87
2. Analisis Statistik
Dalam bab ini penulis menganalisis data yang telah terkumpul. Data yang telah dikumpulkan tersebut berupa data IHSG, JII, LQ45
dan Kompas 100 dari perusahaan yang listing di Bursa Efek Indonesia tahun 2008 sampai tahun 2012 dan juga berupa data
makro ekonomi Kurs dan BI Rate serta indeks bursa internasional Indeks DJIA, HSI, Nikkei225 periode 2008 sampai 2012. Hasil
pengolahan data berupa informasi untuk menganalisis apakah Kurs, Tingkat Suku Bunga Bank Indonesia BI Rate, Indeks DJIA, HSI
dan Nikkei225 memiliki pengaruh terhadap IHSG, JII, Indeks LQ45 dan Kompas100 serta berapa besar pengaruhnya.
2.1 Uji Normalitas
Sebelum melakukan uji statistik langkah awal yang harus dilakukan adalah screening terhadap data yang akan diolah.
Salah satu asumsi penggunaan uji statistik parametrik adalah asumsi normality. Asumsi normalitas merupakan asumsi bahwa
setiap variabel dan semua kombinasi linier dari variabel berdistribusi normal. Jika asumsi ini dipenuhi, maka nilai
residual dari analisis juga berdistribusi normal dan independen. Ghazali, 2012:29.
88
Tabel 4.10 Uji Normalitas IHSG
One-Sample Kolmogorov-Smirnov Test
Unstandardized Residual N
60 Normal Parameters
a
Mean .0000000
Std. Deviation 1.85846164E2
Most Extreme Differences Absolute
.070 Positive
.057 Negative
-.070 Kolmogorov-Smirnov Z
.543 Asymp. Sig. 2-tailed
.930
a. Test distribution is Normal.
Sumber : data diolah
Dari tabel 4.10 di dapat besarnya nilai Kolmogorov- Smirnov adalah sebesar 0,543 dengan tingkat signifikan pada
0,930 hal ini menunjukan H0 diterima yang berarti data residual terdistribusi normal.
Gambar 4.10 Grafik P-P Plot Terhadap Variabel IHSG
89
Berdasarkan Gambar 4.10 di atas, terlihat bahwa penyebaran data titik menyebar disekitar garis diagonal dan mengikuti arah
garis diagonal yang berarti bahwa data berdistribusi normal atau model regresi memenuhi asumsi normalitas.
Tabel 4.11 Uji Normalitas JII
D ari tabel 4.11 di dapat besarnya nilai Kolmogorov-Smirnov
adalah sebesar 0,608 dengan tingkat signifikan pada 0,854 hal ini menunjukan H0 diterima yang berarti data residual
terdistribusi normal.
Gambar 4.11 Grafik P-P Plot Terhadap Variabel JII
One-Sample Kolmogorov-Smirnov Test
Unstandardized Residual
N 60
Normal Parameters
a
Mean .0000000
Std. Deviation 26.47536180
Most Extreme Differences Absolute
.078 Positive
.078 Negative
-.061 Kolmogorov-Smirnov Z
.608 Asymp. Sig. 2-tailed
.854 a. Test distribution is Normal.
Sumber : data diolah
90
Berdasarkan Gambar 4.11 di atas, terlihat bahwa penyebaran data titik menyebar disekitar garis diagonal dan
mengikuti arah garis diagonal yang berarti bahwa data berdistribusi normal atau model regresi memenuhi asumsi
normalitas.
Tabel 4.12 Uji Normalitas LQ45
Sumber : data diolah
Dari tabel 4.12 di dapat besarnya nilai Kolmogorov-Smirnov adalah sebesar 0,711 dengan tingkat signifikan pada 0,693 hal
ini menunjukan H0 diterima yang berarti data residual terdistribusi normal.
One-Sample Kolmogorov-Smirnov Test
Unstandardize d Residual
N 60
Normal Parameters
a
Mean .0000000
Std. Deviation 30.61795016
Most Extreme Differences
Absolute .092
Positive .050
Negative -.092
Kolmogorov-Smirnov Z .711
Asymp. Sig. 2-tailed .693
a. Test distribution is Normal.
