65 pada tahun 2008 hingga mencapai 11,06 persen. Hal tersebut dipicu
terutama oleh kenaikan harga komoditas internasional terutama minyak dan pangan.
D. Analisis Dan Pembahasan
1. Hasil Uji Asumsi Klasik
Sebelum kita melakukan uji analisis regresi linear berganda maka yang harus dilakukan adalah menguji data-data yang akan dianalisis agar
data tersebut valid tidak bias dan merupakan persyaratan, maka digunakan uji Klasik. Adapun penjelasan uji asumsi klasik itu adalah sebagai berikut.
a. Hasil Uji Normalitas Pengujian normalitas dilakukan untuk menguji apakah dalam
sebuah model penelitian, variabel dependen dan variabel independen atau keduanya mempunyai distribusi normal atau tidak. Model yang
baik adalah berdistribusi normal atau mendekati normal. Identifikasi ada atau tidaknya permasalahan normalitas dilakukan dengan melihat
nilai Jarque-Bera. Untuk melihat data berdistribusi normal atau tidak, apabila
nilai Jarque-Bera X
2
, maka data tersebut berdistribusi normal. Begitupun sebaliknya jika Jarque-Bera X
2
maka data tersebut tidak normal.
Setelah data diolah menggunakan aplikasi eviews 6.1, maka terlihat hasil sebagai berikut.
66 Gambar 4.3
Hasil Uji Normalitas
1 2
3 4
5
-0.4 -0.2
-0.0 0.2
0.4
Series: Residuals Sample 1988 2008
Observations 21
Mean -5.00e-16
Median 0.009788
Maximum 0.413288
Minimum -0.400970
Std. Dev. 0.231625
Skewness -0.129484
Kurtosis 2.190823
Jarque-Bera 0.631603
Probability 0.729204
Sumber : hasil Eviews 6 Dari gambar 4.3, dapat dilihat nilai Jarque-Bera adalah
0,631603. Nilai X
2
untuk data ini adalah 5,991. Berdasarkan nilai Jarque-Bera 0,631603 X
2
5,991, maka data tersebut dinyatakan berdistribusi normal, Sehingga bisa dilanjutkan ke pengujian
selanjutnya. b. Hasil Uji Multikolinieritas
Uji ini bertujuan untuk menguji apakah pada model regresi ditemukan adanya korelasi antar variabel independen. Jika terjadi
korelasi, maka terdapat multikolinieritas Multikol dimana model regresi yang baik seharusnya tidak terjadi korelasi diantara variabel
independen. Keadaan ini hanya terjadi pada regresi linear berganda, karena jumlah variabel bebasnya lebih dari satu. Sedangkan pada
regresi sederhana, tidak mungkin adanya kasus ini disebabkan variabel bebasnya hanya terdiri dari satu variabel.
67
Positif Autocorrel
ation Negatif
Autoco rrelatio
n 0 1,13 1.54
2,46 2,87 Indecision
Area Indecision
Area No
Autocorrelation
Apabila hubungan diantara variabel bebas yang satu dengan yang lain di atas 0,6, maka bisa dipastikan adanya gejala multikolinieritas.
