101
Tabel 4.11 Uji Multikolinieritas dengan Tolerance dan VIF
Coefficients
a
Model Collinearity Statistics
Tolerance VIF
1 Constant LN_SBIS
.296 3.378
LN_INFLASI .573
1.746
LN_KURS .839
1.192
LN_JUB .411
2.435
a. Dependent Variable: LN_NAB
Berdasarkan output pada Coefficient dalam Tabel 4.11 di atas, terlihat bahwa nilai Tolerance variabel Sertifikat Bank Indonesia
Syariah SBIS sebesar 0,296, Inflasi sebesar 0,573, Kurs sebesar 0,839, dan Jumlah Uang Beredar JUB sebesar 0,411. Sedangkan nilai VIF
variabel SBIS sebesar 3,378, Inflasi sebesar 1,746, Kurs sebesar 1,192, dan JUB sebesar 2,435. Dapat disimpulkan bahwa dalam model regresi
tidak terdapat gejala multikolinieritas, karena nilai Tolerance 0,10 dan nilai VIF 10.
c. Uji Heteroskedastisitas
Heteroskedastisitas berarti ada varian variabel pada model regresi yang tidak sama konstan. Sebaliknya, jika varian variabel pada model
regresi memiliki nilai yang sama konstan maka disebut dengan homoskedastisitas. Yang diharapkan pada model regresi adalah yang
homoskedastisitas. Berikut adalah hasil dari uji heteroskedastisitas:
102
1 Analisis Grafik dengan Scatterplot
Gambar 4.10 Scatterplot
Sumber: data diolah Berdasarkan tampilan pada Scatterplot dalam Gambar 4.10 di
atas, terlihat bahwa plot menyebar secara acak di atas maupun di bawah angka nol pada sumbu Regression Studentized Residual. Oleh
karena itu maka berdasarkan uji heteroskedastisitas menggunakan metode analisis grafik, pada model regresi yang terbentuk
dinyatakan tidak terjadi gejala heteroskedastisitas. 2 Metode Glejser
Tabel 4.12 Uji Heteroskedastisitas dengan Metode Glejser
Coefficients
a
Model Unstandardized
Coefficients Standardized
Coefficients t
Sig. B
Std. Error Beta
1 Constant
-.792 3.812
-.208 .836
LN_SBIS -.253
.165 -.207 -1.528
.128
LN_INFLASI .055
.070 .076
.776 .439
LN_KURS -.017
.312 -.004
-.055 .956
LN_JUB .089
.172 .060
.517 .606
a. Dependent Variable: ABRES
103
Berdasarkan output pada Coefficient dalam Tabel 4.12 di atas, terlihat bahwa pada model regresi tidak terjadi gejala
heteroskedastisitas. Hal ini karena nilai probabilitas lebih besar dari nilai alpha Sig. α. Nilai Sig. variabel SBIS terhadap absolut
residual sebesar 0,128 0,05, nilai Sig. variabel Inflasi terhadap absolut residual sebesar 0,439 0,05, nilai Sig. variabel Kurs
terhadap absolut residual sebesar 0,956 0,05, dan nilai Sig. variabel JUB terhadap absolut residual sebesar 0,606 0,05.
d. Uji Autokorelasi
Uji autokorelasi bertujuan untuk mengetahui apakah ada korelasi antara anggota serangkaian data observasi yang diuraikan menurut
waktu times-series atau ruang cross section. Beberapa penyebab munculnya masalah autokorelasi dari sebagian data times-series dalam
analisis regresi adalah adanya kelembaman inertia artinya data observasi pada periode sebelumnya dan periode sekarang, kemungkinan
besar akan mengandung saling ketergantungan interdependence. Uji Durbin-Watson Uji D-W merupakan uji yang sangat populer
untuk menguji ada-tidaknya masalah autokorelasi dari model empiris yang diestimasi. Berikut adalah hasil dari uji autokorelasi:
104
Tabel 4.13 Uji Durbin-Watson
Model Summary
b
Model R
R Square Adjusted R
Square Std. Error of the
Estimate Durbin-Watson
1 .627
a
.393 .379
.56996 .166
a. Predictors: Constant, LN_JUB, LN_KURS, LN_INFLASI, LN_SBIS b. Dependent Variable: LN_NAB
Berdasarkan tabel 4.13 di atas, nilai Durbin-Watson sebesar 0,166. Jika dibandingkan dengan tabel Durbin-Watson dengan n = 180 dan
jumlah variabel independen k = 4 diperoleh nilai tabel dL lower = 1,7109 dan dU upper = 1,8017, sehingga nilai 4-dU sebesar 4
– 1,8017 = 2,1983 sedangkan nilai 4-dL sebesar 4
– 1,7109 = 2,2891. Oleh karena nilai DW = 0,166 berada di bawah dL = 1,7109 maka dapat
disimpulkan terjadi autokorelasi positif. Oleh karena adanya autokorelasi maka nilai standard error SE
dan nilai t-statistik tidak dapat dipercaya sehingga diperlukan pengobatan. Pengobatan autokorelasi tergantung dari nilai
ρ yang dapat diestimasi dengan beberapa cara seperti di bawah ini Imam Ghozali,
2012:130: a. Nilai
ρ diestimasi dengan Durbin-Watson d ρ = 1 - d = 1 – 0,166 = 0,917
2 2
b. Nilai ρ diestimasi dengan Theil-Nagar d
ρ = n
2
1 – d2 + k
2
= 180
2
1 – 0,1662 + 4
2
= 0,918 n
2
– k
2
180
2
– 4
2
105
Langkah Analisis: 1. Dapatkan nilai lag satu residual Ut_1 dengan perintah Transform
dan Compute. Isikan pada target variabel Ut_1 dan isikan pada kotak Numeric Expression LagRes_1.
