B. Analisis dan Pembahasan
1. Uji Asumsi Klasik
Pada prinsipnya model regresi yang dibangun sebaliknya tidak boleh menyimpang dari asumsi BLUE (Best Linear Unbiased Estimator). Selanjutnya akan dilakukan uji asumsi klasik sebagai berikut:
a. Uji Multikolinearitas
Dalam model regresi diasumsikan tidak memuat hubungan dependensi linier antar variabel. Jika terjadi hubungan dependensi linier yang kuat di antara variabel indpenden maka dinamakan terjadi problem multikolinearitas. Masalah multikolinearitas sering muncul dalam model ekonometrika karena pada dasarnya variabel-variabel ekonomi saling terkait.
Pada penelitian ini peneliti menggunakan metode korelasi parsial antar variabel independen untuk menguji multikolineritas. Karena multikolinearitas adalah hubungan linier antar variabel independen di dalam regresi. Oleh karena itu, untuk menguji multikolineritas menggunakan uji koefisien korelasi antar variabel. Mengikuti aturan yang ada jika nilai koefisien korelasi di atas 0,85 maka diduga ada multikolinieritas dalam model. Sebaliknya jika nilai koefisien korelasi relatif rendah maka kita duga model tidak mengandung unsur multikoliniearitas.
73 H0 : Tidak terjadi multikolinearitas dalam model
H1 : Terjadi multikolinearitas dalam model
Tabel 4. 1
Hasil Uji Multikolinieritas
LOG(PM) LOG(PBH) LOG(TS) LOG(INF)
LOG(PM) 1.000000 0.424252 0.136460 0.140112 LOG(PBH) 0.424252 1.000000 0.178634 0.141110 LOG(TS) 0.136460 0.178634 1.000000 0.452635 LOG(INF) 0.140112 0.141110 0.452635 1.000000
Berdasarkan tabel di atas, dapat dilihat nilai koefisien korelasi antar variabel dalam penelitian. Nilai korelasi tertinggi terdapat pada hubungan antar LOG(TS) dengan LOG(INF) sebesar 0.452635 < 0.85. Berdasarakan dari nilai korelasi antar variabel dan masih lebih kecil dari 0,85 diketahui nilai korelasi antar variabel adalah rendah maka diduga tidak terdapat masalah multikolinearitas. Berikut analisisnya:
a. LOG Pembiayaan Murabahah– LOG Pembiayaan Bagi Hasil : r(0.424252) < (0,85), maka H0 diterima dan H1 ditolak.
b. LOG Pembiayaan Murabahah– LOG Tingkat Suku Bunga : r(0.136460) < (0,85), maka H0 diterima dan H1 ditolak.
c. LOG Pembiayaan Murabahah– LOG Inflasi : r(0.140112) < (0,85), maka H0 diterima dan H1 ditolak.
74 d. LOG Pembiayaan Bagi Hasil – LOG Tingkat Suku Bunga :r(0. 178634) <
(0,85), maka H0 diterima dan H1 ditolak.
e. LOG Pembiayaan Bagi Hasil – LOG Inflasi : r(0.141110) < (0,85), maka H0 diterima dan H1 ditolak.
f. LOG Tingkat Suku Bunga – LOG Inflasi : r(0.452635) < (0,85), maka H0 diterima dan H1 ditolak.
