Penjelasan Output Analisis Regresi Linier Berganda

(1)

Dependent Variable: CADDEV Method: Least Squares Date: 05/03/16 Time: 23:18 Sample: 1986 2015

Included observations: 30

Variable Coefficient Std. Error t-Statistic Prob.

C -11.93810 2.370490 -5.036130 0.0000

EKS 0.426376 0.047720 8.934895 0.0000

ULN 0.172690 0.040265 4.288863 0.0002

KURS -0.000483 0.000523 -0.924828 0.3636

R-squared 0.973417 Mean dependent var 41.21833 Adjusted R-squared 0.970349 S.D. dependent var 36.42331 S.E. of regression 6.271861 Akaike info criterion 6.633589 Sum squared resid 1022.742 Schwarz criterion 6.820415 Log likelihood -95.50384 Hannan-Quinn criter. 6.693356 F-statistic 317.3522 Durbin-Watson stat 1.648945 Prob(F-statistic) 0.000000

Model persamaaan regresi linier yang dapat disusun adalah sebagai berikut :

CADDEV = - 11,9381 + 0.426376 (EKS) + 0.17269 (ULN) – 0,000483 (KURS) + e

 β0 = -11,9381, artinya jika variabel ekspor, utang luar negeri, dan kurs diasumsikan cateris paribus (variabel independen dianggap konstan), maka nilai dari cadangan devisa Indonesia adalah sebesar - 11,9381

 β1 = 0.426376, artinya jika ekspor bertambah sebesar 1 milyar USD, maka cadangan devisa akan naik sebesar 0.43 milyar USD

 β2 = 0.17269, artinya jika utang luar negeri naik sebesar 1 milyar USD, maka cadangan devisa akan naik sebesar 0.17 milyar USD

 β3 = – 0,000483, artinya jika kurs naik sebesar 1 milyar USD, maka cadangan devisa akan turun sebesar 0,00048 milyar USD

Uji Koefisien Determinasi (R²)

Nilai adjusted R² yang diperoleh adalah 0,9734 yang berarti 97,34% variabel bebas (independen) dapat menjelaskan variabel dependen, sisanya 2,66% dijelaskan oleh variabel diluar model.

(2)

Uji F

Hasil pengujian secara simultan diketahui nilai probabilitas F-statistic = 0,0000 < 0,05.

Sehingga dapat disimpulkan bahwa ekspor, utang luar negeri, dan kurs secara simultan berpengaruh signifikan terhadap cadangan devisa.

Uji t

 Ekspor

Nilai prob. Sebesar 0,0000 < 0,05 sehingga dapat disimpulkan variabel ekspor berpengaruh signifikan terhadap cadangan devisa

 Utang Luar Negeri

Nilai prob. Sebesar 0,0002 < 0,05 sehingga dapat disimpulkan variabel utang luar negeri berpengaruh signifikan terhadap cadangan devisa

 Kurs

Nilai prob. 0,3636 > 0,05 sehingga dapat disimpulkan variabel kurs tidak berpengaruh signifikan terhadap cadangan devisa

UJI NORMALITAS

Uji normalitas yang digunakan dalam penelitian ini adalah menggunakan uji Jarque Bera dengan melihat nilai probabilitasnya. Jika nilai probabilitas lebih besar dari derajat kesalahan α =5% (0,05), maka penelitian ini tidak ada permasalahan normalitas atau dengan kata lain data tersebut adalah normal. Dan sebaliknya, bila probabilitas < 0,05 maka dalam penelitian ini tidak terdistribusi secara normal.

Probabilitas Jarque-Bera = 0,24 > 0,05, itu berarti model regresi memenuhi asumsi normalitas (berdistribusi normal)

0 1 2 3 4 5 6 7

-15 -10 -5 0 5 10

Series: Residuals Sample 1986 2015 Observations 30 Mean 1.30e-15 Median 0.925368 Maximum 10.31228 Minimum -16.94459 Std. Dev. 5.938600 Skewness -0.703566 Kurtosis 3.549198 Jarque-Bera 2.852049 Probability 0.240262

(3)

UJI HETEROSKEDASTISITAS

Uji heteroskedastisitas ini dilakukan untuk mengetahui apakah dalam model regresi terjadi ketidaksamaan varian dari residual satu pengamatan ke pengamatan yang lain. Jika varian dari residual satu pengamatan ke pengamatan yang lain tetap, maka disebut homoskedastisitas dan jika varian tidak konstan atau berubah-ubah disebut dengan heteroskedastisitas. Model regresi yang baik adalah yang homoskedastisitas atau tidak terjadi heteroskedastisitas (Gujarati, 2007:82).

Heteroskedasticity Test: White

F-statistic 1.732085 Prob. F(9,20) 0.1467

Obs*R-squared 13.14075 Prob. Chi-Square(9) 0.1563 Scaled explained SS 12.58050 Prob. Chi-Square(9) 0.1825

Karena nilai probabilitas Obs*R-squared = 0,1563 > 0,05, maka dapat disimpulkan model diatas tidak mengandung heteroskedastisitas.

