34 dari sistem pembayaran nasional. Seperti pada PBI nomor 142PBI2009 yang
berubah menjadi PBI nomor 142PBI 2012, dimana dilakukan penambahan perturan perihal batas umur pemegang kartu kredit, penerapan pin pada kartu
kredit, hingga mekanisme penggunaan debt collector dalam penagihan kartu kredit.
Dari sisi keamanan, APMK juga terus berkembang demi menjaga serta memperkuat tingkat keamanan serta meminimalkan kejahatan dalam penggunaan
APMK. Salah satunya yaitu dilakukannya pengembangan teknologi chip untuk menggantikan penggunaan pita magnet pada kartu ATM-Debit dan kartu kredit.
Dan Bank Indonesia sudah menerapkan teknologi berbasis chip tersebut pada kartu kredit saat ini. Sedangkan untuk ATM-Debit sedang dalam proses dan
diperkirakan dapat digunakan paling lambat januari 2016.
4.1.3 Perkembangan Perputaran Uang Velocity of Money di Indonesia
Dalam Penelitian ini velocity of money yang digunakan merupakan hasil perhitungan dari nominal Produk Domestik Bruto PDB dibagi dengan Jumlah
Uang beredar M1.
35
Sumber: Bank Indonesia dan Badan Pusat Statistik
Gambar 4.4 Perkembangan PDB, JUB M1, dan Velocity of Money di Indonesia
Dari gambar grafik di atas terlihat bahwa nilai perputaran mengalami fluktuasi dari tahun ke tahun. Peningkatan perputaran uang tertinggi terjadi pada
awal tahun 2010 hingga awal tahun 2011. Hal tersebut dipengaruhi oleh pertumbuhan PDB yang cukup signifikan di tahun tersebut.
4.2 Analisis Data dan Pembahasan 4.2.1 Uji Asumsi Klasik
4.2.1.1 Multikolinieritas
Uji Multikolinieritas dimaksudkan untuk melihat apakah terdapat hubungan linier antar varibel-variabel independen dalam model ini. Metode uji ini adalah
dengan melihat nilai korelasi antar variabel independen. Hasil uji multikolinieritas ini adalah sebagai berikut:
0,00 0,50
1,00 1,50
2,00 2,50
3,00 3,50
500000 1000000
1500000 2000000
2500000 3000000
Q1 …
Q4 …
Q3 …
Q2 …
Q1 …
Q4 …
Q3 …
Q2 …
Q1 …
Q4 …
Q3 …
Q2 …
Q1 …
Q4 …
Q3 …
Q2 …
PDB JUB M1
Velocity of money
36
Tabel 4.1 Hasil Uji Multikolinieritas
VM ATMDEBIT
KREDIT VM
1.000000 0.463598
0.584206 ATMDEBIT
0.463598 1.000000
0.955229 KREDIT
0.584206 0.955229
1.000000
Sumber : Data diolah dengan eviews
Berdasarkan tabel terlihat bahwa variabel-variabel independen tersebut mempunyai korelasi yang kuat dengan nilai 0,955 lebih besar dari 0,80,
sehingga diduga terdapat masalah multikolinieritas. Untuk mengatasi masalah multikolinieritas tersebut maka dilakukan transformasi variabel dengan first
difference D terhadap setiap variabel. Hasil uji multikolinieritas setelah dilakukan first difference adalah sebagai berikut:
Tabel 4.2 Hasil Uji Multikolinieritas Setelah Melakukan Transformasi Variabel
DVM DKREDIT
DATMDEBIT DVM
1.000000 -0.173459
-0.052787 DKREDIT
-0.173459 1.000000
0.642810 DATMDEBIT
-0.052787 0.642810
1.000000
sumber : data diolah dengan eviews
Berdasarkan tabel terlihat bahwa variabel-variabel independent memiliki korelasi yang rendah dengan nilai 0,64 lebih rendah dari 0,80, sehingga dapat
disimpukan bahwa tidak terdapat masalah multikolinieritas.
