Operasional Variable Penelitian METODELOGI PENELITIAN

77 bab sebelumnya, sehingga dalam penelitian ini alat anilisis yang digunakan adalah model regresi berganda dengan metode OLS ordinary Least Square, dengan rumusan sebagai berikut : JUB = β + βıER +β 2 CR + β 3 SBI + β 4 INF + β 5 INV + e t ..............3.1 Untuk menstandarkan data, model 3.1 diatas kemudian ditransformasikan kedalam bentuk logaritma natural, persamaannya adalah LnJUB = β + βıLnER +β 2 Ln CR + β 3 SBI + β 4 INF + β 5 LnINV + e t .........3.2 Dimana : LnJUB : Jumlah Uang Beredar LnER : Nilai Tukar LnCR : Kredit SBI : Suku Bunga SBI INF : Inflasi LnINV : Investasi β : Konstanta βı, β 2 , β 3 , β 4 , β 5 : Koefesien regresi dari masing-masing variabel yang mempengaruhi jumlah uang beredar e t : Error term Metode pangkat kuadrat terkecil OLS diperkenalkan pertama kali oleh seorang ahli matematika dari Jerman, yaitu Carl Frederich Gaus. Metode OLS adalah metode untuk mengestimasi suatu garis regresi dengan jalan meminimalkan jumlah kuadrat kesalahan dari setiap observasi terhadap garis tersebut Kuncoro, 2003:216. 78 Menurut Widarjono 2009:18-21, metode OLS adalah metode mencari nilai residual sekecil mungkin dengan menjumlahkan kuadrat residual. Metode kuadrat terkecil akan menghasilkan estimator yang mempunyai sifat tidak bias, linear dan mempunyai varian yang minimum. Alasan menggunakan regresi dalam transformasi logaritma natural adalah Gujarati, 1999 : a. Parameter β dapat langsung menujukkan koefisien elastisitas, yaitu persentase perubahan dalam variabel dependen untuk persentase perubahan tertentu dalam variabel independen. b. Gejala heteroskesdatisitas dapat dikurangi karena transformasi logaritma akan dapat memperkecil skala variabel-variabel yang diukur. Sebelum melakukan interprestasi terhadap hasil regresi dari model penelitian yang digunakan, maka terlebih dahulu kita melakukan pengujian terhadap data penelitian tersebut. Hal ini dilakukan untuk mengetahui apakah model tersebut dapat dianggap relevan atau tidak. Pengujian yang dilakukan melalui uji asumsi klasik yang meliputi uji normalitas, autokorelasi, heterokedastisitas, dan multikolineritas. Dan juga uji statistik yang meliputi uji signifikansi paremeter individu uji statistik t, uji signifikan simultan uji statistik F , dan uji koefisien determinasi Adjusted R Square. 79

1. Uji Asumsi Klasik. a. Uji Normalitas.

Uji normalitas dilakukan untuk mengetahui apakah distribusi sebuah data yang didapatkan mengikuti atau mendekati hukum normal baku. Pada penelitian ini uji yang digunakan untuk permasalah normalitas yaitu Jarque- Bera JB winarmo, 2009:5.37. Langkah pengujian sebagai berikut: Hipotesis H : model normal H a : model tidak normal Pengambilan keputusan dilakukan dengan kriteria : - jika probabilitas OBSR 2 0,05 siginifikan H diterima - jika probabilitas OBSR 2 0,05 tidak signifikan H ditolak Artinya adalah apabila probabilitas OBSR 2 lebih besar dari 0,05 maka model tersebut dikatakan normal. Apabila OBSR 2 lebih kecil dari 0,05 maka model tersebut dikatakan tidak normal winarmo, 2009:5.37.

b. Uji Multikolinearitas

Uji multikolinearitas bermaksud untuk membuktikan atau menguji ada tidaknya hubungan linear antara variabel bebas independent satu dengan variabel lainnya Gujarati, 2006: 67. 80 Uji miltikolinearitas dilakukan untuk melihat apakah ada korelasi antara variabel independen pada model regresi. Korelasi antara variabel independen sebaiknya kecil Muhammad Nisfiannoor.2009:91. Deteksi adanya multikolinearitas :  Nilai R 2 sangat tinggi, tetapi secara sendiri-sendiri regresi antara variabel-variabel independen tidat signifikan  Korelasi antar variabel-variabel independen sangat tinggi. Pengujian multikolinearitas dilakukan dengan menggunakan matriks korelasi correlation matrix. Langkah pengujian sebagai berikut : Hipotesis H : model bersifat multikonearitas H a : model tidak bersifat multikonearitas Pengambilan keputusan dilakukan dengan kriteria : - apabila hubungan x 1 dan x 2 0.85 H diterima - apabila hubungan x 1 dan x 2 0.85 H ditolak Artinya adalah apabila hubungan antara variabel x 1 dan x 2 lebih dari 0, 85 maka model yang tersebut memiliki sifat multikolinearitas. Apabila hubungan antara variabel x 1 dan x 2 kurang dari 0,85 maka model yang tersebut tidak memilki sifat multikolinearitas widarjono, 2009: 106.