1. ANALISIS REGRESI LINIER BERGANDA PADA DATA
LAPORAN KREDIT INVESTASI PERBANKAN BANK
INDONESIA
Giyanti Linda Purnama (1312030043)1, Mutiara Avista C.D.L (1312030068)2, Farida Nur
Hayati (1311030079)3
1,2,3
Program Studi DIII, Jurusan Statistika
Fakultas Matematika dan Ilmu Pengetahuan Alam
Institut Teknologi Sepuluh Nopember, Surabaya
Abstrak. Bank Indonesia memegang otoritas moneter, dengan adanya
krisis ekonomi yang terjadi di Indonesia banyak bank yang mengalami
likuidasi. Kompleksitas dampak yang ditimbulkan oleh krisis ekonomi
menyebabkan jumlah kredit perbankan mengalami fluktuasi naik
turun. Dalam penelitian ini data yang digunakan adalah data sekunder
dari laporan bulanan Bank Indonesia. Tujuannya untuk mengetahui
hasil analisis dari data laporan bulanan Bank Indonesia. Variabel yang
digunakan dalam penelitian ini adalah variabel prediktor (x) yaitu
suku bunga kredit modal, surat berharga pasar uang dan nilai tukar
dolar terhadap rupiah, sedangkan yang menjadi variabel respon (y)
yaitu kredit investasi perbankan. Dari variabel x dan y akan dianalisis
dengan menggunakan analisis regresi linier berganda, pengujian
asumsi residual IIDN (0,σ2), dan pengujian multikolinieritas. Jadi, dari
serangkaian analisis yang dilakukan, model yang digunakan
diindikasikan memenuhi asumsi IIDN (0,σ2). Selain itu tidak ada
multikolinieritas antar variabel.
Kata Kunci : Analisis Regresi Linier Berganda, Pengujian
Multikolinieritas,
Pengujian
Asumsi
Residual
IIDN(0,σ2).
1 Pendahuluan
Bank Indonesia yang memegang otoritas moneter memiliki peranan dalam mengatur
dan mengawasi kegiatan perbankan. Dengan adanya krisis ekonomi yang terjadi di
Indonesia, banyak bank yang mengalami likuidasi akibat tidak terpenuhinya prasyarat
sebagai bank sehat. Dengan ketentuan dan kebijaksaan pemerintah, mengakibatkan pada
jumlah bank yang mengalami penurunan sangat drastis dan berpengaruh terhadap
pemberian kredit perbankan kepada masyarakat. Kompleksitas dampak yang ditimbulkan
oleh krisis ekonomi menyebabkan jumlah kredit perbankan mengalami fluktuasi naik
turun. Dengan kondisi yang demikian, maka diharapkan model regresi yang terbentuk
mampu menjelaskan kondisi kredit perbankan pada Bank Perseroan, Bank Swasta, dan
Bank Pembangunan Daerah selama periode sebelum dan saat krisis ekonomi. Suku bunga
kredit modal, surat berharga pasar uang, dan nilai tukar dolar terhadap rupiah diduga
mempengaruhi kredit modal kerja perbankan di Indonesia. Dari faktor-faktor tersebut
diharapkan berpengaruh secara nyata pada model kredit modal kerja perbankan di
Indonesia. Berdasarkan hal tersebut, makalah ini menujukkan penelitian yang
menerapkan Analisis Regresi Linear Berganda untuk mengatasi kasus pada kredit modal
kerja perbankan Indonesia. Dalam analisis berganda, metode yang digunakan meliputi
analisis korelasi, analisis regresi linear berganda, dan asumsi residual IIDN(0,σ2).
2 Landasan Teori
Pada bagian ini akan dikaji teori-teori yang berkaitan dengan analisis regresi linier
berganda, pengujian asumsi residual IIDN(0,σ2), uji serentak dan parsial yang digunakan
selama analisis regresi linear berganda ini.

2. 2.1 Regresi Linier Berganda
Regresi merupakan usaha untuk mengepas suatu garis/kurva terhadap kumpulan
data. Analisis regresi digunakan untuk melihat pola hubungan antara variabel y
sebagai variabel respon dan variabel x sebagai variabel prediktor. Bentuk umum
persamaan regresi linier berganda adalah sebagai berikut (Draper, 1992).
(2.1)
y   0  1 x1  ...   k xk   i
Keterangan:
y = variabel respon
x = variabel prediktor
β0 = parameter regresi (konstan)
β1 = parameter regresi 1
βk = parameter regresi ke-k
 i = random error
a. Uji Serentak (ANOVA)
Dalam melakukan analisis varians data untuk regresi linear berganda dapat
dilakukan dengan langkah-langkah sebagai berikut (Draper, 1992).
Hipotesis:
H0: β1 = 2 = ... = k = 0 (prediktor tidak berpengaruh terhadap respon)
H1: β1 = 2 = ... = k ≠ 0 (minimal ada satu prediktor yang berpengaruh terhadap
respon).
Taraf Signifikan (α) = 5% (0,05)
Daerah Kritis:
Tolak H0 jika Fhitung > F(k,n-k-1,α) , dimana
Fhitung =
MSR
MSE
(2.2)
Keterangan:
MSR = Jumlah Kuadrat Regresi
MSE = Jumlah Kuadrat Error
Statistik Uji:
Tabel 2. 1 Tabel Analysis of Variance (ANOVA)
Source
DF
SS
MS
Regresi
K
1
SSR  b' x' y    y ' jy
n
Error
n-k-1
SSE  SST  SSR
SSR
k
SSE
MSE 
n  k 1
Total
n-1
1
SST  y ' y    y ' jy
n
MSR 
Keterangan:
k = banyaknya parameter
SSR = Sum Square Regression (Jumlah Kuadrat Regresi)
SSE = Sum Square Error (Jumlah Kuadrat Error)
SST = Sum Squre Total (Jumlah Kuadrat Total)
MSR = Mean Square Regression (Kuadrat Tengah Regresi)
MSE = Mean Square Error (Kuadrat Tengah Error)
n = banyak sampel
b’ = transpose dari matriks b

