Pengujian Normalitas Data Penelitian Uji normalitas dilakukan oleh penulis menggunakan Uji Jarque Bera. Berdasarkan uji JB nilai JB-Test =3.734729, sedangkan Chi Square dengan k=4, derajat bebas atau df = 60-4, maka df=56 pada = 5%. Probability = 1- =0.95 yaitu 2 tabel = 6.57. Dengan demikian JB test < 2 tabel, berarti menerima Ho yang menyatakan residual 1 berdistribusi normal. Demikian halnya bukti dari probabilitas uji JB = 0.154 > 0.05 berarti JB hitung tidak signifikan maka kita akan menerima Ho, berarti data telah memenuhi asumsi normalitas.

Sumber: data diolah

Gambar Grafik Histogram untuk Variabel IHSGBerdasarkan gambar diatas dapat dinyatakan bahwa probabilitas UJi JB untuk masing-masing variabel sebagian besar yakni variabel IHSG, Kurs, dan Inflasi) > 0.05 berarti JB hitung tidak signifikan maka menerima Ho, sedangkan variabel Kurs lebih < 0.05, hal ini berarti data telah mendekati asumsi normalitas.

Uji Pelanggaran Asumsi KlasikAutokorelasi Uji autokorelasi bertujuan untuk mengetahui apakah dalam suatu model regresi linier terdapat korelasi antara pengganggu pada periode t dengan kesalahan pada periode t-1 (sebelumnya) (Ghozali, 2001). Alat analisis yang digunakan adalah uji Durbin-Watson Statistik. Untuk mengetahui terjadi atau tidak autokorelasi dilakukan dengan membandingkan nilai statistik hitung Durbin-Watson pada perhitungan regresi dengan statistik tabel Durbin-Watson pada Tabel di bawah ini.

Tabel Hasil Pengolahan Durbin Watson

Berdasarkan hasil pengujian diperoleh nilai DW sebesar 1.346782. Bila nilai DW terletak diantara batas atas atau upper bound (du) dan (4du) maka koefisien autokorelasi = 0, berarti tidak ada autokorelasi. Sedangkan berdasarkan tabel Durbin Watson (Ghozali, 2001), nilai du yaitu sebesar 1.7274 dan dL sebesar 1.4443. Oleh karena nilai DW 2.346782 terletak di antara (du) 1.7274 dan kurang dari 4 du (4 -1.7274), maka dapat disimpulkan bahwa model regresi tersebut tidak ada autokorelasi.

Pengujian-pengujian di atas telah membuktikan kalau data yang akan digunakan telah memenuhi syarat normalitas, tidak ada heteroskedastisitas, tidak ada autokorelasi, dan bebas multikolinearitas. Dengan 4 pengujian pendahuluan ini, maka pengujian atas persamaan multiple regression dapat dilakukan dengan hasil yang akurat.

Heteroskedastisitas Asumsi metode OLS (Ordinary Least Square) atau Metode Kuadrat terkecil sebagai salah satu metode estimasi model regresi sederhana maupun berganda, bahwa residual (ei) mempunyai rata-rata nol atau E(ei)=0, mempunyai varian yang konstan atau Var (ei) =2 dan bebas autokorelasi yang tidak saling berhubungan antara satu observasi dengan observasi lainnya atau Cov (ei, ej) = 0 sehingga menghasilkan estimator yang BLUE.

Masalah heterokedastisitas terjadi jika varian tidak konstan (heterokedastisitas) dan terjadi hubungan yang kuat antar residual. Jika residual tidak nol tidak masalah bagi estimator OLS, hanya akan mempengaruhi intersep bukan slope estimatornya. Data-data time series jarang mengalami gangguan ini, tetapi masalah heteroskedastisitas sering dialami oleh data cros section.

Pengamatan pola hubungan variabel dengan grafik diperlukan, salah satunya dengan menggunakan diagram pencar (scater diagram) dengan garis regresinya. Scater Diagram, yaitu memuat pola plot data dengan multiple graph, first series againts all. Adapun hasil uji normalitas dengan menggunakan diagram pencar pada gambar berikut ini.

