BAB III METODE PENELITIAN
B. Analisis Data
a. Deskripsi Data Penelitian
Data deskriptif dari nilai variabel-variabel penelitian yang terdiri dari variabel independen yaitu inflasi, kurs, BI rate, kapitalisasi pasar, jumlah
uang beredar dan variabel dependen yaitu Jakarta Islamic Index tampak dalam tabel berikut (Ghozali, 2013: 19):
Tabel 4.1
Data Deskriptif Variabel Penelitian
Sumber: Data Sekunder Diolah, 2017
Berdasarkan tabel di atas jumlah data 72 dan data deskriptif untuk setiap variabel adalah : Inflasi dengan nilai rata-rata nya sebesar 5,4928 dan standar deviasinya sebesar 1,67412. Kurs dengan nilai rata-ratanya 11236,417 dan standar deviasinya 1882,1427. BI rate dengan nilai rata-ratanya 6,6354 dan standar deviasinya 0,87406. Kapitalisasi Pasar dengan nilai rata-ratanya 1719034,208 dan standar deviasinya 290996,5672. Jumlah Uang beredar dengan nilai rata-ratanya 3667911,403 dan standar deviasinya 749818,5269. Jakarta Islamic Index
dengan nilai rata-ratanya 6194140,972 dan standar deviasinya 672322,6130. Descriptive Statistics N Mean Std. Deviation Inflasi 72 5.4928 1.67412 Kurs 72 11236.417 1882.1427 BIrate 72 6.6354 .87406 Kapitalisasipasar 72 1719034.208 290996.5672 JUB 72 3667911.403 749818.5269 JII 72 6194140.972 672322.6130 Valid N (listwise) 72
b. Uji Stasioneritas
Pengujian stasionaritas data adalah hal yang penting dalam analisis data runtut waktu. Pengujian yang tidak memadai dapat menyebabkan pemodelan yang tidak tepat sehingga hasil/kesimpulan yang diberikan dapat bersifat spurious (palsu). Jika data bersifat stasioner, DGP (data generating process) akan menunjukkan karakteristik rata-rata dan varians yang konstan serta nilai autokorelasi yang tidak terikat titik waktu. Hal sebaliknya terjadi jika data bersifat tidak stasioner (Ariefianto, 2012: 132).
Uji stasionaritas juga biasa disebut dengan uji unit root. Uji unit root dalam penelitian ini menggunakan uji Dickey-Fuller (ADF). Jika nilai t hitung estimasi lebih besar dari nilai t kritis DF maka deret berkala tersebut bersifat stasioner. Di sisi lain, jika nilai t hitung lebih kecil dari nilai t kritis DF maka deret berkala tersebut bersifat nonstasioner (Gujarati, 2006: 170). Hasil uji stasioneritas pada setiap variabel adalah:
1) Uji stasioeritas inflasi
Hasil uji stasioner variabel inflasi dari data yang disajikan, bahwa nilai statistik t sebesar -2,182403 lebih besar daripada nilai t pada tabel Mckinnon pada tingkat kepercayaan 1%, 5%, maupun 10%. Serta nilai probabilitasnya sebesar 0,2144 yang lebih besar dari nilai kritik 0,05 (0,2144 > 0,05). Dengan demikian data dikatakan tidak stasioner pada tahap level, maka data dinaikkan ke level
diferensiasi tahap pertama (1st difference) dengan hasil sebagai berikut:
Tabel 4.2 Uji Stasioneritas Inflasi
Sumber: Data Sekunder Diolah, 2017
Terlihat dari data di atas bahwa nilai statistik t sebesar -6,300514 sudah lebih kecil daripada nilai t pada tabel Mckinnon pada tingkat kepercayaan 1%, 5%, maupun 10%. Serta nilai probabilitasnya sebesar 0,0000 sudah lebih kecil dari nilai kritik 0,05 (0,0000 < 0,05). Dengan demikian data telah stasioner pada diferensiasi tahap pertama (1st difference).
