dummy pada setiap variabel kualitatif tergantung pada banyaknya pilihan kategori
dikurangi 1. Nilai yang digunakan adalah :
Dummy = 0 : menunjukkan sebelum fatwa MUI Dummy = 1 : menunjukkan setelah fatwa MUI
variabel dummy tidak hanya mempengaruhi intersep suatu persamaan regresi, tetapi juga dapat mempengaruhi kemiringannya, biasanya disebut juga sebagai
variabel interaksi.
3.3.3. Uji Ekonomi
Model yang diestimasi harus memenuhi kriteria ekonomi yang meliputi besar dan arah. Besar dan arah variabel bebas tidak bertentangan sesuai dengan
teori ekonomi yang berlaku. Kriteria ini ditentukan oleh dasar-dasar ekonometrika dan berhubungan dengan tanda dan besar parameter dari hubungan
ekonomi.
3.3.4. Uji Kriteria Statistik
Uji kebaikan model dapat dilakukan melaui beberapa langakah. Langkah- langkah tersebut terdiri dari uji multikolinieritas, autokorelasi, dan
heteroskedastisitas. 1 Multikolinieritas
Menurut Sumodiningrat 2001 istilah multikolinearitas digunakan untuk menunjukkan adanya hubungan linier diantara variabel-variabel bebas dalam
model regresi. Bila variabel-variabel bebas berkorelasi secara sempurna, maka
disebut “multikoliniearitas sempurna”Perfect multicollinearity. Penggunaan kata multikolineritas disini dimaksudkan untuk menunjukkan adanya derajat
kolinieritas yang tinggi diantara variabel-variabel bebas. Variabel-variabel dikatakan orthogonal jika variabel-variabel tersebut tidak berkorelasi. Hal ini
merupakan salah satu kasus tidak adanya masalah multikolinieritas. Jika diantara dua variabel bebas terdapat multikolinieritas sempurna maka akan
menyebabkan masalah berikut ini. - Penaksir-penaksir kuadrat terkecil tidak dapat ditentukan indeterminate.
- Varian dan kovarian dari penaksir-penaksir menjadi tak terhingga besarnya infinitely large.
Bekerja dengan model-model yang mengandung multikolineritas lebih sulit jika dibandingkan dengan mendeteksi masalah multikolinieritas. Para pakar
ekonometri memberikan saran untuk melakukan berbagai prosedur untuk mengatasi masalah tersebut, dimana prosedur tersebut tergantung pada parah
tidaknya masalah multikolinetitas, tersedianya sumber data lain, dan pentingnya variabel-variabel yang bermultikolinerasi di dalam model.
Ada beberapa cara untuk mengetahui multikolinearitas dalam suatu model. Salah satunya adalah dengan melihat koefisien korelasi melalui output komputer.
Jika terdapat koefisien korelasi yang lebih besar dari |0.8|, maka terdapat gejala multikolinear. Dalam Gujarati 1978 disebutkan bahwa tanda yang paling jelas
dari multikolinearitas adalah ketika Nilai R-squared sangat tinggi, tetapi tidak satu pun koefisien regresi penting signifikan secara statistik atas dasar pengujian t
yang konvensional. Berdasarkan ketentuan dari uji Klein dalam Koutsoyiannis
1997 disebutkan bahwa masalah korelasi sederhana antara variabel penjelas bisa diabaikan apabila nilai koefisien korelasinya lebih kecil daripada nilai koefisien
determinasi atau keragamannya korelasi keseluruhannya. Terdapat tiga prosedur koreksi yang dapat digunakan untuk
menghilangkan multikolinieritas. - Memperbesar ukuran sampel
Multikoinieritas diharapkan dapat hilang atau berkurang jika ukuran sampel diperbesar, atau jumlah sampel ditambah. Dengan ukuran sampel yang
semakin besar maka kovarian diantara parameter-parameter dapat dikurangi karena kovarian berhubungan terbalik dengan ukuran sampel. Hal ini hanya
akan benar dilakukan jika interkorelasi terjadi hanya di dalam sampel dan bukan dalam populasi. Jika variabel-variabel tersebut berkolinier dalam
populasi, maka prosedur memperbesar ukuran sampel tidak akan dapat membantu mengurangi multikolinieritas.
- Memasukkan persamaan tambahan ke dalam model Masalah multikolineritas mungkin dapat diatasi dengan menyajikan
hubungan diantara variabel-variabel yang bermultikolinear secara eksplisit. Penambahan persamaan baru ini akan mengubah model persamaan tunggal
model asli menjadi model persamaan simultan. Selanjutnya, untuk menghilangkan multikolineritas, dapat diterapkan metode penyederhanaan
reduce form sbagaimana yang biasa digunakan untuk menaksir model- model persamaan simultan.
