Hasil Uji Asumsi Klasik
dikatakan terbebas dari masalah multikolinieritas apabila nilai Tolerance 0,01 atau nilai VIF 10. Berikut ini adalah hasil uji multikolinieritas:
Tabel 4.2 Hasil Uji Multikolinieritas dengan Nilai
Tolerance dan VIF
Berdasarkan tabel 4.2 dapat diketahui bahwa nilai Tolerance masing- masing variabel bebas DPK, CAR, Inflasi, Kurs dan TBH lebih besar
dari 0,10. Begitu pula dengan nilai VIF variabel bebas DPK, CAR, Inflasi, Kurs dan TBH lebih kecil dari 10. Hasil ini menunjukkan bahwa
tidak terjadi multikolinieritas pada semua variabel bebas tersebut. Berdasarkan syarat asumsi klasik regresi dengan OLS, maka model regresi
linier yang baik adalah terbebas dari adanya multikolinieritas. Dengan demikian, model regresi yang digunakan dalam penelitian ini terbebas dari
masalah multikolinieritas. 3. Uji Heteroskedastisitas
Uji heteroskedastisitas dilakukan untuk mengetahui apakah pada model regresi terjadi ketidaksamaan variance dari residual satu
pengamatan ke pengamatan lain. Jika residualnya mempunyai varians
yang sama, disebut terjadi homoskedastisitas, dan jika variansnya tidak samaberbeda disebut terjadi heteroskedastisitas. Persamaan regresi yang
baik adalah jika tidak terjadi heteroskedastisistas. Untuk menguji asumsi heteroskedastisitas dalam penelitian ini dengan menggunakan analisis
grafik scatter plot dan uji Glejser. 1 Grafik Scatterplot
Ada atau tidaknya heteroskedastisitas pada suatu model dapat dilihat dari titik-titik yang membentuk pola gambar pada Scatterplot. Apabila
titik-titik yang ada membentuk suatu pola tertentu bergelombang, kemudian menyempit maka terjadi heteroskedastisitas. Tetapi, apabila
tidak ada pola tertentu dan titik-titik menyebar di atas dan di bawah angka 0 maka tidak terjadi heteroskedastisitas. Hasil uji heteroskedastisitas dapat
dilihat pada gambar Scatterplot, seperti pada gambar dibawah ini:
Gambar 4.8 Hasil Uji Heteroskedastisitas
Pada gambar 4.8 terlihat bahwa titik-titik tidak membentuk suatu polaalur tertentu, sehingga dapat disimpulkan bahwa dalam model tidak
terjadi heteriskedastisitas atau dengan kata lain terjadi homoskedastisitas. Uji heteroskedastisitas dengan scatterplot ini rentan mengalami
kesalahan dalam penarikan kesimpulannya. Hal ini karena penentuan ada tidaknya polaalur atas titik-titik yang ada pada gambar sangat bersifat
subjektif. Bisa saja sebagian orang mengatakan tidak ada pola, tapi sebagian lainnya mengatakan ada pola yang terbentuk. Sehingga dalam
penelitian ini, penulis juga menggunakan uji Glejser untuk mendeteksi terjadi atau tidaknya heteroskedastisitas pada model.
2 Uji Glejser Uji Glejser dilakukan dengan cara meregresikan antara variabel
independen dengan nilai absolut residualnya. Jika nilai signifikansi antara variabel independen dengan absolut residual lebih dari 0,05 maka tidak
terjadi masalah heteroskedastisitas.
Tabel 4.3 Hasil Uji
Glejser
Coefficients
a
Model Unstandardized Coefficients
Standardized Coefficients
t Sig.
B Std. Error
Beta 1
Constant -.581
.277 -2.101
.039 DPK
.017 .027
.217 .644
.522 CAR
.110 .091
.290 1.203
.233 Inflasi
.101 .124
.116 .814
.419 Kurs
.079 .054
.308 1.466
.147 TBH
.213 .107
.289 1.985
.051 a. Dependent Variable: absres
Pada tabel 4.3 dapat dilihat bahwa nilai t hitung DPK = 0,644, CAR = 1,203, inflasi = 0,814, kurs = 1,466 dan TBH = 1,985. Sedangkan Nilai t
tabel dicari pada distribusi nilai t tabel dengan df = N – k atau 73 – 6
dengan signifikansi 0,05 maka diperoleh nilai t tabel = 1,996. Berdasarkan
uji heteroskedastisitas dengan metode Glesjer diperoleh nilai t hitung lebih kecil t tabel, sehingga dapat dikatakan tidak terjadi masalah
heteroskedastisitas. Begitupula nilai signifikansi masing-masing variabel bebas DPK, CAR, inflasi, kurs dan TBH lebih besar dari 0,05, yang
berarti dapat disimpulkan bahwa pada model regresi linier tidak terjadi gejala heteroskedastisitas.
4. Uji Autokorelasi Secara harfiah autokorelasi berarti adanya korelasi antara anggota
observasi satu dengan observasi lain yang berlainan waktu. Dalam kaitannya dengan asumsi metode OLS, autokorelasi merupakan korelasi
antara satu variabel gangguan dengan variabel gangguan yang lain. Sedangkan salah satu asumsi penting metode OLS berkaitan dengan
variabel gangguan adalah tidak adanya hubungan antara variabel gangguan satu dengan variabel gangguan yang lain.
1
Dalam penelitian ini metode yang digunakan untuk menentukan ada tidaknya autokorelasi adalah
dengan melihat nilai Durbin-Watson DW. Hasil uji autokorelasi dengan nilai Durbin-Watson DW dapat dilihat pada tabel hasil output SPSS
berikut ini:
1
Agus Widarjono, Ekonometrika, hal. 141
Tabel 4.4 Hasil Uji Durbin-Watson
Model Summary
b
Model R
R Square Adjusted R
Square Std. Error of the
Estimate Durbin-Watson
1 .980
a
.961 .958
.0263691 .612
a. Predictors: Constant, TBH, CAR, Inflasi, Kurs, DPK b. Dependent Variable: PM
Berdasarkan tabel 4.4, nilai Durbin-Watson yang tertera pada output SPSS adalah sebesar 0,612. Nilai Durbin-Watson tersebut berada pada
kisaran -2 dan +2, maka tidak terjadi masalah autokorelasi dan model regresi layak digunakan.