BAB III METODE PENELITIAN
D. Metode Analisis Data
Penelitian ini bertujuan untuk menganalisis pengaruh Pembiayaan Sukuk, Inflasi, dan IPM Terhadap Pertumbuhan Ekonomi
Indonesia Tahun 2016-2019 dengan memakai data kuantitatif sekunder, yaitu data yang digunakan dalam penelitian berbentuk angka dengan metode regresi berganda menggunakan analisis Regresi Linier Berganda melaui program Eviews 9 dan bantuan program Ms. Excel 2010. Tim Dosen Ekonometrika Universitas Brawijaya (2015) mengatakan
“Analisis regresi linier berganda adalah hubungan secara linier antara dua atau lebih variabel independen (X1, X2,…, Xn) dengan variabel dependen (Y). analisis ini untuk mengetahui arah hubungan antara variabel independen dan variabel dependen berhubungan positif atau negatif dan untuk memprediksi nilai dari variabel dependen apabila variabel independen mengalami kenaikan atau penurunan”. Dalam metode regresi linier berganda terdapat variabel bebas minimum dua variabel dan variabel terikat hanya terdiri satu saja.
a. Uji Normalitas
Tim Dosen Ekonometrika Universitas Brawijaya (2015) mengatakan: “Pengujian normalitas adalah pengujian tentang kenormalan distribusi data.Uji ini merupakan pengujian yang paling banyak dilakukan untuk menganalisis karena pada analisis statistik parametik, asumsi harus dimiliki oleh data adalah bahwa data tersebut terdistribusi normal”.
Pada pengkajian ini uji normalitas dilakukan peneliti dengan metode yang dikembangkan oleh Jarque- Bera (JB). Mansuri (2016) mengatakan: “Keputusan terdistribusi normal atau tidaknya residual membandingkan nilai Probabilitas JB (Jarque-Bera) hitung dengan tingkat alpha o.o5 (5%). JB > 0.05 dapat disimpulkan bahwa residual terdistribusi normal, namun sebaliknya, apabila nilainya < 0,05 maka tidak bisa dikatakan bahwa residual terdistribusi normal”, pengujian normalitas data sebagai berikut:
Hipotesis:
H0 : Model terdistribusi normal H1 : Model tidak terdistribusi normal
Bila probabilitas > 0,05 maka signifikan, H0 diterima dan H1 ditolak Bila probabilitas < 0,05 maka tidak signifikan, H0 ditolak dan H1 diterima
b. Uji Multikolonieritas
Tim Dosen Ekonometrika Universitas Brawijaya (2015) mengatakan “Uji ini merupakan bentuk pengujian asumsi dalam analisis regresi berganda. Asumsi multikolinearitas menyatakan bahwa variabel independen harus terbebas dari gejala multikolinearitas. Gejala ini ditunjukkan dengan korelasi yang signifikan antara variabel independen”. Dalam pengujian ini, penulis pribadi akan melakukan uji multikolonearitas dengan melihat Variance Inflating Factor. Dimana syarat untuk lolos uji multikolonearitas adalah nilai VIF< 10 (Mansuri, 2016: 33). Adapun pengolahan data dalam penelitian ini menggunakan program Eviews 9 sehingga hanya dapat melihat hasil Variance Inflating Factor (VIF).
Hipotesis:
H0 : Model tidak terdapat multikolonieritas H1 : Model terdapat multikolonieritas
Bila nilai VIF > 10 maka dinyatakan signifikan, H0 diterima dan H1 ditolak.
Bila nilai VIF < 10 maka dinyatakan tidak signifikan, H0 ditolak dan H1 diterima.
c. Uji Heteroskedastisitas
“Heteroskedastisitas terjadi pada saat residual dan nilai prediksi memiliki korelasi atau pola hubungan. Pola hubungan ini tidak hanya sebatas hubungan yang linier, tetapi dalam pola yang berbeda juga dimungkinkan” (Mansuri, 2016: 40-41). “Uji heteroskedastisitas bertujuan untuk menguji apakah dalam model regresi terjadi kesamaan variance dari residual satu pengamatan ke pengamatan yang lain. Jika variance dari residual satu pengamatan
ke pengamatan yang lain itu tetap, maka disebut homoskedastisitas dan jika berbeda-beda disebut heteroskedastisitas” (Ghozali, 2005:
105).
Hipotesis:
H0: Model tidak terdapat heteroskedastisitas H1: Model terdapat heteroskedastisitas
Jika Prob. Chi-Square > 0,05 maka signifikan, H0 diterima dan H1 ditolak.