2. Dari menu utama SPSS, pilih Analyze, kemudian submenu Regression
, lalu pilih Linear. Pada kotak dependent isikan variabel Res_1 Ut dan pada kotak independent isikan variabel Ut_1 Lag
satu dari Ut. Abaikan yang lain dan pilih OK.
Coefficients
a
Model Unstandardized
Coefficients Standardized
Coefficients t
Sig. B
Std. Error Beta
1 Constant
.002 .017
.136 .892
Ut_1 .918
.030 .917 30.559
.000 a. Dependent Variable: Unstandardized Residual
Berdasarkan hasil output SPSS diperoleh nilai ρ sebesar 0,918 yaitu
nilai koefisien variabel Ut_1. Berdasarkan pada perhitungan di atas diperoleh nilai
ρ menurut berbagai metode seperti terlihat pada tabel di bawah ini:
Metode Nilai
ρ
Durbin-Watson d 0,917
Theil-Nagar d 0,918
Cochrane-Orcutt Step 1 0,918
Ketiga metode ternyata menghasilkan nilai yang hampir sama. Untuk itu penulis memilih metode Theil-Nagar d untuk mentransformasikan
persamaan regresi.
106
Langkah Analisis: 1. Membentuk variabel LN_NABt, LN_SBISt, LN_INFLASIt,
LN_KURSt, dan LN_JUBt dengan perintah Transform dan Compute
. Pada kotak Target Variable diisikan LN_NABt, dan pada
kotak Numeric
Expression diisikan
LN_NAB- 0,918LagLN_NAB. Lakukan hal yang sama untuk semua
variabel X. 2. Dari menu utama SPSS pilih Analyze, kemudian Regression, lalu
pilih Linear. Pada kotak dependent isikan variabel LN_NABt, serta pada kotak independent isikan variabel LN_SBISt,
LN_INFLASIt, LN_KURSt, dan LN_JUBt. 3. Pilih Statistik dan aktifkan Durbin-Watson untuk menguji apakah
masih terjadi autokorelasi. Abaikan lainnya dan pilih OK. 4. Hasil output SPSS.
Tabel 4.14 Hasil Pengobatan Uji Durbin-Watson
Model Summary
b
Model R
R Square Adjusted R
Square Std. Error of the
Estimate Durbin-Watson
1 .568
a
.323 .308
.22204
1.944
a. Predictors: Constant, LN_JUBt, LN_KURSt, LN_SBISt, LN_INFLASIt b. Dependent Variable: LN_NABt
Membandingkan hasil regresi persamaan awal sebelum dilakukan pengobatan dan hasil regresi setelah dilakukan pengobatan ternyata
dapat dibandingkan comparable. Perbedaan tersebut terletak pada
107
nilai Durbin-Watson. Pada persamaan awal nilai Durbin-Watson sebesar 0,166 dan terjadi autokorelasi positif, sedangkan dengan
persamaan regresi setelah dilakukan pengobatan nilai Durbin-Watson menjadi sebesar 1,944. Karena nilai Durbin-Watson 1,944 terletak
antara dU dengan 4-dU, maka dapat disimpulkan bahwa model persamaan regresi tersebut sudah tidak mengandung masalah
autokorelasi.
2. Uji Hipotesis