Setelah data diolah menggunakan aplikasi eviews 6.1, maka terlihat hasil sebagai berikut :
Tabel 4.3 Hasil Uji Multikolinieritas
INF PE
INF 1.000000
0.042277 FE
0.042277 1.000000
Sumber : hasil Eviews 6 Berdasarkan Tabel 4.3 dapat dilihat bahwa nilai korelasi diantara
variabel independen yaitu inflasi dan pertumbuhan ekonomi yaitu 0,042277. Karena nilai 0,042277 menjauhi angka 1 0,6, maka tidak
terdapat kolinieritas antara variabel independen. Hal ini menginformasikan model OLS yang diajukan dapat dikatakan terbebas dari gejala
multikolinieritas, Sehingga bisa dilanjutkan ke pengujian selanjutnya. c. Hasil Uji Autokorelasi
Pengujian autokorelasi dilakukan untuk menguji apakah terdapat hubungan antara residual antar waktu pada model penelitian yang
digunakan, sehingga estimasi menjadi bias. Untuk n = 21; α = 5; k = 2,
diperoleh nilai d
L
1.13 dan d
u
sebesar 1.54
Sumber : hasil Eviews 6
68 Dari perhitungan menggunakan program Eviews diperoleh nilai
Durbin-Watson D - W adalah 1.203118. Sedangkan dari tabel D – W
diperoleh nilai d
L
sebesar 1.13 dan d
u
sebesar 1.54 sehingga diperoleh nilai 4 - d
L
adalah 2.87 dan nilai 4 – d
u
adalah 2.46. Setelah melihat angka-angka tersebut diketahui bahwa nilai D
– W lebih kecil dari nilai d
u
dan lebih kecil dari 4 – d
u
, sehingga dapat disimpulkan bahwa model terletak didaerah ragu-ragu terdapat autokorelasi positif. Untuk itu agar
model tidak lagi terletak pada daerah keragu-raguan, dan tidak lagi terdapat masalah autokorelasi, maka perlu dilakukan penyembuhan
autokorelasi. Tabel 4.4
Hasil Uji Autokorelasi
Variable Coefficient
Std. Error t-Statistic
Prob. C
-0.052923 0.294614
-0.179637 0.8594
RESID01-1 0.431716
0.229763 1.878965
0.0765 R-squared
0.163977 Mean dependent var -0.008276
Adjusted R-squared 0.117531 S.D. dependent var
1.397982 S.E. of regression
1.313261 Akaike info criterion 3.477544
Sum squared resid 31.04379 Schwarz criterion
3.577117 Log likelihood
-32.77544 F-statistic 3.530509
Durbin-Watson stat 1.718220 ProbF-statistic
0.076542
Sumber : hasil Eviews 6 Dari perhitungan menggunakan program Eviews diperoleh nilai
Durbin-Watson D - W adalah 1.718220. Sedangkan dari tabel D – W
diperoleh nilai d
L
sebesar 1.31 dan d
u
sebesar 1.54 sehingga diperoleh nilai 4 - d
L
adalah 2.46 dan nilai 4 – d
u
adalah 2.87. Setelah melihat angka-angka tersebut diketahui bahwa nilai D
– W lebih besar dari
69 nilai d
u
dan lebih kecil dari 4 – d
u
, sehingga dapat disimpulkan bahwa tidak ada lagi masalah autokorelasi pada model.
d. Hasil Uji Heteroskedastisitas Pengujian heteroskedastisitas dilakukan untuk menguji apakah
varian dari dua observasi dalam penelitian sama homogen untuk semua variabel terikat dengan variabel bebas sehingga hasil estimasi
tidak bias.
Identifikasi ada
atau tidaknya
permasalahan heteroskedastisitas dilakukan melalui Uji White Heteroskedasticity
test. Tabel 4.5
Hasil Uji Heteroskedastisitas Heteroskedasticity Test: White
F-statistic 0.745774 Prob. F5,15
0.6015 ObsR-squared
4.181048 Prob. Chi-Square5 0.5237
Scaled explained SS 1.828978 Prob. Chi-Square5 0.8723
Sumber : hasil Eviews 6
Berdasarkan tabel 4.5 dapat dilihat bahwa nilai probability untuk OBSR-squared adalah 4.181048. karena nilai 4.181048 dari derajat
kesalahan α = 5 persen 0.05, maka tidak terdapat heteroskedastisitas. Hal ini menginformasikan model OLS yang diajukan dapat dikatakan
terbebas dari heteroskedastisitas., sehingga bisa dilanjutkan kepengujian selanjutnya. heteroskedasitisitas.
70
2. Hasil Regresi Metode Ordinary Least Square OLS