Sumber: data diolah

Gambar Uji Heteroskedastisitas dengan Scater Diagram (Diagram Pencar)Oleh karena data menyebar disekitar garis diagonal dan mengikuti arah garis diagonal menunjukkan pola distribusi normal, maka model regresi memenuhi asumsi normalitas. Berdasarkan Gambar terlihat titik-titik menyebar secara acak baik di atas maupun dibawah angka 0 pada sumbu Y, dan juga terlihat titik-titik tersebut tidak membentuk suatu pola tertentu. Dengan demikian dapat disimpulkan bahwa penelitian ini terbebas dari masalah heteroskedastisitas.

MultikolinieritasUji Multikolinieritas bertujuan untuk menguji apakah model regresi ditemukan adanya korelasi antar variabel bebas (independent). Model regresi yang baik seharusnya tidak terjadi korelasi diantara variabel bebas (Ghozali, 2001).

Tabel Hasil Pengolahan Data untuk Uji Multikoliniearitas

Berdasarkan hasil pengujian pada Tabel diatas menunjukkan bahwa secara umum multikoliniearitas dapat dideteksi dari ada tidaknya hubungan yang signifikan antar variabel bebas. Caranya dengan membandingkan korelasi (r) parsial variabel IHSG, inflasi, kurs dan suku bunga, apakah > atau < dari korelasi regresi (R). Korelasi R adalah akar dari R2 atau jika r < 0.8 berarti tidak terjadi multikoliniearitas.

Analisis Regresi dan Hasil Pengujian Hipotesis Koefisien Determinasi (R2)Koefisien determinan digunakan untuk mengukur seberapa jauh kemampuan model dalam menerangkan variasi variabel-variabel dependen. Nilai koefisien adalah antara nol sampai dengan satu dan ditunjukkan dengan nilai adjusted R2. Dan berdasarkan hasil penelitian ini menunjukkan bahwa nilai koefisien determinan (R2) diperoleh sebesar 0.762726 atau 76.27 %. Hal ini menunjukkan bahwa 76.27% kinerja IHSG dipengaruhi oleh variabel inflasi, nilai tukar, dan tingkat bunga SBI. Sedangkan sisanya sebesar 23.73% dijelaskan oleh variabel lain. Hasil tersebut dapat dilihat pada Tabel di bawah ini :

Tabel Hasil Uji Determinasi (R2)

Pengujian Terhadap Koefisien Regresi Secara Parsial (Uji t)Penelitian ini menggunakan analisis regresi berganda. Analisis ini digunakan untuk mengukur kekuatan dua variabel atau lebih dan juga menunjukan arah hubungan antara variabel dependen dengan variabel independen. Adapun rumus dari regresi linier berganda (multiple linier regresion) secara umum adalah:

Y= a + b1 X1 + b2 X2 + b3 X3 + e

Analisis regresi linier digunakan dalam penelitian ini dengan tujuan untuk mengetahui ada tidaknya pengaruh variabel bebas (Ghozali, 2001). Uji statistik t menunjukkan seberapa jauh satu variabel independen secara individual dalam menerangkan variasi variabel dependen (Ghozali, 2001). Hasil pengujian analisis regresi sebagaimana pada lampiran diketahui nilai t hitung sebagai berikut :