91
Gambar 4.12 Grafik P-P Plot Terhadap Variabel LQ45
Berdasarkan Gambar 4.12 di atas, terlihat bahwa penyebaran data titik menyebar disekitar garis diagonal dan
mengikuti arah garis diagonal yang berarti bahwa data berdistribusi normal atau model regresi memenuhi asumsi
normalitas.
Tabel 4.13 Uji Normalitas Kompas100
One-Sample Kolmogorov-Smirnov Test
Unstandardized Residual
N 60
Normal Parameters
a
Mean .0000000
Std. Deviation 39.44027301
Most Extreme Differences Absolute
.090 Positive
.051 Negative
-.090 Kolmogorov-Smirnov Z
.696 Asymp. Sig. 2-tailed
.719 a. Test distribution is Normal.
92
Dari tabel 4.13 di dapat besarnya nilai Kolmogorov- Smirnov adalah sebesar 0,696 dengan tingkat signifikan pada
0,719 hal ini menunjukan H0 diterima yang berarti data residual terdistribusi normal.
Gambar 4.13 Grafik P-P Plot Terhadap Variabel Kompas 100
Berdasarkan Gambar 4.13 di atas, terlihat bahwa penyebaran data titik menyebar disekitar garis diagonal dan mengikuti arah
garis diagonal yang berarti bahwa data berdistribusi normal atau model regresi memenuhi asumsi normalitas.
2.2 Uji Heteroskedastisitas
Sebagaimana diketahui bahwa salah satu asumsi yang harus dipenuhi agar taksiran parameter dalam model regresi bersifat
BLUE Best linier Unbias Estimator maka var u
1
harus sama dengan σ
2
konsatan, atau dengan kata lain , semua residual atau error mempunyai varian yang sama. Kondisi ini disebut
dengan homoekedastisitas. Sedangkan bila varian tidak konsisten atau berubah-ubah disebut dengan heteroskedastisitas.
93
Nachrowi Usman, 2006:109. Data yang baik adalah data yang homoskedastisitas. Untuk menguji heteroskedastisitas
terdapat berbagai macam cara, dan yang akan dipakai dalam penelitian ini adalah uji Glejser.
Tabel 4.14 Uji Heteroskedastisitas terhadap variabel IHSG
Coefficients
a
Model Unstandardized Coefficients
Standardized Coefficients
T Sig.
B Std. Error
Beta 1
Constant 6.189
4.093 1.512
.144 KURS
.000 .000
-.374 -1.022
.317 BI_RATE
-10.798 22.054
-.187 -.490
.629 DJIA
-4.133E-5 .000
-.110 -.330
.744 HSI
.000 .000
-.743 -1.350
.189 N225
.000 .000
.419 .862
.397 a. Dependent Variable: AbsUt
Sumber : data diolah
Dalam tabel 4.14 dapat di lihat hasil tampilan output SPSS dengan jelas menunjukan bahwa tidak ada satupun variabel
independen yang signifikan secara statistik mempengaruhi variabel dependen nilai AbsUt IHSG. Hal ini terlihat dari
probabilitas signifikansinya di atas tingkat kepercayaan 5. Jadi dapat disimpulkan model regresi tidak mengandung adanya
heteroskedastisitas homoskedastisitas.
94
Gambar 4.14 Scatter Plot Terhadap Variabel IHSG
Berdasarkan tampilan pada Scatterplot dalam Gambar 4.14 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.
Tabel 4.15 Uji Heteroekedastisitas terhadap variabel JII
Coefficients
a
Model Unstandardized
Coefficients Standardized
Coefficients t
Sig. Collinearity Statistics
B Std.
Error Beta
Tolerance VIF
1 Constant .038
.078 .482
.632 KURS
-2.460E-6 .000
-.118 -.474
.637 .275
3.641 BI_RATE
.393 .340
.273 1.157
.253 .306
3.271 DJIA
-2.648E-8 .000
-.003 -.013
.990 .441
2.270 HSI
-1.076E-6 .000
-.187 -.549
.586 .146
6.847 N225
4.003E-7 .000
.036 .130
.897 .225
4.439 a.
