67 bersifat normal. Mekanisme untuk mendapatkan nilai J-B adalah
Dengan menggunakan rumus sebagai berikut :
4
3 6
2 2
K S
k N
Bera Jarque
S adalah skewness, K adalah kurtosis, k menggambarkan banyaknya koefisien yang digunakan dalam persamaan.
Cara lain untuk mengetahui data tersebut normal atau tidak dengan menggunakan Uji Jarque-Bera untuk melihat apakah data
yang digunakan berdistribusi normal atau tidak. Langkah-langkah pengujian sebagai berikut:
Hipotesis: H
: Data berdistribusi Normal H
1
: Data tidak berdistribusi Normal Bila probabilitas ObsR
2
0.05 terima H , tolak H
1
Bila probabilitas ObsR
2
0.05 tolak H , terima H
1
Dengan H pada data berdistribusi normal, uji Jarque-Bera
didistribusikan dengan X
2
dengan derajat bebas degree of freedom sebesar 2. Probability menunjukkan kemungkinan nilai Jarque-Bera
melebihi nilai terobservasi di bawah hipotesis nol, Wing W. Winarno, 2009:5.37.
b. Uji Multikolinearitas
Uji Multikolinieritas digunakan untuk mendeteksi ada tidaknya hubungan linier antar beberapa atau semua variabel independen dalam
68 model regresi. Multikolinieritas merupakan keadaan di mana satu atau
lebih variabel independen dinyatakan sebagai kondisi linier dengan variabel lainnya. Artinya jika di antara peubah-ubah bebas yang
digunakan sama sekali tidak berkorelasi satu dengan yang lain maka bisa dikatakan bahwa tidak terjadi multikolinieritas.
Menurut Nachrowi 2006:95 Jika tidak ada korelasi antara kedua variabel tersebut, maka koefisien pada regresi majemuk akan
sama dengan koefisien pada regresi sederhana. Hubungan linier antar variabel bebas ini yang disebut multikolinieritas.
Pada penelitian ini, pendeteksian adanya multikolinieritas dengan menggunakan “uji koefisien korelasi” r. sebagai aturan main
rule of tumb, menurut Nachrowi 2006:95 jika koefisien korelasi cukup
tinggi, misalnya:
diatas 0,8,
maka diduga
terjadi multikolinieritas dalam model. Sebaliknya, jika koefisien relatif rendah
maka diduga model tidak terjadi multikolinieritas. Uji koefisien korelasinya yang mengandung unsur kolinieritas,
misalnya variabel X1 dan X2. Langkah-langkah pegujian sebagai berikut:
Bila r 0,8 tidak ada multikolinieritas Bila r 0,8 ada multikolinieritas
Ada beberapa cara untuk mengatasi masalah adanya multikolinieritas, antara lain: melihat informasi sejenis yang ada,
mengeluarkan variabel bebas yang kolinier dari model, mentransformasikan variabel, mencari data tambahan
69
c. Uji Heteroskedastisitas
Heterokedastisitas terjadi apabila variansi Ut tidak konstan atau sering berubah-ubah seiring dengan berubahnya nilai variabel
independen Gujarati,2006.Untuk
melacak keberadaan
heterokedastisitas dalam penelitian ini digunakan Uji White Uji Heterokedastisitas bertujuan untuk menguji apakah dalam
model regresi terjadi ketidaksamaan variance dari residual satu pengamatan ke pengamatan yang lain. Jika variance dari residual
satu pengamatan ke pengamatan lain tetap,maka disebut Homokedastisitas dan jika variance tidak konstan atau berubah-ubah
disebut dengan Heterokedastisitas.Model regresi yang baik adalah yang Homokedastisitas atau tidak terjadi Heterokedastisitas
Nachrowi,2006. Dengan langkah-langkah pengujian sebagai berikut:
Langkah-langkah pegujian sebagai berikut: Hipotesis:
H : Tidak ada heteroskedastisitas
H
1
: Ada Heteroskedastisitas Bila probabilitas ObsR
2
0.05 Signifikan, H diterima
Bila probabilitas ObsR
2
0.05 Tidak signifikan, H ditolak
Apabila probabilitas ObsR
2
lebih besar dari 0.05 maka model tersebut tidak terdapat heteroskedastisitas. Apabila
probabilitas ObsR
2
lebih kecil dari 0.05 maka model tersebut
70 dipastikan terdapat heteroskedastisitas. Jika model tersebut harus
ditanggulangi melalui transformasi logaritma natural dengan cara membagi persamaan regresi dengan variabel independen yang
mengandung heteroskedastisitas.