3. x’ = transpose dari matriks x
y = matriks dari variabel respon
y’ = transpose dari variabel respon
j = matriks 1 yang berukuran n x n
b. Uji Parsial
Uji parsial merupakan suatu pengujian agar mengetahui bagaimana pengaruh
masing-masing variabel terhadap model. Berikut adalah hipotesis dari uji parsial
(Draper, 1992).
Hipotesis
H0: j = 0, dimana j = 0,1,...,k (Var prediktor tidak memberikan pengaruh
signifikan terhadap var respon)
H1: j ≠ 0 (Var prediktor memberikan pengaruh signifikan terhadap var respon)
Taraf Signifikan (α) = 0,05 (5%)
Daerah kritis : Tolak H0 jika thit > t1-α/2,db error
Statistik uji :
t hitung 
ˆ
j
ˆ
Var (  j )
ˆ
Var (  j ) = diag [(x’x)-1MSE]
(2.3)
(2.4)
Keputusan & Kesimpulan
c. Koefisien Determinasi
Nilai koefisien determinasi merupakan suatu ukuran yang menunjukkan
besar sumbangan dari variabel penjelas terhadap variabel respon. Dengan kata
lain, koefisien determinasi menunjukkan ragam (variasi) naik turunnya Y yang
diterangkan oleh pengaruh linier X (berapa bagian keragaman dalam variabel Y
yang dapat dijelaskan oleh beragamnya nilai-nilai variabel X). bila nilai
koefisien determinasi sama dengan satu, berarti garis regresi yang terbentuk
cocok secara sempurna dengan nilai-nilai observasi yang diperoleh (Sugiarto,
2006).
2.2 Pengujian Asumsi IIDN (0,σ2)
Karena model regresi yang dibentuk didasarkan dengan meminimumkan jumlah
kuadrat error atau galat, maka residual (sisaan) yang dalam hal ini dianggap sebagai
suatu kesalahan dari pengukuran harus memenuhi beberapa asumsi (Andayani,-),
diantaranya sebagai berikut.
a. Residual Independen
Memeriksa residual independen (saling bebas) dilakukan untuk melihat
apakah residual memenuhi asumsi independen. Independen apabila plot
residualnya menyebar secara acak dan tidak membentuk pola tertentu. Dalam
hal ini tidak ada autokorelasi antar residual.
1. Uji Visual (Residual vs Order)
Uji Visual adalah pengujian yang dilakukan dengan melihat gambar
grafik hasil perhitungan Residual vs Order. Jika grafik tidak berpola
maka residual memenuhi asumsi sifat independen.
2. Uji Durbin-Watson
Uji Durbin-Watson adalah pengujian yang dilakukan untuk mengetahui
adanya autokorelasi antar variabel. Jika hasil pengujan menunjukkan
bahwa tidak ada autokorelasi antar variabel maka data dikatakan
memenuhi asumsi residual independen. Berikut proses pengujian DurbinWatson.

4. Hipotesis
H0: Tidak ada autokorelasi antar residual (Independen)
H1: Ada autokorelasi antar residual (Tidak Independen)
Daerah Kritis:
 jika d < dL Tolak H0
 jika dU ≤ d ≤ 4-dU Gagal tolak H0
 jika 4-dU ≤ d ≤ 4-dL atau dL ≤ d ≤ dU tidak ada kesimpulan
Statistik Uji:
n
d
 e
i 1
 ei 
2
i 1
n
e
i 1
(2.5)
i
Keputusan & Kesimpulan
b. Residual Identik
Memeriksa residual identik dilakukan untuk melihat apakah residual
memenuhi asumsi identik. Suatu data dikatakan identik apabila plot residualnya
menyebar secara acak dan tidak membentuk suatu pola tertentu. Nilai
variansnya konstan.
1. Uji Visual (Residual vs Fits)
Uji Visual adalah pengujian yang dilakukan dengan melihat gambar
grafik hasil perhitungan Residual vs Fits. Jika grafik tidak berpola maka
residual memenuhi asumsi sifat identik.
2. Uji White
Hipotesis
H0: Residual Identik (Tidak ada heterokedastisitas)
H1: Residual Tidak Identik (Ada heterokedastisitas)
Daerah Kritis:
Tolak H0 jika χ2hit > χ2dbgalat;α
Statistik Uji:
2
 hit  n.R 2
(2.6)
R-sq yang digunakan adalah R-sq yang didapatkan dengan analisis
regresi linear berganda dengan ei2 sebagai respon dan X12, X22, X32, X1X2,
X1X3, X2X3 sebagai prediktor (k = 1,2,3)
Keputusan & Kesimpulan.
c. Residual Berdistribusi Normal (0,σ2)
Memeriksa residual berdistribusi normal dilakukan untuk melihat apakah
residual memenuhi asumsi berdistribusi normal, apabila plot residualnya
cenderung mendekati garis lurus (garis linear) (Andayani,-).
1. Uji Kolmogorv-Smirnov
Uji Kolmogorov-Smirnov biasa digunakan untuk memutuskan jika
sampel berasal dari populasi dengan distribusi spesifik/tertentu. Uji
Kolmogorov-Smirnov digunakan untuk menguji ‘goodness of fit‘ antar
distribusi sampel dan distribusi lainnya, Uji ini membandingkan
serangkaian data pada sampel terhadap distribusi normal serangkaian
nilai dengan mean dan standar deviasi yang sama. Singkatnya uji ini
dilakukan untuk mengetahui kenormalan distribusi beberapa data.
2. Uji QQ-plot

5. Uji QQ-plot adalah pengujian yang digunakan untuk melihat residual
berdistribusi normal jika pada grafik terlihat bahwa plot mendekati garis
normal ei berada pada sumbu X dan zi berada pada sumbu Y.
3. Uji rQ
Berikut langkah-langkah pemeriksaan asumsi residual berdistribusi
normal dengan menggunakan rQ.
Hipotesis
H0: Residual berdistribusi normal
H1: Residual tidak berdistribusi normal
Daerah Kritis , Tolak H0 jika rQ ≤ rtabel
Statistik Uji:
rQ 
 e
 e
i

