variable. 3.6.2. Uji parsial t-test, dimaksudkan untuk mengetahui signifikansi statistik
koefisien regresi secara parsial. Jika t
hit
t
tabel
, maka H ditolak dan H
1
diterima. 3.6.3. Uji serempak F-test, dimaksudkan untuk mengetahui signifikansi statistik
koefisien regresi secara serempak. Jika F
hit
F
tabel
, maka H ditolak dan H
1
diterima.
3.7 Pelanggaran Asumsi Klasik
Dalam suatu model regresi ada beberapa permasalahan yang biasa terjadi dan secara statistik dapat menganggu model yang telah ditentukan, bahkan dapat
menyesatkan kesimpulan yang diambil dari persamaan yang dibentuk. Untuk itu maka perlu melakukan uji penyimpangan asumsi klasik, yang terdiri dari Gujarati,
2007 : 3.7.1.
Multikolinieritas Multikolinieritas digunakan untuk menunjukkan adanya hubungan linear
diantara variabel-variabel bebas dalam model regresi. Interpretasi dari persamaan regresi linier secara implisit bergantung pada asumsi bahwa variabel-variabel bebas
dalam persamaan tidak saling berkorelasi. Bila variabel-variabel bebas berkorelasi dengan sempurna, maka disebut multikolinieritas sempurna.
Budi Mulyadi : Analisis Faktor-Faktor Yang Mempengaruhi Tabungan Nasional Di Indonesia, 2009 USU Repository © 2008
Multikolinieritas dapat dideteksi dengan besaran-besaran regresi yang didapat, yaitu :
1 Variasi besar dari taksiran OLS
2 Interval kepercayaan lebar karena variasi besar, maka standar error besar
sehingga interval kepercayaan lebar. 3
Uji-t tidak signifikan. Suatu variabel bebas secara substansi maupun secara statistik jika dibuat regresi sederhana bias tidak signifikan karena variasi besar
akibat kolinieritas. Bila standar error terlalu besar, maka besar pula kemungkinan taksiran koefisien regresi tidak signifikan.
4 R
2
tinggi tetapi tidak banyak variabel yang signifikan dari t-test. Terkadang nilai taksiran koefisien yang didapat akan mempunyai nilai yang tidak
sesuai dengan substansi sehingga dapat menyesatkan interpretasi.
3.7.2. Autokorelasi
Autokorelasi dapat didefinisikan sebagai korelasi antara anggota serangkaian observasi yang diurutkan menurut waktu. Dalam konteks regresi, model regresi linier
klasik mengasumsikan bahwa autokorelasi seperti itu tidak terdapat dalam disturbansi. Dengan menggunakan lambang µ secara sederhana dapat dikatakan
model klasik mengasumsikan bahwa unsur gangguan yang berhubungan dengan observasi tidak dipengaruhi oleh unsur disturbansi atau gangguan yang berhubungan
dengan pengamatan lain yang manapun. Untuk mengestimasi model persamaan ekonometrika 3.3 dengan OLS, harus dipastikan bahwa faktor kesalahan µ dan
Budi Mulyadi : Analisis Faktor-Faktor Yang Mempengaruhi Tabungan Nasional Di Indonesia, 2009 USU Repository © 2008
variabel terlambat SAV-1 tidak berkorelasi. Jika sebaliknya, seperti bisa dilihat, estimator OLS tidak hanya bias tetapi juga tidak konsisten Gujarati, 2007.
Untuk mendeteksi adanya autokorelasi dalam model penelitian ini dilakukan uji Lagrange Multiplier LM Test. LM Test adalah suatu cara yang dapat digunakan
untuk menguji autokorelasi dengan keberadaan variabel dependen yang diperlamban dengan menganalisis seberapa baik residu-residu yang diperlamban menjelaskan
residu-residu pada persamaan awal Sarwoko, 2005. LM Test dilakukan dengan membandingkan nilai X
2 hitung
dengan X
2 tabel
dengan kriteria sebagai berikut : 1 Jika nilai X
2 hitung
X
2 tabel
, maka hipotesis yang menyatakan tidak ada autokorelasi dalam model empiris yang digunakan ditolak.
