BAB IV ANALISIS DAN PEMBAHASAN
C. Uji Stasioneritas
Uji Stasioneritas bertujuan untuk melihat nilai rata-rata dan varian dari data time series, apakah data tersebut mengalami perubahan secara sistematik sepanjang waktu (konstan) atau sebaliknya. Uji stasioneritas data dapat dilihat dengan menggunakan uji grafik dan uji akar unit. Di sini peneliti menggunakan metode uji akar unit agar mendapatkan hasil yang lebih akurat.
Hasil uji akar-akar unit dengan membandingkan nilai thitung dengan nilai kritis McKinnon dan jika nilai probabilitas lebih kecil dari 0.05 maka dapat disimpulkan bahwa data stasioner. Sedangkan jika nilai probabilitas lebih besar dari 0.05 maka data tidak stasioner. Jika data tidak stasioner dilevel normal, data dapat dinaikkan ke diferensiasi tingkat 1.1
Setelah data diolah menggunakan aplikasi Eviews 8 maka terlihat hasil uji akar unit sebagai berikut :
1
Wing Wahyu Winarno, Analisis Ekonometrika dan Statistika dengan Eviews (Yogyakarta : UPP STIM YKPN, 2015), h.11.5.
Tabel 4.2
Tingkat Stasioneritas ADF
Variabel Level
t-stat Keterangan Prob.
PBH -2.916566 Stasioner 0.0005
PI -2.917650 Stasioner 0.0182
IS -2.916566 Stasioner 0.0064
RZ -2.916566 Stasioner 0.0000
KK -2.916566 Stasioner 0.0001
Sumber: Output Eviews 8 (data diolah)
Seluruh hasil uji pada tingkat level menunjukan semua variabel sudah stasioner. Karena seluruh variabel sudah stasioner pada tingkat level maka tidak perlu dilanjutkan uji stasioner ke differensiasi pertama maupun kedua. Dari output yang dihasilkan, terlihat bahwa nilai statistik t seluruh variabel sudah lebih besar daripada nilai t pada tabel McKinnon pada tingkat kepercayaan 1%, 5%, dan 10%. Serta nilai probabilitasnya lebih kecil dari nilai kritis 0,05 (< 0,05). Dengan demikian data telah stasioner pada tahap level dan hipotesis null dapat ditolak.
D. Uji Asumsi Klasik 1. Uji Normalitas
Uji Normalitas bertujuan untuk menguji apakah variabel dependen, variabel independen, atau keduanya berdistribusi normal atau tidak. Salah satu cara untuk melihat normalitas residual adalah dengan menggunakan metode Jarque-Bera (JB). Model regresi yang baik adalah memiliki distribusi data normal atau mendekati normal. Dalam software Eviews normalitas sebuah
data dapat diketahui dengan membandingkan nilai Jarque-Bera dan nilai Chi
Square tabel. Uji JB didapat dari histogram normality.
Setelah data diolah menggunakan Eviews 8 maka didapatkan hasil pada tabel berikut:
Tabel 4.3 Hasil Uji Normalitas
0 1 2 3 4 5 6 7 8 9 -0.20 -0.15 -0.10 -0.05 0.00 0.05 0.10 0.15 Series: Residuals Sample 2010 2064 Observations 55 Mean 9.70e-16 Median -0.002337 Maximum 0.162002 Minimum -0.200589 Std. Dev. 0.086591 Skewness -0.188017 Kurtosis 2.397474 Jarque-Bera 1.156005 Probability 0.561018
Sumber: Output Eviews 8 (data diolah)
Dari histogram diatas nilai JB sebesar 1.156005 sementara nilai Chi
Square dengan melihat jumlah variabel independen yang kita pakai dalam hal
ini adalah 4 variabel independen dan nilai signifikan yang kita pakai dalam hal ini 0.05 atau 5%. Didapat nilai Chi Square sebesar 9.488 yang berarti nilai JB lebih kecil dari nilai Chi Square (1.156005 < 9.488). maka H0 diterima dan
dapat disimpulkan bahwa data dalam penelitian ini berdistribusi normal. 2. Uji Multikolinearitas
Uji Multikolinearitas dibutuhkan untuk mengetahui ada atau tidaknya hubungan linear antarvariabel bebas tersebut untuk mendeteksi ada atau
tidaknya multikolinearitas yang tinggi antar variabel bebas dapat dideteksi dengan cara menghitung koefisien korelasi atau melihat nilai F.
