130 BPS Produk Domestik Bruto Indonesia Triwulanan tahun 2011 – 2015 Katalog BPS No.
III SEKTOR TERSIER 460 51,263.9 397 80,570.8 1,977 73,360
F. Hasil Analisis 1 Statistik Deskriptif
2. Uji Asumsi Klasik
Uji Asumsi Klasik dilakukan sebagai syarat penggunaan metode regresi. Dengan terpenuhinya asumsi tersebut, maka hasil yang diperoleh dapat lebih akurat dan mendekati atau sama dengan kenyataan. Asumsi tersebut adalah asumsi normalitas, multikolinearitas dan autokorelasi.
a) Uji Normalitas
Uji normalitas digunakan untuk mengetahui apakah dalam sebuah model regresi, error yang dihasilkan mempunyai distribusi normal atau tidak. Uji normalitas dilakukan dengan uji Jarque Bera dengan kriteria penilaian sebagai berikut.
• Ha diterima jika probabilitas >level of significant(α) 5% berarti berdistribusi
normal.
• Ho diterima jika probabilitas < level of significant (α) 5% berarti tidak berdistribusi normal..
Berdasarkan hasil pengujian dengan menggunakan Eviews 8 didapat sebaga berikut.
Gambar 4.10 Uji Normalitas 0 1 2 3 4 5 6 7 8 9 -10000 -5000 0 5000 10000 S e rie s: R e sid u a ls S a m p le 2 0 1 3 M 0 2 2 0 1 5 M 1 2 O b se rva tio n s 3 5 M e a n -1 .3 1 e - 1 1 M e d ia n 1 2 7 4 .5 4 3 M a xim u m 9 4 0 6 .0 0 7 M in im u m -1 2 3 2 9 .0 4 S td . D e v . 5 0 5 4 .6 1 5 S k e wn e s s -0 .4 7 8 1 8 7 K u r to sis 2 .7 5 0 5 2 4 Ja rq u e - B e r a 1 .4 2 4 6 3 1 P r o b a b ility 0 .4 9 0 5 0 7
Sumber : Data diolah dengan program Eviews 8 oleh penulis, 2016.
Berdasarkan tabel di atas dengan melihat nilai probabilitas yang nilainya lebih
besar dari tingkat signifikansi α = 5% atau 0,490507 > 0,05 maka dapat disimpulkan bahwa distribusi data pada variabel penelitian adalah normal, di mana Ha diterima atau H0 ditolak.
b) Uji Multikolineritas
Multikolinieritas adalah hubungan yang terjadi diantara variabel-variabel independen atau variabel independen yang satu fungsi dari variabel independen yang lain. Model regresi dikatakan baik jika tidak ada korelasi yang tinggi antara variabel-variabel independennya. Hasil estimasi data independen, yaitu variabel Reksadana Konvensional, Reksadana Syariah, FASBIS, ZIS dan PDB periode sebelumnya diperoleh sebagai berikut:
Tabel 4.14 Uji Multikolinieritas Variable Coefficient Variance Uncentered VIF Centered VIF C 5.59E+08 653.2221 NA RK 0.004863 275.5507 3.777334 RS 3.087215 361.0032 4.081163 FASBIS 0.183544 39.73696 1.760858 ZIS 4.97E-14 3.836825 1.276595 PDB(-1) 0.002153 1282.167 2.848688
Sumber : Data diolah dengan menggunakan program Eviews 8, 2016.
Uji multikolinearitas ini menggunakan kriteria penilaian terhadap VIF sebagai berikut:
- Ha : Jika nilai VIF lebih kecil dari 10 maka tidak terjadi multikolinearitas. - H0 : Jika nilai VIF lebih besar dari 10 maka terjadi multikolinearitas.
Tampilan di atas menunjukkan :
• Pada variabel Reksadana Konvensional, nilai VIF yang dihasilkan lebih kecil dari 10 di mana 3,777334 < 10 dan dapat disimpulkan bahwa tidak terjadi multikolinearitas pada Reksadana Konvensional maka Ha diterima atau H0 ditolak.
• Pada variabel Reksadana Syariah, nilai VIF yang dihasilkan lebih kecil dari 10 di mana 4,081163 < 10 dan dapat disimpulkan bahwa tidak terjadi multikolinearitas pada Reksadana Konvensional maka Ha diterima atau H0 ditolak.
• Pada variabel FASBIS, nilai VIF yang dihasilkan lebih kecil dari 10 di mana 1,760858 < 10 dan dapat disimpulkan bahwa tidak terjadi terjadi multikolinearitas pada FASBIS maka Ha diterima atau H0 ditolak.
• Pada variabel ZIS, nilai VIF lebih kecil dari 10 di mana 1,276595 < 10 dan dapat disimpulkan bahwa tidak terjadi multikolinearitas pada ZIS maka Ha diterima atau H0 ditolak.
