 0.064164
Mean dependent var 0.029391
Adjusted R-squared 0.021236
S.D. dependent var 0.087683
S.E. of regression 0.086747
Akaike info criterion -2.000890
Sum squared resid 0.820220
Schwarz criterion -1.857676
Log likelihood 121.0511
F-statistic 1.494682
Durbin-Watson stat 1.992901
ProbF-statistic 0.197452
R-squared 0.003129
Mean dependent var 6.21E-18
Adjusted R-squared -0.062086
S.D. dependent var 0.084823
S.E. of regression 0.087416
Akaike info criterion -1.969241
Sum squared resid 0.817654
Schwarz criterion -1.778289
Log likelihood 121.2314
F-statistic 0.047985
Durbin-Watson stat 2.001672
ProbF-statistic 0.999843
Sumber: Lampiran 4 Tabel 4.11 tersebut diatas menunjukkan probabilitas
obsR2 uji LM sebesar
0.835322
lebih besar dari sebesar 0,05. Selain itu dapat pula dilihat dari nilai chi square kritis dengan df 5
pada 5 sebesar 11.0705 sedangkan nilai chi square hitung sebesar
0.006185
lebih kecil dari nilai chi square kritis artinya model tidak mempunyai masalah autokorelasi.
Tabel 4.12 Hasil Uji Regresi Berganda
Dependent Variable: Y Method: Least Squares Date:
021610 Time: 16:55 Sample: 1 115
Included observations: 115 Variable
Coefficient Std. Error
t-Statistic Prob.
C 0.043835
0.012495 3.508316
0.0007 X1
0.008275 0.014887
0.555815 0.5795
X2 -2.24E-06
4.44E-06 -0.504169
0.6152 X3
-0.000718 0.004135
-0.173620 0.8625
X4 -8.10E-05
8.19E-05 -0.989067
0.3248 X5
-0.055505 0.022447
-2.472736 0.0150
Sumber: Lampiran 5
2. Uji Hipotesis a. Uji regresi parsial uji t