72
mengalami heteroskedastisitas. Uji heteroskedastisitas yang digunakan dalam penelitian ini adalah
Spearman’s Rank Correlation Test Spearman Rho yang mana uji ini mengkorelasikan nilai absolut residual dengan masing-masing
variabel independen.
Tabel 4.6 Hasil Uji Heterokedastisitas
Correlations
LnIf LnNt
ABS_RES
Spearmans rho LnIf
Correlation Coefficient 1.000
.800 .047
Sig. 2-tailed .
.000 .681
N 80
80 80
LnNt Correlation Coefficient
.800 1.000
.024 Sig. 2-tailed
.000 .
.832 N
80 80
80 ABS_RES
Correlation Coefficient .047
.024 1.000
Sig. 2-tailed .681
.832 .
N 80
80 80
. Correlation is significant at the 0.01 level 2-tailed.
Sumber: Hasil Penelitian, 2016 Data Diolah
Berdasarkan Tabel 4.6hasil uji heterokedastisitas Spearman ’s Rho di atas
nilai korelasi variabel independen dengan nilai absolut residual yaitu 0,681 dan 0,832. Nilai korelasi kedua variabel tersebut lebih besar dari 0,05. Oleh karena itu,
tidak terdapat heterokedastisitas di dalam model regresi ini.
3. Uji Multikolinearitas
Dalam penelitian
ini, untuk
mendeteksi ada
tidaknya gejala
multikolinearitas adalah dengan melihat besaran korelasi antara variabel independen dan besarnya tingkat kolinearitas yang masih dapat ditolerir, yaitu:
Tolerance 0,10 dan Variance Inflation Factor VIF 5. Pengujian
Universitas Sumatera Utara
73
multikolinearitas dapat dilakukan dengan melihat korelasi diantara variabel independen. Berikut disajikan tabel hasil perhitungan Tolerance dan VIF serta
matriks korelasi antara variabel independen.
Tabel 4.7 Pengujian Multikolinieritas
Sumber: Hasil Penelitian, 2016 Data Diolah
Berdasarkan Tabel 4.7 dapat diketahui bahwa nilai tolerance dari masing- masing variabel independen lebih besar dari 0,10, yaitu variabel Inflasi sebesar
0,576 dan variabel Nilai Tukar sebesar 0,576. Nilail VIF dari masing-masing variabel independen diketahui kurang dari
5,00 yaitu untuk variabel Inflasi sebesar 1,736 dan variabel Nilai Tukar sebesar 1,736.
Berdasarkan tabel di atas dapat disimpulkan bahwa tidak ada multikolinieritas antar variabel independen dalam model ini.
4. Uji Autokorelasi
Uji bertujuan untuk melihat apakah dalam suatu model regresi linier ada korelasi antar kesalahan pengganggu pada periode t dengan kesalahan pada
periode t-1 sebelumnya. Autokorelasi muncul karena observasi yang berurutan
Coefficients
a
Model Unstandardized
Coefficients Standardized
Coefficients t
Sig. Collinearity Statistics
B Std. Error
Beta Tolerance
VIF 1
Constant 8.641
7.658 1.128
.263 LnIf
-.184 .221
-.119 -.832
.408 .576
1.736 LnNt
2.258 .860
.374 2.624
.010 .576
1.736 a. Dependent Variable: LnPk
Universitas Sumatera Utara
74
sepanjang tahun yang berkaitan satu dengan yang lainnya. Hal ini sering ditemukan pada time series. Model regresi yang baik adalah regresi yang bebas
dari autokorelasi. Cara yang dapat digunakan untuk mendeteksi masalah autokorelasi adalah dengan menggunakan nilai uji Durbin Watson dengan
ketentuan sebagai berikut: 1.
Angka D-W dibawah -2 berarti ada autokorelasi positif 2.
Angka D-W di antara -2 sampai +2 berarti tidak ada autokorelasi 3.
Angka D-W diatas +2 berarti ada autokorelasi negatif
Tabel 4.8 Hasil Uji Autokorelasi
Model Summary
b
Model R
R Square Adjusted R
Square Std. Error of the
Estimate Durbin-Watson
1 .311
a
.096 .073
.64382 1.648
a. Predictors: Constant, LnNt, LnIf b. Dependent Variable: LnPk
Sumber: Hasil Penelitian, 2016 Data Diolah
Tabel 4.8 memperlihatkan nilai statistik D-W sebesar 1,648. Angka tersebut berada di antara -2 sampai +2, maka pada model regresi ini tidak terdapat
autokorelasi.
4.2.3 Analisis Regresi
Dari hasil pengujian asumsi klasik disimpulkan bahwa model regresi yang Best Linear Unibiased Estimator BLUE dan layak dilakukan analisis regresi.
Untuk menguji hipotesis, peneliti menggunakan analisis berganda. Berdasarkan hasil pengolahan data dengan SPSS, maka diperoleh hasil sebagai berikut:
Universitas Sumatera Utara
75
a. Persamaan Regresi
Dalam pengelohan data dengan menggunakan regresi linier, dilakukan beberapa tahapan untuk mencari hubungan antara variabel indenpenden dan
dependen, pengaruh Inflasi X
1
danNilai Tukar X
2
terhadap Permintaan Kredit Y. Hasil regresi dapat dilihat pada Tabel 4.5 berikut ini:
Tabel 4.9 Hasil Analisis Regresi Linier Berganda
Coefficients
a
Model Unstandardized Coefficients
Standardized Coefficients
T Sig.
B Std. Error
Beta 1
Constant 8.641
7.658 1.128
.263 LnIf
-.184 .221
-.119 -.832
.408 LnNt
2.258 .860
.374 2.624
.010 a. Dependent Variable: LnPk
Sumber: Hasil Penelitian, 2016 Data Diolah
Hasil pengolahan data seperti ditunjukkan pada tabel 4.9 menghasilkan persamaan linier berganda sebagai berikut:
Y = 8,641 - 0,184X
1
+ 2, 258X
2
Dimana : Y = Jumlah Kredit yang Disalurkan
X1 = Inflasi X2 = Nilai Tukar
Keterangan : 1.
Konstanta sebesar 8,641 menunjukkkan bahwa semua variabel independen bernilai 0, maka Jumlah Kredit yang Disalurkan akan sebesar 8,641.
Universitas Sumatera Utara
76
2. Nilai koefisien regresi variabel Inflasi sebesar -0,184 menunjukkan bahwa
setiap kenaikan 1 pada Inflasi akan diikuti oleh penurunanJumlah Kredit yang Disalurkan sebesar 0,184 dengan asumsi variabel dependen terikat lain
tetap. 3.
Nilai koefisien regresi variabel Nilai Tukarsebesar 2,258 menunjukkan bahwa setiap kenaikan 1 pada Nilai Tukar akan diikuti oleh kenaikan Jumlah
Kredit yang Disalurkan sebesar 2,258 dengan asumsi variabel dependen terikat lain tetap.
4.2.4 Pengujian Hipotesis
Untuk mengetahui apakah variabel independen dalam model regresi berpengaruh terhadap variabel dependen, maka dilakukan pengujian dengan
menggunakan uji signifikan simultan F test dan uji parsial t test dan koefisien determinasi Uji Goodness of Fit.
1. Uji Signifikansi Simultan F – test