2) Uji stasioneritas kurs
Hasil uji stasioner variabel kurs dari data yang disajikan, bahwa nilai statistik t sebesar -0,646496 lebih besar daripada nilai t pada tabel Mckinnon pada tingkat kepercayaan 1%, 5%, maupun 10%. Serta nilai probabilitasnya sebesar 0,8527 yang lebih besar dari
Null Hypothesis: D(INFLASI) has a unit root Exogenous: Constant
Lag Length: 1 (Automatic - based on SIC, maxlag=11)
t-Statistic Prob.* Augmented Dickey-Fuller test statistic -6.300514 0.0000 Test critical values: 1% level -3.528515
5% level -2.904198 10% level -2.589562 *MacKinnon (1996) one-sided p-values.
Augmented Dickey-Fuller Test Equation Dependent Variable: D(INFLASI,2) Method: Least Squares Date: 08/07/17 Time: 17:18 Sample (adjusted): 2011M04 2016M12 Included observations: 69 after adjustments
nilai kritik 0,05 (0,8527 > 0,05). Dengan demikian data dikatakan tidak stasioner pada tahap level, maka data dinaikkan ke level diferensiasi tahap pertama (1st difference) dengan hasil sebagai berikut:
Tabel 4.3 Uji Stasioneritas Kurs
Sumber: Data Sekunder Diolah, 2017
Terlihat dari data di atas bahwa nilai statistik t sebesar -9,128744 sudah lebih kecil daripada nilai t pada tabel Mckinnon pada tingkat kepercayaan 1%, 5%, maupun 10%. Serta nilai probabilitasnya sebesar 0,0000 sudah lebih kecil dari nilai kritik 0,05 (0,0000 < 0,05). Dengan demikian data telah stasioner pada diferensiasi tahap pertama (1st difference).
3) Uji stasioneritas BI rate
Hasil uji stasioner variabel BI rate dari data yang disajikan, bahwa nilai statistik t sebesar -1,280912 lebih besar daripada nilai t
Null Hypothesis: D(KURS) has a unit root Exogenous: Constant
Lag Length: 0 (Automatic - based on SIC, maxlag=11)
t-Statistic Prob.* Augmented Dickey-Fuller test statistic -9.128744 0.0000 Test critical values: 1% level -3.527045
5% level -2.903566 10% level -2.589227 *MacKinnon (1996) one-sided p-values.
Augmented Dickey-Fuller Test Equation Dependent Variable: D(KURS,2) Method: Least Squares Date: 08/07/17 Time: 17:20 Sample (adjusted): 2011M03 2016M12 Included observations: 70 after adjustments
pada tabel Mckinnon pada tingkat kepercayaan 1%, 5%, maupun 10%. Serta nilai probabilitasnya sebesar 0,6340 yang lebih besar dari nilai kritik 0,05 (0,6340 > 0,05). Dengan demikian data dikatakan tidak stasioner pada tahap level, maka data dinaikkan ke level diferensiasi tahap pertama (1st difference) dengan hasil sebagai berikut:
Tabel 4.4 Uji Stasioneritas BI rate
Sumber: Data Sekunder Diolah, 2017
Terlihat dari data di atas bahwa nilai statistik t sebesar -4,052191 sudah lebih kecil daripada nilai t pada tabel Mckinnon pada tingkat kepercayaan 1%, 5%, maupun 10%. Serta nilai probabilitasnya sebesar 0,0021 sudah lebih kecil dari nilai kritik 0,05 (0,0021 < 0,05). Dengan demikian data telah stasioner pada diferensiasi tahap pertama (1st difference).
Null Hypothesis: D(BIRATE) has a unit root Exogenous: Constant
Lag Length: 1 (Automatic - based on SIC, maxlag=11)
t-Statistic Prob.* Augmented Dickey-Fuller test statistic -4.052191 0.0021 Test critical values: 1% level -3.528515
5% level -2.904198 10% level -2.589562 *MacKinnon (1996) one-sided p-values.
