membandingkan hasil t-hitung dengan nilai kritis McKinnon. Jika hasil uji menolak hipotesis adanya unit root untuk semua variabel, berarti semua adalah
stasioner atau dengan kata lain, variabel-variabel terkointegrasi pada I 0 atau tingkat level, sehingga estimasi akan dilakukan dengan menggunakan regresi
linier biasa OLS. Jika hasil uji unit root terhadap level dari variabel-variabel menerima hipotesis adanya unit root, berarti semua data adalah tidak stasioner
atau semua data terintegrasi pada orde I 1. Jika semua variabel adalah tidak stasioner, estimasi terhadap model dapat dilakukan dengan teknik kointegrasi.
3. Uji Kointegrasi
Keberadaan variabel yang tidak stasioner menyebabkan kemungkinan besar adanya hubungan jangka panjang antara variabel. Konsep kointegrasi adalah
hubungan linier antar variabel yang tidak stasioner. Salah satu catatan penting mengenai kointegrasi adalah seluruh variabel harus terintegrasi pada orde atau
level yang sama. Jika ada dua variabel yang terintegrasi pada orde yang berbeda, maka kedua variabel ini tidak mungkin berkointegrasi Enders, 1995.
Jadi sebelum melakukan uji kointegrasi, seluruh variabel harus terintegrasi pada orde yang sama. Uji kointegrasi adalah uji ada tidaknya hubungan jangka panjang
antara variabel bebas dan variabel terikat. Uji ini merupakan kelanjutan dari uji stationary, tujuan utama uji kointegrasi ini adalah untuk mengetahui apakah
residual terkointegrasi stationary atau tidak. Apabila variabel terkointegrasi maka terdapat hubungan yang stabil dalam jangka panjang. Sebaliknya jika tidak
terdapat kointegrasi antar variabel maka implikasi tidak adanya keterkaitan
hubungan dalam jangka panjang. Istilah kointegrasi dikenal juga dengan istilah error, karena deviasi terhadap ekuilibrium jangka panjang dikoreksi secara
bertahap melalui series parsial penyesuaian jangka pendek. Ada beberapa macam uji kointegrasi, antara lain :
Uji Kointegrasi Engel-Granger EG
Uji kointegrasi dengan menggunakan metode Engle dan Granger. Dari hasil estimasi regresi akan diperoleh residual. Kemudian residual tersebut diuji
statianory, jika stasioner pada tingkat level maka data dikatakan terkointegrasi. Selain dengan itu dapat menggunakan :
Uji Kointegrasi Johansen
Uji kointegrasi Johansen menggunakan analisis trace statistic dan nilai kritis pada tingkat kepercayaan = 5 . Hipotesis nolnya apabila nilai trace statistic lebih
besar dari nilai kritis pada tingkat kepercayaan = 5 atau nilai probabilitas nilai-p lebih kecil dari = 5 maka terindikasi kointegrasi.
4. Penentuan Lag Optimum
Penentuan panjang lag bertujuan untuk mengetahui lamanya periode keterpengaruhan suatu variabel terhadap variabel masa lalunya maupun terhadap
variabel endogen lainnya untuk uji asumsi klasik . Dalam estimasi, kondisi penentuan panjang lag yang akan digunakan harus diperhatikan.Penentuan
Lag optimum diperoleh dari nilai Akaike Information Crtiterion AIC yang paling minimum pada keseluruhan variabel yangakan diestimasi.
