PENERAPAN PERBAIKAN PELANGGARAN ASUMSI
REGRESI LINIER BERGANDA PADA INFLASI, KURS USD,
JUMLAH UANG BEREDAR, DAN INDEKS HARGA SAHAM
GABUNGAN DI BURSA EFEK INDONESIA TAHUN 2014-2018
Disusun Guna Memenuhi Tugas Mata Kuliah Ekonometrika
Dosen Pengampu: Dr. Di Asih I Maruddani, S.Si., M.Si.
Disusun oleh:
Nama
: Mathew Darren Kusuma
NIM
: 24050120130042
Kelas
: Ekonometrika – B
PROGRAM STUDI STATISTIKA
FAKULTAS SAINS DAN MATEMATIKA
UNIVERSITAS DIPONEGORO
SEMARANG
2022
KATA PENGANTAR
Puji syukur kehadirat Tuhan Yang Maha Esa atas rahmat dan hidayah-Nya
sehingga penulis dapat menyelesaikan makalah yang berjudul “Penerapan Perbaikan
Pelanggaran Asumsi Regresi Linier Berganda pada Inflasi, Kurs USD, Jumlah Uang
Beredar, dan Indeks Harga Saham Gabungan di Bursa Efek Indonesia Tahun 20142018” tepat waktu.
Tidak lupa penulis mengucapkan terima kasih kepada Dr. Di Asih I Maruddani,
S.Si., M.Si. selaku dosen mata kuliah Ekonometrika yang telah membimbing penulis
dalam mengerjakan makalah ini dengan penuh kesabaran. Penulis juga mengucapkan
terima kasih kepada teman-teman yang telah membantu dalam pembuatan makalah
ini.
Penulis menyadari bahwa makalah ini masih jauh dari kata sempurna baik dari
segi penyusunan, bahasa, maupun penulisannya. Oleh karena itu, saran dan kritik yang
membangun senantiasa diharapkan demi kesempurnaan makalah ini. Penulis juga
berharap semoga makalah ini dapat menambah wawasan dan memberikan
pengetahuan yang bermanfaat untuk para pembaca.
Tangerang Selatan, 4 April 2022
Penulis
i
DAFTAR ISI
KATA PENGANTAR ................................................................................................. i
DAFTAR ISI ............................................................................................................... ii
BAB I PENDAHULUAN .......................................................................................... 1
1.1
Latar Belakang ............................................................................................... 1
1.2
Rumusan Masalah .......................................................................................... 2
1.3
Tujuan Penelitian ........................................................................................... 2
1.4
Manfaat Penelitian ......................................................................................... 2
BAB II TINJAUAN PUSTAKA............................................................................... 3
2.1
Indeks Harga Saham Gabungan (IHSG) ........................................................ 3
2.2
Inflasi ............................................................................................................. 3
2.3
Nilai Tukar ..................................................................................................... 3
2.4
Jumlah Uang Beredar (JUB) .......................................................................... 3
2.5
Regresi Linier Berganda ................................................................................ 4
2.6
Asumsi dalam Regresi Linier Berganda ........................................................ 4
2.6.1 Uji Linieritas .................................................................................................. 4
2.6.2 Uji Normalitas ................................................................................................ 5
2.6.3 Uji Heteroskedastisitas................................................................................... 5
2.6.4 Uji Autokorelasi ............................................................................................. 5
2.6.5 Uji Multikolinieritas....................................................................................... 5
2.7
Pendeteksian Asumsi dalam Regresi Linier Berganda .................................. 6
2.7.1 Pendeteksian Normalitas ................................................................................ 6
2.7.2 Pendeteksian Heteroskedastisitas................................................................... 6
2.7.3 Pendeteksian Autokorelasi ............................................................................. 7
2.7.4 Pendeteksian Multikolinieritas....................................................................... 7
2.8
Perbaikan Pelanggaran Asumsi dalam Regresi Linier Berganda .................. 8
2.8.1 Perbaikan Normalitas ..................................................................................... 8
2.8.2 Perbaikan Heteroskedastisitas ........................................................................ 8
2.8.3 Perbaikan Autokorelasi .................................................................................. 9
2.8.4 Perbaikan Multikolinieritas ............................................................................ 9
BAB III METODOLOGI PENELITIAN .............................................................. 10
ii
3.1
Metode Penelitian ........................................................................................ 10
3.2
Jenis dan Sumber Data ................................................................................. 10
3.3
Teknik Analisis Penelitian ........................................................................... 10
BAB IV ANALISIS DAN PEMBAHASAN ........................................................... 11
4.1
Data Penelitian ............................................................................................. 11
4.2
Model Awal ................................................................................................. 12
4.3
Uji Asumsi Klasik ........................................................................................ 13
4.3.1 Uji Linieritas ................................................................................................ 13
4.3.2 Uji Normalitas .............................................................................................. 14
4.3.3 Uji Heteroskedastisitas................................................................................. 15
4.3.4 Uji Autokorelasi ........................................................................................... 16
4.3.5 Uji Multikolinieritas..................................................................................... 17
4.4
Transformasi Data ........................................................................................ 18
4.5
Model setelah Transformasi ......................................................................... 20
4.6
Uji Asumsi Klasik setelah Transformasi ..................................................... 21
4.6.1 Uji Linieritas ................................................................................................ 21
4.6.2 Uji Normalitas .............................................................................................. 22
4.6.3 Uji Heteroskedastisitas................................................................................. 23
4.6.4 Uji Autokorelasi ........................................................................................... 24
4.6.5 Uji Multikolinieritas..................................................................................... 25
4.7
Uji t (Uji Signifikansi Parameter) ................................................................ 26
4.8
Uji F (Uji Kecocokan Model) ...................................................................... 27
4.9
Uji Koefisien Determinasi (𝑅𝑅2) ................................................................... 28
4.10
Model Akhir ................................................................................................. 28
BAB V PENUTUP .................................................................................................... 30
5.1
Kesimpulan .................................................................................................. 30
DAFTAR PUSTAKA ............................................................................................... 31
iii
BAB I
PENDAHULUAN
1.1
Latar Belakang
Pada era globalisasi, kondisi perekonomian dunia terus berkembang yang
mendorong banyak negara untuk menaruh perhatian terhadap pasar modal. Pasar
modal memiliki peranan penting sebagai tolak ukur untuk mengukur kemajuan
perekonomian sebuah negara. Salah satu kegiatan investasi yang dapat dipilih oleh
para investor adalah berinvestasi di pasar modal. Di Indonesia, investor yang tertarik
dengan pasar modal dapat berinvestasi di Bursa Efek Indonesia (BEI), yaitu bursa hasil
penggabungan Bursa Efek Jakarta (BEJ) dan Bursa Efek Surabaya (BES) yang mulai
beroperasi pada tanggal 1 Desember 2007.
Salah satu pedoman bagi investor untuk berinvestasi di pasar modal adalah
indeks harga saham yang merupakan indikator pergerakan saham. Pada saat ini, BEI
memiliki 40 indeks saham. Salah satu indeks yang sering diperhatikan oleh investor
adalah Indeks Harga Saham Gabungan (IHSG). Melalui IHSG, investor dapat
menganalisis kondisi pasar modal untuk menentukan strategi investasinya. Namun,
pergerakan IHSG dipengaruhi oleh berbagai faktor makroekonomi, seperti inflasi,
nilai tukar, jumlah uang beredar, dan lain-lain.
Tandelilin (2010:342) menyatakan bahwa inflasi adalah kecenderungan
terjadinya peningkatan harga produk-produk yang beredar di masyarakat secara
keseluruhan. Hal tersebut dapat menyebabkan timbulnya anggapan pesimis terhadap
perusahaan yang terkena dampak inflasi sehingga memengaruhi penawaran harga
saham perusahaan tersebut sekaligus pergerakan IHSG di BEI.
Faktor makroekonomi lainnya adalah nilai tukar mata uang atau kurs, yaitu
nilai mata uang suatu negara yang dinyatakan dalam nilai mata uang negara lain. Nilai
tukar rupiah berpengaruh terhadap laba suatu perusahaan karena perusahaan yang
menggunakan bahan produksi dari luar negeri akan mengalami peningkatan nilai
hutang jika nilai rupiah terhadap mata uang asing menurun. Nilai tukar pun
berpengaruh terhadap perusahaan yang ingin berinvestasi. Hal ini disebabkan jika
pasar valuta asing lebih menarik daripada pasar modal, investor dapat beralih ke pasar
1
2
valuta asing. Dalam penelitian ini, nilai tukar yang digunakan adalah nilai tukar rupiah
terhadap dolar Amerika Serikat (USD).
Selain itu, terdapat pula Jumlah Uang Beredar (JUB). Jika JUB makin tinggi di
masyarakat, makin tinggi pula suku bunga deposito yang ditawarkan. Hal ini akan
menyebabkan investor cenderung mendepositokan modalnya daripada menanamkan
modalnya dalam bentuk investasi saham.
Oleh karena itu, berdasarkan uraian di atas, penulis tertarik untuk melakukan
uji asumsi pada model regresi linier berganda menggunakan data time series inflasi,
kurs USD, JUB, dan IHSG di BEI tahun 2014-2018.