2
i

 e zi
e x
z
2
i
(2.7)
Keputusan & Kesimpulan
2.3 Uji Multikolinearitas
Kemudian dilakukan pengujian multikolinearitas untuk mengetahui adanya
korelasi antar variabel prediktor dengan menghitung Variance Inflasion Factors (VIF).
Untuk menghitung VIF, diperlukan R-sq yang didapat dari hasil pengujian dilakukan
per variabel prediktor sebagai respon dengan variabel prediktor lain sebagai variabel
prediktornya. Berikut langkah-langkah penentuan nilai VIF.
Hipotesis
H0: Tidak ada Multikolinearitas
H1: Ada Multikolinearitas
Daerah Kritis:
Tolak H0 jika VIF > 10
Statistik Uji:
VIF 
1
1  Rsq
(2.8)
Keputusan & Kesimpulan.
2.4 Kredit Perbankan
Pengertian mengenai kredit adalah penyediaan uang atau barang yang
berdasarkan persetujuan pinjam meminjam antara pihak bank dengan peminjam dalam
hal mana peminjam berkewajiban melunasi hutangnya setelah jangka waktu tertentu
dengan sejumlah barang yang telah ditetapkan. Tujuan dari pemberian kredit adalah
memperlancar produksi dan mempertinggi tingkat pendapatan masyarakat. Namun ada
kelemahan-kelemahan dalam pemberian kredit diantaranya :
 Kredit dapat memberikan kesempatan berspekulasi dengan berdasarkan
taruhan kesempatan.
 Kredit juga mendorong orang untuk mencapai usaha yang kurang dapat
dipertanggungjawabkan, yang akhirnya tidak akan lama mengalami
keruntuhan.
Dalam kegiatan pemberian kredit ini dibutuhkan dana guna pembiayaannya,
maka pihak perbankan melakukan usaha dengan menghimpun dana. Sumber-sumber
dana yang diperlukan yaitu : dana dari bank sendiri, dari masyarakat dan dana dari
lembaga keuangan lainnya.
Terdapat dua jenis kredit perbankan, yaitu kredit investasi dan kredit modal kerja.
Kredit invetasi adalah suatu bantuan pembiayaan yang berjangka menengah dan
panjang untuk keperluan rehabilitasi, modernisasi, ekspansi dan pendirian proyek-

6. proyek baru. Sedangkan kredit modal kerja adalah suatu bantuan pembiayaan atas
aktiva lancer perusahaan seperti pembelian bahan mentah dan bahan-bahan penolong
(Usman, 2003).
3 Metodelogi Penelitian
Sumber data penelitian ini merupakan data sekunder yang diperoleh dari lampiran
Tugas Akhir mahasiswa Statistika ITS atas nama Darminto angkatan 1996. Data tersebut
adalah laporan bulanan Bank Indonesia yang dibukukan dalam Statistik Ekonomi
Keuangan Indonesia. Data tersebut diperoleh di Ruang Baca Statistika (RBS) kampus ITS
Sukolilo Surabaya pada hari Rabu, tanggal 2 Oktober 2013 pukul 10.00 WIB. Variabel
dalam penelitian ini adalah sebagai berikut.
 variabel respon (variabel y) yaitu kredit investasi kerja perbankan
 variabel prediktor 1 (variabel x1) yaitu suku bunga kredit modal
 variabel prediktor 2 (variabel x2) yaitu surat berharga pasar uang
 variabel prediktor 3 (variabel x3) yaitu nilai tukar dolar terhadap rupiah
4 Analisis dan Pembahasan
Pada bab ini, akan dilakukan analisis data dan pembahasan dari data “Data laporan
bulanan Bank Indonesia yang dibukukan dalam Statistik Ekonomi Keuangan Indonesia”.
Analisis yang digunakan pada data laporan bulanan Bank Indonesia diantaranya adalah
Analisis regresi linier berganda, pengujian asumsi residual IIDN (0,σ2), dan Uji
Multikolinieritas.
4.1 Analisis Regresi Linier Berganda
Pada Analisis Regresi Linier Berganda ini, langkah pertama adalah menentukan
model persamaan regresi linier berganda. Setelah itu akan dilakukan pengujian
parameter regresi secara serentak dan parsial serta menghitung koefisien determinasi.
1) Pemodelan Regresi Linier Berganda
Analisis regresi linier berganda digunakan untuk membuktikan hipotesis
mengenai adanya pengaruh variabel suku bunga kredit modal (X1), surat berharga
pasar uang (X2), dan nilai tukar dolar terhadap rupiah (X3) secara parsial maupun
secara bersama-sama terhadap kredit investasi kerja perbankan (Y). Hasil
pengolahan data dengan program Minitab tersebut adalah sebagai berikut:
Tabel 4.1 Rangkuman Hasil Analisis Regresi Linear Berganda
Persamaan Regresi
kredit investasi kerja perbankan (Y) = - 2.12 + 0.399 suku bunga kredit
modal + 1.18 surat berharga pasar uang – 0.000146 nilai tukar dolar
terhadap rupiah
Berdasarkan Tabel 4.1 persamaan regresi tersebut dapat dijelaskan sebagai
berikut.
a. Koefisien variabel X1 (Suku bunga kredit modal) diperoleh sebesar 0.399
dengan tanda positif. Hal ini menunjukkan bahwa setiap bertambahnya satu
satuan suku bunga kredit modal mengakibatkan bertambahnya kredit
investasi kerja perbankan sebesar 0.399 satu satuan.
b. Koefisien variabel X2 (surat berharga pasar uang) diperoleh sebesar 1.18
dengan tanda positif. Hal ini menunjukkan bahwa setiap bertambahnya 1
satuan Prognostic Index mengakibatkan bertambahnya kredit investasi kerja
perbankan 1.18 satu satuan.
c. Koefisien variabel X3 (nilai tukar dolar terhadap rupiah) diperoleh sebesar
0.000146. Hal ini menunjukkan bahwa setiap bertambahnya 1 satuan nilai

