HENDROCAHYO (12)

2-F KBN

ANALISIS UJI ASUMSI KLASIK

A. Multikolineritas
Multikolineraitas dapat didefinisikan sebagai adanya hubungan atau korelasi yang
cukup kuat antara sesama variabel bebas yang disertakan dalam model1. Multikolinearitas
dapat dideteksi dengan melihat koefisisen korelasi antar variabel independen. Jika ada di
antara variabel bebas tersebut yang berkorelasi cukup tinggi, maka hal itu merupakan
indikasi adanya multicollinearity 2 . Jika koefisien korelasi di antara masing-masing
variabel bebas lebih besar dari 0,8 maka terjadi multikolinearitas 3.
Dari data yang ada, yang memiliki korelasi cukup tinggi atau memiliki indikasi
multikolinearitas adalah NPL dengan LDR (0.6943725791605234). Namun dengan
menggunakan syarat koefisien korelasi di antara masing-masing variabel bebas lebih
besar dari 0,8, maka tidak ada satupun variabel yang memiliki multikolinearitas. Dapat
disumpulkan pada data yang diberikan, tidak ada satupun variabel yang memiliki
hubungan cukup kuat atau multikolinearitas.
B. Heterokedastisitas
Salah satu asumsi yang melandasi model regresi linier yang klasik adalah varian
komponen error et bersifat homogen atau yang lebih dikenal dengan istilah
homoscedastic. Dalam bahasa yang lebih populer hal itu dapat pula diartikan dengan
nilai absolut penyimpangan model yang relatif sama untuk setiap nilai variabel bebas
atau sepanjang periode observasi. Maka heterokedastisitas adalah adanya penyimpangan
nilai absolut model yang tidak sama untuk setiap nilai variabel bebas sepanjang periode
observasi. Dengan kata lain, model yang diperoleh memiliki varian e t yang tidak
homogen atau sering pula disebut dengan istilah heteroscedastic4.
Heterokedastisitas pada dasarnya tidak mempengaruhi nilai dugaan parameter
model. Artinya nilai-nilai koefisien regresi yang diperoleh tetap tidak bias atau tidak
menyimpang. Nilai yang dipengaruhi oleh keberadaan heteroscedasticity ini adalah
variance dan demikian juga standard error dari koefisien regresi. Akibatnya berbagai
pengujian yang dilakukan seperti F test dan t test cenderung tidak signifikan. Makin
besar nilai variance dan standard error tersebut, maka nilai F dan t akan semakin kecil
sehingga pengujian cenderung tidak signifikan. Dengan demikian keberadaa
1

Sri Subanti, Arif Rahman.Ekonometri.Graha Ilmu, halaman 19

Sri Subanti, Arif Rahman.Ekonometri.Graha Ilmu, halaman 20-21
3
Shochrul R.Ajija, Dyah W.Sari, Rahmat H.Setianto, Martha R.Primanti. Cara Cerdas Menguasai Eviews.
Salemba Empat, halaman 35
4
Sri Subanti, Arif Rahman.Ekonometri.Graha Ilmu, halaman 25
2

heteroscedasticity tersebut jelas dapat menyebabkan terjadinya kesalahan dalam

penarikan kesimpulan5.
Uji heteroskedasitas dapat dilakukan dengan cara seperti; 1) Melihat pola residual
dari hasil estimasi regresi. Jika residual bergerak konstan, maka tidak ada
heteroskedastisitas. Akan tetapi, jika residual membentuk suatu pola tertentu, maka hal
tersebut mengindikasikan adanya heteroskedastisitas 6 . 2) Untuk membuktikan dugaan
pada uji heteroskedastisitas pertama, maka dilakukan uji White Heteroscedasticity yang
tersedia dalam program EViews 7 . Hasil yang diperhatikan dari Uji ini adalah dengan
memperhatikan nilai Prob.Chi-Square untuk F-Stat dan Prob.Obs*R-squared yang
masing-masing nilainya dibawah 0.10 maka kita tolak hipotesis nol yang homokedastis
sehingga kita terima hipotesis alternatif yang heteroskedastisitas8.
Dari hasil pengujian cara pertama pola residual dari hasil regresi tidak memiliki
pola (scatter). Bisa dikatakan data tersebut tidak mengindikasi heteroskedastisitas. Untuk
hasil pengujian cara kedua Prob.Chi-Square untuk F-Stat dan Prob.Obs*R-squared
adalah 0.1939 dan 0.2061, keduanya lebih besar dari 0.10. Berarti hipotesis nol diterima
yaitu data merupakan homokedastis, tidak mengindikasikan data heteroskedastisitas.