1.2
Rumusan Masalah
Penelitian ini akan menerapkan perbaikan pelanggaran asumsi pada model
regresi linier berganda menggunakan data inflasi, kurs USD, dan JUB sebagai variabel
independen, kemudian IHSG di BEI sebagai variabel dependen.
1.3
Tujuan Penelitian
Tujuan penelitian ini adalah menerapkan regresi linier berganda untuk
mengetahui seberapa besar pengaruh inflasi, kurs USD, dan JUB terhadap IHSG di
BEI, memastikan ada tidaknya pelanggaran asumsi, dan melakukan perbaikan
pelanggaran asumsi jika terdapat pelanggaran asumsi.
1.4
Manfaat Penelitian
Adapun manfaat dari penelitian ini adalah sebagai berikut.
1.
Dapat mengetahui seberapa besar pengaruh inflasi, kurs USD, dan JUB
terhadap IHSG di BEI.
2.
Dapat menerapkan regresi linier berganda untuk memecahkan masalah dalam
kehidupan sehari-hari.
3.
Dapat melakukan perbaikan pelanggaran asumsi pada regresi linier berganda.
4.
Dapat dijadikan sebagai sumber referensi dan/atau bahan pembanding untuk
penelitian selanjutnya.
BAB II
TINJAUAN PUSTAKA
2.1
Indeks Harga Saham Gabungan (IHSG)
Menurut Sunariyah (2006:142), IHSG menggambarkan suatu rangkaian
informasi historis mengenai pergerakan harga saham gabungan seluruh saham sampai
dengan tanggal tertentu. Dalam hal ini, IHSG mencerminkan suatu nilai yang
berfungsi sebagai pengukuran kinerja suatu saham gabungan di bursa efek.
2.2
Inflasi
Boediono (200:97) mendefinsikan bahwa inflasi merupakan kecenderungan
dari harga-harga untuk meningkat secara umum dan terus-menerus. Kenaikan dari satu
atau dua barang saja tidak dapat disebut inflasi kecuali kenaikan tersebut meluas
kepada sebagian besar dari harga barang-barang lainnya.
2.3
Nilai Tukar
Menurut Mankiw (2007), nilai tukar mata uang antara dua negara adalah harga
dari mata uang yang digunakan oleh penduduk negara-negara tersebut untung saling
melakukan perdagangan antara satu sama lain. Fabozzi dan Modigliani (1995) juga
mendefinisikan nilai tukar mata uang sebagai jumlah dari mata uang suatu negara yang
dapat ditukarkan per unit mata uang negara lain.
2.4
Jumlah Uang Beredar (JUB)
Menurut Boediono (2005), dalam perekonomian modern, jumlah uang beredar
dikendalikan oleh bank sentral selaku pemegang otorites moneter. Penciptaan uang
beredar tersebut merupakan suatu mekanisme pasar, yaitu suatu proses hasil interaksi
antara permintaan dan penawaran uang, serta bukan sekadar pencetakan uang atau
keputusan pemerintah.
3
4
2.5
Regresi Linier Berganda
Regresi linier berganda adalah analisis regresi yang bertujuan untuk
mengetahui adanya pengaruh signifikan dua atau lebih variabel bebas (𝑋𝑋1 , 𝑋𝑋2 , … , 𝑋𝑋𝑘𝑘 )
terhadap variabel terikat (𝑌𝑌). Model regresi linier berganda untuk populasi dapat
dituliskan sebagai berikut.
𝑌𝑌 = 𝛽𝛽0 + 𝛽𝛽1 𝑋𝑋1 + 𝛽𝛽2 𝑋𝑋2 + ⋯ + 𝛽𝛽𝑛𝑛 𝑋𝑋𝑛𝑛 + 𝜀𝜀
Model regresi linier berganda untuk populasi di atas dapat ditaksir dengan model
regresi linier berganda untuk sampel sebagai berikut.
Keterangan:
𝑌𝑌� = 𝑏𝑏0 + 𝑏𝑏1 𝑋𝑋1 + 𝑏𝑏2 𝑋𝑋2 + ⋯ + 𝑏𝑏𝑘𝑘 𝑋𝑋𝑘𝑘
𝑌𝑌�
: nilai penduga untuk variabel terikat (𝑌𝑌)
: dugaan untuk parameter konstanta
•
𝑏𝑏0
2.6
Asumsi dalam Regresi Linier Berganda
•
•
•
𝑋𝑋
: variabel bebas
𝑏𝑏1 , 𝑏𝑏2 , … , 𝑏𝑏𝑘𝑘
: dugaan untuk parameter konstanta 𝛽𝛽1 , 𝛽𝛽2 , … , 𝛽𝛽𝑘𝑘
Uji asumsi merupakan uji prasyarat yang dilakukan sebelum melakukan
analisis regresi linier dengan pendekatan Ordinary Least Squared (OLS) terhadap data
yang telah dikumpulkan. Pengujian asumsi tersebut bertujuan untuk menghasilkan
model regresi yang memenuhi kriteria Best Linear Unbiased Estimator (BLUE). Jika
suatu model regresi memenuhi kriteria BLUE, model regresi dapat digunakan sebagai
estimator yang terpercaya. Untuk memastikan bahwa model regresi memenuhi kriteria
BLUE, perlu dilakukan serangkaian pengujian, yaitu uji linieritas, normalitas,
heteroskedastisitas, autokorelasi, dan multikolinieritas.
2.6.1
Uji Linieritas
Menurut Sugiyono dan Susanto (2015:323), uji linieritas digunakan untuk
mengetahui hubungan antara variabel bebas dengan variabel terikat bersifat linier atau
tidak. Jika suatu model tidak memenuhi syarat linieritas, model regresi linier tidak
dapat digunakan.
5
2.6.2
Uji Normalitas
Menurut Ghozali (2018:161), uji normalitas bertujuan untuk menguji apakah
korelasi antara kesalahan pengganggu atau residual dalam suatu model regresi
memiliki distribusi yang normal. Sunyoto (2016:92) menjelaskan bahwa uji normalitas
digunakan untuk menguji data variabel bebas (𝑋𝑋) dan data variabel terikat (𝑌𝑌) pada
persamaan regresi yang dihasilkan berdistribusi normal atau tidak. Persamaan regresi
dikatakan baik jika berdistribusi mendekati normal atau normal sama sekali sehingga
layak dilakukan pengujian secara statistik.
2.6.3
Uji Heteroskedastisitas
Sunyoto (2016:90) menjelaskan bahwa dalam persamaan regresi berganda,
perlu diuji sama tidaknya varian residual dari observasi yang satu dengan observasi
yang lain. Jika residualnya mempunyai varian yang sama, terjadi homoskedastisitas.
Sebaliknya, jika variannya tidak sama atau berbeda, terjadi heteroskedastisitas.
Persamaan regresi dikatakan baik jika tidak terjadi heteroskedastisitas.
2.6.4
Uji Autokorelasi
Ghozali (2018:111) menyatakan bahwa uji autokorelasi bertujuan untuk
menguji apakah terdapat korelasi antara kesalahan pengganggu atau residual periode
𝑡𝑡 dan periode 𝑡𝑡 − 1 dalam suatu model regresi. Autokorelasi dapat timbul karena
observasi yang berurutan sepanjang waktu berkaitan satu sama lain. Permasalahan ini
timbul karena residual tidak bebas pada satu observasi ke observasi lainnya.
2.6.5
Uji Multikolinieritas
Menurut Sunyoto (2016:87), uji moltikolinieritas diterapkan untuk analisis
regresi linier berganda yang terdiri atas dua atau lebih variabel bebas atau independen
dan akan diukur keeratan hubungan antarvariabel bebas tersebut melalui besaran
koefisien korelasi (𝑅𝑅). Efek dari multikolinieritas menyebabkan tingginya variabel
pada sampel yang berarti standar error besar. Akibatnya, ketika koefisien diuji, 𝑡𝑡ℎ𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖
6
akan bernilai lebih kecil dari 𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡 . Hal tersebut menunjukkan tidak adanya hubungan
linier antara variabel independen yang dipengaruhi dengan variabel dependen.
2.7
Pendeteksian Asumsi dalam Regresi Linier Berganda
2.7.1
Pendeteksian Normalitas
Uji normalitas dapat dilakukan baik secara visual maupun formal. Secara
visual, dapat dilihat dari histogram dan grafik Q-Q Plot, sedangkan secara formal,
dapat dihitung dengan uji Chi-Square, uji Kolmogorov-Smirnov, dan uji Jarque-Bera.
Meskipun tidak terdapat uji yang lebih baik dari uji lainnya, uji yang paling sering
digunakan oleh para peneliti adalah uji Jarque-Bera. Residual data dikatakan
berdistribusi normal jika probabilitas Jarque-Bera lebih besar dari taraf signifikansi.
Rumus Jarque-Bera dapat dituliskan sebagai berikut.
