Uji penyimpangan asumsi klasik - GAMBAR 3.2 Daerah Kritis Pengujian F-Test

BAB V KESIMPULAN DAN PEMBAHASAN

GAMBAR 3.2 Daerah Kritis Pengujian F-Test

4.4. Uji penyimpangan asumsi klasik

Selain dengan menggunakan pengujian secara statistik yaitu uji t dan uij F juga dilakukan uji terhadap penyimpangan asumsi klasik. Pengujian ini dilakukan untuk menguji validitas dari hasil analisis regresi linier berganda. Adapun pengujian yang digunakan adalah heterokedastisitas, autokorelasi, dan multikolinearitas.

a. Uji Heteroskedastisitas

Heteroskedastisitas adalah keadaan dimana faktor gangguan tidak memiliki varian yang sama. Pengujian terhadap gejala heteroskedastisitas dapat dilakukan dengan melakukan White Test, yaitu dengan cara meregresi residual kuadrat ( Ui² ) dengan variabel bebas, variabel bebas kuadrat dan perkalian variabel bebas. Hasil perhitungan terlihat pada rincian pada tabel 4.5 sebagai berikut

Tabel 4.5

Hasil Uji Heterokedasitas White Heteroskedasticity Test:

F-statistic 24.48148 Probability 0.000000 Obs*R-squared 55.99470 Probability 0.000001 Sumber: Hasil Eviews

Hasil uji heteroskedastisitas dengan menggunakan uji white test (cross term) menunjukkan nilai probabilitas chi squares hitung adalah 0.000001 dan lebih kecil dari α=5% yang berarti signifikan sehingga mengandung penyakit heterokedastisitas.

Untuk itu agar model tidak lagi terdapat masalah heterokesdatisitas, maka perlu dilakukan penyembuhan heterokedastisitas sebagai berikut:

Tabel 4.6

Hasil Regresi dan Penyembuhan Heterokedastisitas.

C X1 X2 X3 X4

OLS se ^287.6585 6.17E-06 9.73E-05 0.127225 0.052646 t ^-3.589008 -2.051499 -1.068984 5.576932 4.321715 White se 541.6426 6.56E-06 8.74E-05 0.300837 0.045259

t ^-1.906070 -1.930207 -1.190410 2.358497 5.027096 Newey-

West

se 491.5821 4.83E-06 8.73E-05 0.264130 0.034743 t ^-2.100175 -2.623004 -1.192196 2.686271 6.548690 Sumber : hasil eviews

Berdasarkan metode White dan Newey-Test, standar error yang dihasilkan akan semakin besar dari metode OLS sehingga nilai t hitungnya juga semakin kecil dari statistik t hitung yang diperoleh dari metode OLS. Dengan demikian masalah heterokedatisitas telah dihilangkan.

b. Uji Autokorelasi

Asumsi ini terjadi apabila ada kesalahan pengganggu periode korelasi dengan kesalahan penggangu pada periode sebelumnya, untuk menguji ada atau tidaknya autokorelasi dalam penelitian ini digunakan Langrange Multiplier (LM).

Dengan metode uji Langrange Multiplier ini, keputusan ada/tidaknya autokorelasi dalam model sangat bergantung pada panjangnya kelambanan. Penentuan kelambanan yang dipilih didasarkan pada nilai Akaike Information Criterion dan Schwarz Criterion yang paling minimum, mekanismenya adalah:

• Jika nilai hitung Obs*R-square (χ) > nilai tabel Obs*R-square (χ) atau probability < 0,05 pada derajat kepercayaaan tertentu (α), maka hasil dari model tersebut adalah menolak hipotesis nol. Hal ini menunjukkan adanya masalah autokorelasi dalam model.

• Jika nilai hitung Obs*R-square (χ) < nilai kritis Obs*R-square (χ) atau probability > 0,05 pada derajat kepercayaaan tertentu (α ), maka hasil dari model tersebut menerima hipotesis nol. Hal ini menunjukkan tidak adanya masalah autokorelasi.