Augmented Dickey-Fuller Test Equation Dependent Variable: D(BIRATE,2) Method: Least Squares Date: 08/07/17 Time: 17:21 Sample (adjusted): 2011M04 2016M12 Included observations: 69 after adjustments
4) Uji stasioneritas kapitalisasi pasar
Hasil uji stasioner variabel kapitalisasi pasar dari data yang disajikan, bahwa nilai statistik t sebesar -2,228932 lebih besar daripada nilai t pada tabel Mckinnon pada tingkat kepercayaan 1%, 5%, maupun 10%. Serta nilai probabilitasnya sebesar 0,1981 yang lebih besar dari nilai kritik 0,05 (0,1981 > 0,05). Dengan demikian data dikatakan tidak stasioner pada tahap level, maka data dinaikkan ke level diferensiasi tahap pertama (1st difference) dengan hasil sebagai berikut:
Tabel 4.5
Uji Stasioneritas Kapialisasi Pasar
Sumber: Data Sekunder Diolah, 2017
Terlihat dari data di atas bahwa nilai statistik t sebesar -8,512031 sudah lebih kecil daripada nilai t pada tabel Mckinnon pada tingkat kepercayaan 1%, 5%, maupun 10%. Serta nilai probabilitasnya sebesar 0,0000 sudah lebih kecil dari nilai kritik 0,05
Null Hypothesis: D(KAPITALISASI_PASAR) has a unit root Exogenous: Constant
Lag Length: 0 (Automatic - based on SIC, maxlag=11)
t-Statistic Prob.* Augmented Dickey-Fuller test statistic -8.512031 0.0000 Test critical values: 1% level -3.527045
5% level -2.903566 10% level -2.589227 *MacKinnon (1996) one-sided p-values.
Augmented Dickey-Fuller Test Equation Dependent Variable: D(KAPITALISASI_PASAR,2) Method: Least Squares
Date: 08/07/17 Time: 17:21 Sample (adjusted): 2011M03 2016M12 Included observations: 70 after adjustments
(0,0000 < 0,05). Dengan demikian data telah stasioner pada diferensiasi tahap pertama (1st difference).
5) Uji stasioneritas jumlah uang beredar
Hasil uji stasioner variabel jumlah uang beredar dari data yang disajikan, bahwa nilai statistik t sebesar -0,034978 lebih besar daripada nilai t pada tabel Mckinnon pada tingkat kepercayaan 1%, 5%, maupun 10%. Serta nilai probabilitasnya sebesar 0,9516 yang lebih besar dari nilai kritik 0,05 (0,9516 > 0,05). Dengan demikian data dikatakan tidak stasioner pada tahap level, maka data dinaikkan ke level diferensiasi tahap pertama (1st difference) dengan hasil sebagai berikut:
Tabel 4.6 Uji Stasioneritas JUB
Sumber: Data Sekunder Diolah, 2017
Terlihat dari data di atas bahwa nilai statistik t sebesar -10,37081 sudah lebih kecil daripada nilai t pada tabel Mckinnon pada
Null Hypothesis: D(JUB) has a unit root Exogenous: Constant
Lag Length: 0 (Automatic - based on SIC, maxlag=11)
t-Statistic Prob.*
Augmented Dickey-Fuller test statistic -10.37081 0.0001 Test critical values: 1% level -3.527045
5% level -2.903566 10% level -2.589227 *MacKinnon (1996) one-sided p-values.
Augmented Dickey-Fuller Test Equation Dependent Variable: D(JUB,2) Method: Least Squares Date: 08/07/17 Time: 17:22
Sample (adjusted): 2011M03 2016M12 Included observations: 70 after adjustments
tingkat kepercayaan 1%, 5%, maupun 10%. Serta nilai probabilitasnya sebesar 0,0001 sudah lebih kecil dari nilai kritik 0,05 (0,0001 < 0,05). Dengan demikian data telah stasioner pada diferensiasi tahap pertama (1st difference).
6) Uji stasioneritas JII
Hasil uji stasioner variabel JII dari data yang disajikan, bahwa nilai statistik t sebesar -2,140419 lebih besar daripada nilai t pada tabel Mckinnon pada tingkat kepercayaan 1%, 5%, maupun 10%. Serta nilai probabilitasnya sebesar 0,2299 yang lebih besar dari nilai kritik 0,05 (0,2299 > 0,05). Dengan demikian data dikatakan tidak stasioner pada tahap level, maka data dinaikkan ke level diferensiasi tahap pertama (1stdifference) dengan hasil sebagai berikut:
Tabel 4.7 Uji Stasioneritas JII
Sumber: Data Sekunder Diolah, 2017
Terlihat dari data di atas bahwa nilai statistik t sebesar -8,004459 sudah lebih kecil daripada nilai t pada tabel Mckinnon pada
Null Hypothesis: D(JII) has a unit root Exogenous: Constant
Lag Length: 0 (Automatic - based on SIC, maxlag=11)
t-Statistic Prob.* Augmented Dickey-Fuller test statistic -8.004459 0.0000 Test critical values: 1% level -3.527045
5% level -2.903566 10% level -2.589227 *MacKinnon (1996) one-sided p-values.