Setelah dilakukan
Uji Heteroskedastisitas dengan menggunakan Uji White, kemudian
dilanjutkan dengan Uji Autokorelasi.
d. Uji Autokorelasi
Autokorelasi dapat didefinisikan sebagai “korelasi diantara anggota observasi yang diurut menurut waktu seperti deret berkala
atau ruang seperti data lintas-sektoral.Gujarati,2006 Menurut Nachrowi 2006:196-197 dalam berbagai studi
ekonometrika, data time series sangat banyak digunakan. Namun dibalik pentingnya data tersebut, ternyata data time series
menyimpan berbagai permasalahan, salah satunya yaitu otokorelasi. autokorelasi ini merupakan penyebab yang mengakibatkan data
menjadi tidak stasioner, sehingga bila data dapat distasionerkan maka autokorelasi akan hilang dengan sendirinya, karena metode
transformasi data untuk membuat data yang tidak stasioner sama dengan transformasi data untuk menghilangkan autokorelasi.
Untuk melihat ada tidaknya penyakit autokorelasi dapat digunakan uji Langrange Multiplier LM Test atau yang disebut Uji
Breusch-Goldfrey dengan membandingkan nilai probabilitas R- Squared dengan α = 0.05. Langkah-langkah pengujian sebagai
berikut Gujarati, 2006:147
71 Hipotesis :
H : Model tidak terdapat Autokorelasi
H
1
: Model terdapat Autokorelasi Bila probabilitas ObsR
2
0.05 Signifikan, H diterima
Bila probabilitas ObsR
2
0.05 Tidak Signifikan, H ditolak
Apabila probabilitas ObsR
2
lebih besar dari 0.05 maka model tersebut tidak terdapat autokorelasi. Apabila probabilitas ObsR
2
lebih kecil dari 0.05 maka model tersebut terdapat autokorelasi.
2. Uji Independensi Variabel
a. Uji Parsial t-Statistik
Uji-t statistik adalah uji parsial indvidu dimana uji ini dilakukan untuk menguji apakah setiap variabel bebas independen
secara masing-masing parsial memiliki pengaruh yang signifikan terhadap variabel terikat dependen pada tingkat signifikansi 0.05
5 dengan menganggap variabel bebas bernilai konstan. Langkah- langkah yang harus dilakukan untuk uji-t dengan pengujian sebagai
berikut: Nachrowi, 2006:19 Hipotesis :
H : koefisien variabel bebas β
i
= 0 Masing-masing variabel bebas tidak memiliki pengaruh signifikan terhadap variabel terikat
H
1
: koefisien variabel bebas β
i
≠ 0 Masing-masing variabel bebas memiliki pengaruh signifikan terhadap variabel terikat
Bila P robabilitas βi 0.05 Tidak Signifikan, H
diterima, Tolak H
1
Bila Probabilitas βi 0.05 Signifikan, H ditolak, Terima H
1
72
b. Uji F-Statistik
Uji Fisher Uji-F digunakan untuk mengetahui apakah seluruh variabel bebas independen secara bersama-sama berpengaruh
terhadap variabel terikat dependen pada tingkat signifikansi 0.05 5. Pengujian semua koefisien regresi secara bersama-sama
dilakukan dengan uji-F dengan pengujian, yaitu : Nachrowi, 2006:17 Hipotesis :
H : β
i
= 0 secara bersama-sama tidak ada pengaruh yang signifikan antara variabel bebas dengan variabel terikat.
H
1
: β
i
≠ 0 secara bersama-sama ada pengaruh yang signifikan antara variabel bebas dengan variabel terikat.
Bila Probability βi 0.05 Tidak Signifikan, H
diterima, Tolak H
1
Bi la Probability βi 0.05 Signifikan, H
ditolak, Terima H
1
c. Uji Koefisien Determinasi adjusted R
2
Nilai koefisien determinasi R
2
ini mencerminkan mengukur seberapa besar variasi dari variabel terikat Y dapat diterangkan oleh
variabel bebas X. Bila nilai koefisien determinasi sama dengan 0 R
2
= 0, artinya variasi dari Y tidak dapat diterangkan oleh X sama sekali.
Sementara bila R
2
= 1, artinya variasi dari Y secara kesesluruhan dapat diterangkan oleh X. dengan kata lain jika Adjusted R
2
mendekati 1 satu maka variabel independen mampu menjelaskan perubahan
variabel dependen, tetapi jika Adjusted R
2
mendekati 0 nol, maka variabel independen tidak mampu menjelaskan variabel dependen.