7. tukar dolar terhadap rupiah mengakibatkan bertambahnya kredit investasi
kerja perbankan sebesar 0.000146 satu satuan.
2) Pengujian Parameter Regresi
Berikutnya adalah pengujian terhadap parameter regresi yang meliputi uji
serentak dan uji parsial.
a) Uji Serentak
Uji serentak bertujuan untuk menguji signifikansi pengaruh variabel
prediktor terhadap variabel respon secara serentak.
Hipotesis:
H0: β1 = 2 = 3 = 0 (variabel prediktor tidak berpengaruh signifikan terhadap
variabel respon secara serentak)
H1: β1 = 2 = 3 ≠ 0 (minimal ada satu variabel prediktor yang berpengaruh
signifikan terhadap variabel respon).
Taraf Signifikan (α) = 0,05 (5%)
Daerah kritis: Tolak H0 jika Fhit > Fk,n-k-1,α
Hasil pengujian diperoleh sebagai berikut.
Tabel 4.2Analysis Of Variance (ANOVA)
Surn of
Mean
Fhitung
Squares Square
Regression
3
400.50
133.50 20.09
Residual Error
26
172.76
6.64
Total
29
573.26
Berdasarkan Tabel 4.2 dapat diketahui bahwa nilai Fhitung sebesar 20.09
sedangkan nilai Fk,n-k-1,α sebesar 2.93 maka, dapat disimpulkan Fhitung > Fk,n-k1,α yang artinya tolak H0. Jadi, minimal ada satu variabel prediktor yang
berpengaruh signifikan terhadap variabel respon. Oleh karena itu,
dilanjutkan dengan iji parsial.
Uji Parsial
Uji Parsial dilakukan untuk menguji signifikansi pengaruh variabel
prediktor terhadap variabel respon secara individu.
Hipotesis Uji Parsial
H0: j = 0 (Variabel prediktor tidak memberikan pengaruh signifikan
terhadap variabel respon)
H1: j ≠ 0 (Variabel prediktor memberikan pengaruh signifikan terhadap
variabel respon)
j = 0, 1, 2, 3
Taraf signifikan (α) = 5% (0,05)
Daerah kritis: Tolak H0 jika |thitung| > pvalue
Hasil pengujian diperoleh sebagai berikut.
Source
b)
df
Tabel 4. 3 Output Minitab Uji Parsial Regresi Berganda
Parameter
Nilai │thitung│ Nilai Pvalue
Keputusan
suku bunga kredit modal
5.62
0,000
Tolak H0
surat berharga pasar uang
3.25
0.003
Tolak H0
nilai tukar dolar terhadap rupiah
-0.57
0.573
Terima H0
Berdasarkan Tabel 4.3 dapat diuraikan sebagai berikut.
1. Suku bunga kredit modal (X1)
Hasil pengujian regresi untuk variabel suku bunga kredit modal terhadap
kredit investasi kerja perbankan menunjukkan nilai thitung = 5.62 dengan
nilai signifikasi 0.000. Nilai signifikansi tersebut lebih besar dari 0.05,

8. maka keputusan tolak H0. Sehingga dapat diambil kesimpulan bahwa
variabel Suku bunga kredit modal tidak berpengaruh terhadap kredit
investasi kerja perbankan.
2. Surat berharga pasar uang (X2)
Hasil pengujian regresi untuk variabel surat berharga pasar uang terhadap
kredit investasi kerja perbankan menunjukkan nilai thitung = 3.25 dengan
nilai signifikasi 0.003. Nilai signifikansi tersebut lebih kecil dari 0.05,
maka keputusan tolak H0. Sehingga dapat diambil kesimpulan bahwa
variabel surat berharga pasar uang tidak berpengaruh signifikan terhadap
kredit investasi kerja perbankan.
3. Nilai tukar dolar terhadap rupiah (X3)
Hasil pengujian regresi untuk variabel nilai tukar dolar terhadap rupiah
terhadap kredit investasi kerja perbankan menunjukkan nilai thitung = 0.57
dengan nilai signifikasi 0.573. Nilai signifikansi tersebut lebih kecil dari
0.05, maka keputusan tolak H0. Sehingga dapat diambil kesimpulan bahwa
variabel nilai tukar dolar terhadap rupiah berpengaruh terhadap kredit
investasi kerja perbankan.
c) Koefisien Determinasi
Koefisien determinasi (R2) digunakan untuk mengukur seberapa besar
model dapat menerangkan variabilitas dari variabel respon. Hasil
perhitungan koefisien determinasi dalam model regresi adalah sebagai
berikut.
Berikut ini adalah hasil pengujian regresi linier berganda dari ketiga
variabel prediktor terhadap variabel respon.
Tabel 4. 4Ukuran kebaikan model regresi
S
2.57770
R-Sq
69.9%
R-Sq (adj)
66.4%
Berdasarkan Tabel 4.4 dapat diketahui bahwa koefisien determinasi (Rsq)yang diperoleh sebesar 0.699 atau 69.9%. Hal ini menunjukkan bahwa
69.9% kredit investasi kerja perbankan dapat dijelaskan oleh variabel suku
bunga kredit modal, surat berharga pasar uang, dan nilai tukar dolar
terhadap rupiah. Sedangkan sisanya yaitu 0.301 atau 30.1% kredit investasi
kerja perbankan dapat dipengaruhi oleh variabel-variabel lainnya.
4.2 Pemeriksaan Asumsi
Setelah melakukan analisis regresi linier berganda, selanjutnya akan dilakukan
pengujian asumsi residual IIDN (0,σ2) yaitu residual independen, residual identik, dan
residual berdistribusi normal.
1) Residual Independen
Independensi residual berarti antar residual tidak mempunyai hubungan.
Kasus independensi residual sering terjadi pada data yang bersifat time series.
Pengujian independensi residual dengan melihat plot residual vs order (urutan
pengamatan) dan menggunakan uji Durbin Watson. Berikut merupakan hasil
pengujian independensi.