C. Autokorelasi
Autokorelasi (atau otokorelasi) menunjukkan korelasi di antara anggota
serangkaian observasi yang diurutkan menurut waktu atau ruang. Untuk mendeteksi
adanya autokorelasi dapat dilakukan dengan melakukan uji LM (metode Bruesch
Godfrey). Metode ini didasarkan pada nilai F dan Obs R-Squared, di mana jika nilai
probabilitas dari Obs R-Squared melebihi tingkat kepercayaan, maka H0 diterima. Artinya,
tidak ada masalah autokorelasi9.
Dari data yang ada probabilitas dari Obs R-Squared = 0.000, ini menunjukkan
probabilitas dari Obs R-Squared tidak melebihi tingkat kepercayaan (baik alpha= 0.10,
alpha = 0.05 atau alpha=0.01 10 ) , sehingga data yang ada tidak mengindikasikan
autokorelasi.

Sri Subanti, Arif Rahman.Ekonometri.Graha Ilmu, halaman 27

Shochrul R.Ajija, Dyah W.Sari, Rahmat H.Setianto, Martha R.Primanti. Cara Cerdas Menguasai Eviews.
Salemba Empat, halaman 36
7
Shochrul R.Ajija, Dyah W.Sari, Rahmat H.Setianto, Martha R.Primanti. Cara Cerdas Menguasai Eviews.
Salemba Empat, halaman 38
8
Sri Subanti, Arif Rahman.Ekonometri.Graha Ilmu, halaman 31
9
Shochrul R.Ajija, Dyah W.Sari, Rahmat H.Setianto, Martha R.Primanti. Cara Cerdas Menguasai Eviews.
Salemba Empat, halaman 40
10
Shochrul R.Ajija, Dyah W.Sari, Rahmat H.Setianto, Martha R.Primanti. Cara Cerdas Menguasai Eviews.
Salemba Empat, halaman 41
6

D. Normalitas
Uji normalitas hanya digunakan jika jumlah observasi adalah kurang dari 30,untuk
mengetahui apakah error term mendekati distribusi normal. Jika jumlah observasi lebih
dari 30, maka tidak perlu dilakukan uji normalitas. Sebab, distribusi sampling error term
telah mendekati normal. Uji normalitas dapat ditempuh dengan Uji Jarque-Berra (JB
test)11.
Untuk data ini jumlah observasi telah melebihi 30, yaitu 36 sehingga tidak perlu
dilakukan lagi uji normalitas. Tetapi jika diperlukan bisa kita bandingkan antara
probabilitas dengan tingkat kepercayaan dari hasi Jarque-Berra Test. Probabilitas 0.52666,
tingkat kepercayaan 0.10 12, Probabilitas lebih besar dari tingkat kepercayaan, maka data
terdistribusi normal dengan tingkat keyakinan 90% 13.

11

Shochrul R.Ajija, Dyah W.Sari, Rahmat H.Setianto, Martha R.Primanti. Cara Cerdas Menguasai Eviews.
Salemba Empat, halaman 42
12
Shochrul R.Ajija, Dyah W.Sari, Rahmat H.Setianto, Martha R.Primanti. Cara Cerdas Menguasai Eviews.
Salemba Empat, halaman 42
13
Shochrul R.Ajija, Dyah W.Sari, Rahmat H.Setianto, Martha R.Primanti. Cara Cerdas Menguasai Eviews.
Salemba Empat, halaman 42

LAMPIRAN UJI ASUMSI KLASIK

Dependent Variable: LDR
Method: Least Squares
Date: 07/03/14 Time: 06:15
Sample: 2003M01 2005M12
Included observations: 36
Variable

Coefficient

Std. Error

t-Statistic

Prob.