• Pada variabel PDB(t-1), nilai VIF yang dihasilkan lebih kecil dari 10 di mana 2,848688 < 10 dan dapat disimpulkan bahwa tidak terjadi multikolinearitas pada PDB(t-1) maka Ha diterima atau H0 ditolak.
c) Uji Heteroskedastisitas
Tujuan dari uji ini adalah untuk menguji apakah model regresi terjadi ketidaksamaan varians dari residual satu pengamatan ke pengamatan lain. Jika varians tetap maka disebut Homoskedastisitas. Jika variance berbeda, maka terjadi Heteroskedastisitas. Uji yang dilakukan adalah menggunakan uji Glejser, dan diperoleh hasil sebagai berikut:
Tabel 4.15
Uji Heteroskedastisitas
Heteroskedasticity Test: Glejser
F-statistic 1.565142 Prob. F(5,29) 0.2012 Obs*R-squared 7.437733 Prob. Chi-Square(5) 0.1901 Scaled explained SS 5.663480 Prob. Chi-Square(5) 0.3404 Sumber: Data diolah dengan menggunakan program Eviews 8, 2016.
Dapat dilihat dari nilai probabilitas Chi-Square lebih besar dari tingkat
signifikansi α = 5% atau 0,1901> 0,05 maka dapat disimpulkan bahwa data tidak terkena heteroskedastisitas.
d) Uji Autokorelasi
Tujuan dari pengujian ini adalah untuk mengetahui apakah dalam sebuah model regresi linier ada korelasi antara kesalahan pengganggu pada periode t dengan kesalahan pada periode t-1 (sebelumnya). Jika terjadi korelasi, maka dinamakan ada problem autokorelasi. Model regresi yang baik adalah regresi yang bebas dari autokorelasi. Untuk menguji autokorelasi ini dideteksi dengan melihat nilai Durbin-Watson (DW) pada hasil regresi.
Ada pun kriteria penilaiannya, yaitu:
a) Jika nilai DW terletak antara nilai batas atas (du) dan 4-du, maka dapat disimpulkan tidak ada autokorelasi.
b) Jika nilai DW lebih rendah dari nilai batas bawah (dl) maka dapat disimpulkan ada autokorelasi positif.
c) Jika nilai DW lebih besar dari nilai 4-dl maka dapat disimpulkan ada autokorelasi negatif.
d) Jika nilai DW terletak antara nilai batas atas (du) dan batas bawah (dl) atau nilai DW terletak di antara nilai 4-du dan 4-dl maka tidak dapat disimpulkan (inconclusive).
.Tabel 4.16 Hasil Uji Autokorelasi Durbin-Watson stat 1.289132 Sumber : Data diolah penulis, 2016.
Pada hasil estimasi diperoleh nilai Durbin-Watson sebesar 1,289132.
Sedangkan untuk nilai dl dan du untuk tingkat signifikansi α = 5% dengan jumlah
pengamatan 36 dan jumlah variabel bebas sebanyak 4 variabel, pada tabel D-W diperoleh nilai dl = 1,2358 dan nilai du = 1,7245. Nilai D-W = 1,318683 pada kriteria penilaian uji autokorelasi terletak pada kriteria antara nilai batas atas (du) dan batas bawah (dl) maka hasilnya tidak dapat disimpulkan (inconclusive).
Karena hasil tidak dapat disimpulkan data tersebut terkena autokorelasi atau tidak, dilakukan pengujian ulang dengan menggunakan uji Breusch-Godfrey atau yang disebut dengan uji Lagrange Multiplier (LM Test) pada Eviews 8 sehingga didapat hasil sebagai berikut.
Tabel 4.17 LM Tes
Breusch-GodfreySerial CorrelationLMTest
F-statistic 1.768731 Prob. F(2,27) 0.1897
Obs*R-squared 4.054403 Prob. Chi-Square(2) 0. 1317 Sumber: Data diolah menggunakan Eviews 8, 2016.
Untuk pengujian hipotesis pada uji LM ini dapat dilihat sebagai berikut:
• H1: probabilitas Chi-squared < α= 5%, berarti ada autokorelasi.
Dapat dilihat dari nilai probabilitas Chi-Square lebih besar dari tingkat
signifikansi α = 5% atau0,1317 > 0,05 maka dapat disimpulkan bahwa data tidak terkena autokorelasi.
e) Uji Linieritas
Uji linieritas yang digunakan untuk melihat spesifikasi model yang digunakan sudah benar atau tidak, dan apakah data linier atau tidak. Salah satu uji yang digunakan untuk linieritas pada penelitian ini adalah Uji Ramsey – Reset, dengan hasil sebagai berikut :
Tabel 4.18 Uji Linieritas Value df Probability t-statistic 0.769190 28 0.4482 F-statistic 0.591653 (1, 28) 0.4482 Likelihood ratio 0.731861 1 0.3923 Sumber : Data diolah dengan menggunakan program Eviews 8, 2016.
Dapat dilihat dari nilai probabilitas F-statistics lebih besar dari tingkat
signifikansi α = 5% atau 0,4482 > 0,05 maka dapat disimpulkan bahwa model persamaan linier dan dapat digunakan.