Perkembangan Bi Rate Sekilas Gambaran Umum Objek Penelitian
75
variabel independen. Suatu model regresi yang baik adalah tidak terjadi multikolinieritas antar variabel independen dengan variabel dependen
Gujarati, 2007:67. Setelah diolah menggunakan aplikasi Eviews 5.0 maka terlihat hasil sebagai berikut.
Tabel 4.1 Hasil Uji
Correlation Matrix
LNINF LNKURS
LNBI LNINF
1.000000 0.359391
0.750385 LNKURS
0.359391 1.000000
0.616270 LNBI
0.750385 0.616270
1.000000 Sumber: Data diolah
Berdasarkan tabel 4.3 diatas dapat terlihat bahwa pengujian multikolinearitas dengan menggunakan correlation matrix, menghasilkan
bahwa model ini tidak terdapat multikolinearitas. Karena nilai koefisien korelasi dari masing-masing variabel independen berada dibawah 0,8.
Sehingga dapat dilanjutkan ke pengujian selanjutnya yaitu uji Heteroskedastisitas.
3 Uji Heteroskedastisitas
Uji Heteroskedastisitas ini dilakukan untuk mengetahui apakah dalam model regresi terjadi ketidaksamaan varian dari residual satu
pengamatan ke pengamatan yang lain. Jika varian dari residual satu pengamatan
ke pengamatan
yang lain
tetap, maka
disebut
76
Homoskedastisitas dan jika varian tidak konstan atau berubah-ubah disebut dengan Heteroskedastisitas. Model regresi yang baik adalah yang
Homoskedastisitas atau tidak terjadi Heteroskedastisitas. Gujarati, 2007:82
Untuk mengetahui ada tidaknya Heteroskedastisitas dapat dilihat pada tabel dibawah ini.
Tabel 4.2 Hasil Uji White Heteroskedasticity-Test
White Heteroskedasticity Test: F-statistic
1.972396 Probability 0.069574
ObsR-squared 15.32692 Probability
0.082339 Sumber: Data diolah
Dari tabel 4.4 di atas diketahui bahwa nilai probabilitas ObsR- squared adalah 0.082339
lebih besar dari α = 5 0,05. Maka model ini berarti tidak ada permasalahan heteroskedastisitas. Setelah dilakukan uji
White Heteroskedasticity tersebut, kemudian dilanjutkan dengan uji Autokorelasi.
4 Uji Autokorelasi
Autokorelasi adalah suatu keadaan dimana terjadi korelasi antara residual tahun ini dengan tingkat kesalahan tahun sebelumnya. Untuk
mengetahui ada atau tidaknya penyakit autokorelasi dalam suatu model, dapat dilihat dari nilai statistik Durbin-Watson. Selain dengan
menggunakan uji Durbin-Watson, untuk melihat ada tidaknya masalah
77
penyakit autokorelasi dapat juga digunakan uji Lagrange Multiplier LM Test atau yang disebut Uji Breusch-Godfrey dengan membandingkan
nilai probabilitas R- Square dengan α = 5 0.05.
Untuk mengetahui ada tidaknya autokorelasi dapat dilihat pada tabel dibawah ini.
Tabel 4.3 Hasil Uji Lagrange Multiplier Test
Breusch-Godfrey Serial Correlation LM Test: F-statistic
107.5091 Probability 0.000000
ObsR-squared 40.83391 Probability
0.000000 Sumber: Data diolah
Berdasarkan tabel 4.5 diatas diketahui bahwa nilai ObsR-squared adalah 40.83391 dan nilai probabilitas adalah 0.000000 yang lebih kecil
dari α = 5 0,05 sehingga dapat disimpulkan bahwa data dalam penelitian ini terdapat masalah autokorelasi.
Untuk menanggulangi masalah aurokorelasi pada penelitian ini, maka dapat menggunakan model Differensi Tingkat Pertama, yaitu
penyembuhan autokorelasi dengan mengestimasi menggunakan differensi tingkat pertama dengan memasukan persamaan dy c dx. Wing W.
Winarno, 2009:5.31-5.33 Kemudian diperoleh hasil seperti pada tabel berikut: