menyebabkan parubahan pada variabel lain, dan untuk menyediakan short- run dynamic adjustment
guna menuju periode jangka panjang, maka dilakukan perhitungan ECM setelah melakukan uji asumsi klasik terlebih
dahulu.
4. Uji Asumsi Klasik
Uji asumsi klasik dilakukan untuk mengetahui apakah hasil estimasi tersebut mempunyai penyakit atau tidak maka dilakukan
pengujian lebih lanjut yaitu berupa uji asumsi klasik. Pengujian ini dimaksudkan
untuk mendeteksi
ada tidaknya
multikolinieritas, heteroskedastisitas, dan autokorelasi di dalam model penelitian. Sehingga
dapat diketahui apakah hasil-hasil regresi telah memenuhi kaidah Best Linier Unbiased Estimator
BLUE yang berarti bahwa tidak ada gangguan serius terhadap asumsi klasik dalam metode kuadrat terkecil
tunggal OLS yaitu masalah multikolinieritas, heteroskedastisitas dan autokorelasi.
a. Multikolinearitas
Uji multikolinearitas dilakukan untuk mengetahui ada tidaknya hubungan korelasi yang signifikan di antara dua atau lebih
variabel independen dalam model regresi. Deteksi adanya multikolinearitas dilakukan dengan menggunakan uji korelasi parsial
antar variabel independen. Dengan melihat nilai koefisien korelasi r antar variabel independen, dapat diputuskan apakah data terkena
multikolinearitas atau tidak, yaitu dengan menguji koefisien korelasi antar variabel independen. Hasil pengujian multikolinearitas
menggunakan uji korelasi r dapat dilihat sebagai berikut:
Tabel 4. 5 Hasil Uji Correlation Matrix
TBH JII
INF PDB
KURS TBH
1.000000 0.245446
-0.004006 0.487058
0.390918 JII
0.245446 1.000000
-0.089016 0.810215
0.165741 INF
-0.004006 -0.089016
1.000000 -0.055907
0.161374 PDB
0.487058 0.810215
-0.055907 1.000000
0.574965 KURS
0.390918 0.165741
0.161374 0.574965
1.000000
Sumber: Lampiran 16
Dari tabel hasil analisis uji multikolinearitas dengan correlation matrix
di atas terlihat bahwa koefisien korelasi ada yang di atas 0.7, sehingga dapat disimpulkan bahwa dalam model terdapat
masalah multikolinearitas. Tetapi meskipun terdapat multikolinieritas, tetapi tidak mempengaruhi model secara signifikan sehingga hasil
akhir estimasi tetap menunjukkan hasil yang cukup bagus.
b. Heteroskedastisitas
Uji heteroskedastisitas bertujuan untuk menguji apakah dalam model regresi terjadi ketidaksamaan varian dari residual satu
pengamatan ke pengamatan yang lain tetap maka disebut homoskedastisitas dan jika berbeda disebut heteroskedastisitas.
Metode yang digunakan untuk mendeteksi adanya heteroskedastisitas
pada penelitian ini adalah uji White. Pengujian heteroskedastisitas dilakukan dengan bantuan program komputer Eviews 6.0, dan
diperoleh hasil regresi seperti pada tabel berikut ini:
Tabel 4.6 Hasil Uji White HeteroskedasticityTest
Heteroskedasticity Test: White F-statistic
1.749313 Prob. F11,71 0.0800
ObsR-squared 17.69813 Prob. Chi-Square11
0.0889 Scaled explained SS 183.8087 Prob. Chi-Square11
0.0000
Sumber: Lampiran 17
Dari tabel di atas diketahui bahwa koefisien determinasi R
2
sebesar 0.213230. Nilai probabilitas dari Chi-Square sebesar 0.0889 yang lebih besar dari nilai α sebesar 0.05. Karena nilai probabilitas
Chi-square lebih besar dari
α = 5 maka Ho diterima sehingga dapat disimpulkan
bahwa dalam
model tidak
ada masalah
heteroskedastisitas.
c. Autokorelasi
Untuk mendeteksi masalah autokorelasi digunakan uji Langrange Multiplier
LM-test. Uji ini sangat berguna untuk mengindentifikasi masalah autokorelasi tidak hanya pada derajat
pertama first order tetapi juga digunakan pada tingkat derajat. Uji autokorelasi juga bisa dilihat dari nilai probabilitas Chi-Square. Jika
probabilitas Chi-Square lebih besar dari tingkat signifikansi 5 maka
tidak terdapat autokorelasi dan sebaliknya jika probabilitas Chi-Square lebih kecil dari 5 maka terdapat autokorelasi.
Tabel 4.7 Hasil Regresi LM-Test
Breusch-Godfrey Serial Correlation LM Test: F-statistic
0.700736 Prob. F1,70 0.4054
ObsR-squared 0.822638 Prob. Chi-Square1
0.3644
Sumber: Lampiran 18
Dari tabel diketahui bahwa koefisien determinasi R
2
sebesar 0.009911. Nilai probabilitas dari Chi-Square sebesar 0.3644 yang lebih
besar dari nilai α sebesar 0.05. Karena nilai probabilitas Chi-square lebih besar dari
α = 5 maka Ho diterima sehingga dapat disimpulkan bahwa di dalam model tidak terdapat masalah autokorelasi.
5. Pendekatan Error Correction Model ECM