9. Versus Order
(response is Y)
5,0
Residual
2,5
0,0
-2,5
-5,0
2
4
6
8
10
12 14 16 18 20
Observation Order
22
24
26
28
30
Gambar 1. Plot residual terhadap urutan pengamatan
Berdasarkan Gambar 1 menunjukkan bahwa dari data tersebut grafiknya
tidak berpola atau tidak memiliki pola tertentu. Hal ini dapat dilihat dari range
residual tersebut tidak simetri, titik-titik pada grafik tersebut cenderung bersifat
naik turun. Sehingga secara visual grafik tersebut dapat dikatakan bersifat
independen. Namun, pengujian secara grafis belum cukup karena hanya
berdasarkan subjektifitas peneliti. Maka kemudian dilakukan uji dependensi
Durbin-Watson sebagai berikut.
Hipotesis
H0: Tidak ada autokorelasi antar residual
H1: Ada autokorelasi antar residual
α = 0,05
Daerah Kritis:
jika d < dL Tolak H0

jika dU ≤ d ≤ 4-dU Gagal tolak H0

jika 4-dU ≤ d ≤ 4-dL atau dL ≤ d ≤ dU tidak ada kesimpulan

Statistik Uji:
Dengan menggunakan rumus (2,5) didapatkan hasil perhitungan Uji DurbinWatson sebagai berikut.
Tabel 4.5 Hasil perhitungan Uji Durbin Watson
D
0.880094
dL
1.214
dU
1.650
Keputusan Tolak H0, karena d (0.880094) < dL (1.214)
Kesimpulan ada autokorelasi antar residual apabila dengan pengujian Durbin
Watson tersebut yang berarti bahwa data tersebut tidak memenuhi asumsi sifat
independen. Namun, pada penelitian ini data diasumsikan memenuhi sidat
independen.
2) Residual Identik
Memeriksa residual identik dilakukan untuk melihat apakah residual
memenuhi asumsi identik. Berikut hasil pemeriksaan asumsi identik yang
dilakukan dengan melihat plot Residual vs Fits dan kemudian dilanjutkan
dengan uji White.

10. Versus Fits
(response is Y)
5,0
Residual
2,5
0,0
-2,5
-5,0
5,0
7,5
10,0
Fitted Value
12,5
15,0
Gambar 2. Plot Residual vs Fits
Berdasarkan Gambar 2 menunjukkan bahwa dari data tersebut grafiknya
tidak berpola atau tidak memiliki pola tertentu. Sehingga secara visual grafik
tersebut dapat dikatakan bersifat identik. Namun, pengujian secara grafis belum
cukup karena hanya berdasarkan subjektifitas peneliti. Maka kemudian
dilakukan uji White sebagai berikut.
Hipotesis
H0: Residual Identik (Tidak ada heterokedastisitas)
H1: Residual Tidak Identik (Ada heterokedastisitas)
α = 0,05
Daerah Kritis:
Tolak H0 jika χ2hit > χ2dbgalat;α ; χ2hit > 38,9
Statistik Uji:
Dengan menggunakan hasil penghitungan Minitab untuk mendapatkan R-sq
2
kemuadian  hit dihitung dengan menggunakan rumus (2,6) didapat hasil
pengujian White sebegai berikut.
Tabel 4.6 Hasil Pengujian White
n
R-sq
2
 hit
30
0,28
8,4
Keputusan Tolak H0, karena gagal tolak H0 karena χ2hit < 38,9
Kesimpulan dengan pengujian White residual bersifat identik atau tidak ada
heterokedastisitas yang berarti data memenuhi asumsi identik.
3) Residual Berdistribusi Normal
Pengujian pada residual untuk melihat normal atau tidaknya nilai residual.
Hasil pengujian dengan menggunakan uji normalitas (Kolmogorov-Smirnov)
adalah sebagai berikut:

11. Probability Plot of E
Normal
99
Mean
StDev
N
KS
P-Value
95
90
-3,31587E-15
2,441
30
0,181
0,017
Percent
80
70
60
50
40
30
20
10
5
1
-5,0
-2,5
0,0
E
2,5
5,0
Gambar 3. Normally Test Kolmogorof-Smirnov
Berdasarkan Gambar 3 menunjukkan bahwa plot uji normalitas
menunjukkan nilai probabilitas masing-masing residual menyebar mengikuti
garis lurus, dan nilai p-value (0.181) > 0.05 maka data tersebut berdistribusi
normal. Selain pengujian kolmogorov-Smirnov untuk mengetahui residual yang
berdistribusi normal dapat menggunakan uji QQ plot sebagai berikut.
Gambar 4. Grafik QQ-plot
Dari pengujian Q-Q plot setelah diplotkan residual dan Zi nya maka dapat
diketahui bahwa data tersebut berdistribusi normal karena datanya menyebar
mengikuti garis lurus. Kemudian dilakukan pengujian rQ sebagai berikut.
Hipotesis
H0: Residual berdistribusi normal
H1: Residual tidak berdistribusi normal
Daerah Kritis , Tolak H0 jika rQ ≤ rtabel
Statistik Uji:
Dengan menggunakan rumus (2.7) berikut hasil pengujian rQ.
rQ 
68.79260167
171.0559224 x 28.75870774
rQ = 0.980817
diketahui rtabel = 0.9652
Keputusan : Gagal Tolak H0 karena 0.980817 ≥ 0.9652