- Penggunaan informasi ekstra Informasi ekstra adalah informasi yang diperoleh dari sumber-sumber lain
diluar sampel yang digunakan untuk penaksiran. Informasi ekstra ini diperoleh dari teori ekonomi atau beberapa hasil penelitian empiris sejenis
yang pernah dilakukan. Tiga metode yang menggunakan informasi ekstra untuk menghilangkan masalah multikolineritas yaitu metode penggunaan
informasi awal prior information, metode transformasi variabel, serta metode pooling data cross –section dan data times series.
2 Autokorelasi Sumodiningrat
2001 menyatakan
bahwa autokorelasi adalah korelasi hubungan yang terjadi diantara anggota-anggota dari serangkaian pengamatan
yang tersusun dalam rangkaian waktu seperti pada data runtun waktu atau time series
data atau yang tersusun dalam rangkaian ruang seperti pada data silang waktu atau cross section.
Gujarati 1995 menyebutkan bahwa adanya autokorelasi dapat menyebabkan dua masalah.
- Varians yang diperoleh dari estimasi dengan OLS bersifat underestimate, yaitu nilai varians parameter yang diperoleh lebih kecil daripada nilai varians
sebenarnya. - Prediksi yang didasarkan pada metode OLS bersifat inefisien, artinya prediksi
dengan metode ini variansnya lebih besar dibandingkan dengan metode ekonometrika lainnya.
Pengujian untuk mendeteksi gejala autokorelasi dapat dilakukan dengan menggunakan uji Breush and Godfrey Serial Correlation lagrange Multiplier Test
dengan hipotesis Eviws User’s Guide, 2002 : H
: ρ = 0 tidak terdapat serial korelasi
H
1
: ρ ≠ 0 terdapat serial korelasi
Kriteria uji yang digunakan : - Apabila nilai probability ObsR-squared-nya taraf nyata
α yang digunakan, maka persamaan tidak mengalami autokorelasi;
- Apabila nilai probability ObsR-squared-nya taraf nyata α yang
digunakan, maka terdapat autokorelasi dalam persamaan tersebut. Apabila setelah dilakukan uji, pada data yang diamati ternyata
menunjukkan terdapat masalah autokorelasi, maka solusi yang dapat diambil tergantung pada penyebabnya, jika penyebabnya sebagai berikut :
- Dihilangkannya variabel yang sebenarnya berpengaruh terhadap variabel tak bebas. Maka cara mengatasinya adalah dengan memasukkan variabel
tersebut ke dalam model; - Kesalahan spesifikasi model. Maka cara mengatasinya adalah dengan
mentransformasi model, misalnya dari model linier menjadi model nonlinier, atau sebaliknya;
- Kesalahan spesifikasi U. Maka cara mengatasinya adalah dengan mentransformasi model tersebut.
3 Heteroskedastisitas Suatu model regresi linear harus memiliki varians yang sama Gujarati
1978. Jika asumsi tersebut tidak terpenuhi, maka akan terdapat masalah heteroskedastisitas.
Apabila terjadi heteroskedastisitas, maka akan mengakibatkan tiga masalah. - Estimasi dengan menggunakan OLS tidak akan memiliki varians yang
minimum atau estimator tidak efisien. - Prediksi nilai Y untuk X tertentu dengan estimator dari data yang sebenarnya
akan mempunyai varians yang tinggi, sehingga prediksi menjadi tidak efisien. - Tidak dapat diterapkannya uji nyata tidaknya koefisien atau selang
kepercayaan dengan menggunakan formula yang berkaitan dengan nilai varians.
Pengujian yang dapat dilakukan untuk melihat gejala ini adalah dengan menggunakan uji Heteroskedasticity dengan hipotesis Eviews User’s Guide,
2002 : H
: γ = 0 tidak terdapat heteroskedastisitas
H
1
: γ ≠ 0 terdapat serial heteroskedastisitas
Kriteria uji yang digunakan : - Apabila nilai probability ObsR-squared-nya taraf nyata
α yang digunakan, maka persamaan tidak mengalami heteroskedastisitas;
- Apabila nilai probability ObsR-squared-nya taraf nyata α yang
digunakan, maka terdapat heteroskedastisitas dalam persamaan tersebut.
IV. PERKEMBANGAN PERBANKAN SYARIAH 4.1. Sejarah Perkembangan Bank Syariah di Indonesia