Tabel Hasil Uji t

Sumber: data diolah

Berdasarkan hasil Uji t, maka pengambilan keputusannya adalah sebagai berikut:1. Pengujian terhadap variabel Inflasi Hipotesis pertama menyebutkan bahwa Inflasi berpengaruh signifikan terhadap IHSG. Berdasarkan hasil perhitungan data menggunakan program Eview 7. diperoleh hasil bahwa nilai signifikansi sebesar 0,0028. Ini berarti keputusan terima H1dan tolak H0, artinya inflasi berpengaruh signifikan terhadap IHSG karena nilai signifikansi lebih kecil dari 0,05 dengan arah hubungan positif.2. Pengujian terhadap variabel Nilai Tukar Hipotesis ketiga menyebutkan bahwa Nilai Tukar berpengaruh signifikan dan positif terhadap IHSG. Berdasarkan hasil perhitungan data menggunakan programEviews7. diperoleh hasil bahwa nilai signifikansi sebesar 0,000. Ini berarti keputusan tolak H0 dan terima H2, artinya nilai tukar berpengaruh signifikan terhadap IHSG karena nilai signifikansi lebih kecil dari 0,05 dengan arah hubungan negatif.3. Pengujian terhadap variabel Tingkat Bunga SBIHipotesis kedua yang menyebutkan bahwa tingkat bunga SBI tidak berpengaruh signifikan terhadap IHSG. Berdasarkan hasil perhitungan data menggunakan program Eview 7. diperoleh hasil bahwa nilai signifikansi sebesar 0.000. Ini berarti keputusan yang diambil adalah terima H3 dan tolak H0 artinya tingkat bunga SBI berpengaruh signifikan positif terhadap IHSG karena nilai signifikansi lebih kecil dari 0,05 dengan arah hubungan negatif.Berdasarkan hasil pengujian dengan metode regresi linier berganda untuk menguji pengaruh variabel-variabel independen (inflasi , tingkat bunga SBI, dan nilai tukar) terhadap variabel dependen (IHSG) maka dapat disusun sebuah persamaan sebagai berikut:IHSG = 9882.55 + 97.69INF 438.61 SBI 478.12 KURS + e Hasil tersebut dapat dijelaskan sebagai berikut :a. Koefisien regresi inflasi (INF) adalah sebesar 97.69yang berarti bahwa setiap peningkatan inflasi sebesar 1% akan menaikan IHSG sebanyak 97.69% dengan asumsi variabel lain konstan, begitu juga sebaliknya.b. Koefisien regresi tingkat bunga SBI (SBI) adalah sebesar 438.61 yang berarti bahwa setiap peningkatan tingkat bunga SBI sebesar 1% akan menurunkan besarnya IHSG sebanyak 438.61% dengan asumsi variabel lain konstan, begitu juga sebaliknya.c. Koefisien regresi nilai tukar (KURS) adalah sebesar 478.12 yang berarti bahwa setiap peningkatan nilai tukar sebesar 1% akan menurunkan IHSG sebanyak 478.12% dengan asumsi variabel lain konstan, begitu juga sebaliknyaPengujian Terhadap Koefisien Regresi Secara Simultan (Uji F)Pengujian hipotesis uji F digunakan untuk melihat apakah secara keseluruhan variabel bebas mempunyai pengaruh yang bermakna terhadap variabel terikat. Dari hasil pengujian simultan diperoleh sebagai berikut:

Tabel Hasil Uji F

Hasil pengolahan data terlihat bahwa variabel independen (inflasi, tingkat bunga SBI dan nilai tukar) mempunyai signifikansi F hitung sebesar 64.22 dengan tingkat signifikansi yang lebih kecil dari 0,05. Dengan demikian hasil analisis dalam penelitian ini menunjukkan bahwa secara bersama-sama variabel independen (inflasi, tingkat bunga SBI dan nilai tukar) berpengaruh terhadap IHSG. Dengan demikian hipotesis pertama (H1) dalam penelitian ini dapat diterima. Sumber :

Gujarati, Damodar, 2003, Ekonometrika Dasar , Erlangga: Jakarta. Uji Asumsi Klasik (Multicolinearitas, Heteroscedastisitas, Autokorelasi, dan Normalitas) dengan EViews7

1. uji Multikolinearitas

multikolinearitas berarti adanya hubungan linear yang sempurna atau pasti antara beberapa atau semua variabel yang menjelaskan model regresi. jika koefisien koreasi antara masing-masing variabel bebas lebih besar dari 0,8, berarti terjadi multikolinearitas dalam model regresi.