2 Jika nilai X
2 hitung
X
2 tabel
, maka hipotesis yang menyatakan tidak ada autokorelasi dalam model empiris yang digunakan tidak dapat ditolak.
3.7.3. Normalitas
Asumsi model regresi linier klasik adalah bahwa faktor pengganggu µi mempunyai nilai rata-rata yang sama dengan nol, tidak berkorelasi dan mempunyai
varian konstan. Dengan asumsi ini, OLS estimator atau penaksir akan memenuhi sifat-sifat statistik yang diinginkan, seperti ketidakbiasan dan mempunyai varian yang
minimum. Untuk dapat mengetahui normal atau tidaknya faktor pengganggu µi dilakukan dengan J-B Test Jarque-Bera Test.
Budi Mulyadi : Analisis Faktor-Faktor Yang Mempengaruhi Tabungan Nasional Di Indonesia, 2009 USU Repository © 2008
Menurut Manurung 2005, Uji Jarque-Bera Test adalah asimptosis untuk sampel besar. Uji ini juga didasarkan pada residual OLS estimator dengan cara
menguji Skweness dan Kurtosis yaitu :
JB=N [ S
2
6 + k-3
2
24 ]
Di mana S dan K adalah koefisien Skewness dan Kurtosis serta N adalah jumlah data. Di bawah hipotesis H0 dinyatakan bahwa residual terdistribusi secara
normal dengan derajat bebas atau df=2. Jika nilai penghitungan probability dari statistik JB cukup rendah atau nilai statistik JB berbeda dengan nol maka hipotesis
yang menyatakan residual terdistribusi secara normal ditolak. Akan tetapi jika nilai penghitungan probability dari statistik JB cukup tinggi atau nilai statistik JB nol
maka hipotesis yang menyatakan residual terdistribusi secara normal tidak ditolak.
3.7.4. Data Stationer
Dalam analisis ekonometrika modern, jika menggunakan data deret waktu time series, mensyaratkan data yang digunakan harus stationer. Sebuah data deret
waktu dikatakan stationer jika nilai rata-rata galat sama dengan nol dan nilai varians variance dari peubah yang bersangkutan konstan sepanjang waktu. Uji stationeritas
data penting dilakukan untuk mengetahui apakah terjadi pelanggaran asumsi regresi. Masalah utama yang terjadi apabila data yang digunakan di dalam analisis regresi
tidak stasioner, nilai dugaan yang dihasilkan menjadi bias spurious regression, sehingga menimbulkan kesalahan dalam interpretasi hasil analisis. Untuk
Budi Mulyadi : Analisis Faktor-Faktor Yang Mempengaruhi Tabungan Nasional Di Indonesia, 2009 USU Repository © 2008
menanggulangi masalah data yang tidak stasioner, beberapa kajian terdahulu telah menyarankan penggunaan konsep deferensial differencial data untuk
menghilangkan unit root walaupun penggunaan metode ini masih menimbulkan perdebatan karena akan menghilangkan informasi jangka panjang yang sangat
penting.
Untuk menguji kondisi apakah data stationer atau tidak stationer dilakukan uji Augmented Dickey Fuller ADF. Jika variabel yang digunakan ternyata tidak
stationer, maka penelitian tidak dapat menggunakan metode Ordinary Least Square OLS, namun harus menggunakan persamaan yang mengkoreksi galat seperti error
correction model ECM. Data yang stationer diketahui setelah dilakukan pengujian unit root. Adapun yang dimaksud dengan pengujian unit root adalah menguji apakah
data yang digunakan memiliki error yang konstan, dan tidak terpengaruh oleh waktu serta variabel lainnya.
Budi Mulyadi : Analisis Faktor-Faktor Yang Mempengaruhi Tabungan Nasional Di Indonesia, 2009 USU Repository © 2008
BAB IV PEMBAHASAN HASIL PENELITIAN