Pengujian Autokorelasi Hasil Pengujian Prasyarat Analisis

absolute residual . Apabila variabel independen signifikan secara statistik memengaruhi variabel dependen, maka ada indikasi terjadi heteroskedastisitas. Kriteria yang biasa digunakan untuk menyatakan apakah terjadi heteroskedastisitas atau tidak diantara data pengamatan dapat dijelaskan dengan menggunakan koefisien signifikansi. Koefisien signifikansi harus dibandingkan dengan tingkat signifikansi yang ditetapkan sebelumnya α = 5. Apabila koefisien signifikansi nilai probabilitas lebih besar dari tingkat signifikansi yang ditetapkan, maka dapat disimpulkan tidak terjadi heteroskedastisitas Ghozali, 2011: 142-143. Hasil pengujian dapat dilihat pada tabel berikut: Tabel 10. Hasil Pengujian Heteroskedastisitas Coefficients a Model Unstandardized Coefficients Standardized Coefficients t Sig . B Std. Error Beta 1 Constant 109.411 15.218 7.189 .000 INFLASI 2783.982 2639.399 .191 1.055 .300 SBI 4217.460 4358.789 .171 .968 .341 KURS -873.876 951.982 -.173 -.918 .366 SP -.470 .333 -.270 -1.411 .169 a. Dependent Variable: ABS_RES Sumber: lampiran 10, halaman 86 Berdasarkan uji Glejser yang telah dilakukan pada 4 empat variabel yang digunakan dalam penelitian ini, Tabel 10 menunjukkan bahwa tidak ada satupun variabel independen yang signifikan secara statistik memengaruhi variabel dependen nilai absolute residual abs_res. Hal ini terlihat dari probabilitas signifikansi di atas tingkat kepercayaan 5. Oleh karena itu dapat disimpulkan bahwa model regresi tidak mengandung adanya heteroskedastisitas, sehingga H diterima dan H a ditolak tidak ada heteroskedastisitas atau data bersifat homoskedastisitas.

4. Hasil Analisis Regresi Linear Berganda

Analisis regresi linear berganda digunakan untuk mengetahui pengaruh Inflasi, Suku Bunga SBI, Perubahan Kurs dan Standard Poor,s 500 terhadap Indeks Harga Saham Gabungan IHSG. Analisis ini diolah dengan SPSS 16. Pada saat pengujian asumsi klasik terhadap model, terjadi gejala autokorelasi pada model. Untuk menanggulangi masalah autokorelasi maka dilakukan transformasi model ke dalam bentuk first difference selisih pertama. Transformasi ke dalam bentuk first difference adalah mengambil nilai selisih dari data bulan ini dikurangi data bulan kemarin Y t -Y t-1 , X 1t -X 2t-1 , ... untuk semua variabel yang ada, sehingga model tersebut akan menjadi persamaan sebagai berikut Amin, 2012: Keterangan: Δ = d delta = selisih angka variabel pada hari ini dengan kemarin ΔY = Y t -Y t-1 ΔX 1 = X 1t- X 1t-1 ΔX 2 = X 2t- X 2t-1 ΔX 3 = X 3t- X 3t-1 ΔX 4 = X 4t- X 4t-1 = konstanta = standar error Hasil analisis regresi linear berganda dalam penelitian ini dapat dilihat pada Tabel 11 di bawah ini: Tabel 11. Hasil Analisis Regresi Linear Berganda Coefficients a Model Unstandardized Coefficients Standardized Coefficients t Sig . B Std. Error Beta 1 Constant -.848 25.811 -.033 .974 INFLASI -9782.955 4476.550 -.299 -2.185 .037 SBI 2948.165 7392.720 .053 .399 .693 KURS -3418.786 1614.609 -.302 -2.117 .043 SP 2.021 .565 .516 3.575 .001 a. Dependent Variable: IHSG Sumber: lampiran 11, halaman 87 Dari tabel di atas dapat disusun persamaan regresi berikut: IHSG = -0,848-9782,955INFLASI + 2948,165SBI-3418,786KURS + 2,021SP + Keterangan: IHSG = Variabel dependen Indeks Harga Saham Gabungan