𝐽𝐽𝐽𝐽 = 𝑛𝑛 �
Keterangan:
𝑆𝑆 2 (𝐾𝐾 − 3)2
+
�
6
24
𝐽𝐽𝐽𝐽
: statistik Jarque-Bera
: koefisien skewness
•
𝑆𝑆
2.7.2
Pendeteksian Heteroskedastisitas
•
•
•
𝑛𝑛
𝐾𝐾
: jumlah sampel
: koefisien kurtosis
Uji heteroskedastisitas dapat dilakukan dengan metode grafik atau uji statistik,
seperti uji Park, uji Glejcr, uji White, dan uji Breusch-Pagan-Godfre. Metode grafik
merupakan metode yang paling sederhana, yaitu dilakukan dengan cara menggambar
tebaran error yang diperoleh dari model regresi berdasarkan urutan waktu atau
pengamatan. Cara alternatif lain adalah menggambar error (𝜀𝜀𝑖𝑖 ) atau harga mutlaknya
(|𝜀𝜀𝑖𝑖 |) secara langsung terhadap 𝑋𝑋𝑖𝑖 . Jika terdapat pola pada grafik, dapat dikatakan
terjadi heteroskedastisitas.
Selain metode grafik, salah satu uji statistik yang terkenal adalah uji White
yang merupakan pendekatan lebih formal untuk mencari pola error-nya. Uji tersebut
7
bekerja dengan cara meregresikan 𝜀𝜀𝑖𝑖 terhadap semua peubah bebas yang ada. Uji
White mengasumsikan bahwa varian error merupakan fungsi yang mempunyai
hubungan dengan peubah bebas, kuadrat setiap peubah bebas, dan interaksi
antarpeubah bebas.
2.7.3
Pendeteksian Autokorelasi
Langkah awal untuk mendeteksi autokorelasi dapat dilakukan melalui metode
grafik. Metode ini membandingkan residual dengan variabel 𝑋𝑋 atau residual ke-𝑡𝑡
dengan residual ke-(𝑡𝑡 − 1). Jika terdapat pola pada grafik, dapat dikatakan terjadi
autokorelasi.
Selain metode grafik, terdapat pengujian formal yang dapat dipercaya secara
ilmiah. Salah satunya adalah uji Durbin-Watson dengan cara membandingkan nilai
statistik uji Durbin-Watson dengan tabel Durbin-Watson. Keputusan pada uji DurbinWatson adalah sebagai berikut.
•
•
•
•
•
0
<
𝑑𝑑
<
𝑑𝑑𝑑𝑑
(autokorelasi positif)
𝑑𝑑𝑑𝑑
<
𝑑𝑑
<
4 − 𝑑𝑑𝑑𝑑
(tidak ada autokorelasi)
4
(autokorelasi negatif)
𝑑𝑑𝑑𝑑
4 − 𝑑𝑑𝑑𝑑
4 − 𝑑𝑑𝑑𝑑
<
<
<
𝑑𝑑
𝑑𝑑
𝑑𝑑
<
<
<
𝑑𝑑𝑑𝑑
(ragu-ragu)
4 − 𝑑𝑑𝑑𝑑
(ragu-ragu)
Ada pula uji formal lainnya yang bernama uji Breusch-Godfrey (BG) atau
sering disebut uji Lagrange Multiplier (LM). Pada uji ini, dikatakan terdapat
autokorelasi jika nilai probabilitas lebih kecil dari taraf signifikansi.
2.7.4
Pendeteksian Multikolinieritas
Untuk mendeteksi ada tidaknya multikolinieritas pada model regresi, dapat
dilihat dari nilai toleransi dan variance inflation factor (VIF). Nilai toleransi mengukur
variabilitas dari variabel bebas terpilih yang tidak dapat dijelaskan oleh variabel bebas
lainnya. Nilai toleransi yang rendah dapat dikatakan sama dengan nilai VIF yang tinggi
karena VIF merupakan 1/toleransi sehingga menunjukkan terdapat kolinieritas yang
tinggi. Kriteria pengambilan keputusan yang digunakan adalah sebagai berikut.
•
Jika nilai VIF < 10 atau nilai toleransi > 0,01, tidak terjadi multikolinieritas.
8
•
•
Jika nilai VIF > 10 atau nilai toleransi < 0,01, terjadi multikolinieritas.
Jika koefisien korelasi setiap variabel bebas > 0,8, terjadi multikolinieritas.
Sebaliknya, jika koefisien korelasi setiap variabel bebas < 0,8, tidak terjadi
multikolinieritas.
Selain itu, terdapat beberapa cara lainnya untuk mendeteksi multikolinieritas,
seperti melihat apakah nilai 𝑅𝑅2 yang dihasilkan dari hasil estimasi model sangat tinggi,
menggunakan korelasi parsial (examination of partial correlations), atau
menggunakan regresi bantuan (subsidiary of auxiliary regression).
2.8
Perbaikan Pelanggaran Asumsi dalam Regresi Linier Berganda
2.8.1
Perbaikan Normalitas
Jika asumsi normalitas tidak terpenuhi, dapat dilakukan perbaikan sebagai
berikut.
•
Menghapus data pengamatan yang memiliki nilai pencilan (outliers), yaitu data
yang menyimpang terlalu jauh dari data lainnya dalam suatu rangkaian data.
•
Melakukan transformasi data, yaitu upaya yang bertujuan untuk mengubah
skala pengukuran data asli menjadi bentuk yang lain, seperti logaritma akar,
akar kuadrat, invers, atau bentuk lainnya yang disesuaikan dengan kurva
normalnya.
•
Menambah data observasi.
•
Menggunakan metode estimasi yang lebih advance, seperti regresi dengan
pendekatan Bootstrapping, regresi nonparametrik, dan regresi dengan
pendekatan Bayessian.
2.8.2
Perbaikan Heteroskedastisitas
Jika asumsi heteroskedastisitas tidak terpenuhi, dapat dilakukan perbaikan
sebagai berikut.
•
Menambahkan atau menggantikan data sampel baru karena biasanya sampel
lain tidak memiliki kasus heteroskedastisitas yang tinggi.
•
Melakukan transformasi variabel terhadap variabel respon (𝑌𝑌) dan variabel
prediktor (𝑋𝑋), seperti transformasi ln, akar kuadrat, dan box-cox.
9
•
Menggunakan metode estimasi yang lebih advance, seperti generalized least
square (GLS) dan weight least square (WLS).
•
Menggunakan model regresi linier berganda dengan residualnya mengikuti
Autoregressive Conditionally Heteroscedastic orde 1 / ARCH (1) atau
Generalized ARCH (1) / GARCH (1,1) yang diestimasi secara simultan.
2.8.3
Perbaikan Autokorelasi
Jika asumsi autokorelasi tidak terpenuhi, dapat dilakukan perbaikan sebagai
berikut.
•
Transformasi data.
•
Mengubah model regresi ke dalam bentuk persamaan beda umum (generalized
difference equation).
•
Memasukkan variabel lag dari variabel terikatnya menjadi salah satu variabel
bebas sehingga data observasi berkurang.
•
Menambah variabel pengganggu pada fungsi regresi yang menjelaskan asosiasi
pada respon dari periode 1 ke periode selanjutnya.
•
Melalui difference data sehingga model regresi akan mengalami perubahan
jumlah suku.
2.8.4
Perbaikan Multikolinieritas
Jika asumsi multikolinieritas tidak terpenuhi, dapat dilakukan perbaikan
sebagai berikut.
•
Menghilangkan salah satu variabel independen yang mempunyai hubungan
linier kuat. Namun, menghilangkan variabel independen dalam suatu model
dapat menimbulkan bias spesifikasi model regresi.
•
Menggunakan data panel atau pooled data, yaitu gabungan dari data time series
(antarwaktu) dan data cross-section (antarindividu).
•
Transformasi data.
•
Menambah data observasi.
BAB III
METODOLOGI PENELITIAN
3.1
Metode Penelitian
Metode yang digunakan dalam penelitian ini adalah regresi linier berganda
yang bertujuan untuk menganalisis pengaruh dua atau lebih variabel independen
terhadap variabel dependen dan perbaikan pelanggaran asumsi pada regresi linier
berganda menggunakan bantuan software EViews 10. Sebelum dilakukan analisis
data, terdapat uji signifikansi dan uji asumsi yang harus dipenuhi terlebih dahulu.
3.2
Jenis dan Sumber Data
Penelitian ini merupakan penelitian kuantitatif menggunakan data sekunder
yang diambil secara langsung dari situs Badan Pusat Statistik, SatuData, dan Investing.
Data yang diambil merupakan data time series dari tahun 2014 hingga 2018 dan
berbentuk nominal.
3.3
Teknik Analisis Penelitian
Sebelum melakukan analisis regresi linier berganda, data yang diperoleh
dilakukan pengujian asumsi yang terdiri uji linieritas, normalitas, heteroskedastisitas,
autokorelasi, dan multikolinieritas. Jika terdapat salah satu asumsi atau lebih yang
tidak terpenuhi, akan dilakukan perbaikan pelanggaran asumsi dan pengujian asumsi
kembali. Setelah itu, dilanjutkan dengan uji signifikansi parameter, kecocokan model,
koefisien determinasi, dan menentukan model akhir.
10
BAB IV
ANALISIS DAN PEMBAHASAN
4.1
Data Penelitian
Berikut ini merupakan data inflasi, kurs USD, JUB, dan IHSG di BEI tahun
2014-2018 yang diambil dari situs Badan Pusat Statistik, SatuData, dan Investing.
Tahun
2014
2014
2014
2014
2014
2014
2014
2014
2014
2014
2014
2014
2015
2015
2015
2015
2015
2015
2015
2015
2015
2015
2015
2015
2016
2016
2016
2016
2016
2016
2016
2016
2016
2016
Inflasi
8,22
7,75
7,32
7,25
7,32
6,70
4,53
3,99
4,53
4,83
6,23
8,36
6,96
6,29
6,38
6,79
7,15
7,26
7,26
7,18
6,83
6,25
4,89
3,35
4,14
4,42
4,45
3,60
3,33
3,45
3,21
2,79
3,07
3,31
Kurs USD
12226,00
11634,00
11404,00
11532,00
11611,00
11969,00
11591,00
11717,00
12212,00
12082,00
12196,00
12440,00
12625,00
12863,00
13084,00
12937,00
13211,00
13332,00
13481,00
14027,00
14657,00
13639,00
13840,00
13795,00
13846,00
13395,00
13276,00
13204,00
13615,00
13180,00
13094,00
13300,00
12998,00
13051,00
11
JUB
3652349,28
3643059,46
3660605,98
3730376,45
3789278,64
3865890,61
3895981,20
3895374,36
4010146,66
4024488,87
4076669,88
4173326,50
4174825,91
4218122,76
4246361,19
4275711,11
4288369,26
4358801,51
4373208,10
4404085,03
4508603,17
4443078,08
4452324,65
4548800,27
4498361,28
4521951,20
4561872,52
4581877,87
4614061,82
4737451,23
4730379,68
4746026,68
4737630,76
4778478,89
IHSG
4418,76
4620,22
4768,28
4840,15
4893,91
4878,58
5088,80
5136,86
5137,58
5089,55
5149,89
5226,95
5289,40
5450,29
5518,67
5086,42
5216,38
4910,66
4802,53
4509,61
4223,91
4455,18
4446,46
4593,01
4615,16
4770,96
4845,37
4838,58
4796,87
5016,65
5215,99
5386,08
5364,80
5422,54
12
2016
2016
2017
2017
2017
2017
2017
2017
2017
2017
2017
2017
2017
2017
2018
2018
2018
2018
2018
2018
2018
2018
2018
2018
2018
2018
4.2
3,58
3,02
3,49
3,83
3,61
4,17
4,33
4,37
3,88
3,82
3,72
3,58
3,30
3,61
3,25
3,18
3,40
3,41
3,23
3,12
3,18
3,20
2,88
3,16
3,23
3,13
13563,00
13436,00
13343,00
13347,00
13321,00
13327,00
13321,00
13319,00
13323,00
13351,00
13492,00
13572,00
13514,00
13548,00
13413,00
13707,00
13756,00
13877,00
13951,00
14404,00
14413,00
14711,00
14929,00
15227,00
14339,00
14481,00
4868651,16
5004976,79
4936881,99
4942919,76
5017643,55
5033780,29
5125383,79
5225165,76
5178078,75
5219647,63
5254138,51
5284320,16
5321431,77
5419165,05
5351684,67
5351650,33
5395826,04
5409088,81
5435082,93
5534149,83
5507791,75
5529451,81
5606779,89
5667512,10
5670975,24
5760046,20
Model Awal
Dependent Variable: Y
Method: Least Squares
Date: 04/01/22 Time: 21:37
Sample: 2014M01 2018M12
Included observations: 60
Variable
Coefficient
Std. Error
t-Statistic
Prob.
C
X1
X2
X3
4907.905
83.42887
-0.570630
0.001615
612.7722
29.47341
0.063625
0.000122
8.009346
2.830649
-8.968640
13.27661
0.0000
0.0064
0.0000
0.0000
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
F-statistic
0.845928
0.837674
234.6534
3083484.
-410.5531
102.4884
Mean dependent var
S.D. dependent var
Akaike info criterion
Schwarz criterion
Hannan-Quinn criter.
Durbin-Watson stat
5351.252
582.4147
13.81844
13.95806
13.87305
0.628645
5148,91
5296,71
5294,10
5386,69
5568,11
5685,30
5738,15
5829,71
5840,94
5864,06
5900,85
6005,78
5952,14
6355,65
6605,63
6597,22
6188,99
5994,60
5983,59
5799,24
5936,44
6018,46
5976,55
5831,65
6056,12
6194,50
13
Prob(F-statistic)
0.000000
Berdasarkan output di atas, diperoleh model awal regresi linier berganda
sebagai berikut.
𝑌𝑌� = 4907,905 + 83,42887𝑋𝑋1 − 0,570630𝑋𝑋2 + 0,001615𝑋𝑋3
Keterangan:
•
•
•
𝑌𝑌�
: Indeks Harga Saham Gabungan (IHSG)
𝑋𝑋1
: Inflasi
𝑋𝑋1
: Jumlah Uang Beredar (JUB)
: Kurs USD
•
𝑋𝑋1
4.3
Uji Asumsi Klasik
4.3.1
Uji Linieritas
Ramsey RESET Test
Equation: UNTITLED
Specification: Y C X1 X2 X3
Omitted Variables: Squares of fitted values
t-statistic
F-statistic
Likelihood ratio
•
Value
0.190992
0.036478
0.039781
df
55
(1, 55)
1
Probability
0.8492
0.8492
0.8419
Hipotesis
𝐻𝐻0 : Terdapat hubungan linier antara variabel independen dan variabel
dependen
𝐻𝐻1 : Tidak terdapat hubungan linier antara variabel independen dan variabel
dependen
•
Taraf Signifikansi
•
𝛼𝛼 = 5%
Statistik Uji
Berdasarkan output dari EViews, diperoleh nilai probability (F-statistic)
•
sebesar 0,8492
•
𝐻𝐻0 ditolak jika nilai probability F-statistic < 𝛼𝛼
Daerah Kritis
Keputusan
14
𝐻𝐻0 diterima karena nilai probability F-statistic (0,8492) > 𝛼𝛼 (0,05)
Kesimpulan
•
Pada taraf signifikansi 𝛼𝛼 = 5%, 𝐻𝐻0 diterima karena nilai probability F-statistic
(0,8492) > 𝛼𝛼 (0,05) sehingga dapat disimpulkan bahwa terdapat hubungan
linier antara variabel independen dan variabel
4.3.2
Uji Normalitas
10
Series: Residuals
Sample 2014M01 2018M12
Observations 60
8
2
Mean
Median
Maximum
Minimum
Std. Dev.
Skewness
Kurtosis
-1.36e-12
-70.19382
686.6926
-366.9519
228.6098
1.070636
3.780115
0
Jarque-Bera
Probability
12.98406
0.001515
6
4
-400
•
-300
-200
-100
0
100
200
300
400
500
600
700
Hipotesis
𝐻𝐻0 : Residual berdistribusi normal
•
𝐻𝐻1 : Residual tidak berdistribusi normal
•
𝛼𝛼 = 5%
Taraf Signifikansi
Statistik Uji
Berdasarkan output dari EViews, diperoleh nilai probability Jarque-Bera
•
sebesar 0,001515
•
𝐻𝐻0 ditolak jika nilai probability Jarque-Bera < 𝛼𝛼
Keputusan
•
𝐻𝐻0 ditolak karena nilai probability Jarque-Bera (0,001515) < 𝛼𝛼 (0,05)
Daerah Kritis
Kesimpulan
15
Pada taraf signifikansi 𝛼𝛼 = 5%, 𝐻𝐻0 ditolak karena nilai probability JarqueBera (0,001515) < 𝛼𝛼 (0,05) sehingga dapat disimpulkan bahwa residual
tidak berdistribusi normal
4.3.3
Uji Heteroskedastisitas
Heteroskedasticity Test: White
F-statistic
Obs*R-squared
Scaled explained SS
0.673415
6.486607
7.854596
Prob. F(9,50)
Prob. Chi-Square(9)
Prob. Chi-Square(9)
0.7288
0.6904
0.5489
Test Equation:
Dependent Variable: RESID^2
Method: Least Squares
Date: 04/01/22 Time: 21:44
Sample: 2014M01 2018M12
Included observations: 60
Variable
Coefficient
Std. Error
t-Statistic
Prob.
C
X1^2
X1*X2
X1*X3
X1
X2^2
X2*X3
X2
X3^2
X3
-4563048.
-18370.57
33.70578
-0.093988
173244.6
-0.067934
0.000188
789.8337
-1.76E-07
-0.451208
3472318.
10383.81
26.11148
0.071715
295189.5
0.043628
0.000146
717.2187
1.81E-07
1.358010
-1.314122
-1.769154
1.290841
-1.310590
0.586893
-1.557115
1.288231
1.101245
-0.972605
-0.332257
0.1948
0.0830
0.2027
0.1960
0.5599
0.1258
0.2036
0.2761
0.3354
0.7411
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
F-statistic
Prob(F-statistic)
•
0.108110
-0.052430
88647.83
3.93E+11
-763.2123
0.673415
0.728821
Mean dependent var
S.D. dependent var
Akaike info criterion
Schwarz criterion
Hannan-Quinn criter.
Durbin-Watson stat
Hipotesis
𝐻𝐻0 : Varian residual homogen
•
𝐻𝐻1 : Varian residual tidak homogen
•
𝛼𝛼 = 5%
Taraf Signifikansi
Statistik Uji
51391.41
86411.49
25.77374
26.12280
25.91028
1.456229
16
Berdasarkan output dari EViews, diperoleh nilai probability Chi-Square
•
sebesar 0,6904
•
𝐻𝐻0 ditolak jika nilai probability Chi-Square < 𝛼𝛼
•
𝐻𝐻0 diterima karena nilai probability Chi-Square (0,6904) > 𝛼𝛼 (0,05)
Daerah Kritis
Keputusan
Kesimpulan
Pada taraf signifikansi 𝛼𝛼 = 5%, 𝐻𝐻0 diterima karena nilai probability Chi-
Square (0,6904) > 𝛼𝛼 (0,05) sehingga dapat disimpulkan bahwa varian
residual homogen (tidak terjadi heteroskedastisitas)
4.3.4
Uji Autokorelasi
Breusch-Godfrey Serial Correlation LM Test:
F-statistic
Obs*R-squared
25.32027
29.03686
Prob. F(2,54)
Prob. Chi-Square(2)
0.0000
0.0000
Test Equation:
Dependent Variable: RESID
Method: Least Squares
Date: 04/01/22 Time: 21:40
Sample: 2014M01 2018M12
Included observations: 60
Presample missing value lagged residuals set to zero.
Variable
Coefficient
Std. Error
t-Statistic
Prob.
C
X1
X2
X3
RESID(-1)
RESID(-2)
333.1372
-21.19424
-0.001577
-4.52E-05
0.747675
-0.067972
468.9243
23.37300
0.046546
9.13E-05
0.135375
0.144392
0.710428
-0.906783
-0.033876
-0.494800
5.522988
-0.470746
0.4805
0.3686
0.9731
0.6227
0.0000
0.6397
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
F-statistic
Prob(F-statistic)
•
0.483948
0.436165
171.6607
1591240.
-390.7067
10.12811
0.000001
Mean dependent var
S.D. dependent var
Akaike info criterion
Schwarz criterion
Hannan-Quinn criter.
Durbin-Watson stat
Hipotesis
𝐻𝐻0 : 𝜌𝜌 = 0 (tidak terjadi autokorelasi)
-1.36E-12
228.6098
13.22356
13.43299
13.30548
1.955018
17
•
𝐻𝐻1 : 𝜌𝜌 ≠ 0 (terjadi autokorelasi)
•
𝛼𝛼 = 5%
Taraf Signifikansi
Statistik Uji
Berdasarkan output dari EViews, diperoleh nilai probability Chi-Square
•
sebesar 0,0000
•
𝐻𝐻0 ditolak jika nilai probability Chi-Square < 𝛼𝛼
Keputusan
•
𝐻𝐻0 ditolak karena nilai probability Chi-Square (0,0000) < 𝛼𝛼 (0,05)
Daerah Kritis
Kesimpulan
Pada taraf signifikansi 𝛼𝛼 = 5%, 𝐻𝐻0 ditolak karena nilai probability Chi-Square
4.3.5
(0,0000) < 𝛼𝛼 (0,05) sehingga dapat disimpulkan bahwa terjadi autokorelasi
Uji Multikolinieritas
Variance Inflation Factors
Date: 04/01/22 Time: 21:40
Sample: 2014M01 2018M12
Included observations: 60
•
Variable
Coefficient
Variance
Uncentered
VIF
Centered
VIF
C
X1
X2
X3
375489.8
868.6819
0.004048
1.48E-08
409.1623
23.28686
779.7543
365.1749
NA
2.662099
3.273457
5.779142
Hipotesis
𝐻𝐻0 : Variabel tidak signifikan (tidak terjadi multikolinieritas)
•
𝐻𝐻1 : Variabel signifikan (terjadi multikolinieritas)
•
𝛼𝛼 = 5%
Taraf Signifikansi
Statistik Uji
Berdasarkan output dari EViews, diperoleh nilai:
-
VIF 𝑋𝑋1 (Inflasi)
= 2,662099
18
-
VIF 𝑋𝑋2 (Kurs USD)
VIF 𝑋𝑋3 (JUB)
= 3,273457
= 5,779142
•
Daerah Kritis
•
𝐻𝐻0 ditolak jika nilai VIF > 10
Keputusan
𝐻𝐻0 diterima karena nilai:
•
VIF 𝑋𝑋1 (Inflasi)
(2,662099) < 10
VIF 𝑋𝑋3 (JUB)
(5,779142) < 10
VIF 𝑋𝑋2 (Kurs USD)
Kesimpulan
(3,273457) < 10
Pada taraf signifikansi 𝛼𝛼 = 5%, 𝐻𝐻0 diterima karena nilai VIF 𝑋𝑋1 , 𝑋𝑋2 , dan 𝑋𝑋3 <
4.4
10 sehingga dapat disimpulkan bahwa tidak terjadi multikolinieritas
Transformasi Data
Berdasarkan uji asumsi, terdapat dua pelanggaran asumsi pada uji normalitas
dan autokorelasi sehingga perlu dilakukan perbaikan pada pelanggaran asumsi
tersebut. Dalam penelitian ini, metode yang digunakan untuk memperbaiki masalah
autokorelasi adalah metode generalized difference equation untuk mengestimasi nilai
𝜌𝜌 menggunakan statistik 𝑑𝑑 dari Durbin-Watson. Nilai 𝜌𝜌 dapat diestimasi dengan cara
sebagai berikut.
𝜌𝜌�
≈1−
≈1−
𝑑𝑑
2
0,628645
dengan nilai 𝑑𝑑 = 0,628645 berdasarkan output EViews
2
≈ 0,6856775
Setelah diperoleh nilai 𝜌𝜌�, persamaan model regresi dapat ditulis kembali sebagai
berikut.
𝑌𝑌𝑡𝑡 − 𝜌𝜌�𝑌𝑌𝑡𝑡−1
𝑌𝑌 ∗
Dengan:
= 𝛽𝛽0 (1 − 𝜌𝜌�) + 𝛽𝛽1 �𝑋𝑋1 𝑡𝑡 − 𝜌𝜌�𝑋𝑋1 𝑡𝑡−1 � + 𝛽𝛽2 �𝑋𝑋2 𝑡𝑡 − 𝜌𝜌�𝑋𝑋2 𝑡𝑡−1 � +
= 𝛽𝛽3 �𝑋𝑋3 𝑡𝑡 − 𝜌𝜌�𝑋𝑋3 𝑡𝑡−1 � + 𝑒𝑒𝑡𝑡 − 𝜌𝜌�𝑒𝑒𝑡𝑡−1
= 𝛽𝛽0 ∗ + 𝛽𝛽1 ∗ 𝑋𝑋1 𝑡𝑡 ∗ + 𝛽𝛽2 ∗ 𝑋𝑋2 𝑡𝑡 ∗ + 𝛽𝛽3 ∗ 𝑋𝑋3 𝑡𝑡 ∗ + 𝑒𝑒𝑡𝑡 ∗
19
𝑌𝑌 ∗
= 𝑌𝑌𝑡𝑡 − 0,6856775𝑌𝑌𝑡𝑡−1
𝑋𝑋2 𝑡𝑡 ∗
= 𝑋𝑋2 𝑡𝑡 − 0,6856775𝑋𝑋2 𝑡𝑡−1
𝑋𝑋1 𝑡𝑡 ∗
𝑋𝑋3 𝑡𝑡 ∗
= 𝑋𝑋1 𝑡𝑡 − 0,6856775𝑋𝑋1 𝑡𝑡−1
= 𝑋𝑋3 𝑡𝑡 − 0,6856775𝑋𝑋3 𝑡𝑡−1
Berikut ini merupakan data inflasi, kurs USD, JUB, dan IHSG di BEI tahun 2014-2018
setelah dilakukan transformasi.