12. Kesimpulan : Residual berdistribusi normal
Berdasarkan beberapa pengujian baik secara visual, plot grafik dan pengujian
perhitungan dapat menunjukkan bahwa residual dari data tersebut adalah
berdistribusi normal.
4.3 Uji Multikolinearitas
Kemudian dilakukan pengujian multikolinearitas untuk mengetahui adanya
korelasi antar variabel prediktor dengan menghitung Variance Inflasion Factors (VIF).
Berikut hasil pengujian multikolinearitas dengan penghitungan R-sq menggunakan
Minitab kemudian penentuan nilai VIF menggunakan rumus (2.8).
Hipotesis
H0: Tidak ada Multikolinearitas
H1: Ada Multikolinearitas
α = 0,05
Daerah Kritis:
Tolak H0 jika VIF > 10
Statistik Uji:
Tabel 4.7 Uji Multikolinearitas Variance Inflasion Factors (VIF)
X1 sebagai Y
X2 sebagai Y
X3 sebagai Y
0,272
0,094
0,261
1,3736264
1,103752759
1,353179973
Keputusan Gagal Tolak H0 karena VIF < 10
Kesimpulan
Dari Tabel 4.7 dapat dilihat bahwa VIF ketiganya berada diluar daerah kritis
yang berarti tidak ada multikolinearitas antar variabel prediktor.
5 Kesimpulan
Dari serangkaian analisis regresi linear berganda dapat disimpulkan bahwa model
regresi untuk menaksir kredit investasi kerja perbankan yaitu kredit investasi kerja
perbankan (Y) = - 2.12 + 0.399 suku bunga kredit modal + 1.18 surat berharga pasar uang
– 0.000146 nilai tukar dolar terhadap rupiah. Dari hasil uji serentak dapat disimpulkan
bahwa minimal ada satu dari suku bunga kredit modal, surat berharga pasar uang, atau
nilai tukar dolar terhadap rupiah yang berpengaruh signifikan terhadap kredit investasi
kerja perbankan. Dan setelah dilakukan uji parsial variabel berpengaruh signifikan
terhadap variabel kredit investasi kerja perbankan adalah suku bunga kredit modal dan
surat berharga pasar uang. Setelah itu dilakukan pemeriksaan asumsi independen dengan
melihat plot Residual vs Order menunjukkan bahwa residual memenuhi asumsi
independen. Namun setelah dilakukan uji Durbin Watson, residual tidak memenuhi
asumsi sifat independen. Selanjutnya dilakukan pemeriksaan asumsi identik, baik dengan
melihat plot Residual vs Fits maupun dengan melakukan Uji White dapat disimpulkan
residual memenuhi asumsi sifat identik. Kemudian dilakukan pemeriksaan residual
berdistribusi normal, baik dengan menggunakan Qqplot, rQ, maupun kolmogorov-smirnov
dapat disimpulkan bahwa disimpulkan bahwa residual memenuhi asumsi berdistribusi
normal.
Daftar Pustaka
1. Bank Indonesia. (2002). Laporan Tahunan 1999-2001, Jakarta.
2. Draper, Harry Smith dan Norman. 1992. Analisis Regresi Terapan. Jakarta : Gramedia
Pustaka Utama.
3. Sugiarto, Dergibson Siagian. 2006. Metode Statistika untuk Bisnis dan Ekonomi.
Jakarta : Gramedia Pustaka Utama.

13. 4. Usman, Rachmadi.2003.Aspek-Aspek Hukum Perbankan di Indonesia. Jakarta :
Gramedia Pustaka Utama.
5. Andayani, Suhermin Ari Pujiati dan Nurita. -. Uji Residual. googlebooks. [Online] - -,
-. [Cited: 10 06, 2013.] http://books.google.co.id/.
Lampiran
Lampiran 1:
Tabel Data laporan bulanan Bank Indonesia yang dibukukan dalam
Statistik Ekonomi Keuangan Indonesia
Y
X1
X3
X2
12,808
36,47
8685
18,9621
29,44
3648
5,002
8,688
35,69
8260
15,4919
28,22
4650
4,455
8,127
33,96
8105
14,9059
28,31
10375
6,65
7,104
32,42
6725
14,884
28,57
8750
1,291
7,063
28,6
6875
14,834
31,89
8325
5,09
6,552
25,2
7565
14,674
34,06
7970
1,016
6,368
23,22
8386
14,196
38,25
10525
2,44
6,334
22,64
6900
13,8241
38,93
14900
1,146
5,894
20,91
7425
14,1241
39,34
13000
2,312
6,069
19,57
7100
14,14
39,31
11075
2,279
6,075
18,94
7425
14,7161
39,94
10700
1,226
5,84
18,11
7505
14,83
39,74
7550
2,164
5,974
17,62
7590
14,559
39,11
7300
2,162
6,065
17,6
7945
16,588
38,7
8025
2,018
16,7659
38,52
8950
2,018
16,658
38,56
8730
2,018
Keterangan
 variabel respon (variabel y) yaitu kredit investasi kerja perbankan
 variabel prediktor 1 (variabel x1) yaitu suku bunga kredit modal
 variabel prediktor 2 (variabel x2) yaitu surat berharga pasar uang
 variabel prediktor 3 (variabel x3) yaitu nilai tukar dolar terhadap rupiah
Lampiran 2:
Output Minitab Hasil Analisis Regresi Linear Berganda
Regression Analysis: Y versus X1; X2; X3
The regression equation is
Y = - 2,12 + 0,399 X1 + 1,18 X2 - 0,000146 X3
Predictor
Constant
X1
X2
X3
Coef
-2,119
0,39858
1,1783
-0,0001460
S = 2,57770
SE Coef
2,328
0,07089
0,3626
0,0002559
R-Sq = 69,9%
T
-0,91
5,62
3,25
-0,57
P
0,371
0,000
0,003
0,573
R-Sq(adj) = 66,4%
VIF
1,373
1,104
1,353
2,018
2,018
2,018
2,018
2,018
2,018
2,018
1
1
1
1
1
1
1

