1

Analisis Regresi

Salah satu tujuan analisis data pada penelitian ini adalah untuk memperkirakan
atau meramalkan atau menduga besarnya efek kuantitatif dari perubahan suatu kejadian
terhadap kejadian lainnya. Analisis yang tujuannya untuk meramalkan pengaruh suatu
variabel terhadap variabel lainnya ialah salah satunya analisis regresi.

Di dalam suatu analisis regresi pada penelitian ini terdapat dua variabel yaitu variabel
independen dan variabel dependen. Variabel dependen ialah variabel yang dipengaruhi atau
dijelaskan sedangkan variabel independen ialah variabel yang mempengaruhi atau
menjelaskan. Persamaan yang digunakan untuk analisis regresi disebut persamaan regresi.
Persamaan regresi terdiri dari persamaan regresi sederhana dan persamaan regresi berganda
(multivariat). Persamaan regresi sederhana ialah persamaan regresi yang mengandung masing-
masing satu variabel dependen dan variabel independen. Persamaan regresi berganda
(multivariat) ialah persamaan regresi yang terdiri dari satu variabel dependen dan lebih dari
satu variabel independen.

Persamaan regresi berganda (multivariat) digunakan karena berbagai hasil

pengamatan menunjukan bahwa perubahan atau peristiwa ekonomi tidak hanya
dipengaruhi oleh satu atau dua variabel saja, tetapi lebih dari dua variabel, misalnya Laba
Operasional yang dinotasikan dengan (LOB) tidak hanya ditentukan oleh adanya Biaya
Tenaga Kerja yang dinotasikan dengan (BTK) saja, namun variabel lain juga ikut
mempengaruhi seperti: Total Aset yang dinotasikan dengan (TA), Dana Pihak Ketiga yang
dinotasikan dengan (DPK), dan Kredit (Kr). Untuk memudahkan penurunan statistiknya
maka notasi-notasi tersebut diatas untuk sementara akan diubah menjadi Y’ yang diperoleh
dipengaruhi oleh k buah variabel X 1, yaitu X 2 , X3 , …… , Xk .

Sehingga untuk model regresi di atas dapat diinterpretasikan menjadi :

Y = Laba Operasional (LOB) dinyatakan dalam rupiah

X1 = Biaya Tenaga Kerja yang dinotasikan dengan (BTK) dinyatakan dalam rupiah
X2 = Total Aset yang dinotasikan dengan (TA) dinyatakan dalam rupiah
X3 = Dana Pihak Ketiga yang dinotasikan dengan (DPK) dalam rupiah
X4 = Kredit yang dinotasikan dengan (Kr) dalam rupiah
 2

Persamaan umum regresi linear berganda adalah :

Y’ = a0 + a1 X1 + a2 X2 + a3 X3 + ……. + ak Xk

Agar analisis regresi multivariat ini menghasilkan estimasi parameter yang valid
maka ada beberapa asumsi yang harus dipenuhi di dalam analisis regresi yaitu :

1. Linear dalam parameter

2. Estimator-nya unbiased : E(i )  i

3. Rata-rata kesalahan sama dengan nol : E (ui )  0

4. Homoskedastis atau konstan Var(ui)=σ2

5. Sampel yang digunakan random

6. Tidak adanya multikolinear yang kuat atau sempurna

7. Adanya variasi yang cukup tinggi dari sampelnya

8. Model memenuhi spesifikasi yang benar

9. BLUE (=best linear unbiased estimator)

Model Estimasi
𝑳𝑶𝑩𝒕𝟏 = 𝜶𝟎 + 𝜶𝟏 𝑨𝑻𝒕𝟏 + 𝜶𝟐 𝑫𝑷𝑲𝒕𝟏 + 𝜶𝟑 𝑩𝑻𝑲𝒕𝟏 + 𝜶𝟒 𝑲𝑹𝒕𝟏 + 𝜺𝒕𝟏

Dimana :
LOB = Laba Operasi Bank
AT = Aktiva Tetap
DPK = Dana Pihak Ketiga
BTK = Biaya Tenaga Kerja
KR = Kredit
t1 = Periode

Pengujian dan pendugaan koefisien regresi parsial (t-test).

 3

Pengujian koefisien regresi parsial digunakan statistik uji t :

a j  A jo
t
S aj
Pendugaan koefisien regresi parrtial dengan interval keyakinan sebesar 95% maka
menggunakan rumus sbb :

𝑝(𝑎𝑗 − 𝑡(0,025;𝑛−2)𝑆𝑎𝑗 < 𝐴𝑗 < 𝑎𝑗 + 𝑡(0,025;𝑛−2)𝑆𝑎𝑗 ) = 0,95

Parsial dengan interval keyakinan sebesar 95%

Pengujian parsial (t-stat) digunakan untuk menguji apakah variabel independen secara parsial
mempunyai pengaruh yang nyata terhadap variabel dependen.

Pengujian ini bertujuan untuk menguji signifikansi dari setiap variabel independen secara
parsial terhadap variabel dependen. Dalam pengujian ini dilakukan uji t dua arah.