Tabel 4.7

Hasil Uji Autokorelasi dengan Metode Langrange Multiplier Breusch-Godfrey Serial Correlation LM Test:

F-statistic 0.113058 Probability 0.893299 Obs*R-squared 0.252881 Probability 0.881227 Sumber: Lampiran, Hasil Olah Data Uji Autokorelasi

Hasil uji Autokorelasi dengan menggunakan uji serial correlation LM test dengan menggunakan lag 2, maka dapat disimpulkan nilai probabilitas chi squares hitung adalah 0.881227 (88,1%) dan lebih besar dari α=5% yang berarti tidak signifikan sehingga tidak mengandung penyakit Autokorelasi.

c. Uji Multikolinieritas

Multikolineritas adalah tidak adanya hubungan hubungan linear antar variabel independent dalam suatu model regresi. Untuk mengetahui ada tidaknya multikolinearitas yaitu dengan menggunakan korelasi antar variabel dimana apabila kurang dari 0.85 maka tidak terdapat multikolinearitas dan sebaliknya apabila hubungan variabel di atas 0.85 maka terdapat multikolinieritas. Hasil uji multikolinieritas dapat ditunjukkan pada tabel 4.8 berikut:

Tabel 4.8 Uji Multikolinieritas X1 X2 X3 X4 X1 1.000000 0.741908 -0.361395 0.792954 X2 0.741908 1.000000 -0.180040 0.713666 X3 -0.361395 -0.180040 1.000000 -0.003320 X4 0.792954 0.713666 -0.003320 1.000000 Sumber : Hasil Eviews

Berdasarkan Tabel 4.8 di atas nilai koefisien korelasi untuk masing – masing variabel bebas memiliki nilai koefisien korelasi dibawah 0,85, sehingga model regresi yang diajukan dalam penelitian ini tidak mengandung gejala Multikolinieritas.

BAB V

KESIMPULAN DAN PEMBAHASAN

5.1Kesimpulan

Berdasarkan hasil analisis dan pembahasan yang telah dijelaskan di Bab IV terdahulu, maka kesimpulan dari penelitian ini adalah:

1. Variabel penjelas yang terdiri Jumlah uang beredar, Tingkat suku bunga, Kurs US terhadap rupiah, menunjukkan hubungan yang signifikan dengan variabel dependen dan cukup mampu untuk menjelaskan pengaruh yang terjadi pada tingkat inflasi antara tahun 1990.1 sampai tahun 2005.4. Sedangkan produk domestic bruto tidak berpengaruh signifikan dengan variabel dependen.

2. Variabel PDB tidak berpengaruh signifikan karena dalam periode 1998 – 1999 ekspektasi masyarakat sangat tinggi dan mengakibatkan kenaikan jumlah uang beredar. Besarnya produk domestik bruto dinyatakan dalam satuan uang namun nilai satuan berubah sepanjang waktu. Perubahan nilai produksi total dipengaruhi kuantitas output yang diproduksi maupun tingkat harga. Nilai produk domestik bruto tidak dipengaruhi oleh harga barang-barang.

3. Variabel jumlah uang beredar berpengaruh signifikan terhadap Inflasi. Artinya terdapat korelasi positif antara pertumbuhan uang (JUB) dan inflasi, yang dapat dijadikan prediksi teori kuantitas bahwa pertumbuhan uang yang tinggi mengarah pada inflasi yang tinggi sehingga pertumbuhan dalam money supply menentukan tingkat inflasi.

4. Variabel tingkat suku bunga berpengaruh negatif dan signifikan terhadap Inflasi. Artinya Tingkat suku bunga yang semakin meningkat mengakibatkan Inflasi menurun, begitu juga sebaliknya dengan Tingkat suku bunga yang semakin menurun maka Inflasi akan meningkat.

5. Variabel Nilai tukar mempunyai hubungan yang positif dan signifikan terhadap tingkat inflasi. Artinya diperkirakan karena pada saat rupiah terdepresiasi terhadap dollar maka akan berdampak pada kenaikan harga-harga barang, hal ini dikarenakan oleh pergerakan antara dua mata uang antar dua Negara bersumber dari tingkat harga masing-masing Negara.