Augmented Dickey-Fuller Test Equation Dependent Variable: D(JII,2) Method: Least Squares Date: 08/07/17 Time: 17:22 Sample (adjusted): 2011M03 2016M12 Included observations: 70 after adjustments
tingkat kepercayaan 1%, 5%, maupun 10%. Serta nilai probabilitasnya sebesar 0,0000 sudah lebih kecil dari nilai kritik 0,05 (0,0000 < 0,05). Dengan demikian data telah stasioner pada diferensiasi tahap pertama (1st difference).
c. Uji Normalitas Data
Uji normalitas data residual dilakukan dengan menggunakan uji grafik dan uji statistik kolmogorof-smirnov (K-S). Uji K-S untuk menguji normalitas data residual menyatakan jika dalam uji K-S diperoleh nilai signifikansi Kolmogorof-Smirnov di atas 0,05 maka data residual terdistribusi secara normal dan sebaliknya jika dalam uji K-S diperoleh nilai signifikansi Kolmogorof-Smirnov dibawah 0,05 maka data residual terdistribusi secara tidak normal (Ghozali, 2013: 160). Hasil uji K-S tampak seperti dalam tabel berikut:
Tabel 4.8
Hasil Perhitungan Nilai K-S dan Signifikansinya One-Sample Kolmogorov-Smirnov Test
Unstandardized Residual
N 72
Normal Parametersa,b
Mean .0000000
Std. Deviation 179955.240904
69
Most Extreme Differences
Absolute .156
Positive .156
Negative -.065
Kolmogorov-Smirnov Z 1.325
a. Test distribution is Normal. b. Calculated from data.
Sumber: Data Sekunder Diolah, 2017
Dari tabel 4.8 tersebut ditunjukkan bahwa nilai probabilitas
Asymp. Sig. (2-tailed) sebesar 0,06. Hal ini memperlihatkan bahwa nilai
Asymp. Sig. lebih besar dibandingkan dengan taraf signifikansi (α) sebesar 0,05. Maka dapat dituliskan : Asymp.Sig. (2-tailed)> α
0,06 > 0,05
Sehingga dapat disimpulkan bahwa residual terdistribusi secara normal atau dengan kata lain residual berdistribusi normal.
d. Uji Analisis Data
1. Uji Signifikansi Parameter Individual (Uji Statistik t / t-test)
Untuk memperoleh keyakinan tentang model regresi dalam memprediksi, kita harus menguji signifikansi masing-masing koefisien dari model, maka dilakukan uji t (Ghozali, 2013: 101):
Tabel 4.9 Coefficientsa
Model Unstandardized Coefficients Standardized
Coefficients t Sig. B Std. Error Beta (Constant) 2568188.000 234596.132 10.947 .000 Inflasi -5964.836 19744.246 -.015 -.302 .764 Kurs -219.161 96.934 -.614 -2.261 .027 BIrate 93528.452 46292.654 .122 2.020 .047 Kapitalisasipasar 2.138 .210 .925 10.169 .000 JUB .498 .285 .555 1.748 .085
a. Dependent Variable: JII
Sumber: Data Sekunder Diolah, 2017
Output ini menggambarkan persamaan regresi. Persamaan regresinya adalah:
Y = a + b1x1 + b2x2 + b3x3 + b4x4 + b5x5 + e Dimana :
Y = Perubahan indeks Jakarta Islamic Index
X1 = Perubahan nilai inflasi terhadap Jakarta Islamic Index
X2 = Perubahan nilai kurs terhadap Jakarta Islamic Index
X3 = Perubahan BI rate terhadap Jakarta Islamic Index
X4 = Perubahan nilai kapitalisasi pasar terhadap Jakarta Islamic Index
X5 = Perubahan nilai jumlah uang beredar terhadap Jakarta Islamic Index
a = bilangan konstanta e = standar eror b = koefisien regresi
Jadi dapat disimpulkan asumsi persamaan regresinya adalah:
Y = 2568188,000 – 5964,836X1 – 219,161X2 + 93528,452X3 + 2,138X4 + 0,498X5 + 234596,132
Dimana :
a) Konstanta 2568188,000 menyatakan bahwa jika rata-rata variabel independen konstan, maka rata-rata dari Jakarta Islamic Index adalah sebesar 2568188,000.