Hipotesis yang diuji pada uji t-stat adalah sebagai berikut :

H0 : variabel independen tidak mempengaruhi variabel dependen

H1 : variabel independen mempengaruhi variabel dependen

Pengujian dilakukan dengan cara membandingkan nilai t-hitung yang didapat dari
hasil regresi dengan nilai kritis yang didapat dari t-tabel pada tingkat
kepercayaan/signifikansi (α ), dan derajat kebebasan (degree of freedom) df = n–k, dimana
n = jumlah observasi dan k = jumlah parameter termasuk konstanta, tertentu dengan
kriteria yang berlaku adalah :

 H0 tidak ditolak jika –(t-tabel) < t-stat < (t-tabel).

 H0 ditolak jika –(t-stat) <-(t-tabel) atau t-stat > t-tabel.

Untuk lebih lengkapnya akan diuraikan pada halaman akhir sub-bab ini.

3.7 Pengujian dan pendugaan koefisien regresi keseluruhan (F-Test).

F-stat digunakan untuk menguji tingkat signifikansi dari pengaruh secara

bersama-sama dalam menjelaskan variasi variabel independen. Walaupun dari hasil
regresi terdapat variabel yang secara individu tidak signifikan dalam suatu persamaan tapi
 4

bila dilihat secara keseluruhan dapat memberikan signifikansi pada persamaan tersebut.

Uji F ini digunakan untuk menguji signifikansi seluruh variabel independen secara
bersama-sama dalam mempengaruhi variabel dependen, atau untuk mengukur pengaruh
semua variabel bebas sebagai satu kesatuan.

Hipotesa pada pengujian ini adalah :

H0 : semua variabel independen secara bersama-sama tidak berpengaruh terhadap variabel

dependen.

H1 : semua variabel independen secara bersama-sama berpengaruh terhadap variabel dependen.

Pengujian dilakukan dengan cara membandingkan nilai F-stat dengan nilai F-

tabel pada tingkat kepercayaan / signfikansi (α ) tertentu dengan kriteria :

 Apabila nilai F hitung ≤ F tabel berarti H0 tidak ditolak, sehingga variabel independen
secara bersama-sama tidak berpengaruh terhadap variabel dependen. H0 Diterima

 Apabila nilai F hitung > F tabel berarti H0 ditolak, sehingga variabel independen secara
bersama-sama berpengaruh terhadap variabel independen.

R 2 (k  1)
Hubungan antara R2 dan nilai F adalah F  , Gujarati (2003:258)
(1  R 2 ) (n  k )

3.8 Koefisien Determinasi Berganda

Misalkan untuk k = 2, dimana variabelnya adalah Y, X 2 dan X3 adalah

r 212  r 213  2.r12 .r13 .r23

R 2
123 
1  r 2 23
R2 1.23 = besarnya kontribusi variasi X 2 dan X3 terhadap Y dalam kaitannya dengan persamaan
Y = a1 + a2 X2 + a3 X3 . Dengan perkataan lain apakah garis linear berganda Y terhadap X 2
dan X3 tepat untuk digunakan sebagai pendekatan atas suatu hubungan linear antar variabel
berdasarkan hasil observasi.

Sehingga makin besar nilai R 2 1.23 atau mendekati 1, berarti pendekatan itu betul-betul tepat
(sempurna). Sebagai hasil analisis dari suatu penelitian, persamaan regresi selalu disertai
 5

dengan

n X 2Y   X 2  Y
r12 
n X 2
2

  X 2  2 . n Y 2   Y  2 

r12 
x y 2i i
r13 
x y 3i i

x y 2
2i
2
i x  y
2
3i
2
i

Nilai koefisien korelasi sebagi ukuran kecocokan.

n X 3Y   X 3  Y
r13 
n X   X  .nY  Y  
3
2
3
2 2 2

r23 
x x 2i 3i

x x 2
2i
2
3i

n X 2 X 3   X 2  X 3
r23 
n X 2
2

  X 2  2 . n X 3  X 3  2
2


3.9 Koefisien Korelasi Berganda

(multipel).

Derajat hubungan (korelasi) antara variabel Y, X 2 dan X3 adalah r1.23 dengan

rumus sebagai berikut :
 6

3.10 Koefisien Korelasi Parsial.

Derajat hubungan untuk Y dan X2 dengan menganggap X 3 tetap adalah sebesar

r12.3.

r12  r13 .r23

r12.3 
1  r 1  r 
2
13
2
23

Sedangkan derajat hubungan antara Y dengan X 3 dengan menganggap X 2 tetap adalah sebesar
r13.2

Hubungan antara koefisien korelasi berganda dengan koefisien korelasi parsial dapat
ditentukan, yaitu :

1  r 21.23  1  r 212 1  r 213.2 

Regresi adalah pengukuran yang sesuai yaitu pendugaan nilai Y dari nilai X yang diketahui.

Korelasi adalah pengukuran tentang hubungan antara dua variabel.

r adalah ukuran yang berguna tentang hubungan X dan Y bila dan hanya bila trend dari titik
koordinat dalam diagram pencar yang membentuk suatu garis linear. Bila r mendekati 0, maka
antara X dan Y dianggap sebagai variabel yang independen.

Bila garis trend non linear, r mendekati 0 belum tentu hubungan antara X dan Y independen
bisa saja dependen tetapi variabel X dan Y tidak berasosiasi.