Tahun
2014
2014
2014
2014
2014
2014
2014
2014
2014
2014
2014
2014
2015
2015
2015
2015
2015
2015
2015
2015
2015
2015
2015
2015
2016
2016
2016
2016
2016
2016
2016
2016
2016
2016
Inflasi*
2,11
2,01
2,23
2,35
1,68
-0,06
0,88
1,79
1,72
2,92
4,09
1,23
1,52
2,07
2,42
2,49
2,36
2,28
2,20
1,91
1,57
0,60
0,00
1,84
1,58
1,42
0,55
0,86
1,17
0,84
0,59
1,16
1,20
Kurs USD*
3250,91
3426,83
3712,53
3703,77
4007,60
3384,13
3769,31
4177,92
3708,51
3911,64
4077,48
4095,17
4206,32
4264,13
3965,60
4340,39
4273,51
4339,55
4783,38
5039,00
3589,02
4488,04
4305,22
4387,08
3901,11
4091,35
4100,95
4561,31
3844,50
4056,77
4321,74
3878,49
4138,56
JUB*
1138725,74
1162642,08
1220381,29
1231443,44
1267667,51
1245226,99
1223987,71
1339176,11
1274821,53
1317168,41
1378045,69
1313269,83
1355538,57
1354089,32
1364076,79
1356610,36
1418363,20
1384475,98
1405474,63
1488821,16
1351630,33
1405805,98
1495941,43
1379351,28
1437526,08
1461272,33
1453904,53
1472371,26
1573692,86
1482015,96
1502511,77
1483387,05
1529992,07
IHSG*
1590,38
1600,30
1570,65
1575,13
1522,94
1743,67
1647,58
1615,35
1566,83
1660,10
1695,79
1705,40
1823,47
1781,53
1302,39
1728,74
1333,91
1435,40
1216,62
1131,77
1558,94
1391,64
1544,17
1465,84
1606,45
1574,03
1516,22
1479,16
1727,54
1776,19
1809,59
1671,69
1744,02
20
2016
2016
2017
2017
2017
2017
2017
2017
2017
2017
2017
2017
2017
2017
2018
2018
2018
2018
2018
2018
2018
2018
2018
2018
2018
2018
4.5
1,31
0,57
1,42
1,44
0,98
1,69
1,47
1,40
0,88
1,16
1,10
1,03
0,85
1,35
0,77
0,95
1,22
1,08
0,89
0,91
1,04
1,02
0,69
1,19
1,06
0,92
4614,22
4136,16
4130,24
4198,01
4169,26
4193,09
4182,98
4185,09
4190,46
4215,72
4337,52
4320,84
4207,98
4281,75
4123,44
4510,01
4357,42
4444,82
4435,85
4838,11
4536,50
4828,33
4842,00
4990,52
3898,19
4649,07
1592155,70
1666652,23
1505082,02
1557810,86
1628394,69
1593295,00
1673833,91
1710805,42
1595300,15
1669155,54
1675143,57
1681675,60
1698092,33
1770379,02
1635885,13
1682120,56
1726319,82
1709292,30
1726192,44
1807435,75
1713149,73
1752882,93
1815359,20
1823069,28
1784889,71
1871586,07
Model setelah Transformasi
Dependent Variable: NY
Method: Least Squares
Date: 04/01/22 Time: 21:42
Sample (adjusted): 2014M02 2018M12
Included observations: 59 after adjustments
Variable
Coefficient
Std. Error
t-Statistic
Prob.
C
NX1
NX2
NX3
1500.881
-5.851503
-0.360016
0.001141
250.4538
32.52288
0.071534
0.000156
5.992645
-0.179920
-5.032801
7.298525
0.0000
0.8579
0.0000
0.0000
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
F-statistic
Prob(F-statistic)
0.557522
0.533387
153.6693
1298783.
-378.6997
23.09998
0.000000
Mean dependent var
S.D. dependent var
Akaike info criterion
Schwarz criterion
Hannan-Quinn criter.
Durbin-Watson stat
1707.624
224.9616
12.97287
13.11372
13.02785
1.508796
1430,80
1766,22
1662,27
1756,64
1874,58
1867,37
1839,87
1895,19
1843,64
1859,06
1880,00
1959,70
1834,11
2274,40
2247,70
2067,89
1665,42
1750,95
1873,23
1696,43
1960,03
1947,98
1849,83
1733,66
2057,49
2041,95
21
Berdasarkan output di atas, diperoleh model awal regresi linier berganda
sebagai berikut.
𝑌𝑌 ∗ = 1500,881 − 5,851503𝑋𝑋1 𝑡𝑡 ∗ − 0,360016𝑋𝑋2 𝑡𝑡 ∗ + 0,001141𝑋𝑋3 𝑡𝑡 ∗
Keterangan:
•
•
•
𝑌𝑌 ∗
: Indeks Harga Saham Gabungan (IHSG)
𝑋𝑋2 𝑡𝑡 ∗
: Kurs USD
𝑋𝑋1 𝑡𝑡 ∗
: Inflasi
•
𝑋𝑋3 𝑡𝑡 ∗
4.6
Uji Asumsi Klasik setelah Transformasi
4.6.1
Uji Linieritas
: Jumlah Uang Beredar (JUB)
Ramsey RESET Test
Equation: UNTITLED
Specification: NY C NX1 NX2 NX3
Omitted Variables: Squares of fitted values
t-statistic
F-statistic
Likelihood ratio
•
Value
0.200892
0.040358
0.044078
df
54
(1, 54)
1
Probability
0.8415
0.8415
0.8337
Hipotesis
𝐻𝐻0 : Terdapat hubungan linier antara variabel independen dan variabel
dependen
𝐻𝐻1 : Tidak terdapat hubungan linier antara variabel independen dan variabel
dependen
•
Taraf Signifikansi
•
𝛼𝛼 = 5%
Statistik Uji
Berdasarkan output dari EViews, diperoleh nilai probability (F-statistic)
•
sebesar 0,8415
•
𝐻𝐻0 ditolak jika nilai probability F-statistic < 𝛼𝛼
Daerah Kritis
Keputusan
𝐻𝐻0 diterima karena nilai probability F-statistic (0,8415) > 𝛼𝛼 (0,05)
22
•
Kesimpulan
Pada taraf signifikansi 𝛼𝛼 = 5%, 𝐻𝐻0 diterima karena nilai probability F-statistic
(0,8415) > 𝛼𝛼 (0,05) sehingga dapat disimpulkan bahwa terdapat hubungan
linier antara variabel independen dan variabel
4.6.2
Uji Normalitas
12
Series: Residuals
Sample 2014M02 2018M12
Observations 59
10
8
6
4
2
Mean
Median
Maximum
Minimum
Std. Dev.
Skewness
Kurtosis
-4.65e-14
-5.596702
369.3028
-313.0998
149.6423
0.405939
2.868881
Jarque-Bera
Probability
1.662665
0.435469
0
-300
•
-200
-100
0
100
200
300
400
Hipotesis
𝐻𝐻0 : Residual berdistribusi normal
•
𝐻𝐻1 : Residual tidak berdistribusi normal
•
𝛼𝛼 = 5%
Taraf Signifikansi
Statistik Uji
Berdasarkan output dari EViews, diperoleh nilai probability Jarque-Bera
•
sebesar 0,435469
•
𝐻𝐻0 ditolak jika nilai probability Jarque-Bera < 𝛼𝛼
Keputusan
•
𝐻𝐻0 diterima karena nilai probability Jarque-Bera (0,435469) > 𝛼𝛼 (0,05)
Daerah Kritis
Kesimpulan
23
Pada taraf signifikansi 𝛼𝛼 = 5%, 𝐻𝐻0 diterima karena nilai probability JarqueBera (0,435469) > 𝛼𝛼 (0,05) sehingga dapat disimpulkan bahwa residual
berdistribusi normal
4.6.3
Uji Heteroskedastisitas
Heteroskedasticity Test: White
F-statistic
Obs*R-squared
Scaled explained SS
0.571994
5.609242
4.554883
Prob. F(9,49)
Prob. Chi-Square(9)
Prob. Chi-Square(9)
0.8133
0.7783
0.8713
Test Equation:
Dependent Variable: RESID^2
Method: Least Squares
Date: 04/01/22 Time: 21:44
Sample: 2014M02 2018M12
Included observations: 59
Variable
Coefficient
Std. Error
t-Statistic
Prob.
C
NX1^2
NX1*NX2
NX1*NX3
NX1
NX2^2
NX2*NX3
NX2
NX3^2
NX3
-368457.4
-3607.931
29.28594
-0.056508
-23368.83
-0.010122
-3.33E-06
60.92472
-8.68E-08
0.346775
417106.5
4880.764
30.96187
0.089698
92917.32
0.038486
0.000137
237.8165
2.46E-07
0.605500
-0.883365
-0.739214
0.945871
-0.629978
-0.251501
-0.263016
-0.024320
0.256184
-0.352194
0.572708
0.3814
0.4633
0.3489
0.5316
0.8025
0.7936
0.9807
0.7989
0.7262
0.5695
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
F-statistic
Prob(F-statistic)
•
0.095072
-0.071139
31413.08
4.84E+10
-689.1825
0.571994
0.813295
Mean dependent var
S.D. dependent var
Akaike info criterion
Schwarz criterion
Hannan-Quinn criter.
Durbin-Watson stat
22013.27
30352.01
23.70110
24.05323
23.83856
0.808725
Hipotesis
𝐻𝐻0 : Varian residual homogen
•
𝐻𝐻1 : Varian residual tidak homogen
•
𝛼𝛼 = 5%
Taraf Signifikansi
Statistik Uji
Berdasarkan output dari EViews, diperoleh nilai probability Chi-Square
sebesar 0,7783
24
•
Daerah Kritis
•
𝐻𝐻0 ditolak jika nilai probability Chi-Square < 𝛼𝛼
•
𝐻𝐻0 diterima karena nilai probability Chi-Square (0,7783) > 𝛼𝛼 (0,05)
Keputusan
Kesimpulan
Pada taraf signifikansi 𝛼𝛼 = 5%, 𝐻𝐻0 diterima karena nilai probability Chi-
Square (0,7783) > 𝛼𝛼 (0,05) sehingga dapat disimpulkan bahwa varian
residual homogen (tidak terjadi heteroskedastisitas)
4.6.4
Uji Autokorelasi
Breusch-Godfrey Serial Correlation LM Test:
F-statistic
Obs*R-squared
2.639478
5.344269
Prob. F(2,53)
Prob. Chi-Square(2)
0.0808
0.0691
Test Equation:
Dependent Variable: RESID
Method: Least Squares
Date: 04/01/22 Time: 21:43
Sample: 2014M02 2018M12
Included observations: 59
Presample missing value lagged residuals set to zero.