b) Inflasi (X1) terhadap Jakarta Islamic Index (Y)
Berdasarkan pada tabel 4.9 coefficient beta sebesar –5964,83 menyatakan bahwa, setiap kenaikan satu satuan inflasi maka akan menurunkan tingkat indeks harga saham Jakarta Islamic Index sebesar –5964,83 satuan.
c) Kurs (X2) terhadap Jakarta Islamic Index (Y)
Berdasarkan pada tabel 4.9 coefficient beta sebesar -219,161 menyatakan bahwa, setiap kenaikan satu satuan kurs maka akan menurunkan tingkat indeks harga saham Jakarta Islamic Index
sebesar –219,161 satuan.
d) BI rate (X3) terhadap Jakarta Islamic Index (Y)
Berdasarkan pada tabel 4.9 coefficient beta sebesar 93528,452 menyatakan bahwa, setiap kenaikan satu satuan BI rate akan menaikkan tingkat indeks harga saham Jakarta Islamic Index
sebesar 93528,452 satuan.
d) Kapitalisasi pasar (X4) terhadap Jakarta Islamic Index (Y) Berdasarkan pada tabel 4.9 coefficient beta sebesar 2,138 menyatakan bahwa, setiap kenaikan satu satuan kapitalisasi pasar
akan menaikkan tingkat indeks harga saham Jakarta Islamic Index sebesar 2,138 satuan.
e) Jumlah uang beredar (X5) terhadap Jakarta Islamic Index (Y) Berdasarkan pada tabel 4.9 coefficient beta sebesar 0,498 menyatakan bahwa, setiap kenaikan satu satuan jumlah uang beredar akan menaikkan tingkat indeks harga saham Jakarta Islamic Index sebesar 0,498 satuan.
2. Uji Signifikansi Parameter Simultan (Uji Statistik f / f-test)
Uji simultan digunakan untuk menguji besarnya pengaruh dari seluruh variabel secara bersama-sama terhadap variabel dependennya (Ghozali, 2013: 98). Uji simultan menggunakan uji F, apabila nilai
prob F < tingkat signifikansi 5% (0,05) dapat disimpulkan bahwa variabel independen secara bersama-sama berpengaruh signifikan terhadap variabel dependen.
Tabel 4.10 ANOVAa
Model Sum of Squares df Mean Square F Sig.
1 Regression 29794000309268. 305 5 5958800061853. 661 171.047 .000b Residual 2299256099763.6 43 66 34837213632.78 2 Total 32093256409031. 945 71
a. Dependent Variable: JII
b. Predictors: (Constant), jub, inflasi, birate, kapitalisasipasar, kurs
Berdasarkan tabel 4.10 dapat diketahui bahwa secara bersama-sama variabel independen memiliki pengaruh yang signifikan terhadap variabel dependen. Hal ini dibuktikan dengan uji ANOVA atau F test didapat F hitung sebesar 171,047 dengan probabilitas sebesar 0,000 yang jauh lebih kecil dari 0,05.
3. Koefisien Determinasi R2
Angka koefisien determinasi (R2) digunakan untuk mengukur seberapa besar pengaruh seluruh variabel bebas (Xi) terhadap variabilitas variabel terikatnya (Y). Ukuran goodness of fit ini mencerminkan seberapa besar variasi dari regressan (Y) dapat diterangkan oleh regressor (X). Bila R2 = 0, artinya variasi dari Y tidak dapat diterangkan oleh X sama sekali. Sementara bila R2 = 1, artinya variasi dari Y, 100% dapat diterangkan oleh X. Dengan kata lain bila R2 = 1, maka semua titik-titik pengamatan berada pada garis regresi (Ghozali, 2013: 97). Dengan demikian ukuran goodness of fit dari suatu model ditentukan R2 yang nilainya antara nol dan satu.