Pada umumnya hubungan fungsionil antara koefisien korelasi tidaklah

memberikan dugaan tentang adanya hubungan kausal (causal relation) antar variabel
tersebut, tetapi merupakan pengukuran ko-variasi antar variabel. Kovariasi kedua variabel
mungkin disebabkan oleh suatu kausa yang sama atau kausa yang mempengaruhi kedua
variabel dalam cara yang sama. Ada pula kemungkinannya bahwa hubungan antara kedua
variabel merupakan hasil hubungan yang bersifat independen bahkan mungkin disebabkan
oleh faktor kebetulan sehingga r hanya digunakan untuk tujuan analisa atau peramalan.
 7

Bila ingin mengetahui tentang hubungan kausal tersebut hanya dapat diperoleh
dengan jalan melakukan penyelidikan yang lebih intensif dan seksama.

3.11 Pengujian Diagnostik - Ekonometrika

Metode OLS dibangun dengan menggunakan asumsi klasik (Teorema Gaussian)

yang melandasi koefisien regresi, yaitu sebagai berikut :

 Hubungan antara variabel terikat dan variabel bebas adalah linier.

 Nilai variabel bebas adalah stokastik dan tidak ada multikolinieritas sempurna.

 Nilai harapan (expected value) atau rata-rata dari error adalah nol, yang secara simbolis
dinyatakan sebagai berikut : E(|Xi) = 0 dengan asumsi bahwa nilai harapan dari Y hanya
dipengaruhi oleh variabel bebas.

 Varians dari error bersifat konstan (homoskedastisitas), yang secara simbolis dituliskan
sebagai berikut : var(|Xi) = E(|Xi) = 2.

 Tidak ada serial korelasi antara error, yang secara simbolis dituliskan sebagai berikut :
cov(i,j | Xi,Xj) = E(i|Xi) (j|Xj) = 2.

 Tambahan asumsi yaitu  ~ N (0, 2); error memiliki distribusi normal.

Dengan asumsi-asumsi di atas, maka model OLS memiliki sifat ideal yang dikenal
dengan Teorema Gauss-Markov. OLS akan menghasilkan estimator yang mempunyai sifat
tidak bias, linier, dan mempunyai varians yang minimum, atau lebih dikenal dengan istilah
BLUE (Gujarati, 2012), dengan kriteria sebagai berikut :

 Estimator ˆ1 bersifat linier (linear), yaitu linier terhadap variabel bebas.

 Estimator ˆ1 bersifat tidak bias (unbiased), yaitu nilai rata-rata atau nilai ˆ1 yang diharapkan

atau E( ˆ1 ) sama dengan nilai ˆ1 yang sesungguhnya.

 Estimator ˆ1 mempunyai varians yang minimum. Estimator yang tidak bias dengan varians
minimum disebut estimator yang efisien (efficient estimator).

Ruslan (2017) dalam artikelnya menuliskan hal-hal yang memperkuat uraian

regresi sebagai berikut :
 8

“Varian lain dari metode least squares adalah generalized least squares (GLS). Metode ini
digunakan ketika asumsi-asumsi yang disyaratkan oleh metode OLS (homokedastis dan
nonautokorelasi) tidak terpenuhi. Sebagaimana telah saya sebutkan sebelumnya, penggunaan
OLS pada kondisi seperti ini akan menghasilkan penduga parameter regresi yang tidak lagi
efisien dan dapat memberikan penarikan kesimpulan yang menyesatkan. Jika semua asumsi
yang disyaratkan terkait residual dalam metode OLS terpenuhi, matriks varian-kovarian
residual merupakan matriks diagonal dengan element pada diagonal utama konstan (σ2). …
Penduga GLS bagi parameter regresi mengakomodasi struktur matriks yang berbeda-beda
tersebut ke dalam teknik estimasi. …

Dan inilah yang di maksudkan dengan “mengakomodasi” atau “berdamai” dengan pelanggaran
asumsi yang terjadi.”

Pada tesis ini akan dilakukan pengujian diagnostik ekonometrika untuk

menyelidiki kemungkinan pelanggaran asumsi klasik sebagai berikut :

1) Bila model regresi biasa atau data panel yang terpilih, maka perlu dilakukan pengujian
normalitas, multikolinieritas, heteroskedastisitas, dan otokorelasi, sebagaimana
permasalahan dalam analisis regresi dan korelasi yang dikemukakan Winarno (2015).

2) Bila model regresi yang terpilih, maka perlu dilakukan pengujian gejala multikolinieritas.

Dengan demikian, pada penelitian ini akan dilakukan pengujian diagnostik

ekonometrika (uji asumsi klasik) berikut :

Normalitas

Nilai residual dikatakan berdistribusi normal jika sebagian besar residual

terstandardisasi (standardized residuals) mendekati nilai rata-ratanya. Dampak bila tidak
berdistribusi normal adalah nilai prediksi yang diperoleh akan bias dan tidak konsisten
(Suliyanto, 2011:78). Salah satu uji untuk mendeteksi normalitas adalah Uji Jarque-Bera
(JB) yang dilakukan dengan prosedur (Hasan, 2012:286-287) :

a) Penentuan formulasi hipotesis

H0 : Residual terstandardisasi dinyatakan berdistribusi normal

Ha : Residual terstandardisasi dinyatakan tidak berdistribusi normal

b) Pemilihan taraf nyata (α) dan nilai 2tabel

 9

Nilai α pada penelitian ini adalah 5% (Suliyanto, 2014:9). Nilai 2(0.05,5) 11,071 berdasarkan
nilai α dengan derajat kebebasan sebanyak variabel bebas.

c) Penentuan kriteria pengujian

H0 diterima jika JB  2tabel (atau jika probabilitas nilai JB  α)

H0 ditolak jika JB > 2tabel (atau jika probabilitas nilai JB < α)

d) Identifikasi uji statistik

Uji JB berdasarkan pada koefisien keruncingan dan koefisien kemiringan yang dilakukan
dengan membandingkan statistik JB dengan 2tabel.