Dependent Variable: Absut
Sumber : Data diolah
95
Dalam tabel 4.15 dapat di lihat hasil tampilan output SPSS dengan jelas menunjukan bahwa tidak ada satupun
variabel independen
yang signifikan
secara statistik
mempengaruhi variabel dependen nilai AbsUt JII. Hal ini terlihat dari probabilitas signifikansinya di atas tingkat
kepercayaan 5. Jadi dapat disimpulkan model regresi tidak mengandung adanya heteroskedastisitas homoskedastisitas.
Gambar 4.15 Scatter Plot Terhadap Variabel JII
Berdasarkan tampilan pada Scatterplot dalam Gambar 4.15 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.
96
Tabel 4.16 Uji Heteroskedastisitas terhadap variabel LQ45
D D
alam tabel 4.16 dapat di lihat hasil tampilan output SPSS dengan jelas menunjukan bahwa tidak ada satupun variabel
independen yang signifikan secara statistik mempengaruhi variabel dependen nilai AbsUt LQ45. Hal ini terlihat dari
probabilitas signifikansinya di atas tingkat kepercayaan 5. Jadi dapat disimpulkan model regresi tidak mengandung adanya
heteroskedastisitas homoskedastisitas.
Coefficients
a
Model Unstandardized Coefficients
Standardized Coefficients
T Sig.
Collinearity Statistics
B Std. Error
Beta Toleranc
e VIF
1Constant -.008
.071 -.109
.914 KURS
5.226E-8 .000
.003 .011
.991 .275
3.641 BI_RATE
.524 .309
.408 1.698
.095 .306
3.271 DJIA
8.951E-7 .000
.097 .484
.630 .441
2.270 HSI
8.888E-7 .000
.173 .499
.620 .146
6.847 N225
-3.453E-6 .000
-.344 -1.230
.224 .225
4.439
a. Dependent Variable: Absut
Sumber : data diolah
97
Gambar 4.16 Scatter Plot Terhadap Variabel LQ45
Berdasarkan tampilan pada Scatterplot dalam Gambar 4.16 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.
98
Tabel 4.17 Uji Heteroskedastisitas terhadap variabel Kompas100
Sumber : data diolah
Dalam tabel 4.17 dapat di lihat hasil tampilan output SPSS dengan jela menunjukan bahwa tidak ada satupun variabel
independen yang signifikan secara statistik mempengaruhi variabel dependen nilai AbsUt Kompas100. Hal ini terlihat
dari probabilitas signifikansinya di atas tingkat kepercayaan 5. Jadi dapat disimpulkan model regresi tidak mengandung adanya
heteroskedastisitas homoskedastisitas.
Coefficients
a
Model Unstandardized
Coefficients Standardized
Coefficients T
Sig. Collinearity
Statistics B
Std. Error Beta
Tolerance VIF
1 Constant
.046 .069
.669 .507
KURS -2.601E-6
.000 -.146
-.573 .569
.275 3.641
BI_RATE .371
.297 .302
1.249 .217
.306 3.271
DJIA -1.199E-6
.000 -.136
-.673 .504
.441 2.270
HSI 1.007E-6
.000 .205
.587 .560
.146 6.847
N225 -3.231E-6
.000 -.337
-1.196 .237
.225 4.439
a. Dependent Variable: Absut
99
Gambar 4.17 Scatter Plot Terhadap Variabel Kompas 100
Berdasarkan tampilan pada Scatterplot dalam Gambar 4.17 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.
2.3 Uji Autokorelasi
Salah satu asumsi regresi linier adalah tidak terdapatnya autokorelasi. Autokorelasi ialah korelasi antara sesama urutan
pengamatan dari waktu ke waktu. Ada beberapa alasan mengapa autokorelasi terjadi yaitu Rodoni, 2005: 86 :
100
Inertia, yaitu adanya momentum yang masuk kedalam variabel-variabel X yang terus menerus sehingga sesuatu
akan terjadi dan mempengaruhi nilai-nilai pada variabel- variabel X-nya.
Terjadi penyimpangan spesifikasi karena adanya variabel X lain yang tidak dimasukkan pada model.
Bentuk fungsi yang salah. Adanya lags tenggang waktu.
