• Lakukan winsorizing, yaitu mengubah nilai data outlier kesuatu nilai tertentu
Untuk melengkapi dan meyakinkan bahwa data dalam model regresi terdistribusi normal dilakukan uji statistik dengan melihat nilai Kolmogorov
Smnornov, yang hasilnya ditunjukkan pada tabel 4.6 sebagai berikut :
Tabel 4.6 Hasil Uji Kolmogorov Smirnov
Setelah Logaritma natural Ln
One-Sample Kolmogorov-Smirnov Test
deposit N
48 Uniform
Parametersa,b Minimum
6,35 Maximum
10,75 Most Extreme
Differences Absolute
,476 Positive
,476 Negative
-,021 Kolmogorov-Smirnov Z
3,296 Asymp. Sig. 2-tailed
,0381 a Test distribution is Normal.
b Calculated from data.
Sumber : Data diolah oleh peneliti 2013
Pada tabel 4.6 menunjukkan nilai signifikansinya 0.381 yang berarti data residula terdistribusi normal karena nilai signifikansinya sebesar 0,3810,05.
Maka dapat disimpulkan bahwa model regresi telah memenuhi asumsi normalitas.
4.4.3 Uji Heterokedastisitas
Uji heterokedastisitas bertujuan untuk menguji apakah dalam model regresi terjadi ketidaksamaan variance dari residual satu pengamatan ke
pengamatan lainnya. Untuk menguji adanya heterokedastisitas dapat dilakukan dengan mengamati grafik scatter plot yang disajikan pada gambar berikut:
Universitas Sumatera Utara
10.00 9.00
8.00 7.00
6.00
deposit
14.00 12.00
10.00 8.00
6.00 4.00
2.00
inf lasi
Gambar 4.6 Grafik Plot Uji Heteroskedastisitas
Sumber : Data diolah oleh peneliti 2013
Uji Heteroskedastisitas ini juga dilakukan dengan menggunakan uji glejser dilakukan dengan meregres nilai absolut residual terhadap variabel independent.
Dalam pengambilan keputusan dapat dilihat dari koefisien parameter, jika nilai probabilitas signifikansinya diatas 0,05 maka dapat disimpulkan tidak terjadi
heteroskedastisitas. Namun sebaliknya, jika nilai probabilitas signifikansinya di bawah 0,05 maka dapat dikatakan telah terjadi heterokedastisitas. Berikut hasil
pengujian heterokedasitas pada Tabel 4.7 sebagai berikut:
Universitas Sumatera Utara
Tabel 4.7 Hasil Uji Glejser
Coeffi cients
a
88.807 12.968
6.848 .021
-.003 .001
-.943 -3. 990
.057 Const ant
ihs g Model
1 B
St d. E rror Unstandardized
Coeffic ients Beta
St andardiz ed Coeffic ients
t Sig.
Dependent Variable: deposito a.
Sumber : Data diolah oleh peneliti 2013
Pada tabel 4.7 menunjukkan bahwa nilai probabilitas signifikansinya di atas 0,05 maka dapat disimpulkan tidak terjadi heterokedastistas. Dari grafik
scatterplot dan uji Glejser menunjukkan bahwa model regresi dinyatakan bebas dari gejala heteroskedastisitas.
4.4.4 Uji Autokorelasi
Dalam uji autokorelasi ini kita dapat menguji apakah dalam model regresi linier ada korelasi antara kesalahan penggangu pada periode t dengan kesalahan-
kesalahan pengganggu pada periode sebelumnya. Jika terjadi autokorelasi dalam model regresi berarti koefisien-koefisien korelasi yang diperoleh menjadi tidak
akurat sehingga model regresi yang baik adalah model regresi yang bebas dari autokorelasi. Cara yang dapat dilakukan untuk mendeteksi ada tidaknya
autokorelasi adalah dengan melakukan uji Durbin Watson DW. Hasil uji autokorelasi dengan menggunakan pengujian DW ditunjukkan pada tabel berikut:
Universitas Sumatera Utara
Tabel 4.8 Hasil Autokorelasi
Model Summaryb
Model R
R Square Adjusted R
Square Std. Error of
the Estimate Durbin-Watson
1 .943a
.888 .833
6.63238 2.751
a Predictors: Constant, ihsg b Dependent Variabel: deposito
Sumber : Data diolah oleh peneliti 2013
Berdasarkan hasil analisis transformasi regresi diperoleh nilai Durbin
Watson DW sebesar 2.751. Nilai ini akan dibandingkan dengan tabel Durbin
Watson dengan menggunakan signifikasi 5 jumlah pengamatan N4, dan jumlah variabel independent sebanyak 1 k=1. Maka berdasarkan tabel durbin
Watson didapat nilai batas atas du sebesar 1.571 dan nilai batas bawah dl sebesar 1.780. Oleh karena itu nilai DW lebih besar dari 1,780 dan nilai DW lebih
kecil dari 4-1.780 atau dapat dinyatakan bahwa 1,7802.7512.751du DW 4- du. Sehingga dapat disimpulkan bahwa tidak terdapat autokorelasi positif
maupun negatif.
4.4.5 Uji Stationeritas