5.2Implikasi

Berdasarkan kesimpulan yang dapat diambil, ada beberapa implikasi dari kebijakan yang harus diperhatikan dalam rangka menekan laju inflasi di Indonesia

1. Berdasarkan hasil penelitian membuktikan bahwa kenaikan jumlah uang beredar cenderung menaikkan inflasi. Untuk mengurangi uang beredar dengan menentukan tingkat suku bunga SBI, melalui instrumen politik pasar terbuka, pemerintah harus lebih mengontrol volume uang yang beredar sesuai dengan kebutuhannya di masyarakat, karena naik turunnya jumlah uang yang beredar merupakan sumber utama inflasi untuk negara sedang berkembang seperti halnya negara Indonesia.

2. Dengan naiknya tingkat suku bunga SBI merupakan implikasi dari tingginya laju inflasi, karena jika inflasi tinggi maka akan diikuti pula oleh

meningkatnya kebijakan terhadap sumber-sumber pembiayaan yang menyebabkan naiknya tingkat suku bunga SBI Bank Indonesia. Untuk menekan laju inflasi maka kebijakan yang diambil adalah menstabilkan tingkat suku bunga SBI tetap stabil, sejalan dengan kondisi makro ekonomi Indonesia yang terjadi saat ini.

3. Untuk meningkatkan PDB sehingga laju inflasi menjadi rendah kebijakan yang diambil dengan efisiensi alokasi anggaran dan memberikan bobot yang lebih besar pada pengeluaran pembangunan. Artinya belanja barang yang bersifat konsumtif perlu ditinjau kembali, deregulasi di sektor riil, sehingga perekonomian menjadi lebih efisien dan mendorong berkembangnya sektor industri sehingga meningkatkan Pendapatn Asli Daerah yang mendorong meningkatnya laju PDB.

4. Bedasarkan penelitian ini maka untuk menjaga kestabilan harga di dalam negeri maka otoritas moneter melalui kebijakannya diharapkan dapat menjaga kestabilan rupiah terhadap dollar dalam batas wajar dan aman

Ardihansyah, Yunan : Analisis Tingkat Inflasi dan Peranan BI dalam Mengendalikannya, tidak dipublikasikan, Yogyakarta, FE UII.

Ascarya, 2002, Instrumen-instrumen Kebijakan Moneter, PPSK Bank Indonesia : Jakarta.

Badan Pusat Statistik, Statistik Indonesia, Yogyakarta, Beberapa Edisi. Bank Indonesia, Laporan Tahunan BI, Yogyakarta, Beberapa Edisi. Boediono, 1985, Ekonomi Moneter, edisi 3, BPFE : Yogyakarta.

Ferdian, Rully : 2001, Independensi BI dalam Mengendalikan Inflasi, tidak dipublikasikan, Yogyakarta, FE UII.

Gujarati, Damodar (1997), Ekonometrika Dasar, Alih Bahasa Sumarno Zain, Erlangga, Jakarta.

Iswardono :1990, Uang dan Bank, edisi 4, BPFE : Yogyakarta. Nopirin, 1992, Ekonomi Internasional, edisi 3, BPFE : Yogyakarta. ---, 1987, Ekonomi Moneter, edisi 1, BPFE : Yogyakarta. Salvatore, 1998, Ekonomi Internasional, Erlangga : Jakarta.

Samuelson, Paul dan William Nordhaus, 1994, Makro Ekonomi, edisi 14, Alih Bahasa Drs Haris Munandar, Erlangga, Jakarta.

Sasana, Hadi, 2004, Analisis Faktor-Faktor yang Mempengaruhi Inflasi di Indonesia dan Filipina, Jurnal Bisnis dan Ekonomi, vol 11, no 2, 207-220.

Sinungan, Muchdarsyah, 1987, Uang dan Bank, PT Bina Aksara : Jakarta.

Soehandjono, 2002, Studi Hukum Bantuan Likuiditas Bank Indonesia, Bank Indonesia : Jakarta.

Sugiono, FX, 2005, Instrumen Pengendalian Moneter Operasi Pasar Terbuka, PPSK Bank Indonesia : Jakarta

Sukirno, Sadono, 2004, Makro Ekonomi Teori Pengantar, edisi 3, PT Raja Grafindo Persada : Jakarta.