Variable
Coefficient
Std. Error
t-Statistic
Prob.
C
NX1
NX2
NX3
RESID(-1)
RESID(-2)
37.57655
-15.60407
0.018187
-6.07E-05
0.206100
0.186081
244.1866
32.54372
0.069978
0.000155
0.135935
0.139496
0.153885
-0.479480
0.259899
-0.393038
1.516168
1.333955
0.8783
0.6336
0.7959
0.6959
0.1354
0.1879
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
F-statistic
Prob(F-statistic)
•
0.090581
0.004787
149.2837
1181138.
-375.8987
1.055791
0.395243
Mean dependent var
S.D. dependent var
Akaike info criterion
Schwarz criterion
Hannan-Quinn criter.
Durbin-Watson stat
Hipotesis
𝐻𝐻0 : 𝜌𝜌 = 0 (tidak terjadi autokorelasi)
•
𝐻𝐻1 : 𝜌𝜌 ≠ 0 (terjadi autokorelasi)
Taraf Signifikansi
𝛼𝛼 = 5%
-4.65E-14
149.6423
12.94572
13.15699
13.02819
1.956853
25
•
Statistik Uji
Berdasarkan output dari EViews, diperoleh nilai probability Chi-Square
•
sebesar 0,0691
•
𝐻𝐻0 ditolak jika nilai probability Chi-Square < 𝛼𝛼
•
𝐻𝐻0 diterima karena nilai probability Chi-Square (0,0691) > 𝛼𝛼 (0,05)
Daerah Kritis
Keputusan
Kesimpulan
Pada taraf signifikansi 𝛼𝛼 = 5%, 𝐻𝐻0 diterima karena nilai probability Chi-
Square (0,0691) > 𝛼𝛼 (0,05) sehingga dapat disimpulkan bahwa tidak terjadi
autokorelasi
4.6.5
Uji Multikolinieritas
Variance Inflation Factors
Date: 04/01/22 Time: 21:43
Sample: 2014M01 2018M12
Included observations: 59
•
Variable
Coefficient
Variance
Uncentered
VIF
Centered
VIF
C
NX1
NX2
NX3
62727.13
1057.737
0.005117
2.44E-08
156.7233
6.411424
227.4995
142.1598
NA
1.311783
1.753547
2.159552
Hipotesis
𝐻𝐻0 : Variabel tidak signifikan (tidak terjadi multikolinieritas)
•
𝐻𝐻1 : Variabel signifikan (terjadi multikolinieritas)
•
𝛼𝛼 = 5%
Taraf Signifikansi
Statistik Uji
Berdasarkan output dari EViews, diperoleh nilai:
•
VIF 𝑋𝑋1 (Inflasi)
= 1,311783
VIF 𝑋𝑋3 (JUB)
= 2,159552
VIF 𝑋𝑋2 (Kurs USD)
Daerah Kritis
= 1,753547
26
•
𝐻𝐻0 ditolak jika nilai VIF > 10
Keputusan
𝐻𝐻0 diterima karena nilai:
-
(1,311783) < 10
VIF 𝑋𝑋3 (JUB)
(2,159552) < 10
VIF 𝑋𝑋2 (Kurs USD)
•
VIF 𝑋𝑋1 (Inflasi)
Kesimpulan
(1,753547) < 10
Pada taraf signifikansi 𝛼𝛼 = 5%, 𝐻𝐻0 diterima karena nilai VIF 𝑋𝑋1 , 𝑋𝑋2 , dan 𝑋𝑋3 <
4.7
10 sehingga dapat disimpulkan bahwa tidak terjadi multikolinieritas
Uji t (Uji Signifikansi Parameter)
Dependent Variable: Y
Method: Least Squares
Date: 04/01/22 Time: 21:37
Sample: 2014M01 2018M12
Included observations: 60
Variable
Coefficient
Std. Error
t-Statistic
Prob.
C
X1
X2
X3
4907.905
83.42887
-0.570630
0.001615
612.7722
29.47341
0.063625
0.000122
8.009346
2.830649
-8.968640
13.27661
0.0000
0.0064
0.0000
0.0000
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
F-statistic
Prob(F-statistic)
•
0.845928
0.837674
234.6534
3083484.
-410.5531
102.4884
0.000000
Mean dependent var
S.D. dependent var
Akaike info criterion
Schwarz criterion
Hannan-Quinn criter.
Durbin-Watson stat
5351.252
582.4147
13.81844
13.95806
13.87305
0.628645
Hipotesis
𝐻𝐻0 : Variabel independen tidak signifikan terhadap variabel dependen
•
𝐻𝐻1 : Variabel independen signifikan terhadap variabel dependen
•
𝛼𝛼 = 5%
Taraf Signifikansi
Statistik Uji
Berdasarkan output dari EViews, diperoleh nilai:
-
𝛽𝛽1 = 83,42887
dengan nilai probability = 0,0064
𝛽𝛽2 = −0,570630 dengan nilai probability = 0,0000
27
-
𝛽𝛽3 = 0,001615
dengan nilai probability = 0,0000
•
Daerah Kritis
•
𝐻𝐻0 ditolak jika nilai probability 𝛽𝛽 < 𝛼𝛼
Keputusan
𝐻𝐻0 ditolak karena nilai:
-
Probability 𝛽𝛽1 (0,0064) < 𝛼𝛼 (0,05)
-
Probability 𝛽𝛽2 (0,0000) < 𝛼𝛼 (0,05)
•
Probability 𝛽𝛽3 (0,0000) < 𝛼𝛼 (0,05)
Kesimpulan
Pada taraf signifikansi 𝛼𝛼 = 5%, 𝐻𝐻0 ditolak karena semua nilai probability
𝛽𝛽 (0,0064 ; 0,0000 ; 0,0000) < 𝛼𝛼 (0,05) sehingga dapat disimpulkan bahwa
variabel independen signifikan terhadap variabel dependen
4.8
Uji F (Uji Kecocokan Model)
Dependent Variable: Y
Method: Least Squares
Date: 04/01/22 Time: 21:37
Sample: 2014M01 2018M12
Included observations: 60
Variable
Coefficient
Std. Error
t-Statistic
Prob.
C
X1
X2
X3
4907.905
83.42887
-0.570630
0.001615
612.7722
29.47341
0.063625
0.000122
8.009346
2.830649
-8.968640
13.27661
0.0000
0.0064
0.0000
0.0000
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
F-statistic
Prob(F-statistic)
•
0.845928
0.837674
234.6534
3083484.
-410.5531
102.4884
0.000000
Hipotesis
𝐻𝐻0 : Model tidak cocok
•
𝐻𝐻1 : Model cocok
•
𝛼𝛼 = 5%
Taraf Signifikansi
Statistik Uji
Mean dependent var
S.D. dependent var
Akaike info criterion
Schwarz criterion
Hannan-Quinn criter.
Durbin-Watson stat
5351.252
582.4147
13.81844
13.95806
13.87305
0.628645
28
Berdasarkan output dari EViews, diperoleh nilai probability F-statistic sebesar
•
0,000000
•
𝐻𝐻0 ditolak jika nilai probability F-statistic < 𝛼𝛼
•
𝐻𝐻0 ditolak karena nilai probability F-statistic (0,000000) < 𝛼𝛼 (0,05)
Daerah Kritis
Keputusan
Kesimpulan
Pada taraf signifikansi 𝛼𝛼 = 5%, 𝐻𝐻0 ditolak karena nilai probability F-statistic
(0,000000) < 𝛼𝛼 (0,05) sehingga dapat disimpulkan bahwa model 𝑌𝑌� =
4.9
4907,905 + 83,42887𝑋𝑋1 − 0,570630𝑋𝑋2 + 0,001615𝑋𝑋3 cocok
Uji Koefisien Determinasi (𝑹𝑹𝟐𝟐 )
Dependent Variable: Y
Method: Least Squares
Date: 04/01/22 Time: 21:37
Sample: 2014M01 2018M12
Included observations: 60
Variable
Coefficient
Std. Error
t-Statistic
Prob.
C
X1
X2
X3
4907.905
83.42887
-0.570630
0.001615
612.7722
29.47341
0.063625
0.000122
8.009346
2.830649
-8.968640
13.27661
0.0000
0.0064
0.0000
0.0000
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
F-statistic
Prob(F-statistic)
0.845928
0.837674
234.6534
3083484.
-410.5531
102.4884
0.000000
Mean dependent var
S.D. dependent var
Akaike info criterion
Schwarz criterion
Hannan-Quinn criter.
Durbin-Watson stat
5351.252
582.4147
13.81844
13.95806
13.87305
0.628645
Berdasarkan output di atas, diperoleh nilai 𝑅𝑅2 sebesar 0,845928 sehingga
dapat disimpulkan bahwa sebesar 84,5928% variabel IHSG dipengaruhi oleh variabel
inflasi, kurs USD, dan JUB, sedangkan sisanya sebesar 15,4072% variabel IHSG
dipengaruhi oleh faktor lain.