berikut langkah-langkah pengujiannya :

buka program eviews

import data (kali ini saya menggunakan data tahunan PDB, PMA, Suku Bunga, Nilai Tukar dan Inflasi dari tahun 2000-2011)

blog semua variabel yang ingin diuji, klik kanan > open > open as equation >ok

abaikan hasilnya, klik quick > group statistic> correlations> maka akan muncul seperti gambar di bawah ini.

hapus variabel "pdb", karena merupakan var dependen, jadi tinggal "pma, sb, er, inf", klik ok, hasilnya seperti berikut :

dari output di atas dapat kita lihat bahwa tidak terdapat variabel yang memiliki nilai lebih dari 0,8, sehingga dapat disimpulkan tidak terjadi multikolinearitas dalam model regresi.

= Uji Heteroskedastisitas =

buka program eviews

import data (kali ini saya menggunakan data tahunan PDB, PMA, Suku Bunga, Nilai Tukar dan Inflasi dari tahun 2000-2011)

blog semua variabel yang ingin diuji, klik kanan > open > open as equation >ok

klik view >actual, fitted, residual >actual, fitted, residual> ok, hasilnya seperti gambar berikut:

dengan hasil di atas kita menduga tidak terjadi heteroskedastisitas, karena residualnya tidak membentuk pola tertentu, dengan kata lainnya residualnya cenderung konstan.

untuk membuktikan tidak ada heteroskedastisitas, maka kita akan melakukan uji white heteroscedasticity klik view >residual diagnostics> heteroscedasticity test> white > hilangkan centang pada "Include white cross terms" kemudian klik ok

outputnya akan seperti pada gambar dibawah ini :

- Ho : tidak ada heteroskedastisitas

- H1 : ada heteroskedastisitas

- Jika p-value obs*-square < , maka Ho ditolak

- Karena p value -obs*-square =0.5244> 0,01, maka H0 diterima

Kesimpulannya adalah dengan tingkat keyakinan 90%, dapat dikatakan bahwa tidak terdapat heteroskedastisitas dalam model regresi.

= Uji Autokorelasi =

buka program eviews

import data (kali ini saya menggunakan data tahunan PDB, PMA, Suku Bunga, Nilai Tukar dan Inflasi dari tahun 2000-2011)

blog semua variabel yang ingin diuji, klik kanan > open > open as equation >ok

klik view >residual diagnostics> Serial Correlation LM Test > ok, hasilnya seperti gambar berikut:

Ho : tidak ada korelasi serial

H1 : ada korelasi serial

Jika p-value obs*-square < , maka Ho ditolak

Karena p value -obs*-square = 0.1186 > 0,01, maka H0 diterima

Kesimpulannya adalah dengan tingkat keyakinan 90%, dapat dikatakan bahwa tidak terdapat autokorelasi dalam model regresi.== Uji Normalitas =

buka program eviews

import data (kali ini saya menggunakan data tahunan PDB, PMA, Suku Bunga, Nilai Tukar dan Inflasi dari tahun 2000-2011)

blog semua variabel yang ingin diuji, klik kanan > open > open as equation >ok

klik view >residual diagnostics>Histogram Normality Test > ok,

Hasilnya seperti berikut:

- Ho : error term terdistribusi normal

- H1 : error term tidak terdistribusi normal

- Jika p-value < , maka Ho ditolak

- Karena p value = 0,53978 > 0,1, maka H0 diterima

- Kesimpulannya adalah dengan tingkat keyakinan 90%, dapat dikatakan bahwa error term terdistribusi normal. demikianlah cara uji asumsi klasik dengan menggunakan EViews7, mohon maaf atas segala kekurangan, semoga dapat membantu, Terimakasih sudah berkunjung. :-))

Referensi : Ajija, Shochrul R dkk. 2011. Cara cerdas menguasai EViews. Salemba Empat. Jakarta.