14. Analysis of Variance
Source
Regression
Residual Error
Total
Source
X1
X2
X3
DF
1
1
1
DF
3
26
29
SS
400,50
172,76
573,26
MS
133,50
6,64
F
20,09
P
0,000
Seq SS
316,70
81,64
2,16
Unusual Observations
Obs
3
4
20
X1
28,3
28,6
32,4
Y
14,906
14,884
7,104
Fit
15,485
9,512
12,199
SE Fit
1,961
0,569
0,691
Residual
-0,580
5,372
-5,095
St Resid
-0,35 X
2,14R
-2,05R
R denotes an observation with a large standardized residual.
X denotes an observation whose X value gives it large leverage.
Durbin-Watson statistic = 0,880094
Lampiran 3:
Proses Perhitungan Durbin-Watson
ei
ei+1
3,985592167
1,792504468
-0,57958768
5,371875401
-0,539709004
3,183758592
.
.
.
-2,646545617
-1,921451171
-0,741813314
-0,415592169
0,246048962
0,550619506
0,658127743
0,999847402
1,150662466
*
3,985592167
1,792504468
-0,57958768
5,371875401
-0,539709004
.
.
.
-3,591499271
-2,646545617
-1,921451171
-0,741813314
-0,415592169
0,246048962
0,550619506
0,658127743
0,999847402
Ʃ(ei+1-ei)2
ei2
Ʃ ei2
d
*
152,0429735 15,88494492 172,7576794 0,880093863
4,809633654
3,21307227
5,626821163
0,335921879
35,41991281
28,85704532
34,94683018
0,291285809
13,86421094
10,13631877
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
0,892937407
7,004203705
0,525761957
3,691974601
1,391545473
0,550286993
0,106420236
0,172716851
0,437768986
0,060540092
0,092763216
0,303181841
0,011558021
0,433132126
0,116772325
0,999694828
0,022745184
1,324024112
(ei+1-ei)2
14

15. Lampiran 4:
Proses Perhitungan Uji White
ei
ei 2
X12
X22
X32
X1X2
X1X3
X2X3
X1X2X3
3,985592 15,88494 866,7136
25,02 13307904 147,2589 107397,1
18247,3 537200,4
1,792504 3,213072 796,3684 19,84703 21622500 125,7201
131223 20715,75 584598,5
-0,57959 0,335922 801,4561
44,2225 1,08E+08 188,2615 293716,3 68993,75 1953213
5,371875 28,85705 816,2449 1,666681 76562500 36,88387 249987,5 11296,25 322733,9
-0,53971 0,291286 1016,972
25,9081 69305625 162,3201 265484,3 42374,25 1351315
3,183759 10,13632 1160,084 1,032256 63520900 34,60496 271458,2
8097,52 275801,5
-0,26903 0,072377 1463,063
5,9536 1,11E+08
93,33 402581,3
25681 982298,3
1,251619 1,566549 1515,545 1,313316 2,22E+08 44,61378
580057
17075,4 664745,3
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
2,304498 5,310711 1486,874 4,072324 76212900 77,81408 336628,8 17617,14 679316,9
-0,71903 0,517007 1330,061 4,072324 75429225 73,59646
316742 17526,33 639185,3
-4,5902 21,06995 1273,776 4,072324 68227600 72,02242 294799,4 16668,68 594905,2
-4,48429 20,10882 1153,282 4,072324 65691025 68,53128 275245,8 16355,89
555446
-5,095 25,95901 1051,056 4,072324 45225625 65,42356 218024,5 13571,05 439973,4
-3,5915 12,89887
817,96 4,072324 47265625
57,7148
196625 13873,75 396789,3
-2,64655 7,004204
635,04 4,072324 57229225
50,8536
190638 15266,17 384707,5
-1,92145 3,691975 539,1684 4,072324 70324996 46,85796 194722,9 16922,95 392950,9
-0,74181 0,550287 512,5696
1 47610000
22,64
156216
6900
156216
-0,41559 0,172717 437,2281
1 55130625
20,91 155256,8
7425 155256,8
0,246049
0,06054 382,9849
1 50410000
19,57
138947
7100
138947
0,55062 0,303182 358,7236
1 55130625
18,94 140629,5
7425 140629,5
0,658128 0,433132 327,9721
1 56325025
18,11 135915,6
7505 135915,6
0,999847 0,999695 310,4644
1 57608100
17,62 133735,8
7590 133735,8
1,150662 1,324024
309,76
1 63123025
17,6
139832
7945
139832
Output Minitab Analisis Regresi untuk Uji White
Regression Analysis: e^2 versus X1^2; X2^2; ...
The regression equation is
e^2 = - 16,2 - 0,0284 X1^2 - 0,97 X2^2 - 0,000000 X3^2 + 0,405 X1X2
+ 0,000313 X1X3 + 0,00286 X2X3 - 0,000120 X1X2X3
Predictor
Constant
X1^2
X2^2
X3^2
X1X2
X1X3
X2X3
X1X2X3
Coef
-16,20
-0,02841
-0,974
-0,00000048
0,4046
0,0003132
0,002856
-0,00011968
SE Coef
13,35
0,03351
1,143
0,00000039
0,2641
0,0002385
0,001772
0,00005895
T
-1,21
-0,85
-0,85
-1,22
1,53
1,31
1,61
-2,03
15
P
0,238
0,406
0,403
0,235
0,140
0,203
0,121
0,055
VIF
104,983
52,813
113,848
58,300
355,838
209,373
251,174

