84
Sertifikat Bank Indonesia Syariah SBIS, dan Dana Pihak Ketiga DPK dan variabel terikat dependent yaitu pembiayaan murabahah.
Tahap awal dalam proses pengujian yang dilakukan adalah uji stasioneritas karena pengujian ini pada prinsipnya bertujuan untuk
mengamati apakah koefisien tertentu dari model otoregresif yang ditaksir mempunyai nilai satu atau tidak Hamja, 2008.
Tabel 4.2 Uji Akar Unit Augmented Dickey-Fuller ada Tingkat Level
No. Variabel
ADF Test CV 5
Hasil
1 LNPM
1.281545 -2.918778
Tidak stasioner 2
LNJKBUS
-0.667515 -2.918778
Tidak stasioner 3
LNSBIS
-2.230797 -2.918778
Tidak stasioner 4
LNDPK
0.580249 -2.918778
Tidak stasioner Sumber : Eviews 5.0 Data diolah
Dari data yang diuji dapat dilihat bahwa variabel-variabel dalam penelitian ini menunjukan ketidakstasioneran pada tingkat Level. Hal ini
dapat dibuktikan dengan nilai ADF test lebih besar dari Mac.Kinnon Critical Value 5. Kesimpulan dari hasil data yang diolah adalah semua data tidak
stasioner pada tingkat Level sehingga harus dilanjutkan pada tingkat berikut sampai data menjadi stasioner yaitu dengan menggunakan Uji Derajat
Integrasi.
2. Uji Derajat Integrasi
Dalam uji akar unit bila menghasilkan kesimpulan bahwa data tidak stasioner, maka diperlukan proses diferensi data. Uji stasioner data
melalui proses deferensi ini disebut uji derajat integrasi. Pengujian ini
85
dilakukan untuk mengetahui pada derajat atau order diferensi ke berapa langkah pertama diatas, jika ternyata data tersebut tidak stasioner pada
derajat pertama.
Tabel 4.3 Uji Akar Unit Augmented Dickey-
Fuller pada Tingkat 1’st Difference
No. Variabel
ADF Test CV 5
Hasil
1 LNPM
-6.714544 -3.508508
Stasioner 2
LNJKBUS
-5.813014 -3.508508
Stasioner 3
LNSBIS
-4.666224 -3.508508
Stasioner 4
LNDPK
-6.181087 -3.508508
Stasioner Sumber : Eviews 5.0 Data diolah
Dari data yang diuji dapat dilihat bahwa semua variabel stasioner pada
1‟st difference. Hal ini dapat dibuktikan dengan nilai ADF test lebih kecil dari Critical Value 5. Kesimpulan dari data yang diolah adalah
semua variabel sudah stasioner pada tingkat 1‟st difference, dan pengujian
dapat dilanjutkan.
3. Hasil Uji Asumsi Klasik
a. Hasil Uji Normalits
Pengujian normalitas dilakukan untuk menguji apakah dalam sebuah model regresi, variabel dependen, atau keduanya mempunyai
distribusi normal ataukah tidak. Model regresi yang baik adalah distribusi data normal atau mendekati normal. Hal ini dapat dilihat dari nilai
probability yang nilainya lebih besar dari 5 persen. Dalam gambar 4.5
menunjukan bahwa nilai probabilitas lebih besar dari α = 5 persen yaitu
86
0,062800 atau 6,2 persen. Oleh karena itu dapat disimpulkan bahwa tidak terdapat permasalahan normailtas.
Gambar 4.5 Hasil Uji Normalitas
Sumber : Eviews 5.0 Data diolah
b. Hasil Uji Autokorelasi
Uji Autokorelasi untuk mengetahui kesalahan penganggu antara periode sekarang dengan periode sebelumnya. Dalam penelitian ini untuk
melihat adanya autokorelasi atau tidak maka dapat menggunakan uji autokorelasi yang dikembangkan oleh Bruesch dan Godfrey yang lebih
umum dikenal dengan uji Lagrange Multiplier LM-test.
Tabel 4.6 Hasil Uji Aotokorelasi
Breusch-Godfrey Serial Correlation LM Test: ObsR-squared
3.739.212 Prob. Chi-Square2
0.1542
Sumber : Eviews 5.0 Data diolah
Apabila Probabilitas R² lebih besar α 5 = tidak ada autokorelasi terima H
, tolak H
1
sedangkan bila Probabilitas R² lebih kecil α 5 = ada autokorelasi tolak H
, terima H
1
. Hasil deteksi autokorelasi dengan
Series: Residual Sampel 2 53
Observation 52 Jarque-Bera 5.535613
Probability 0.062800
87
metode LM dapat dilihat pada tabel 4.6 diatas. Dari tabel 4.5 diatas, menunjukan bahwa nilai probabilitas ObsR-Squared sebesar 0,1542 yang
berarti nilainya lebih besar dari α = 5 0,05. Hal ini memberikan putusan tidal terdapat masalah autokorelasi dalam model.
c. Hasil Uji Heterokedastisitas
Tabel 4.7 Hasil Uji Heteroskedastisitas Uji White
Heteroskedasticity Test: White ObsR-squared
1.382.274 Prob. Chi-Square3
0.7097
Sumber : Eviews 5.0 Data diolah
Dari Tabel 4.7 diatas, menunjukan bahwa nilai probabilitas ObsR- Squared adalah 0,7097
yang berarti nilainya lebih besar dari α = 5 0,05. Hal ini memberikan putusan tidak terdapat masalah heteroskedastisitas
dalam model.
d. Hasil Uji Multikolinieritas
Masalah multikoliniaritas dapat dilihat dengan menggunakan uji korelasi parsial antar variabel. Dapat dilihat dengan nilai korelasi antar
variabel. Apabila nilai korelasi antar variabel lebih besar dari 0,8 maka dapat disimpulkan terdapat masalah multikoliniaritas dalam model.
Sedangkan, bila nilainya kurang dari 0,8 maka model tidak mengandung masalah multikoliniaritas.
88
Tabel 4.8 Hasil Uji Multikoliniaritas
LNPM LNJKBUS
LNSBIS LNDPK
LNPM 1.000000
0.964823 0.629112
0.992207 LNJKBUS
0.964823 1.000000
0.647358 0.975914
LNSBIS 0.629112
0.647358 1.000000
0.691253 LNDPK
0.992207 0.975914
0.691253 1.000000
Sumber : Eviews 5.0 Data diolah
Pada tabel 4.8 diatas, terlihat bahwa terdapat nilai korelasi yang lebih besar dari 0,8. Dapat disimpulkan bahwa terdapat masalah
multikoliniaritas. Maka akan dilakukan model dengan melakukan diferensiasi pada variabel saat diuji yaitu DLN Variabel sampai data
tersebut tidak terjadi multikoliniaritas.
Tabel 4.9 Hasil uji Multikoliniaritas dengan diferensiasi
LNPM LNJKBUS
LNSBIS LNDPK
LNPM 1.000000
-0.273837 -0.125040
0.319050 LNJKBUS
-0.273837 1.000000
0.050006 -0.133555
LNSBIS -0.125040
0.050006 1.000000
0.650702 LNDPK
0.319050 -0.133555
0.650702 1.000000
Sumber : Eviews 5.0 Data diolah
Pada tabel 4.9 diatas terlihat bahwa nilai korelasi antar variabel lebih kecil dari 0,8. Hal ini menunjukan bahwa tidak terdapat masalah
multikoliniaritas pada model tersebut.
89
4. Hasil Regresi Berganda OLS