4.2.1.2 Autokorelasi
Autokorelasi merupakan korelasi yang terjadi antar observasi dalam satu variabel. Autokorelasi terjadi jika observasi yang berurutan sepanjang waktu
mempunyai korelasi satu sama lain. Untuk melihat adanya autokorelasi pada suatu
37 model regresi dapat dilakukan dengan metode uji Durbin-Watson Dw. Uji
Durbin-Watson dilakukan dengan melihat nilai Durbin-Watson statistik dengan ketentuan sebagai berikut:
1. jika dw dl maka terdapat autokorelasi positif 2. jika dldwdu maka tidak ada kesimpulan
3. jika du dw 4-du maka tidak terdapat autokorelasi 4 jika 4-du dw 4-dl maka tidak ada kesimpulan
5. jika 4-dl dw maka terdapat autokorelasi negative dimana nilai Durbin-
Watson tabel pada tingkat signifikan α = 5, k=3 dan n=47 adalah sebagai berikut:
1. dL = 1,44
2. dU = 1,62
3. 4-dU = 2,38 4. 4-dL = 2,57
Nilai dari uji autokorelasi tersebut dapat dilihat dari tabel hasil regresi berikut ini:
38
Tabel 4.3 Hasil Estimasi Menggunakan Metode OLS
Dependent Variable: DVOM Method: Least Squares
Date: 100415 Time: 17:47 Sample adjusted: 2003Q2 2014Q4
Included observations: 47 after adjustments Variable
Coefficient Std. Error
t-Statistic Prob.
C 0.018474
0.025054 0.737343
0.4648 DKREDIT
-1.26E-08 1.03E-08
-1.230532 0.2250
DATMDEBIT 3.41E-10
6.58E-10 0.517817
0.6072 R-squared
0.035963 Mean dependent var 0.009666
Adjusted R-squared -0.007857 S.D. dependent var
0.147703 S.E. of regression
0.148282 Akaike info criterion -0.917701
Sum squared resid 0.967451 Schwarz criterion
-0.799607 Log likelihood
24.56598 Hannan-Quinn criter. -0.873262
F-statistic 0.820694 Durbin-Watson stat
3.073703 ProbF-statistic
0.446750
Sumber : Data diolah dengan eviews
Dari tabel diatas dapat dilihat bahwa nilai dw 4-dl 3,07 2,55 sehingga dapat disimpulkan bahwa terdapat autokorelasi negatif pada model regresi
tersebut. Untuk mengatasi masalah autokorelasi yang terjadi maka dilakukan prosedur iterasi Cochrane-Orcutt yaitu dengan mengestimasi autokorelasi lag
pertama � terhadap error term μ. Dari prosedur iterasi Cocharane-Orcutt
tersebut maka di dapat hasil sebagai berikut:
39
Tabel 4.4 Hasil Koreksi Autokorelasi dengan Prosedur Iterasi Cocharane-Orcutt
Dependent Variable: DVOM Method: Least Squares
Date: 100415 Time: 07:20 Sample adjusted: 2003Q3 2014Q4
Included observations: 46 after adjustments Convergence achieved after 14 iterations
Variable Coefficient
Std. Error t-Statistic
Prob. C
0.022042 0.015720
1.402207 0.1682
DKREDIT 3.82E-09
8.16E-09 0.468666
0.6417 DATMDEBIT
-6.62E-10 4.78E-10
-1.383246 0.1739
AR1 -0.639962
0.117757 -5.434574
0.0000 R-squared
0.398733 Mean dependent var 0.011907
Adjusted R-squared 0.355785 S.D. dependent var
0.148525 S.E. of regression
0.119211 Akaike info criterion -1.332909
Sum squared resid 0.596869 Schwarz criterion
-1.173896 Log likelihood
34.65690 Hannan-Quinn criter. -1.273342
F-statistic 9.284162 Durbin-Watson stat
1.724115 ProbF-statistic
0.000079 Inverted AR Roots
-.64
Sumber : Data diolah dengan eviews
Dari tabel 4.4 dapat dilihat bahwa du dw 4-du 1,62 1,72 2,38 sehingga dapat disimpulkan bawah model regresi tidak mengandung autokorelasi,
dan bebas dari masalah autokorelasi.
4.2.2 Regresi Linier Berganda