16. S = 8,18427
R-Sq = 28,0%
Analysis of Variance
Source
DF
SS
Regression
7
571,87
Residual Error 22 1473,61
Total
29 2045,48
R-Sq(adj) = 5,0%
MS
81,70
66,98
F
1,22
P
0,334
Source DF Seq SS
X1^2
1
1,81
X2^2
1
6,14
X3^2
1 196,79
X1X2
1
1,42
X1X3
1
8,21
X2X3
1
81,41
X1X2X3
1 276,09
Unusual Observations
Obs
3
4
8
20
X1^2
801
816
1516
1051
e^2
0,34
28,86
1,57
25,96
Fit
-2,20
9,13
1,94
9,15
SE Fit
7,98
2,73
7,39
2,41
Residual
2,54
19,72
-0,38
16,81
St Resid
1,40 X
2,56R
-0,11 X
2,15R
R denotes an observation with a large standardized residual.
X denotes an observation whose X value gives it large leverage.
Durbin-Watson statistic = 1,55668
Lampiran 5:
Proses Perhitungan Uji QQ Plot
Sorted ei
zi
-0,47751
-5,095
-2,12805
-0,41559
-4,5902 -1,64485
-0,39223
-4,48429 -1,38299
-0,33818
-3,5915 -1,19182
-0,26903
-2,64655 -1,03643
-0,26313
-1,92145 -0,90273
0,246049
-0,74181
-0,7835
0,55062
-0,71903 -0,67449
0,658128
-0,57959 -0,57297
0,999847
-0,53971 -0,47704
1,033429
-0,38532
-0,29674
-0,21043
-0,12566
-0,04179
0,041789
0,125661
0,210428
0,296738
0,38532
0,47704
Lampiran 6:
Proses Perhitungan rQ
e ez
Sorted ei
no
Pi
zi
e
-5,095
-4,5902
-4,48429
1
2
3
0,016667
0,05
0,083333
-2,12805
-1,64485
-1,38299
-0,16983
i
16
1,150662
1,251619
1,792504
2,07574
2,304498
2,46047
3,183759
3,985592
5,371875
i
10,48097358
7,550210343
6,201741797
0,572968
0,67449
0,7835
0,902735
1,036433
1,191816
1,382994
1,644854
2,128045
e e
e e
-4,92516
-4,5902
-4,48429
24,25724877
21,06995404
20,10882479
i
2
i

17. 4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
-3,5915
-2,64655
-1,92145
-0,74181
-0,71903
-0,57959
-0,53971
-0,47751
-0,41559
-0,39223
-0,33818
-0,26903
-0,26313
0,246049
0,55062
0,658128
0,999847
1,033429
1,150662
1,251619
1,792504
2,07574
2,304498
2,46047
3,183759
3,985592
5,371875

Ʃ e i e

 e e
2
2
i
171,0559224
.
.
.
0,116667
0,15
0,183333
0,216667
0,25
0,283333
0,316667
0,35
0,383333
0,416667
0,45
0,483333
0,516667
0,55
0,583333
0,616667
0,65
0,683333
0,716667
0,75
0,783333
0,816667
0,85
0,883333
0,916667
0,95
0,983333
13,07883
.
.
.
-1,19182
-1,03643
-0,90273
-0,7835
-0,67449
-0,57297
-0,47704
-0,38532
-0,29674
-0,21043
-0,12566
-0,04179
0,041789
0,125661
0,210428
0,296738
0,38532
0,47704
0,572968
0,67449
0,7835
0,902735
1,036433
1,191816
1,382994
1,644854
2,128045
z i2
4,280406911
2,742968245
1,734560822
0,58121101
0,484979677
0,332084932
0,257463015
0,183993834
0,123321922
0,082535742
0,042496484
0,011242567
-0,01099586
0,030918844
0,115865979
0,195291404
0,385261667
0,49298737
0,659292253
0,844203872
1,404427924
1,873842284
2,388458593
2,932427452
4,403119434
6,555715732
11,43159385
Ʃz i2
z
2
i
-3,5915
-2,64655
-1,92145
-0,74181
-0,71903
-0,57959
-0,53971
-0,47751
-0,41559
-0,39223
-0,33818
-0,26903
-0,26313
0,246049
0,55062
0,658128
0,999847
1,033429
1,150662
1,251619
1,792504
2,07574
2,304498
2,46047
3,183759
3,985592
5,371875
 
12,89886701
7,004203705
3,691974601
0,550286993
0,517006938
0,335921879
0,291285809
0,228014457
0,172716851
0,153842185
0,114367484
0,072377043
0,069235433
0,060540092
0,303181841
0,433132126
0,999694828
1,067975312
1,324024112
1,566548952
3,21307227
4,308694561
5,310710675
6,053910622
10,13631877
15,88494492
28,85704532
Ʃ ei e zi
rq
4,528577 28,75870774 5,36271459 68,79260167 0,980817
2,705543
1,912673
1,420426
1,074194
0,81493
0,613873
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
0,81493
1,074194
17
r tabel
0,9652
.
.
.

18. 1,420426
1,912673
2,705543
4,528577
Lampiran 7:
Proses Perhitungan VIF
Output Minitab jika X1 menjadi variabel respon (Y)
Regression Analysis: X1 versus X2; X3
The regression equation is
X1 = 12,7 + 1,42 X2 + 0,00179 X3
Predictor
Constant
X2
X3
Coef
12,678
1,4182
0,0017937
S = 6,99831
SE Coef
5,830
0,9458
0,0006031
R-Sq = 27,2%
T
2,17
1,50
2,97
P
0,039
0,145
0,006
VIF
1,019
1,019
R-Sq(adj) = 21,8%
Output Minitab jika X2 menjadi variabel respon (Y)
Regression Analysis: X2 versus X1; X3
The regression equation is
X2 = 1,96 + 0,0542 X1 - 0,000177 X3
Predictor
Constant
X1
X3
Coef
1,963
0,05421
-0,0001772
S = 1,36824
SE Coef
1,176
0,03615
0,0001315
R-Sq = 9,4%
T
1,67
1,50
-1,35
P
0,107
0,145
0,189
VIF
1,267
1,267
R-Sq(adj) = 2,7%
Output Minitab jika X3 menjadi variabel respon (Y)
Regression Analysis: X3 versus X1; X2
The regression equation is
X3 = 4901 + 138 X1 - 356 X2
Predictor
Constant
X1
X2
Coef
4901
137,59
-355,6
S = 1938,26
SE Coef
1475
46,26
263,9
R-Sq = 26,1%
T
3,32
2,97
-1,35
P
0,003
0,006
0,189
VIF
1,034
1,034
R-Sq(adj) = 20,6%
Menghitung VIF dengan menggunakan Microsoft Excel
X1 sebagai Y X2 sebagai Y X3 sebagai Y
0,272
0,094
0,261
1,3736264 1,103752759
1,353179973
18