Manipulasi data yang mengakibatkan data tidak akurat. Untuk memeriksa adaya autokorelasi, biasanya dipakai uji
Durbin-Watson dengan hipotesis seperti di bawah ini:
Tabel 4.18 Tabel untuk menentukan ada tidaknya autokorelasi dengan uji Durbin
Watson
Tolak H
, berarti
ada autokore
lasi positif
Tidak dapat
diputus kan
Tidak menolak H ,
berarti tidak ada autokorelasi
Tidak dapat
diputus kan
Tolak H
, berarti
ada autokorel
asi negatif
d
L
d
U
2 4-d
U
4-d
L
1,408 1,767 2,233
2,592 Dengan hipotesis yang akan di uji adalah sebagai berikut:
H : Tidak ada Autokorelasi
H
a
: Ada autokorelasi
101
Tabel 4.19 Uji Autokorelasi Terhadap Variabel IHSG
Model Summary
b
Model R
R Square Adjusted R
Square Std. Error of
the Estimate Durbin-
Watson 1
.980
a
.960 .957
194.25971 .919
a. Predictors: Constant, N225, DJIA, BI_RATE, KURS, HSI b. Dependent Variable: IHSG
Sumber : data diolah
Berdasarkan tabel diatas didapat nilai Durbin Watson sebesar 0.919. Nilai ini akan di bandingkan dengan nilai tabel
dengan menggunakan nilai signifikansi 5, jumlah sampel 60 n dan jumlah variabel independen 5 k=5, maka di dapat nilai
d
L
= 1.408 dan nilai d
U
= 1.767. oleh karena nilai DW 0.919 lebih kecil dari batas d
L
, maka dapat disimpulkan bahwa ada 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 cara nilai ρ diestimasi
dengan metode Theil-Nagar d ρ = n
2
1 – d2 + k
2
= 60
2
1 – 0,9152 + 5
2
= 0,5532 n
2
– k
2
60
2
– 5
2
Hasil estimasi ρ kemudian di transformasikan kedalam
model persamaan dan hasil output setelah dilakukan
pengobatan oleh penulis adalah sebagai berikut :
102
Tabel 4.20 Pengobatan Autokorelasi Terhadap Variabel IHSG
Model Summary
b
Model R
R Square Adjusted R
Square Std. Error of
the Estimate Durbin-Watson
1 .954
a
.911 .902
.05449 1.878
a. Predictors: Constant, LN_N225Iit, LN_BI_RATEit, LN_KURSit, LN_DJIAit, LN_HSIit
b. Dependent Variable: LN_IHSGit Sumber : data diolah
Setelah dilakukan pengobatan didapatkan nilai Durbin Watson sebesar 1.878 nilai ini lebih besar dari batas atas d
U
1.767 dan kurang dari 4 – 1.767 4 - d
U
, maka H0 diterima sehingga dapat disimpulkan bahwa tidak terdapat autokorelasi.
Tabel 4.21 Uji Autokorelasi Terhadap Variabel JII
Model Summary
b
Model R
R Square Adjusted R
Square Std. Error of
the Estimate Durbin-
Watson 1
.973
a
.946 .941
27.67394 .898
a. Predictors: Constant, N225, DJIA, BI_RATE, KURS, HSI
b. Dependent Variable: JII Sumber : data diolah
Berdasarkan tabel diatas didapat nilai Durbin Watson sebesar 0.898. Nilai ini akan di bandingkan dengan nilai tabel
dengan menggunakan nilai signifikansi 5, jumlah sampel 60 n dan jumlah variabel independen 5 k=5, maka di dapat nilai
d
L
= 1.408 dan nilai d
U
= 1.767. Oleh karena nilai DW 0.898
103
lebih kecil dari batas d
L
, maka dapat disimpulkan bahwa ada 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 cara nilai ρ diestimasi
dengan metode Theil-Nagar d :
ρ = n
2
1 – d2 + k
2
= 60
2
1 – 0,7712 + 5
2
= 0,6258 n
2
– k
2
60
2
– 5
2
Hasil estimasi ρ kemudian di transformasikan kedalam
model persamaan dan hasil output setelah dilakukan pengobatan oleh penulis adalah sebagai berikut :
Tabel 4.22 Pengobatan Autokorelasi Terhadap Variabel JII
Model Summary
b
Model R
R Square Adjusted R
Square Std. Error of
the Estimate Durbin-Watson 1
.924
a
.853 .839
.05414 2.036
a. Predictors: Constant, LN_N225it, LN_BI_RATEit, LN_KURSit, LN_DJIAit, LN_HSIit
b. Dependent Variable: LN_JIIit Sumber : data diolah
Setelah dilakukan pengobatan didapatkan nilai Durbin Watson sebesar 2.036 nilai ini lebih besar dari batas atas d
U
1.767 dan kurang dari 4 – 1.767 4 - d
U
, maka H0 diterima sehingga dapat disimpulkan bahwa tidak terdapat autokorelasi.