Tabel 4.11 Model Summary
Model R R Square Adjusted R
Square
Std. Error of the Estimate
1 .964a .928 .923 186647.2974
a. Predictors: (Constant), JUB, Inflasi, BIrate, Kapitalisasipasar, Kurs
Dari hasil output di atas pada model summary besarnya koefisien R Square adalah 0,928 ,hal ini berarti 92,8% variasi indeks JII dapat dijelaskan oleh kelima variabel independen Inflasi, Kurs, BI rate, Kapitalisasi pasar, dan Jumlah uang beredar. Sedangkan sisanya sebesar 7,2% dijelaskan oleh variasi lain diluar model.
4. Adjusted R2
Setiap tambahan satu variabel independen maka korelasi pasti akan meningkat walaupun belum tentu variabel yang ditambahkan mempengaruhi secara signifikan terhadap variabel independen. Oleh karena itu, digunakan nilai adjusted R2, karena nilai adjusted R2 dapat naik atau turun apabila satu variabel independen ditambahkan ke dalam model regresi dan nilai adjusted R2 dalam perhitungannya telah diberi penimbang (Ghozali, 2013: 97).
Tabel 4.12 Model Summary
Model R R Square Adjusted R
Square
Std. Error of the Estimate
1 .964a .928 .923 186647.2974
a. Predictors: (Constant), JUB, Inflasi, BIrate, Kapitalisasipasar, Kurs
Sumber: Data Sekunder Diolah, 2017
Dari hasil output diatas pada model summary besarnya koefisien Adjusted R2 adalah 0,923 ,hal ini berarti 92,3% variasi indeks JII dapat dijelaskan oleh kelima variabel independen Inflasi,
Kurs, BI rate, Kapitalisasi pasar, dan Jumlah uang beredar. Sedangkan sisanya sebesar 7,7% dijelaskan oleh variabel lain diluar model.
e. Uji Asumsi Klasik 1. Uji Multikolonieritas
Uji multikolinearitas bertujuan untuk menguji apakah dalam model regresi yang terbentuk ada korelasi yang tinggi dan sempurna antara variabel bebas atau tidak. Hasil regresi yang baik yaitu apabila model terbebas dari multikolinearitas. Multikolonieritas dapat dideteksi dengan membandingkan nilai R2 regresi utama dengan nilai R2 dari persamaan model auxiliary. Regresi model auxiliary dilakukan dengan mengestimasi model regresi berikut (Gujarati, 2006:68): Tabel 4.13 Auxiliary No Variabel Dependen R2 1. Y (Regresi Utama) 0,928 2. X1 (inflasi) 0,551 3. X2 (kurs) 0,985 4. X3 (BI rate) 0,700 5. X4 (kapitalisasi pasar) 0,869 6. X5 (JUB) 0,989
Sumber: Data Sekunder Diolah, 2017
Dari tabel 4.13 dapat disimpulkan bahwa ada gejala multikolonieritas pada variabel JUB dan kurs yang dibuktikan dengan tingginya angka R2 yang melebihi nilai R2 pada regresi
utama. Dengan ini asumsi persamaan regresinya dinyatakan tidak terbebas atau terkena multikolonieritas.
Langkah penyembuhan pertama yang dilakukan adalah mengeluarkan salah satu variabel yang memiliki korelasi paling tinggi yaitu variabel jumlah uang beredar (X5). Jumlah uang beredar memiliki nilai perbandingan R2 yang paling tinggi yaitu sebesar 0,989 dengan mengeluarkan variabel X5 maka dapat dilihat pada tabel 4.14 bahwa model regresi sudah tidak terjadi gangguan multikolonieritas. Tabel 4.14 Auxiliary No Variabel Dependen R2 1. Y (Regresi Utama) 0,925 2. X1 (inflasi) 0,436 3. X2 (kurs) 0,664 4. X3 (BI rate) 0,568 5. X4 (kapitalisasi pasar) 0,583 Sumber: Data Sekunder Diolah, 2017
Dengan ini dapat disimpulkan bahwa tidak ada gangguan multikolonieritas pada regresi baru, hal itu juga dibuktikan dengan tabel 4.14 dimana nilai R2 tidak ada yang melebihi nilai R2 pada regresi utama. Persamaan regresi baru yang dihasilkan oleh tabel 4.14 adalah :
2. Uji Heterokedastisitas
Uji heterokedastisitas bertujuan untuk mengetahui apakah dalam model, residual memiliki varians yang konstan atau tidak. Model regresi yang baik harus homokedastis (varians dari residual konstan). Menurut Ghozali (2013: 139) ada beberapa cara untuk mendeteksi ada atau tidaknya heterokedastisitas dapat dilakukan dengan metode uji Park yaitu dengan meregresikan nilai logaritma natural dari residual kuadrat (LnUi2) dengan variabel independen.