 S 2 K  32 
JB  n   
 6 24 
dimana :

S = Koefisien kemiringan (skewness)

K = Koefisien keruncingan (kurtosis)
n = i x t = Jumlah observasi

Pengujian ini menggunakan salah satu fungsi EViews yaitu “Residual Diagnostiks –
Histogram-Normality Test” untuk mendapatkan koefisien keruncingan dan koefisien
kemiringan serta nilai statistik JB dan probabilitasnya.

e) Pembuatan keputusan

Penerimaan atau penolakan hipotesis nol (H0 ) dilakukan pada langkah ini. Jika hipotesis
nol ditolak, maka dilakukan langkah-langkah treatment untuk mengatasi pelanggaran
asumsi tersebut berdasarkan Suliyanto (2014:78-79).

Multikolinieritas

Uji multikolinieritas bertujuan untuk menguji apakah dalam model regresi yang
terbentuk, terdapat korelasi linier yang mendekati sempurna antar lebih dari dua variabel
bebas atau tidak (Suliyanto, 2011:81). Jika terdapat korelasi yang tinggi atau sempurna
antar variabel bebas, maka model tersebut dinyatakan mengandung gejala multikolinier.

Dampak adanya multikolinieritas adalah sebagai berikut :

 10

 Pengaruh tiap variabel bebas tidak dapat dideteksi atau sulit dibedakan. Variabel bebas tidak
signifikan secara statistik dalam mempengaruhi variabel terikat

 Kesalahan standar estimasi cenderung meningkat dengan makin bertambahnya variabel

bebas. Kesalahan standar akan sangat besar pada tiap koefisien yang diduga, sehingga nilai
statistik t menjadi sangat rendah.

 Tingkat signifikansi yang digunakan untuk menolak hipotesis nol semakin besar.
Probabilitas untuk menerima hipotesis yang salah (kesalahan ß) semakin besar.

Cara pertama untuk mendeteksi adanya multikolinieritas adalah dengan melakukan regresi
auxiliary (Winarno, 2015) :

a) Penentuan formulasi hipotesis

H0 : Variabel bebas tidak multikolinier

Ha : Variabel bebas multikolinier

b) Pemilihan taraf nyata (α) dan nilai Ftabel

Nilai α pada penelitian ini adalah 5% (Suliyanto, 2014). Nilai F ditentukan berdasarkan nilai
α dan derajat kebebasan sebesar 1 :

 df1 (numerator) = jumlah variabel bebas dan intercept (k) dikurangi 2

= k - 2 = (4+1) - 2 = 3.

 df2 (denumerator) = jumlah sampel observasi (n = i x t) dikurangi jumlah variabel

bebas dan intercept (k) dikurangi 1

Penentuan kriteria pengujian

H0 diterima jika Fhitung  Ftabel (atau jika probabilitas nilai Fhitung  α)

H0 ditolak jika Fhitung > Ftabel (atau jika probabilitas nilai Fhitung < α)

c) Identifikasi uji statistik

Tiap variabel akan dijadikan sebagai variabel terikat secara bergantian dan variabel lainnya
menjadi variabel bebasnya. Fhitung dicari dengan rumus :

1
Rumus berdasarkan Winarno (2015:5.2)
 11

 2 
 R X 1 X 2 .... Xk 
 (k  2) 
 
Fhitung 
1  2
 R X1 X 2 .... Xk 
 n  k  1 
 

dimana :
R2 = Koefisien determinasi tiap persamaan
k = Jumlah variabel bebas dan intercept
n = i x t = Jumlah observasi

d) Pembuatan keputusan

Jika hipotesis nol ditolak, maka dilakukan langkah-langkah perbaikan untuk mengatasi
pelanggaran asumsi tersebut berdasarkan Suliyanto (2014:92).

Cara kedua untuk mendeteksi adanya multikolinieritas adalah dengan menghitung koefisien
korelasi antar variabel bebasnya (Winarno, 2015). Jika nilai koefisien korelasi tidak lebih dari
0,7 maka model tidak memiliki gejala multikolinier (Suliyanto, 2011). Rumus yang digunakan
sebagai berikut :

n XY  ( X )( Y )
rxy 
n X 2
 ( X ) 2  n Y 2
 ( Y ) 2 
dimana :
rxy = Koefisien korelasi
n = i x t = Jumlah observasi
X = Jumlah observasi nilai X
Y = Jumlah observasi nilai Y

Cara kedua ini menggunakan salah satu fungsi dari perangkat lunak EViews yaitu
“Group Statistics – Correlations” untuk mendapatkan nilai korelasi tersebut.