b. Uji Heteroskedastisitas dengan Uji Park
Uji ini bertujuan untuk menganalisis apakah variansi dari error bersifat tetap/konstan (homoskedastik) atau berubah-ubah (heteroskedastik). Deteksi adanya heteroskedastisitas dapat dilakukan secara grafis dengan melihat apakah terdapat suatu variabel independen X atau terhadap nilai fitted variabel dependen ̂ (dengan model yang telah diestimasi). Secara formal, dapat juga dilakukan dengan melakukan uji hipotesis :
H0 : Asumsi homoskedastisitas terpenuhi
H1 : Asumsi homoskedastisitas tidak terpenuhi
Pada penelitian ini peneliti menggunakan metode uji park untuk menguji heteroskedastisitas. Menurut Park, variabel gangguan yang tidak konstan atau masalah heteroskedastisitas muncul karena residual ini tergantung dari variabel independen yang ada di dalam model. Keputusan ada tidaknya masalah heteroskedastisitas berdasarkan uji statistik estimator (β). Jika β tidak signifikan melalui uji t maka dapat disimpulkan tidak ada hetertoskedastisitas karena varian residualnya tidak tergantung dari variabel independen. Sebaliknya jika signifikan
75 secara statistik maka model mengandung unsur heteroskedastisitas karena besar kecilnya varian residual ditentukan oleh variabel independen.
Tabel 4. 2
Hasil Uji Heteroskedastisitas dengan Uji Park
Dependent Variable: LNRESID Method: Panel Least Squares Date: 07/27/16 Time: 10:36 Sample: 2012M01 2015M12 Periods included: 48 Cross-sections included: 7
Total panel (balanced) observations: 336
Variable Coefficient Std. Error t-Statistic Prob.
LOG(PM) 0.636977 0.734097 0.867700 0.3862 LOG(PBH) -0.181322 0.480968 -0.376993 0.7064 LOG(TS) -4.617684 2.605169 -1.772509 0.0772 LOG(INF) -0.799994 1.062160 -0.753176 0.4519 C -27.93764 30.04629 -0.929820 0.3532 Effects Specification Cross-section fixed (dummy variables)
R-squared 0.169058 Mean dependent var 0.056944
Adjusted R-squared 0.143490 S.D. dependent var 4.878110 S.E. of regression 4.514584 Akaike info criterion 5.884693
Sum squared resid 6623.977 Schwarz criterion 6.009658
Log likelihood -977.6285 Hannan-Quinn criter. 5.934508
F-statistic 6.612234 Durbin-Watson stat 1.203170
Prob(F-statistic) 0.000000
Berdasarkan tabel di atas akan dilihat hasil uji heteroskedastisitas dengan melihat nilai t statistik setiap variabel yang ada. Dengan nilai t hitung uji satu sisi pada α = 5% dengan df 44 yaitu 2,015368. Hasil regresi menunjukkan bahwa variabel independen PM, PBH, TS, dan INF, secara statistik tidak signifikan mempengaruhi residual kuadrat dilihat dari kecilnya nilai statistik t hitung.
76 Dengan demikian hasil regresi tidak mengandung masalah heteroskedastisitas. dengan rincian sebagai berikut:
a. t statistik LOG Pembiayaan Murabahah = 0.867700 < 2,015368 tidak terdapat masalah heteroskedastisitas
b. t statistik LOG Pembiayaan Bagi Hasil = -0.376993 < 2,015368 tidak terdapat masalah heteroskedastisitas
c. t statistik LOG Tingkat Suku Bunga = -1.772509 < 2,015368 tidak terdapat masalah heteroskedastisitas
d. t statistik LOG Inflasi = -0.753176 < 2,015368 tidak terdapat masalah heteroskedastisitas
c. Uji Autokorelasi
Dalam asumsi OLS klasik diasumsikan bahwa residual bersifat independen satu dengan yang lain. Untuk uji asumsi ini digunkana uji hipotesis :
H0 : Tidak terdapat korelasi serial pada residual
H1 : Terdapat korelasi serial pada residual
Pada penelitian ini peneliti menggunakan uji DW untuk uji autokorelasi. Uji DW pertama kali diperkenalkan oleh J. Durbin dan GS. Watson tahun 1951. Untuk menarik kesimpulan melalui uji DW untuk ada atau tidaknya masalah autokorelasi digunakan kriteria sebagai berikut1 :
1. Terjadi autokorelasi positif jika nilai DW dibawah -2 (DW < -2).
1
Danang Sunyoto, : Uji KHI Kuadrat dan Regresi untuk Penelitian,(Yogyakarta:Graha Ilmu, 2010), h.110
77 2. Tidak terjadi autokorelasi jika nilai DW berada di antara -2 dan +2 atau -2 <
DW <+2.