Tabel 4.15 Coefficientsa
Model Unstandardized Coefficients Standardized
Coefficients T Sig. B Std. Error Beta 1 (Constant) 14.661 3.474 4.220 .000 Inflasi .541 .361 .449 1.500 .146 Kurs -2.627E-005 .000 -.028 -.067 .947 BIrate -1.027 .705 -.453 -1.457 .157 Kapitalisasipasar 3.091E-007 .000 .060 .155 .878
a. Dependent Variable: LnU2i Sumber: Data Sekunder Diolah, 2017
Dari tabel 4.15 dapat disimpulkan bahwa nilai Sig. variabel inflasi (0,146), kurs (0,947), BI rate (0,157) dan kapitalisasi pasar (0,878) > 0,05 berarti H0 diterima dan tidak terdapat gejala heterokedastisitas. Tidak terjadinya gejala heterokedastisitas dapat dilihat pada :
Gambar 4.1 Grafik Scatterplot Sumber: Data Sekunder Diolah, 2017
Grafik scatterplot di atas menunjukkan bahwa persebaran titik-titik nya tidak membentuk pola tertentu, dan persebaran titik-titik-titik-titiknya menyebar secara rata. Dengan demikian dapat disimpulkan bahwa data normal dan tidak terdeteksi adanya gejala heterokedastisitas. 3. Uji Autokorelasi
Uji autokorelasi bertujuan untuk mengetahui apakah model terbebas dari autokorelasi atau tidak. Model regresi yang baik harus terbebas dari autokolerasi (data ke-n tidak berkorelasi dengan data ke- (n-1)). Terbebas dari autokorelasi atau tidak dapat dideteksi dengan
Durbin-Watson (DW test), apabila ditemukan nilai DW berada diantara du dan 4-du dapat disimpulkan tidak terdapat autokorelasi (Gujarati, 2006: 122).
Tabel 4.16
D
Dari tabel 4.16 dapat dilihat bahwa nilai Durbin-Watson
sebesar 0,870 masih jauh berada dibawah du dan 4-du. Nilai DW pada tabel DW dengan jumlah observasi 72 dan variabel sebanyak 4 (k=4) adalah dL = 1,5029 dan dU = 1,7366. Dengan demikian dapat disimpulkan bahwa model tersebut tidak terbebas dari masalah autokorelasi.
Langkah yang dilakukan dalam penyembuhan autokorelasi adalah mengubah variabel dependen menjadi variabel Lag yaitu JII menjadi LagJII dan menambahkan data observasi melalui penambahan variabel dependen JII dengan menambahkan data observasi pada tahun sebelumnya, hasil dari langkah ini adalah
Model Summaryb
Model R R Square Adjusted R
Square
Std. Error of the Estimate
Durbin-Watson
1 .962a .925 .921 189488.5035 .870
a. Predictors: (Constant), Kapitalisasipasar, BIrate, Inflasi, Kurs b. Dependent Variable: JII
R
Dari tabel 4.17 dapat dilihat hasil uji autokorelasi yang baru memiliki nilai DW sebesar 1,824 dapat disimpulkan bahwa model tersebut sudah terbebas dari masalah autokorelasi. Dengan ini nilai DW berada diatas nilai dU = 1,7688 dan dibawah nilai 4 – dU = 2,2312 yang dapat dilihat pada tabel berikut ini:
0 dL dU 1,824 4 – dU 4 - dL 1,4732 1,7688 2,2312 2,5268
Gambar 4.2 Daerah Autokorelasi
Sumber: Data Sekunder Diolah, 2017
Model Summaryb
Model R R Square Adjusted R
Square Std. Error of the Estimate Durbin-Watson 1 .941a .886 .877 235505.68617 1.824
a. Predictors: (Constant), JII1, BIrate, Inflasi, Kurs, Kapitalisasipasar b. Dependent Variable: lagJII
Sumber: Data Sekunder Diolah, 2017
Auto korelasi positif Daera h keragu - raguan
Tidak ada korelasi Daerah keragu -
raguan
Auto korelasi