July 13, 2024

Menginterpretasikan Hasil Pengolahan Data dari Pengolah Data Statistik Eviews 7

6 min read

Uji Stationer Data

Gambar di bawah ini adalah analisis koreloram sebagai salah satu analisis untuk menguji apakah data stationer ataukah tidak, hasil ini diperoleh dari pengolahan data dengan menggunakan program Eviews 7.  Berdasarkan plot korelogram, seluruh data penelitian mengalami penyimpangan karena keluar dari marka pada lag 1, sehingga seluruh data mengalami autokorelasi dan parsial autokorelasi pada lag 1.

Oleh karena itu seluruh data tidak stationer pada tingkat level atau probabilitas Q-Stat semuanya signifikan atau <0.05. Oleh karena itu dilakukan uji data first difference pada seluruh data penelitian  Adapun gambar plot Korelogram berturut-turut disajikan untuk data IHSG, Inflasi, Kurs, dan tingkat SBI.

 spss1

Plot Korelogram untuk Data IHSG

 

Setelah uji pada data first difference, ternyata data IHSG sudah stationer karena tidak ada satupun data pada setiap lag keluar dari marka baik pada fungsi AC maupun PAC, dan semua probabilitas Q-statistik tidak signifikan karena nilainya > 0.05.  Gambar selanjutnya adalah hasil analisis korelogram untuk data tingkat inflasi.

spss2

Plot Korelogram untuk Data Inflasi

Gambar hasil dari analisis korelogram untuk data Kurs disajikan pada gambar  berikut ini.

spss3  Gambar Plot Korelogram untuk Data Kurs

Sebagian besar data kurs yang diobservasi memiliki probabilitas Q-statistik tidak signifikan karena nilainya > 0.05 atau data tersebut stationer, hanya beberapa saja yang tidak memenuhi kriteria data stationer. Hal ini dapat dikatakan bahwa data kurs mendekati stationer.

Sama halnya dengan data IHSG dan Inflasi, data kurs juga bersifat stationer. Sedangkan data untuk tingkat SBI disajikan pada gambar di bawah ini.

spss4

  Gambar Plot Korelogram untuk Data Tingkat SBI

Sebagian besar data SBI yang diobservasi memiliki probabilitas Q-statistik tidak signifikan karena nilainya > 0.05 atau data tersebut stationer, hanya beberapa saja yang tidak memenuhi kriteria data stationer. Hal ini dapat dikatakan bahwa data tingkat SBI mendekati stationer.

 

Pengujian Normalitas Data Penelitian

Uji normalitas dilakukan oleh penulis menggunakan Uji Jarque – Bera. Berdasarkan uji JB  nilai JB-Test =3.734729, sedangkan Chi Square dengan k=4, derajat bebas atau df = 60-4, maka df=56 pada α = 5%. Probability = 1-α =0.95 yaitu χ 2 – tabel = 6.57. Dengan demikian JB test < χ 2 – tabel, berarti menerima Ho yang menyatakan residual μ1 berdistribusi normal. Demikian halnya bukti dari probabilitas uji JB = 0.154 > 0.05 berarti JB hitung tidak signifikan maka kita akan menerima Ho, berarti data telah memenuhi asumsi normalitas.

spss5

Sumber: data diolah

  Gambar Grafik Histogram untuk Variabel IHSG

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

 

Uji Pelanggaran Asumsi Klasik

Autokorelasi

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

Tabel Hasil Pengolahan Durbin Watson

spss7

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

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

 

Heteroskedastisitas

Asumsi metode OLS (Ordinary Least Square) atau Metode Kuadrat terkecil sebagai salah satu metode estimasi model regresi sederhana maupun berganda, bahwa residual (ei) mempunyai rata-rata nol atau E(ei)=0, mempunyai varian yang konstan atau Var (ei) =σ2 dan bebas autokorelasi yang tidak saling berhubungan antara satu observasi dengan observasi lainnya atau Cov (ei, ej) = 0 sehingga menghasilkan estimator yang BLUE.

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

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

 spss8

                          Sumber: data diolah

  Gambar Uji Heteroskedastisitas dengan Scater Diagram

(Diagram Pencar)

  

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

Multikolinieritas

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

Tabel Hasil Pengolahan Data untuk Uji Multikoliniearitas

 spss9

 

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

Analisis Regresi dan Hasil Pengujian Hipotesis

Koefisien Determinasi (R2)

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

Tabel Hasil Uji Determinasi (R2)

spss10

 Pengujian Terhadap Koefisien Regresi Secara Parsial (Uji t)

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

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

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

Tabel Hasil Uji t

spss11

Sumber: data diolah

Berdasarkan hasil Uji t, maka pengambilan keputusannya adalah sebagai berikut:

1.         Pengujian terhadap variabel Inflasi

Hipotesis pertama menyebutkan bahwa Inflasi berpengaruh signifikan terhadap IHSG. Berdasarkan hasil perhitungan data menggunakan program Eview 7. diperoleh hasil bahwa nilai signifikansi sebesar 0,0028. Ini berarti keputusan terima H1dan tolak H0, artinya inflasi berpengaruh signifikan terhadap IHSG karena nilai signifikansi lebih kecil dari 0,05 dengan arah hubungan positif.