Jika Prob. Chi-Square < 0,05 maka tidak signifikan, H0 ditolak dan H1 diterima.
d. Uji Autokorelasi
Menurut Tim Dosen Ekonometrika & Asisten Praktikum Universitas Brawijaya (2015: 10) “cara yang dapat dilakukan untuk mendeteksi ada atau tidaknya autokorelasi adalah dengan melakukan uji Durbin Watson. Pengambilan keputusan ada atau tidaknya autokorelasi menggunakan ketentuan sebagai berikut”:
Tabel 3.2 Ketentuan Uji Korelasi
Keterangan:
dU: Durbin-Watson upper
dL: Durbin-Watson lower
- Apabila angka DW berada diantara Upper bound (dU) dan (4 - dU), koefisien autokorelasi = nol, tidak ditemukan autokorelasi.
- Apabila angka DW lower bound (dL), koefisien autokorelasi >
nol, autokorelasi positif.
- Apabila angka DW > (4 - dL), koefisien autokorelasi < nol, autokorelasi negatif ditemukan.
- Apabila angka DW berada antara batas atas (dU) dan batas bawah (dL) atau DW berada di antara (4 – dU) dan (4 – dL), hasil tidak dapat disimpulkan.
Hipotesis:
H0: Autokorelasi tidak ditemukan dalam model H1: Autokorelasi ditemukan dalam model
Jika prob. Chi-square > 0,05 H0 diterima dan data signifikan Jika prob. Chi-square < 0,05 H0 ditolak dan data tidak signifikan Jika nilai probabilitas > 0,05 (5%) maka lolos autokorelasi Jika nilai probabilitas < 0,05 (5%) maka tidak lolos autokorelasi 2. Uji Hipotesis
a. Uji F
“Uji keandalan model yang lebih populer disebut sebagai uji F (uji simultan) merupakan tahapan awal mengidentifikasi model regresi yang diestimasi layak atau tidak. Layak (andal) disini maksudnya adalah model yang diestimasi layak digunakan untuk menjelaskan pengaruh variabel-variabel bebas terhadap variabel terikat. Nama uji ini disebut sebagai uji F, karena mengikuti mengikuti distribusi F yang kriteria pengujiannya seperti One Way Anova.Pengunaan software memudahkan penarikan kesimpulan alam uji ini. Apabila nilai prob. F hitung lebih kecil dari tingkat
kesalahan/error (alpha) 0,05 (yang telah ditentukan) maka dapat dikatakan bahwa model regresi yangdiestimasi layak, sedangkan apabila nilai prob. F hitung lebih besar dari tingkat kesalahan 0,05 maka dapat dikatakan bahwa model regresi yang diestimasi tidak layak”. (Mansuri, 2016: 48).
b. Uji T
“Uji t dalam regresi linier berganda dimaksudkan untuk menguji apakah parameter (koefisien regresi dan konstanta) yang diduga untuk mengestimasi persamaan/model regresi linier berganda sudah merupakan parameter yang tepat atau belum. Maksud tepat disini adalah parameter tersebut mampu menjelaskan perilaku variabel bebas dalam mempengaruhi variabel terikatnya. Parameter yang diestimasi dalam regresi linier meliputi intersep (konstanta) dan slope (koefisien dalam persamaan linier). Pada bagian ini, uji t difokuskan pada parameter slope (koefisien regresi) saja. Jadi uji t yang dimaksud adalah uji koefisien regresi. Apabila nilai prob. t hitung (ditunjukkan pada Prob.) lebih kecil dari tingkat kesalahan (alpha) 0,05 (yang telah ditentukan) maka dapat dikatakan bahwa variabel bebas berpengaruh signifikan terhadap variabel terikatnya, sedangkan apabila nilai prob. t hitung lebih besar dari tingkat kesalahan 0,05 maka dapat dikatakan bahwa variabel bebas tidak berpengaruh signifikan terhadap variabel terikatnya”. (Mansuri, 2016: 49-50).
c. Uji Koefisien Determinasi (R2)
Menurut Mansuri (2016: 50) “koefisien determinasi menjelaskan variasi pengaruh variabel-variabel bebas terhadap variabel terikatnya. Atau dapat pula dikatakan sebagai proporsi pengaruh seluruh variable bebas terhadap variabel terikat. Nilai koefisien determinasi dapat diukur oleh nilai RSquare atau Adjusted R-Square.R-Square digunakan pada saat variabel bebas hanya 1 saja (biasa disebut dengan Regresi Linier Sederhana), sedangkan
Adjusted R-Square digunakan pada saat variabel bebas lebih dari satu”.