3. Terjadi autokorelasi negatif jika nilai DW di atas +2 atau DW > +2.
Tabel 4. 3 Hasil Uji Autokorelasi
Dependent Variable: LOG(ROA) Method: Panel Least Squares Date: 07/27/16 Time: 07:23 Sample: 2012M01 2015M12 Periods included: 48 Cross-sections included: 7
Total panel (balanced) observations: 336
Variable Coefficient Std. Error t-Statistic Prob.
C -86.65200 7.902346 -10.96535 0.0000 LOG(PM) 0.803566 0.193072 4.162004 0.0000 LOG(PBH) 1.846070 0.126497 14.59374 0.0000 LOG(TS) -4.760165 0.685174 -6.947379 0.0000 LOG(INF) 1.295960 0.279354 4.639128 0.0000 Effects Specification Cross-section fixed (dummy variables)
R-squared 0.768196 Mean dependent var -4.000924
Adjusted R-squared 0.761064 S.D. dependent var 2.429081 S.E. of regression 1.187361 Akaike info criterion 3.213534
Sum squared resid 458.1938 Schwarz criterion 3.338499
Log likelihood -528.8738 Hannan-Quinn criter. 3.263349
F-statistic 107.7048 Durbin-Watson stat 0.676454
Prob(F-statistic) 0.000000
Pada hasil olah data di atas diketahui nilai statistik hitung d = 0.676454. Karena nilai d berada diantar -2 dan +2 atau -2 < DW < +2 maka dapat disimpulkan tidak ada masalah autokorelasi.
78
d. Uji Normalitas
Salah satu asumsi lain yang penting untuk inferensi statistika dalam analisis regresi adalah asumsi nomalitas dari error. Dalam menguji kenormalan dari data maka dapat digunakan metode/pendekatan grafik dan pendekatan inferensi statistik dengan uji hipotesis.
Uji normalitas residual metode OLS secara formal dapat dideteksi dari metode yang dikembangkang oleh Jarque-Bera (J-B). Metode JB ini didasarkan pasa sampel besar yang diasumsikan bersifat asymptotic. Uji statistik dari J-B ini menggunakan perhitungan skewness dan kurtosis. Jika suatu variabel didistribusikan secara normal maka nilai koefisien S = 0 dan K=3. Oleh karena itu, jika residual terdistribusi secara normal maka diharapkan nilai statistik JK akan sama dengan nol. Nilai statistik JB ini didasarkan padadistribusi Chi Squares dengan derajat kebebasan (df) 2. Jika nilai probabilitas ρ dari statistik JB besar atau dengan kata lain jika nilai statistik JB ini tidak signifikan maka diterima hipotesis bahwa residual mempunyai distribusi normal karena nilai statistik JB mendeketi nol. Sebaliknya jika nilai probabilitas ρ dari statistik JB kecil atau signifikan maka ditolak hipotesis bahwa residual mempunyai distribusi normal karena nilai statistik JB tidak sama dengan nol.
Berikut hasil dari hasil histogram residual didapatkan nilai probability sebesar 0.201788 dan nilai JB sebesar 3.201075 maka nilai probabilitas ρ dari statistik JB besar atau dengan kata lain nilai statistik JB ini tidak signifikan maka diterima hipotesis bahwa residual mempunyai distribusi normal karena nilai statistik JB mendeketi nol dan nilai probability lebih besar dari 0,05.
79
Gambar 4. 1 Hasil uji Normalitas
0 4 8 12 16 20 24 28 32 -4 -3 -2 -1 0 1 2 Series: RESID Sample 2012M01 2015M12 Observations 272 Mean -0.181371 Median -0.185901 Maximum 2.436755 Minimum -3.851393 Std. Dev. 1.213039 Skewness -0.264040 Kurtosis 2.940178 Jarque-Bera 3.201075 Probability 0.201788