Warjiyo, Perry, 2004, Bank Indonesia : Sebuah Pengantar, Pusat Pendidikan dan Studi Kebanksentralan : Jakarta.

Widarjono, Agus, 2007, Ekonometrika Teori dan Aplikasi, edisi 2, Ekonisia : Yogyakarta.

Wijaya, Faried, 1989, Ekonomikamakro, edisi 3, BPFE : Yogyakarta.

Yuwono, Prapto, dkk, 2000, Kausalitas Uang Beredar dan Inflasi, Dian Ekonomi, vol VI, no 2, 319-321

1991 1,1 81125 55124 24.21 1932 3,6 87756 54841.9 25.01 1954 7,5 93328 58813.7 22.61 1968 9,5 99058 58722.7 21.88 1992 1992 1,4 100798 61671.8 21.29 2017 1,7 106957 63755.8 20.09 2033 0,6 113510 67388.7 18.48 2038 6,44 119053 67068.2 16.72 2062 1993 6,44 123160 70066.7 15.71 2071 6,97 124540 73049.2 15.19 2088 8,24 136397 77764.2 13.76 2108 9,77 145202 77145.9 11.79 2110 1994 3,71 148829 87979 11.53 2144 4,59 152798 92988.4 12.07 2160 7,38 162900 99809.7 13.35 2181 9,24 174512 101442.5 14.27 2200 1995 3,04 181701 106244.7 15.92 2219 2,34 192126 110925.4 17.09 2246 1,41 206079 117137.3 17.6 2276 1,85 222638 118073.5 17.15 2308 1996 3,26 232493 123323.5 17.29 2336 0,77 249443 128788.1 17.35 2342 0,91 259926 137429.1 17.25 2340 1,53 288632 143090.2 17.03 2383 1997 1,96 294581 142947.9 16.47 2419 2,54 312839 148879.3 15.93 2450 5,37 329074 158043.5 26.22 3275 11,05 355642.86 175635.2 23.92 4650 1998 25,13 449824.29 211574.9 27.26 8325 46,55 565784.77 222809 40.63 14900 75,47 550404 264263.4 47.38 10700 77,63 577381.33 257106.1 49.23 8025 1999 4,08 603325.11 281051.6 34.85 8685 2,73 615411 279711.9 27.39 6726 0,02 652289 277583.2 15.88 8386

2001 10,6 766812 397956.4 14.86 10400 12,11 796440 424077.4 15 11440 13,01 783104 433905.2 16.16 9675 12,55 844053 428341.5 17.24 10400 2002 14,08 831411 449086.9 17.02 9655 11,48 838635 459993.4 15.85 8730 10,1 859706 480725 14.36 9015 10 883908 473769.4 13.63 8940 2003 7,1 877776 386743.9 12.9 8908 6,6 894213 394620.5 11.55 8285 6,2 911224 405607.6 8.58 8389 5,1 955692 390199.3 7.14 8465 2004 5,1 935247 402597.3 6.11 8587 6,8 975166 411935.5 6.31 9415 6,3 986806 423852.3 6.61 9170 6,4 1033527 418131.7 6.71 9290 2005 8,8 1020693 427003 6.93 9480 7,8 1073746 436110 7.19 9713 9,1 1150451 448492.5 8.51 10310 17,1 1203215 493050.6 11.75 9830

Method: Least Squares Date: 03/19/08 Time: 13:30 Sample: 1990:1 2005:4 Included observations: 64

Variable Coefficient Std. Error t-Statistic Prob. C 1587024. 596383.0 2.661082 0.0105 X1 -0.024117 0.026743 -0.901814 0.3716 X1^2 -1.26E-09 3.70E-10 -3.410333 0.0013 X1*X2 1.83E-08 7.90E-09 2.312613 0.0250 X1*X3 1.44E-05 7.98E-06 1.803437 0.0775 X1*X4 1.61E-05 4.55E-06 3.525516 0.0009 X2 -0.618508 0.504955 -1.224877 0.2265 X2^2 -1.16E-08 1.17E-07 -0.099696 0.9210 X2*X3 0.000271 0.000226 1.197185 0.2370 X2*X4 -0.000155 6.31E-05 -2.459181 0.0175 X3 -1963.062 333.3560 -5.888783 0.0000 X3^2 0.712658 0.073087 9.750868 0.0000 X3*X4 -0.155658 0.085065 -1.829869 0.0734 X4 217.4286 314.6230 0.691077 0.4928 X4^2 -0.024143 0.023603 -1.022884 0.3114 R-squared 0.874917 Mean dependent var 563799.5