4.10
Model Akhir
Setelah dilakukan pengujian asumsi menggunakan bantuan software EViews
10, diketahui bahwa terdapat dua pelanggaran asumsi pada uji normalitas dan
29
autokorelasi sehingga perlu dilakukan perbaikan dengan melakukan transformasi data.
Diperoleh model regresi setelah dilakukan transformasi data sebagai berikut.
𝑌𝑌 ∗ = 1500,881 − 5,851503𝑋𝑋1 𝑡𝑡 ∗ − 0,360016𝑋𝑋2 𝑡𝑡 ∗ + 0,001141𝑋𝑋3 𝑡𝑡 ∗
Model transformasi tersebut harus dikembalikan menjadi persamaan yang
sesuai dengan data yang ada. Seperti yang sudah dijelaskan sebelumnya, model
tersebut telah ditransformasi dengan persamaan:
•
•
•
•
𝑌𝑌 ∗
= 𝑌𝑌𝑡𝑡 − 0,6856775𝑌𝑌𝑡𝑡−1
𝑋𝑋2 𝑡𝑡 ∗
= 𝑋𝑋2 𝑡𝑡 − 0,6856775𝑋𝑋2 𝑡𝑡−1
𝑋𝑋1 𝑡𝑡 ∗
𝑋𝑋3 𝑡𝑡 ∗
= 𝑋𝑋1 𝑡𝑡 − 0,6856775𝑋𝑋1 𝑡𝑡−1
= 𝑋𝑋3 𝑡𝑡 − 0,6856775𝑋𝑋3 𝑡𝑡−1
sehingga dapat dirumuskan sebagai berikut.
= 1500,881 − 5,851503𝑋𝑋1 𝑡𝑡 ∗ − 0,360016𝑋𝑋2 𝑡𝑡 ∗ + 0,001141𝑋𝑋3 𝑡𝑡 ∗
𝑌𝑌 ∗
𝑌𝑌𝑡𝑡 − 0,6856775𝑌𝑌𝑡𝑡−1 = 1500,881 − 5,851503�𝑋𝑋1 𝑡𝑡 − 0,6856775𝑋𝑋1 𝑡𝑡−1 � −
= 0,360016�𝑋𝑋2 𝑡𝑡 − 0,6856775𝑋𝑋2 𝑡𝑡−1 � +
= 0,001141�𝑋𝑋3 𝑡𝑡 − 0,6856775𝑋𝑋3 𝑡𝑡−1 �
𝑌𝑌𝑡𝑡
= 1500,881 − 5,851503�𝑋𝑋1 𝑡𝑡 − 0,6856775𝑋𝑋1 𝑡𝑡−1 � −
= 0,360016�𝑋𝑋2 𝑡𝑡 − 0,6856775𝑋𝑋2 𝑡𝑡−1 � +
= 0,001141�𝑋𝑋3 𝑡𝑡 − 0,6856775𝑋𝑋3 𝑡𝑡−1 � + 0,6856775𝑌𝑌𝑡𝑡−1
𝑌𝑌𝑡𝑡
= 1500,881 − 5,851503𝑋𝑋1 𝑡𝑡 + 4,012243948𝑋𝑋1 𝑡𝑡−1 −
= 0,360016𝑋𝑋2 𝑡𝑡 + 0,246854871𝑋𝑋2 𝑡𝑡−1 +
= 0,001141𝑋𝑋3 𝑡𝑡 − 0,000782358𝑋𝑋3 𝑡𝑡−1 + 0,6856775𝑌𝑌𝑡𝑡−1
Berdasarkan perhitungan di atas, diperoleh model akhir untuk data yang ada
sebagai berikut.
𝑌𝑌𝑡𝑡
= 1500,881 − 5,851503𝑋𝑋1 𝑡𝑡 + 4,012243948𝑋𝑋1 𝑡𝑡−1 − 0,360016𝑋𝑋2 𝑡𝑡 +
= 0,246854871𝑋𝑋2 𝑡𝑡−1 + 0,001141𝑋𝑋3 𝑡𝑡 − 0,000782358𝑋𝑋3 𝑡𝑡−1 +
= 0,6856775𝑌𝑌𝑡𝑡−1
BAB V
PENUTUP
5.1
Kesimpulan
Berdasarkan uji asumsi yang dilakukan pada data inflasi, kurs USD, dan JUB
sebagai variabel independen dan IHSG di BEI sebagai variabel dependen tahun 20142018 menggunakan bantuan software EViews 10, didapatkan dua pelanggaran asumsi
pada uji normalitas dan autokorelasi sehingga perlu dilakukan perbaikan dengan
melakukan transformasi data. Setelah dilakukan transformasi data dan dilakukan
pengujian asumsi kembali, dapat dilihat bahwa semua asumsi sudah terpenuhi
sehingga diperoleh model akhir sebagai berikut.
𝑌𝑌𝑡𝑡
= 1500,881 − 5,851503𝑋𝑋1 𝑡𝑡 + 4,012243948𝑋𝑋1 𝑡𝑡−1 − 0,360016𝑋𝑋2 𝑡𝑡 +
= 0,246854871𝑋𝑋2 𝑡𝑡−1 + 0,001141𝑋𝑋3 𝑡𝑡 − 0,000782358𝑋𝑋3 𝑡𝑡−1 +
= 0,6856775𝑌𝑌𝑡𝑡−1
Berdasarkan uji t (uji signifikansi parameter), diketahui bahwa variabel inflasi,
kurs USD, dan JUB berpengaruh secara signifikan terhadap variabel IHSG.
Berdasarkan uji F (uji kecocokan model), diketahui pula bahwa model regresi cocok.
Selain itu, berdasarkan uji koefisien determinasi (𝑅𝑅2 ), diketahui bahwa sebesar
84,5928% variabel IHSG dipengaruhi oleh variabel inflasi, kurs USD, dan JUB,
sedangkan sisanya sebesar 15,4072% variabel IHSG dipengaruhi oleh faktor lain.
30
DAFTAR PUSTAKA
Astuti, Rini, Joyce Lapian, dan Paulina Van Rate. 2016. Pengaruh Faktor Makro
Ekonomi terhadap Indeks Harga Saham Gabungan (IHSG) di Bursa Efek
Indonesia (BEI) Periode 2006-2015. Jurnal Berkala Ilmiah Efisiensi Vol. 16,
No. 2, Hal: 399-406.
Badan
Pusat
Statistik.
2014-2018.
Inflasi
(Umum).
https://www.bps.go.id/indicator/3/1/1/inflasi-umum-.html
Tersedia:
(diakses
pada
tanggal 25 Maret 2022).
Badan Pusat Statistik. 2014-2018. Uang Beredar (Milyar Rupiah). Tersedia:
https://www.bps.go.id/indicator/13/123/1/uang-beredar.html (diakses pada
tanggal 25 Maret 2022).
Investing. 2014-2018. Jakarta Stock Exchange Composite (JKSE). Tersedia:
https://id.investing.com/indices/idx-composite-historical-data (diakses pada
tanggal 31 Maret 2022).
Kusuma, I Putu Marta Edi dan Ida Bagus Badjra. 2016. Pengaruh Inflasi, JUB, Nilai
Kurs Dollar dan Pertumbuhan GDP terhadap IHSG di Bursa Efek Indonesia.
E-Jurnal Manajemen Unud Vol. 5, No. 3, Hal: 1829-1858.
Meiryani. 2021. Memahami Uji Multikolinieritas dalam Model Regresi. Tersedia:
https://accounting.binus.ac.id/2021/08/06/memahami-uji-multikolinearitasdalam-model-regresi/ (diakses pada tanggal 3 April 2022).
Mulyono.
2019.
Analisis
Uji
Asumsi
Klasik.
Tersedia:
https://bbs.binus.ac.id/management/2019/12/analisis-uji-asumsi-klasik/
(diakses pada tanggal 3 April 2022).
SatuData. 2014-2018. Nilai Tukar Mata Uang Asing terhadap Rupiah. Tersedia:
https://satudata.kemendag.go.id/exchange-rates (diakses pada tanggal 25
Maret 2022).
Statistik Ceria. 2012. Penyebab, Dampak, dan Mendeteksi Autokorelasi. Tersedia:
https://statistikceria.blogspot.com/2012/12/mendeteksi-uji-autokorelasi-part1.html (diakses pada tanggal 3 April 2022).
31
32
Statmat. 2021. Uji Normalitas dan Cara Mendeteksi Kenormalan. Tersedia:
https://www.statmat.net/uji-normalitas/ (diakses pada tangga 3 April 2022).
Ulandari, Susi. 2017. Pengaruh Inflasi dan Nilai Tukar Rupiah terhadap Harga Saham
di Sektor Industri Barang Konsumsi pada Indeks Saham Syariah Indonesia
(ISSI) Tahun 2012-2016. Skripsi. Program Studi Ekonomi Islam Fakultas
Ekonomi dan Bisnis Islam UIN Raden Fatah.