104
Tabel 4.23 Uji Autokorelasi Terhadap Variabel LQ45
Model Summary
b
Model R
R Square Adjusted R
Square Std. Error of
the Estimate Durbin-
Watson 1
.977
a
.955 .951
32.00407 .926
a. Predictors: Constant, N225, DJIA, BI_RATE, KURS, HSI b. Dependent Variable: LQ45
Sumber : data diolah
Berdasarkan tabel diatas didapat nilai Durbin Watson sebesar 0.926. Nilai ini akan di bandingkan dengan nilai tabel
dengan menggunakan nilai signifikansi 5, jumlah sampel 60 n dan jumlah variabel independen 5 k=5, maka di dapat nilai
d
L
= 1.408 dan nilai d
U
= 1.767. oleh karena nilai DW 0.919 lebih kecil dari batas d
L
, maka dapat disimpulkan bahwa ada 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 cara nilai ρ diestimasi
dengan metode Theil-Nagar d ρ = n
2
1 – d2 + k
2
= 60
2
1 – 0,58952 + 5
2
= 0,6006 n
2
– k
2
60
2
– 5
2
Hasil estimasi ρ kemudian di transformasikan kedalam
model persamaan dan hasil output setelah dilakukan
pengobatan oleh penulis adalah sebagai berikut :
105
Tabel 4.24 Pengobatan Autokorelasi Terhadap Variabel LQ45
Model Summary
b
Model R
R Square Adjusted R
Square Std. Error of
the Estimate Durbin-
Watson 1
.945
a
.892 .882
.04945 1.980
a. Predictors: Constant, LN_N225it, LN_BI_RATEit, LN_KURSit, LN_DJIAit, LN_HSIit
b. Dependent Variable: LN_LQ45it Sumber : data diolah
Setelah dilakukan pengobatan didapatkan nilai Durbin Watson sebesar 1.980 nilai ini lebih besar dari batas atas d
U
1.767 dan kurang dari 4 – 1.767 4 - d
U
, maka H0 diterima sehingga dapat disimpulkan bahwa tidak terdapat autokorelasi.
Tabel 4.25 Uji Autokorelasi Terhadap Variabel Kompas 100
Sumber : data diolah
Berdasarkan tabel diatas didapat nilai Durbin Watson sebesar 0.983. Nilai ini akan di bandingkan dengan nilai tabel
dengan menggunakan nilai signifikansi 5, jumlah sampel 60 n dan jumlah variabel independen 5 k=5, maka di dapat nilai
d
L
= 1.408 dan nilai d
U
= 1.767. oleh karena nilai DW 0.919
Model Summary
b
Model R
R Square Adjusted R
Square Std. Error of
the Estimate Durbin-
Watson 1
.980
a
.960 .956
41.22579 .983
a. Predictors: Constant, N225, DJIA, BI_RATE, KURS, HSI b. Dependent Variable: KOMPAS100
106
lebih kecil dari batas d
L
, maka dapat disimpulkan bahwa ada 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 cara nilai ρ diestimasi
dengan metode Theil-Nagar d ρ = n
2
1 – d2 + k
2
= 60
2
1 – 0,8942 + 5
2
= 0,5639 n
2
– k
2
60
2
– 5
2
Hasil estimasi ρ kemudian di transformasikan kedalam
model persamaan dan hasil output setelah dilakukan
pengobatan oleh penulis adalah sebagai berikut : Tabel 4.26
Pengobatan Autokorelasi Terhadap Variabel Kompas100
Model Summary
b
Model R
R Square Adjusted R
Square Std. Error of
the Estimate Durbin-
Watson 1
.955
a
.912 .904
.04987 1.978
a. Predictors: Constant, LN_N225it, LN_BI_RATEit, LN_KURSit, LN_DJIAit, LN_HSIit
b. Dependent Variable: LN_KOMPAS100it Sumber : Data diolah
Setelah dilakukan pengobatan didapatkan nilai Durbin Watson sebesar 1.978 nilai ini lebih besar dari batas atas d
U
1.767 dan kurang dari 4 – 1.767 4 - d
U
, maka H0 diterima sehingga dapat disimpulkan bahwa tidak terdapat autokorelasi.