IPI
NPL
ROA
SWBI
C

0.039768
5.510744
6.875533
0.144085
67.94157

0.099560
1.292505
2.988131
0.404396
10.42922

0.399435
4.263616
2.300948
0.356296
6.514539

0.6923
0.0002
0.0283
0.7240
0.0000

R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
F-statistic
Prob(F-statistic)

0.615686
0.566097
4.315112
577.2259
-101.0267
12.41581
0.000004

LDR

Mean dependent var

S.D. dependent var
Akaike info criterion
Schwarz criterion
Hannan-Quinn criter.
Durbin-Watson stat

96.78528
6.550823
5.890370
6.110303
5.967132
0.491538

IPI
0.444496060
255252

NPL
0.694372579
1605234

ROA
0.485385272
6390262

LDR

IPI

0.444496060
255252

0.295506138
3295997

0.641331879
0811195

NPL

0.694372579
1605234

0.295506138
3295997

0.187024795
7394671

ROA

0.485385272
6390262

0.641331879
0811195

0.187024795
7394671

SWBI

0.269217569
2330362

0.222806318
0936064

0.435525775
7484573

0.066620031
35135542

SWBI
0.269217569
2330362
0.222806318
0936064
0.435525775
7484573
0.066620031
35135542
1

110

100
10
90
5
80
0
70

-5
-10
-15
03M01

03M07

04M01
Residual

04M07

05M01

Actual

05M07

Fitted

Heteroskedasticity Test: White

F-statistic
Obs*R-squared
Scaled explained SS

1.502477
18.01485
14.34231

Prob. F(14,21)
Prob. Chi-Square(14)
Prob. Chi-Square(14)

0.1939
0.2061
0.4245

Test Equation:
Dependent Variable: RESID^2
Method: Least Squares
Date: 07/03/14 Time: 06:24
Sample: 2003M01 2005M12
Included observations: 36
Variable

Coefficient

Std. Error

t-Statistic

Prob.

C
IPI
IPI^2
IPI*NPL
IPI*ROA
IPI*SWBI
NPL
NPL^2
NPL*ROA
NPL*SWBI
ROA
ROA^2
ROA*SWBI
SWBI
SWBI^2

21.11495
1.112917
-0.028612
-0.544503
3.543363
0.722949
206.9972
-11.81415
24.65452
-16.34949
-509.8270
-3.715096
1.070934
-53.55785
1.854314

668.0857
10.81837
0.053726
1.835165
2.637672
0.486095
165.7390
16.30869
49.56418
8.331797
286.1033
48.09497
17.99739
42.89246
1.406929

0.031605
0.102873
-0.532548
-0.296705
1.343368
1.487259
1.248935
-0.724408
0.497426
-1.962300
-1.781968
-0.077245
0.059505
-1.248654
1.317987

0.9751
0.9190
0.5999
0.7696
0.1935
0.1518
0.2254
0.4768
0.6241
0.0631
0.0892
0.9392
0.9531
0.2255
0.2017

R-squared
Adjusted R-squared
S.E. of regression

0.500412
0.167354
21.74407

Mean dependent var

S.D. dependent var
Akaike info criterion

16.03405
23.82926
9.290896

Sum squared resid

Log likelihood
F-statistic
Prob(F-statistic)

9928.892
-152.2361
1.502477
0.193922

Schwarz criterion
Hannan-Quinn criter.
Durbin-Watson stat

9.950695
9.521183
2.219410

Breusch-Godfrey Serial Correlation LM Test:

F-statistic
Obs*R-squared

19.48699
20.64118

Prob. F(2,29)
Prob. Chi-Square(2)

0.0000
0.0000

Test Equation:
Dependent Variable: RESID
Method: Least Squares
Date: 07/03/14 Time: 06:26
Sample: 2003M01 2005M12
Included observations: 36
Presample missing value lagged residuals set to zero.
Variable

Coefficient

Std. Error

t-Statistic

Prob.

IPI
NPL
ROA
SWBI
C
RESID(-1)
RESID(-2)

-0.000764
-0.315435
-0.769137
0.030256
1.472799
0.909108
-0.206899

0.067749
0.898357
2.028045
0.273513
7.238443
0.187187
0.195751

-0.011273
-0.351125
-0.379250
0.110620
0.203469
4.856677
-1.056950

0.9911
0.7280
0.7073
0.9127
0.8402
0.0000
0.2993

R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
F-statistic
Prob(F-statistic)

0.573366
0.485097
2.914081
246.2641
-85.69373
6.495663
0.000200

Mean dependent var

S.D. dependent var
Akaike info criterion
Schwarz criterion
Hannan-Quinn criter.
Durbin-Watson stat

4.65E-15
4.061055
5.149652
5.457558
5.257119
1.825785

12

Series: Residuals
Sample 2003M01 2005M12
Observations 36

10

0
-10

-5

10

Mean
Median
Maximum
Minimum
Std. Dev.
Skewness
Kurtosis

4.65e-15
0.777897
7.984056
-10.50586
4.061055
-0.459178
3.147336

Jarque-Bera
Probability

1.297627
0.522666