Heteroskedastisitas

Salah satu asumsi yang harus dipenuhi agar taksiran parameter dalam model
regresi bersifat BLUE adalah semua residual antar pengamatan mempunyai varians yang
sama (homoskedastisitas). Sedangkan, bila varians tidak konstan, maka disebut
 12

heteroskedastisitas, yang berarti bahwa setiap observasi mempunyai reliabilitas yang

berbeda-beda akibat perubahan kondisi yang melatarbelakangi tidak terangkum dalam
model (Kuncoro dkk, 2011). Winarno (2015:5.8) menuliskan bahwa “Dalam
kenyataannya, nilai residual sulit memiliki varians yang konstan. Hal ini sering terjadi
pada data yang bersifat data silang (cross section) dibanding data runtut waktu”. Dampak
adanya heteroskedastisitas adalah :

 Penduga yang diperoleh, menjadi tidak efisien karena variansnya tidak bernilai minimum.
Penduga tidak bersifat best dan hanya memenuhi karakteristik LUE (linier unbiased estimator)

 Kesalahan baku koefisien regresi akan terpengaruh sehingga memberikan indikasi yang
salah dan koefisien determinasi memperlihatkan daya penjelasan yang besar.

 Meskipun proses estimasi tidak efisien, hasil estimasi tetap konsisten dan tidak bias (Iqbal,
2015). Varians yang tidak minimum mengakibatkan estimasi regresi menjadi tidak efisien.

 Menyebabkan hasil uji t dan uji F menjadi tidak berguna (Iqbal, 2015). Uji hipotesis yang
didasarkan pada uji t dan nilai distribusi F tidak dapat dipercaya (Suliyanto, 2011:122). Hal ini
karena standar error-nya tidak dapat dipercaya.

 Nilai thitung dari penduga menghasilkan nilai yang kecil sehingga variabel bebas tidak
berpengaruh terhadap variabel terikat (Sriyana, 2014:63).

Salah satu uji heteroskedastisitas adalah Uji White dengan prosedur berikut :

a) Penentuan formulasi hipotesis

H0 : var(i | Xi) = 2 ; Residual homoskedastis

Ha : var(i | Xi) ≠ 2 ; Residual heteroskedastis

b) Pemilihan taraf nyata (α) dan nilai 2tabel

Nilai α adalah 5%. Nilai 2(0.05,5) 11,071 ditentukan berdasarkan nilai α dengan derajat sebanyak
variabel bebas.

c) Penentuan kriteria pengujian

H0 diterima jika LM  2tabel (atau jika probabilitas nilai LM  α)

H0 ditolak jika LM > 2tabel (atau jika probabilitas nilai LM < α)
 13

d) Identifikasi uji statistik

Fungsi perangkat lunak EViews yaitu “White Heteroscedasticity (cross terms)” untuk
mendapatkan nilai LM (Obs*R-squared dan Probability). Rumus Uji White :

LM  nR 2
dimana :
n = i x t = Jumlah observasi
2
R = Koefisien determinasi
2 = Nilai kritis chi-square
nR2 = Nilai chi-square hitung

e) Pembuatan keputusan

Jika hipotesis nol ditolak, maka dilakukan langkah-langkah perbaikan untuk mengatasi
pelanggaran asumsi tersebut berdasarkan Suliyanto (2014:92).

Autokorelasi

Autokorelasi muncul karena residual yang tidak bebas antara satu observasi ke
observasi lainnya atau terdapat hubungan antar residual tersebut (Kuncoro dkk, 2011).
Gejala ini lebih mudah timbul pada data yang bersifat runtut waktu, meskipun tetap
dimungkinkan dijumpai pada data yang bersifat antar objek (cross section).

Wikaya (2009), uji otokorelasi bertujuan untuk menguji apakah pada model
terdapat korelasi antara kesalahan pengganggu pada periode t dengan kesalahan
pengganggu pada periode sebelumnya (t-1). Otokorelasi atau korelasi serial akan
mengakibatkan hal-hal berikut :

 Varians sampel tidak dapat menggambarkan varians populasi.

 Model regresi yang dihasilkan tidak dapat dipergunakan untuk menduga nilai variabel terikat
dari nilai variabel bebas tertentu.

 Varians dari koefisiennya menjadi tidak minimum (tidak efisien) sehingga koefisien
estimasi yang diperoleh menjadi kurang akurat.

 Uji t tidak berlaku lagi dan jika uji tersebut tetap digunakan, maka kesimpulan yang
 14

diperoleh tidak tepat (Hasan, 2012:285). Nilai statistik t dan statistik F tidak dapat dipercaya
karena hal itu menyesatkan.

Salah satu uji untuk mendeteksi otokorelasi adalah Uji Durbin-Watson (DW)
(Gujarati, 2003:215) yang dilakukan dengan prosedur berikut :

a) Penentuan hipotesis nol dan hipotesis alternatif

H0 : cov(i,j | Xi,Xj) = 0 ; Residual tidak ada berotokorelasi

H1 : cov(i,j | Xi,Xj) ≠ 0 ; Residual berotokorelasi

b) Pemilihan tingkat signifikansi (α) dan nilai DWtabel

Nilai α pada penelitian ini adalah 5% (Suliyanto, 2014:9). Nilai DWtabel ditentukan
berdasarkan n jumlah observasi (480) serta k jumlah variabel bebas dan konstanta (6). Jadi
dU = 1,8712 dan dL = 1,8291.

c) Identifikasi uji statistik

Rumus yang digunakan disebut statistik Durbin-Watson, yaitu sebagai berikut :