2.         Pengujian terhadap variabel Nilai Tukar 

Hipotesis ketiga menyebutkan bahwa Nilai Tukar berpengaruh signifikan dan positif terhadap IHSG. Berdasarkan hasil perhitungan data menggunakan programEviews7. diperoleh hasil bahwa nilai signifikansi sebesar 0,000. Ini berarti keputusan tolak H0 dan terima H2, artinya nilai tukar berpengaruh signifikan terhadap IHSG karena nilai signifikansi lebih kecil dari 0,05 dengan arah hubungan negatif.

3.         Pengujian terhadap variabel Tingkat Bunga SBI

Hipotesis kedua yang menyebutkan bahwa tingkat bunga SBI tidak berpengaruh signifikan terhadap IHSG.  Berdasarkan hasil perhitungan data menggunakan program Eview 7. diperoleh hasil bahwa nilai signifikansi sebesar 0.000. Ini berarti keputusan yang diambil adalah terima H3 dan tolak H0 artinya tingkat bunga SBI berpengaruh signifikan positif terhadap IHSG karena nilai signifikansi lebih kecil dari 0,05 dengan arah hubungan negatif.

Berdasarkan hasil pengujian dengan metode regresi linier berganda untuk menguji pengaruh variabel-variabel independen (inflasi , tingkat bunga SBI, dan nilai tukar) terhadap variabel dependen (IHSG) maka dapat disusun sebuah persamaan sebagai berikut:

IHSG = 9882.55 + 97.69INF – 438.61 SBI– 478.12 KURS + e

Hasil tersebut dapat dijelaskan sebagai berikut :

  1. Koefisien regresi inflasi (INF) adalah sebesar 97.69yang berarti bahwa setiap peningkatan inflasi sebesar 1% akan menaikan IHSG sebanyak 97.69% dengan asumsi variabel lain konstan, begitu juga sebaliknya.
  2. Koefisien regresi tingkat bunga SBI (SBI) adalah sebesar – 438.61 yang berarti bahwa setiap peningkatan tingkat bunga SBI sebesar 1% akan menurunkan besarnya IHSG sebanyak 438.61% dengan asumsi variabel lain konstan, begitu juga sebaliknya.
  3. Koefisien regresi nilai tukar (KURS) adalah sebesar 478.12 yang berarti bahwa setiap peningkatan nilai tukar sebesar 1% akan menurunkan IHSG sebanyak 478.12% dengan asumsi variabel lain konstan, begitu juga sebaliknya

Pengujian Terhadap Koefisien Regresi Secara Simultan (Uji F)

Pengujian hipotesis uji F digunakan untuk melihat apakah secara keseluruhan variabel bebas mempunyai pengaruh yang bermakna terhadap variabel terikat. Dari hasil pengujian simultan diperoleh sebagai berikut:

 Tabel  Hasil Uji F

spss12

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

Sumber :

Gujarati, Damodar,  2003, Ekonometrika Dasar , Erlangga: Jakarta.

Ghozali, Imam. 2001. Aplikasi Analisis Multivariate dengan Program SPSS. Semarang:Badan Penerbit Universitas Diponegoro.

0 thoughts on “Menginterpretasikan Hasil Pengolahan Data dari Pengolah Data Statistik Eviews 7

  1. bu, saya mau tanya, ini data mentahnya untuk IHSG nilainya diporksikan dengan apa? apa langsung data indeks nya?
    bagaimana dengan inflasi dan suku bunga? apa langsung dimasukkan data dalam persentase (nol koma sekian)?
    bagaimana dengan kurs? langsung dimasukkan berapa ribu??
    saya mencoba mengolah data-data dengan variable seperti itu dengan memasukkan nilai pergerakan Rm = (〖IHSG〗_t-〖IHSG〗_(t-1))/〖IHSG〗_(t-1)
    saya juga ada variabel independen Nikkei dan hangseng, semua diproksi dengan Return market.
    kemudian kurs dan sku bunga saya cari pergerakannya dengan cara sama. Nilai (sekarang – nilai kemarin )/nilai kemarin, tetapi hasilnya tidak pernah terdistribusi normal

  2. mau melakukan cross-check dari hasil f-hitung 64.22 seharusnya berarti lebih besar dari nilai sig.5% atau 0.05 atau artinya menerima Ho. intepretasinya menjadi secara bersama-sama seluruh variabel independen tidak berpengaruh terhadap IHSG. coba dicek lagi. atau barangkali kesalahan pada saya. makasi sebelumnya yaa

Leave a Reply

Your email address will not be published. Required fields are marked *

Copyright © All rights reserved. | Newsphere by AF themes.