UJI AUTOKORELASI

Autokorelasi adalah suatu keadaan dimana terjadi korelasi antara residual tahun ini dengan tingkat kesalahan tahun sebelumnya. Untuk mengetahui ada atau tidaknya penyakit autokorelasi dalam suatu model, dapat dilihat dari nilai statistik durbin-watson. Selain dengan menggunakan uji durbin-watson, untuk melihat ada tidaknya masalah penyakit autokorelasi dapat juga digunakan uji lagrange multiplier (LM Test) atau yang disebut uji breusch-godfrey dengan membandingkan nilai probabilitas Obs*R Squared dengan α = 5% (0,05).

Breusch-Godfrey Serial Correlation LM Test:

F-statistic 0.470087 Prob. F(2,24) 0.6306

Obs*R-squared 1.130914 Prob. Chi-Square(2) 0.5681

Nilai probabilitas Obs*R-squared = 0,5681 > 0,05, maka dapat disimpulkan model diatas bebas dari masalah autokorelasi (lolos uji autokorelasi).

UJI MULTIKOLINEARITAS

Uji multikolinearitas dilakukan untuk mengetahui ada tidaknya hubungan (korelasi) yang signifikan di antara dua atau lebih variabel independen dalam model regresi. Deteksi adanya multikolinieritas dilakukan dengan menggunakan uji korelasi parsial antar variabel independen, kemudian dapat diputuskan apakah data terkena multikolinieritas atau tidak,

(4)

yaitu dengan menguji koefisien korelasi antar variabel independen (dengan membandingkan R² atau melihat matriks korelasi).

Dependent Variable: CADDEV Method: Least Squares Date: 05/03/16 Time: 23:20 Sample: 1986 2015

C -11.93810 2.370490 -5.036130 0.0000

EKS 0.426376 0.047720 8.934895 0.0000

ULN 0.172690 0.040265 4.288863 0.0002

KURS -0.000483 0.000523 -0.924828 0.3636

Dependent Variable: EKS Method: Least Squares Date: 05/03/16 Time: 23:20 Sample: 1986 2015

C -6.494745 9.477826 -0.685257 0.4990

ULN 0.647341 0.104152 6.215349 0.0000

KURS 0.000563 0.002106 0.267189 0.7914

Dependent Variable: ULN Method: Least Squares Date: 05/03/16 Time: 23:20 Sample: 1986 2015

C 13.45843 11.03004 1.220162 0.2330

EKS 0.909268 0.146294 6.215349 0.0000

KURS 0.006290 0.002186 2.877683 0.0077

R-squared 0.863776 Mean dependent var 128.2477

(5)

Adjusted R-squared 0.853685 S.D. dependent var 78.36934 S.E. of regression 29.97715 Akaike info criterion 9.733387 Sum squared resid 24262.99 Schwarz criterion 9.873507 Log likelihood -143.0008 Hannan-Quinn criter. 9.778213 F-statistic 85.60139 Durbin-Watson stat 0.522849 Prob(F-statistic) 0.000000

Dependent Variable: KURS Method: Least Squares Date: 05/03/16 Time: 23:21 Sample: 1986 2015

C 1484.677 824.5448 1.800601 0.0829

EKS 4.687584 17.54408 0.267189 0.7914

ULN 37.31460 12.96689 2.877683 0.0077

R-squared 0.669745 Mean dependent var 6646.433 Adjusted R-squared 0.645281 S.D. dependent var 3876.637 S.E. of regression 2308.857 Akaike info criterion 18.42153 Sum squared resid 1.44E+08 Schwarz criterion 18.56165 Log likelihood -273.3230 Hannan-Quinn criter. 18.46636 F-statistic 27.37748 Durbin-Watson stat 0.272520 Prob(F-statistic) 0.000000

Untuk persamaan (1) nilai R² adalah sebesar 0.973417 selanjutnya disebut R²1 Untuk persamaan (2) nilai R² adalah sebesar 0.822465 selanjutnya disebut R²2 Untuk persamaan (3) nilai R² adalah sebesar 0.863776 selanjutnya disebut R²3 Untuk persamaan (4) nilai R² adalah sebesar 0.669745 selanjutnya disebut R²4

Karena R²1 > R²2, R²3, R²4, maka dalam model tidak ditemukan adanya multikolinearitas.

Multikolineritas

Menggunakan Matriks Korelasi

CADDEV EKSPOR ULN KURS

1 0.9761318799742406 0.944230173706811 0.7636489486985896 0.9761318799742406 1 0.9066394747695808 0.7539586394295416 0.944230173706811 0.9066394747695808 1 0.8178457074246622 0.7636489486985896 0.7539586394295416 0.8178457074246622 1

Ada 2 sumber litelatur yang berbeda pendapat

1. Dikatakan lolos ketika nilai dari matriks korelasinya lebih kecil dari 1 2. Dikatakan lolos ketika nilai dari matriks korelasinya lebih kecil dari 0,8

(6)

Yang kita pakai yang pertama.