DW 
 (   t t 1 )2
 t
2

dimana :
t = Residual pada periode t
t-1 = Residual pada satu periode sebelum t
Nilai DW akan diperoleh secara otomatis dengan perangkat lunak EViews.

d) Penentuan kriteria pengujian

 Untuk otokorelasi positif (0 < p < 1) :

H0 diterima jika DW > dU

H0 ditolak jika DW < dL

Tidak ada kesimpulan jika dL < DW < dU (diperlukan observasi lanjutan)

 Untuk otokorelasi negatif :

H0 diterima jika (4 – DW) > dU

 15

H0 ditolak jika (4 – DW) < dL

Tidak ada kesimpulan jika dL < (4-DW) < dU (diperlukan observasi lanjutan)

e) Pembuatan keputusan

Jika hipotesis nol ditolak, maka dilakukan langkah-langkah perbaikan untuk mengatasi
pelanggaran asumsi tersebut berdasarkan Suliyanto (2014:141).

3.12 Pengujian Diagnostik - Statistika

Menurut Nachrowi (2006), bahwa uji hipotesis berguna untuk menguji

signifikansi koefisien regresi yang didapat, yang artinya bahwa koefisien regresi yang
didapat secara statistik tidak sama dengan nol, karena jika sama dengan nol maka dapat
dikatakan bahwa tidak cukup bukti untuk menyatakan variabel bebas mempunyai
pengaruh terhadap variabel terikatnya. Pengujian hipotesis dalam penelitian ini dapat
diukur dari goodness of fit fungsi regresinya. Secara statistik, analisis ini dapat dapat
diukur dari nilai statistik t, nilai statistik F, dan koefisien determinasi (Kuncoro, 2011
dalam Satria, 2015). Ketiganya diukur untuk mengetahui kevalidan sebuah hasil analisis
ekonometri. Hipotesis statistik akan diterima jika hasil pengujian membenarkan
pernyataannya dan akan ditolak jika terjadi penyangkalan dari pernyataannya.

1. Analisis Korelasi

Analisis ini digunakan untuk mengetahui derajat hubungan linier antara satu
variabel dengan variabel lain (Suliyanto, 2011:15). Jika perubahan variabel tidak diikuti
oleh perubahan variabel yang lain, maka dikatakan bahwa variabel -variabel tersebut tidak
saling berkorelasi. Besarnya perubahan suatu variabel yang diikuti dengan perubahan
variabel yang lain, dinyatakan dalam bentuk koefisien korelasi (r). Koefisien ini tidak
menggambarkan kekuatan kausalitas.

Dengan data-data berskala rasio, maka dalam penelitian ini memerlukan analisis
korelasi Product Moment (Pearson), dengan koefisien korelasi berkisar antara -1 dan 1
sesuai kriteria dengan rumus yang digunakan adalah sebagai berikut :

n XY  ( X )( Y )
rxy 
n X 2
 ( X ) 2  n Y 2
 ( Y ) 2 
 16

dimana :
rxy = Koefisien korelasi
n = i x t = Jumlah observasi
X = Jumlah observasi nilai X
Y = Jumlah observasi nilai Y

Tabel 3.2 : Kriteria Koefisien Korelasi

Nilai r Kriteria
0,00 s.d. 0,29 Korelasi sangat lemah
0,30 s.d. 0,49 Korelasi lemah
0,50 s.d. 0,69 Korelasi cukup
0,70 s.d. 0,79 Korelasi kuat
0,80 s.d. 1,00 Korelasi sangat kuat

Sumber : Suliyanto (2014:16)

Kriteria tersebut tidak dapat digunakan untuk menentukan signifikansi korelasi.

Hal ini karena penentuan signifikansi sebuah korelasi tidak hanya tergantung pada
besarnya koefisien korelasi, tetapi juga tergantung pada ukuran sampel dan tingkat
toleransi yang digunakan (Suliyanto, 2011:16).

2. Uji Statistik t

Uji ini merupakan salah satu dari jenis pengujian hipotesis yang berdasarkan jenis
distribusinya. Uji statistik t dikenal dengan uji parsial, yaitu untuk menguji bagaimana
pengaruh masing-masing variabel bebasnya secara sendiri-sendiri terhadap variabel
terikatnya (Hidayat, 2013). Nilai statistik t ditentukan oleh nilai kuadrat residual i2
(Sriyana, 2014:68).

“The "t'' statistic is computed by dividing the estimated value of the parameter by its standard
error. This statistic is a measure of the likelihood that the actual value of the parameter is
not zero. The larger the absolute value of t, the less likely that the actual value of the
parameter could be zero”.
Uji ini merupakan pengujian hipotesis individual bagi koefisien regresi, yang
dalam penelitian ini akan dilakukan berdasarkan langkah-langkah pengujian oleh Hasan
 17

(2012:267) :

1) Variabel Biaya Tenaga Kerja (BTK)

a) Penentuan formulasi hipotesis

Hipotesis penelitian (H4) : Biaya Tenaga Kerja (BTK) memiliki pengaruh negatif dan
signifikan terhadap Laba Operasional..