Adjusted R-squared 0.839179 S.D. dependent var 1489700. S.E. of regression 597406.1 Akaike info criterion 29.64027 Sum squared resid 1.75E+13 Schwarz criterion 30.14626 Log likelihood -933.4886 F-statistic 24.48148 Durbin-Watson stat 2.139796 Prob(F-statistic) 0.000000

Included observations: 64

White Heteroskedasticity-Consistent Standard Errors & Covariance

Variable Coefficient Std. Error t-Statistic Prob. C -1032.409 541.6426 -1.906070 0.0615 X1 -1.27E-05 6.56E-06 -1.930207 0.0584 X2 -0.000104 8.74E-05 -1.190410 0.2387 X3 0.709524 0.300837 2.358497 0.0217 X4 0.227519 0.045259 5.027096 0.0000 R-squared 0.627100 Mean dependent var 597.3125

Adjusted R-squared 0.601819 S.D. dependent var 1239.327 S.E. of regression 782.0353 Akaike info criterion 16.23658 Sum squared resid 36083170 Schwarz criterion 16.40524 Log likelihood -514.5706 F-statistic 24.80485 Durbin-Watson stat 1.885328 Prob(F-statistic) 0.000000

Newey

Dependent Variable: Y Method: Least Squares Date: 03/19/08 Time: 13:42 Sample: 1990:1 2005:4 Included observations: 64

Newey-West HAC Standard Errors & Covariance (lag truncation=3)

Variable Coefficient Std. Error t-Statistic Prob. C -1032.409 491.5821 -2.100175 0.0400 X1 -1.27E-05 4.83E-06 -2.623004 0.0111 X2 -0.000104 8.73E-05 -1.192196 0.2380 X3 0.709524 0.264130 2.686271 0.0094 X4 0.227519 0.034743 6.548690 0.0000 R-squared 0.627100 Mean dependent var 597.3125

autokorelasi

Breusch-Godfrey Serial Correlation LM Test:

F-statistic 0.113058 Probability 0.893299 Obs*R-squared 0.252881 Probability 0.881227 Test Equation:

Dependent Variable: RESID Method: Least Squares Date: 03/19/08 Time: 15:02

Presample missing value lagged residuals set to zero.

Variable Coefficient Std. Error t-Statistic Prob. X1 5.93E-08 6.27E-06 0.009451 0.9925 X2 5.13E-06 9.96E-05 0.051461 0.9591 X3 -0.000710 0.131009 -0.005416 0.9957 X4 -0.002535 0.053781 -0.047128 0.9626 C 2.559101 294.5709 0.008688 0.9931 RESID(-1) 0.057744 0.134091 0.430635 0.6684 RESID(-2) -0.029979 0.134742 -0.222492 0.8247 R-squared 0.003951 Mean dependent var 1.21E-13 Adjusted R-squared -0.100896 S.D. dependent var 756.8016 S.E. of regression 794.0635 Akaike info criterion 16.29512 Sum squared resid 35940596 Schwarz criterion 16.53125 Log likelihood -514.4439 F-statistic 0.037686 Durbin-Watson stat 1.988238 Prob(F-statistic) 0.999757

Sample: 1990:1 2005:4 Included observations: 64

Variable Coefficient Std. Error t-Statistic Prob. X1 -1.27E-05 6.17E-06 -2.051499 0.0447 X2 -0.000104 9.73E-05 -1.068984 0.2894 X3 0.709524 0.127225 5.576932 0.0000 X4 0.227519 0.052646 4.321715 0.0001 C -1032.409 287.6585 -3.589008 0.0007 R-squared 0.627100 Mean dependent var 597.3125

Dalam dokumen Analisis Faktor – Faktor Yang Mempengaruhi Inflasi di Indonesia Tahun 1990.1 – 2005.4 (Halaman 69-83)