107
2.4 Uji Multikolinieritas
Asumsi model regresi berganda yang harus dipenuhi selanjutnya adalah bahwa dalam model persamaan regresi tidak
terjadi korelasi yang signifikan antar variabel bebasnya. Dalam stastistika, tidak terjadi multikolinieritas. Multikolinieritas
adalah kondisi
adanya hubungan
linier antarvariabel
independen. Multikolinieritas dapat dilihat dari nilai tolerance dan
variance inflation factor VIF. Kedua ukuran ini menunjukan
setiap variabel independen manakah yang dijelaskan oleh variabel independen lainnya. Tolerance mengukur variabilitas
variabel independen yang terpilih yang tidak dijelaskan oleh variabel independen lainnya. Nilai cutoff yang umum dipakai
untuk menunjukan adanya multikolinieritas adalah nilai tolerance ≤ 0.10 atau sama dengan nilai VIF ≥ 10. Ghazali,
2012:105
Tabel 4.27 Uji Multikolinieritas Terhadap IHSG
Model Collinearity Statistics
Tolerance VIF
1 Constant
KURS ,276
3,626 BI_RATE
,297 3,367
DJIA ,442
2,262 HSI
,144 6,965
N225 ,210
4,765 Sumber : Data diolah
108
Pada hasil output diatas dapat dilihat bahwa nilai variabel independen yang memiliki nilai tolerance lebih dari 0,10 dan
memiliki nilai VIF pada semua variabel independen kurang dari 10 jadi dapat disimpulkan bahwa tidak ada masalah
multikolinieritas antarvariabel independen dalam model regresi.
Tabel 4.28 Uji Multikolinieritas Terhadap JII
Model Collinearity Statistics
Tolerance VIF
1 Constant
KURS ,276
3,626 BI_RATE
,297 3,367
DJIA ,442
2,262 HSI
,144 6,965
N225 ,210
4,765 Sumber : Data diolah
Pada hasil output diatas dapat dilihat bahwa nilai variabel independen yang memiliki nilai tolerance lebih dari 0,10 dan
memiliki nilai VIF pada semua variabel independen kurang dari 10 jadi dapat disimpulkan bahwa tidak ada masalah
multikolinieritas antarvariabel independen dalam model regresi.
Tabel 4.29 Uji Multikolinieritas Terhadap LQ45
Model Collinearity Statistics
Tolerance VIF
1 Constant
KURS ,276
3,626 BI_RATE
,297 3,367
DJIA ,442
2,262 HSI
,144 6,965
N225 ,210
4,765 Sumber : Data diolah
109
Pada hasil output diatas dapat dilihat bahwa nilai variabel independen yang memiliki nilai tolerance lebih dari 0,10 dan
memiliki nilai VIF pada semua variabel independen kurang dari 10 jadi dapat disimpulkan bahwa tidak ada masalah
multikolinieritas antarvariabel independen dalam model regresi.
Tabel 4.30 Uji Multikolinieritas Terhadap Kompas100
Model Collinearity Statistics
Tolerance VIF
1 Constant
KURS ,276
3,626 BI_RATE
,297 3,367
DJIA ,442
2,262 HSI
,144 6,965
N225 ,210
4,765 Sumber : Data diolah
Pada hasil output diatas dapat dilihat bahwa nilai variabel independen yang memiliki nilai tolerance lebih dari 0,10 dan
memiliki nilai VIF pada semua variabel independen kurang dari 10 jadi dapat disimpulkan bahwa tidak ada masalah
multikolinieritas antarvariabel independen dalam model regresi.
3. Uji Hipotesis