Hipotesis statistiknya :

H0 : ß3  0 ; BTK tidak berpengaruh terhadap Laba Operasional

H4 : ß3 < 0 ; BTK berpengaruh negatif terhadap Laba Operasional

b) Pemilihan taraf nyata (α) dan nilai ttabel

Nilai α adalah 5% (Suliyanto, 2014:9). Nilai t berdasarkan nilai α dengan derajat

kebebasan df = n – k

c) Penentuan kriteria pengujian (uji pihak/sisi kiri)

H0 diterima jika thitung  ttabel (atau jika probabilitas nilai thitung  α)

H0 ditolak jika thitung < ttabel (atau jika probabilitas nilai thitung < α)

d) Identifikasi uji statistik

Rumus yang digunakan (Kuncoro, 2011 dalam Satria, 2015) :

Koefisien Re gresi ˆ3

t hitung  atau t hitung 
Simpangan Baku se(ˆ3 )

Nilai thitung dan probabilitas hasil perthitungan EViews, ditampilkan sebagai t-Statistic dan
Prob.

e) Pembuatan keputusan

Jika hipotesis nol ditolak, maka berarti bahwa variabel bebas ini memiliki pengaruh yang
bermakna terhadap variabel terikat.

2) Variabel Total Assets (TA)

a) Penentuan formulasi hipotesis

 18

Hipotesis penelitian (H2) : Total Aset (TA) memiliki pengaruh positif dan signifikan
terhadap Laba Operasional

Hipotesis statistiknya :

H0 : ß1  0 ; TA tidak berpengaruh terhadap Laba Operasional

H2 : ß1 > 0 ; TA berpengaruh positif terhadap Laba Operasional

b) Pemilihan taraf nyata (α) dan nilai ttabel

Nilai α adalah 5%. Nilai t berdasarkan nilai α dengan derajat kebebasan df = n – k

c) Penentuan kriteria pengujian (uji pihak/sisi kanan)

H0 diterima jika thitung  ttabel (atau jika probabilitas nilai thitung  α)

H0 ditolak jika thitung > ttabel (atau jika probabilitas nilai thitung < α)

d) Identifikasi uji statistik

Rumus menurut Kuncoro (2011) dalam Satria (2015) :

Koefisien Re gresi ˆ1

t hitung  atau t hitung 
Simpangan Baku se( ˆ1 )

Nilai thitung dan probabilitas hasil perhitungan EViews, ditampilkan sebagai t-Statistic dan
Prob.

e) Pembuatan keputusan

Jika hipotesis nol ditolak, maka berarti bahwa variabel bebas ini memiliki pengaruh yang
bermakna terhadap variabel terikat.

3) Variabel Dana Pihak Ketiga (DPK)

a) Penentuan formulasi hipotesis

Hipotesis penelitian (H 3 ) : Dana Pihak Ketiga (DPK) memiliki pengaruh positif dan
signifikan terhadap Laba Operasional.
 19

Hipotesis statistiknya :

H0 : ß2  0 ; DPK tidak berpengaruh terhadap Laba Opersional

H3 : ß2 > 0 ; DPK berpengaruh positif terhadap Laba Opersional

b) Pemilihan taraf nyata (α) dan nilai ttabel

Nilai α adalah 5%. Nilai t berdasarkan nilai α dengan derajat kebebasan df = n – k

Penentuan kriteria pengujian (uji pihak/sisi kanan)

H0 diterima jika thitung  ttabel (atau jika probabilitas nilai thitung  α)

H0 ditolak jika thitung > ttabel (atau jika probabilitas nilai thitung < α)

c) Identifikasi uji statistik

Rumus yang digunakan (Kuncoro, 2011 dalam Satria, 2015) :

Koefisien Re gresi ˆ2

t hitung  atau t hitung 
Simpangan Baku se(ˆ2 )

Nilai thitung dan probabilitas hasil perhitungan EViews, ditampilkan sebagai t-Statistic dan
Prob.

d) Pembuatan keputusan

Jika hipotesis nol ditolak, maka berarti bahwa variabel bebas ini memiliki pengaruh
yang bermakna terhadap variabel terikat.

4) Variabel Kredit (Kr)

e) Penentuan formulasi hipotesis

Hipotesis penelitian (H 4 ) : Kredit (Kr) memiliki pengaruh positif dan signifikan

terhadap Laba Operasional

Hipotesis statistiknya :

H0 : ß2  0 ; Kr tidak berpengaruh terhadap Laba Opersional

 20

H3 : ß2 > 0 ; Kr berpengaruh positif terhadap Laba Opersional

f) Pemilihan taraf nyata (α) dan nilai ttabel

Nilai α adalah 5%. Nilai t berdasarkan nilai α dengan derajat kebebasan df = n – k

Penentuan kriteria pengujian (uji pihak/sisi kanan)

H0 diterima jika thitung  ttabel (atau jika probabilitas nilai thitung  α)

H0 ditolak jika thitung > ttabel (atau jika probabilitas nilai thitung < α)

g) Identifikasi uji statistik

Rumus yang digunakan :

Koefisien Re gresi ˆ2

t hitung  atau t hitung 
Simpangan Baku se(ˆ2 )

Nilai thitung dan probabilitas hasil perhitungan EViews, ditampilkan sebagai t-Statistic dan
Prob.

h) Pembuatan keputusan

Jika hipotesis nol ditolak, maka berarti bahwa variabel bebas ini memiliki pengaruh
yang bermakna terhadap variabel terikat.