Pada penelitian ini uji multikolinearitas yang digunakan menggunakan metode perhitungan koefisien korelasi, di mana jika hubungan antara variabel bebas yang satu dengan yang lainnya di atas 0.8 maka antarvariabel tersebut terdapat gejala multikolinearitas.
Setelah data diolah menggunakan Eviews 8 maka didapatkan hasil pada tabel berikut:
Tabel 4.4
Hasil Uji Multikolinearitas
RZ PI PBH IS
RZ 1.000000 -0.124785 -0.033796 0.006367 PI -0.124785 1.000000 0.363788 0.409518 PBH -0.033796 0.363788 1.000000 0.163204 IS 0.006367 0.409518 0.163204 1.000000
Sumber: Output Eviews 8 (data diolah)
Berdasarkan tabel di atas dapat dilihat bahwa nilai korelasi variabel independen antara RZ dan PI adalah -0.124785, antara RZ dan PBH sebesar - 0.033796, antara RZ dan IS sebesar 0.006367, antara PI dan PBH sebesar 0.363788, antara PI dan IS sebesar 0.409518, antara PBH dan IS sebesar 0.163204.
Nilai korelasi variabel independepen (RZ, PI, PBH, dan IS) tertinggi hanya mencapai 0.409518 yaitu antara PI dan IS. Karena nilai 0.409518 < 0.8 maka diputuskan H0 diterima, sehingga dapat dikatakan tidak terdapat
multikolinearitas. Hasil tersebut menyatakan bahwa variabel bebas penelitian ini terbebas dari gejala multikolinearitas. Sehingga dapat dilanjutkan ke pengujian selanjutnya
3. Uji Heteroksedasitas
Uji Heteroksedasitas bertujuan untuk menguji apakah terdapat kesamaan variance dari residual satu pengamatan kepengamatan lain. Indikator Uji Heteroksedasitas yang digunakan dalam penelitian ini yaitu metode grafik dan Uji White.
Berdasarkan metode grafik, untuk melihat data memiliki masalah heteroksedasitas atau tidaknya yaitu jika data tidak membentuk pola tertentu, maka data tidak terdapat heteroksedasitas. Begitu sebaliknya, jika data membentuk pola tertentu maka data terdapat heteroksedasitas.
Setelah diolah menggunakan aplikasi Eviews 8 maka terlihat pada grafik berikut:
Gambar 4.6
Hasil Uji Heteroksedasitas
-.3 -.2 -.1 .0 .1 .2 4.2 4.3 4.4 4.5 4.6 4.7 10 15 20 25 30 35 40 45 50 55 60
Res idual Actual Fitted
Berdasarkan gambar di atas, data tidak membentuk pola tertentu sehingga dapat dikatakan data tersebut tidak bersifat heteroksedasitas. Sedangkan dengan Uji White, masalah heteroksedasitas dapat dilihat melalui nilai p-value obs*-square. Karena p-value obs*-square = 19.27169 > 0.0 dan probabilitas Chi Squaresebesar 0.1149 lebih besar dari α sebesar 0.05, maka H0 diterima yang artinya tidak terjadi heteroksedasitas dan bisa dilanjutkan ke
pengujian selanjutnya.
Tabel 4.5 Hasil Uji White Heteroskedasticity Test: White
F-statistic 1.701170 Prob. F(13,41) 0.0975 Obs*R-squared 19.27169 Prob. Chi-Square(13) 0.1149 Scaled explained SS 11.12880 Prob. Chi-Square(13) 0.6000
Sumber: Output Eviews 8 (data diolah) 4. Uji Autokorelasi
Uji Autokorelasi bertujuan untuk melihat ada atau tidaknya hubungan antara residual satu observasi dengan residual observasi lainnya. Dalam penelitian ini, uji autokorelasi menggunakan Uji Breusch-Godfrey. Penilaiannya dilihat dari nilai Obs*R2. Jika nilai Obs*R2 lebih kecil dari 0.05 maka dapat disimpulkan bahwa terdapat masalah autokorelasi pada model tersebut begitupun sebaliknya.
Setelah diolah menggunakan aplikasi Eviews 8 maka terlihat hasil pada tabel berikut:
Tabel 4.6
Hasil Uji Breusch-Godfrey Breusch-Godfrey Serial Correlation LM Test:
F-statistic 0.752258 Prob. F(2,48) 0.4768 Obs*R-squared 1.671531 Prob. Chi-Square(2) 0.4335
Sumber: Output Eviews 8 (data diolah)
Berdasarkan tabel di atas diperoleh nilai Obs*R-squared sebesar 1.671531 > 0.05, maka dapat disimpulkan H0 diterima dan tidak terdapat
masalah autokorelasi pada model tersebut.