70
Tabel 4.1 Output Regresi Berganda
Variabel Probabilitas
C 0.0000
SBIS 0.0013
NPF 0.0000
Kurs 0.0000
Inflasi 0.6955
Adjusted r-square 0.832958
Durbin-watson 0.540028
Data sekunder diolah, 2016 Berdasarkan hasil regresi berganda memperlihatkan bahwa nilai
dari probabilitas terdapat 3 variabel yang signifikan dan satu variabel tidak signifikan. Nilai adjusted r-square sebesar 0.832958
mencerminkan bahwa model highly significant. Nilai Durbin-Watson sebesar 0.540028 yang mengindikasikan bahwa model mengandung
autokorelasi.
3. Uji Asumsi Klasik
Analisis regresi berganda memerlukan dipenuhinya asumsi agar model dapat digunakan sebagai alat prediksi. Maka untuk selanjutnya
dilakukan uji asumsi klasik.
a. Uji Normalitas
Salah satu asumsi model regresi adalah residual mempunyai distribusi normal.
71
Tabel 4.2 Uji Normalitas
Data sekunder diolah, 2016 Tabel 4.2 menunjukan nilai Jarque-Bera sebesar 3.389951
lebih besar dari 2 dan nilai probability sebesar 0.183604 lebih besar dari tingkat signifikansi α = 5. Hal tersebut dapat disimpulkan
bahwa data residual berdistribusi normal.
b. Uji Multikoleniaritas
Multikoleniaritas bisa dideteksi dengan melihat korelasi antara variabel independen di dalam regresi. Model regresi yang
baik seharusnya tidak terjadi korelasi di antara variabel bebas. Berikut ini adalah uji multikoleniaritas dengan menggunakan
Variance Inflation Factors.
Tabel 4.3 Variance Inflation Factors
Variabel Centered VIF
C
NA
SBIS
1.759490
NPF
1.250434
Kurs
2.342932
Inflasi
1.220869
Data sekunder diolah, 2016 Jarque-Bera
3.389951 Probability
0.183604
72
Hasil uji multikoleniaritas dapat dilihat pada kolom Centered VIF. Nilai VIF semua variabel bebas lebih keil dari 10 atau 5. Maka
dapat dikatakan tidak terjadi mulltikoleniaritas pada ketiga variabel bebas tersebut. Berdasarkan syarat asumsi klasik linear OLS, model
regresi yang baik adalah terbebas dari adanya multikoleniaritas. Maka dapat disimpulkan bahwa tidak terdapat multikoleniaritas
didalam model regresi.
c. Uji Heterokedastisitas
Ada tidaknya masalah heterokedastisitas dapat di deteksi dengan beberapa metode salah satunya dengan uji white. Keputusan
taerjadi atau tidaknya heterokedastisitas pada model regresi linear adalah dengan melihat nilai Pro. F-statistic F hitung. Apablia F
hitung leb ih besar dari tingkat α = 5 artinya tidak terjadi
heterokedastisitas,namun jika nilai F hitung kecil dari α = 5 artinya terjadi heterokedastisitas.
Tabel 4.4 Uji White
Prob. F
0.0757
Prob. Chi-Square
0.0768
Data sekunder diolah, 2016 Berdasarkan tabel 4.4 Output diatas memberikan informasi
bahwa nilai Prob ObsR-squared sebesar
0.0768
lebih besar dari tingkat alpha 0,05 5 sehingga dapat disimpulkan bahwa model
dalam penelitian ini terbebas dari masalah heterokedastisitas.