3. Uji Statistik F

Uji Statistik F merupakan salah satu dari jenis pengujian hipotesis berdasarkan
jenis distribusinya. Uji ini pada dasarnya menunjukkan apakah semua variabel bebas
dalam model mempunyai pengaruh secara bersama-sama terhadap variabel terikat
(Kuncoro, 2011 dalam Satria, 2015).

Nilai statistik F ditentukan oleh nilai kuadrat residual i2 (Sriyana, 2014:68).

“The "F value'' and "Prob(F)'' statistics test the overall significance of the regression
model. Specifically, they test the null hypothesis that all the regression coefficients are
equal to zero. This tests the full model against a model with no variables and with the
estimate of the dependent variable being the mean of the values of the dependent
variable. The F value is the ratio of the mean regression sum of squares divided by the
mean error sum of squares. Its value will range from zero to an arbitrarily large
number.”
 21

Pengujian hipotesis serentak bagi koefisien regresi dalam penelitian ini dilakukan
berdasarkan langkah-langkah pengujian sbb :

a) Penentuan formulasi hipotesis

Hipotesis penelitian (H7) : Biaya Tenaga Kerja (BTK), Total Asset (TA), Dana Pihak Ketiga
(DPK) dan Kredit (Kr), secara simultan memiliki pengaruh signifikan terhadap laba
operasional.

Hipotesis statistiknya :

H0 : ß1 = ß2 = ß3 = ß4 = 0 ; Semua variabel bebas tidak mempengaruhi variabel

terikat

H7 : ß1 ≠ ß2 ≠ ß3 ≠ ß4 ≠ 0 ; Semua variabel bebas atau paling sedikit ada satu variabel

bebas yang mempengaruhi variabel terikat

b) Pemilihan taraf nyata (α) dan nilai Ftabel

Nilai α yang digunakan pada penelitian ini adalah 5% (Suliyanto, 2014:9). Nilai F
berdasarkan nilai α dengan derajat kebebasan sebesar :

 df1 (numerator) = jumlah variabel bebas ditambah intercept (k) dikurangi 1

= k - 1 = (4 + 1) – 1 = 4

 df2 (denumerator) = jumlah observasi (n = i x t) dikurangi jumlah variabel bebas dan

intercept (k)

Penentuan kriteria pengujian

H0 diterima jika Fhitung  Ftabel (atau jika probabilitas nilai Fhitung  α)

H0 ditolak jika Fhitung > Ftabel (atau jika probabilitas nilai Fhitung < α)

c) Identifikasi uji statistik

Fhitung didapatkan dengan rumus sebagai berikut (Sriyana, 2014:58) :

R2
(k  1)
Fhitung 
1  R 2 
 (n  k 
dimana :
 22

R2 = Koefisien determinasi
n = i x t = Jumlah observasi
k = Jumlah parameter termasuk intercept

Fhitung dan probabilitas hasil perhitungan perangkat lunak EViews, yang ditampilkan pada
nilai F-statistic dan Prob (F-statistic).

d) Pembuatan keputusan

Jika hipotesis nol ditolak, maka berarti bahwa pengaruh simultan variabel bebas terhadap
variabel terikat, terbukti secara statistik.

4. Analisis Determinasi

Koefisien determinasi digunakan untuk menjelaskan besarnya proporsi variasi

variabel dependen dapat dijelaskan oleh variabel. Nilai koefisien determinasi
mencerminkan seberapa besar variasi dari variabel terikat dapat diterangkan oleh variabel
bebasnya. Nilai ini menunjukkan kemampuan model dalam menjelaskan hubungan
variabel. Suliyanto (2014:55) menjelaskan bahwa semakin tinggi koefisien determinasi,
maka semakin tinggi pula kemampuan variabel bebas dalam menjelaskan variasi
perubahan pada variabel terikatnya. Gujarati (2005) menjelaskan bahwa “ Coefficient
determination measures the proportion of percentage of the total variation in Y (dependet
variable) explained by the regression model”. Jadi koefisien determinasi mengukur
besarnya variasi variabel terikat yang dijelaskan oleh model atau besarnya variasi variabel
terikat yang dijelaskan oleh variabel bebasnya secara bersama-sama dibandingkan dengan
variasi total variabel terikat.

Nilai koefisien determinasi berkisar di antara nol dan satu, yang dilihat dari nilai
R2 (R-squared) pada keluaran perhitungan perangkat lunak EViews :

 Nilai R2 (R-squared) yang kecil atau mendekati nol berarti bahwa variabel bebas memiliki
kemampuan yang terbatas dalam menjelaskan variabel terikat.

 yˆ
2


2 i
R
y
2
i

 Nilai R2-yang-disesuaikan (Adjusted R-squared) menunjukkan besarnya pengaruh variabel

 23

bebas secara simultan dalam menjelaskan variabel terikat dengan memperhatikan standar error.
R2-yang-disesuaikan (Adjusted R-squared) merupakan alternatif dari R2 (R-squared) karena R2
(R-squared) memiliki kelemahan yaitu nilainya akan meningkat sesuai dengan jumlah variabel
bebasnya. Semakin banyak variabel bebas yang dimasukkan ke dalam persamaan, maka
semakin memperkecil nilai R2 terkoreksi (Winarno, 2015:4.17).

 ˆ /( n  k )
2

 1
2 i
R
y /( n  1)
2
i

dimana :
n = i x t = Jumlah observasi
k = Jumlah parameter termasuk intercept