5. Pendekatan Model Koreksi Kesalahan Error Correction Model
Setelah melakukan uji stationary dan uji kointegrasi dan diketahui bahwa data
tidak stationer pada level dan memiliki kointegrasi memiliki hubungan dan keseimbangan jangka panjang, maka digunakan metode ECM untuk melihat dan
mengkoreksi keseimbangan jangka pendek menuju keseimbangan jangka panjang. Model ECM diperkenalkan oleh Sargan, dipopulerkan oleh Engle dan
Granger, model ECM mempunyai beberapa kegunaan, namun penggunaan yang paling utama dalam ekonometrika adalah mengatasi data runtun waktu Time
series yang tidak stasioner dan masalah Spurius regression Insukindro, 1997. Persamaan Umum dari metode ECM :
ΔYt = α0 + Δβ1Xt-1 + β2ECt-1 + εt
Model ECM pada penelitian ini ∆
= +
∆
+
∆
+ +
∆
+
∆
+
∆
+ +
F. Pengujian Asumsi Klasik
Pengujian ini digunakan untuk melihat apakah model yang diteliti akan mengalami penyimpangan asumsi klasik atau tidak, model regresi yang diperoleh
dari metode kuadrat terkecil biasa Ordinary least square merupakan model regresi yang menghasilkan estimator kondisi ini terjadi jika dipengaruhi beberapa
asumsi yang disebut asumsi klasik, maka pengadaan pemeriksaan terhadap penyimpangan asumsi klasik tersebut harus dilakukan sebagai berikut :
a. Uji Normalitas
Uji normalitas ini bertujuan untuk apakah dalam model regresi variabel independen, variabel dependen, maupun kedua-duanya mempunyai distribusi
normal atau tidak. Model regresi yang baik adalah memiliki distribusi data normal atau mendekati normal. Menurut Imam Ghozali 2006, pada prinsipnya
normalitas dapat dideteksi dengan melihat penyebaran data titik pada sumbu diagonal grafik atau dengan melihat histogram dari residualnya. Dasar
pengambilan keputusan: 1. Jika data menyebar disekitar garis diagonal dan mengikuti arah garis diagonal
atau grafik histogramnya menunjukkan pola distribusi normal, maka model regresi memenuhi asumsi normal.
2. Jika data menyebar jauh dari garis diagonal atau tidak mengikuti arah garis diagonal atau grafik histogram tidak menunjukkan pola distribusi normal,
maka model regresi tidak memenuhi asumsi normalitas. Metode yang digunakan untuk Uji Normalitas
Histogram Residual: Merupakan metode grafis yang paling sederhana digunakan untuk mengetahui apakah bentuk dari probability distribution function dari
variabel random berbentuk normal atau tidak. Jika histogram residual menyerupai grafik distribusi normal maka bisa dikatakan bahwa residual mempunyai
distribusi normal.
Uji Jarque-Bera: Uji normalitas residual metode OLS secara formal dapat dideteksi dari metode yang di kembangkan oleh Jarque-Bera. Metode JB ini di
dasarkan pada sampel besar yang diasumsikan bersifat asymptotic, uji statistik ini menggunakan perhitungan skewness dan kurtosis.
b. Uji Multikolinearitas
Uji multikolinearitas ini bertujuan untuk menguji apakah model regresi ditemukan adanya korelasi antar variabel bebas variabel independen. Model regresi yang
baik seharusnya tidak terjadi korelasi diantara variabel bebas Imam Ghozali, 2006, untuk mengetahui ada atau tidaknya multikolinearitas dapat dilihat dari
nilai toleransi tolerance dan Variance Inflation Factor VIF. Tolerance mengukur variabilitas variabel independen yang terpilih yang tidak dijelaskan
oleh variabel independen lainnya. Jadi nilai tolerance yang rendah sama dengan nilai VIF yang tinggi karena VIF = 1tolerance. Nilai yang umum dipakai untuk
menunjukkan adanya multikolinearitas didalam regresi adalah: a. Dilihat dari nilai tolerance dan Variance Inflation Factor VIF, model regresi
yang bebas multikolinearitas mempunyai nilai VIF berkisar pada angka 1 sampai dengan 10 dan mempunyai nilai tolerance mendekati 1.
b. Menganalisis matrik korelasi variabel-variabel bebas, jika antara variabel bebas ada korelasi yang cukup tinggi umumnya diatas 90 maka hal ini
diindikasikan adanya multikolinearitas. Selain itu cara mendeteksi multikolinieritas dapat dilihat dengan melihat nilai R
2
tinggi tetapi hanya sedikit variabel independen yang signifikan, katakanlah R
2
diatas 0.8 tetapi hanya sedikit variabel yang signifikan tetapi semua variabel independen secara bersama sama mempengaruhi variabel dependen dalam hal ini
terjadi suatu kontradiktif .
c. Uji Autokorelasi
Uji autokorelasi bertujuan untuk menguji apakah dalam model regresi linier ada korelasi antara kesalahan pengganggu pada periode t-1 sebelumnya. Jika ada
korelasi, maka dinamakan ada problem autokorelasi Imam Ghozali, 2006. Model regresi yang baik adalah regresi yang bebas dari autokorelasi. Salah satu
cara yang digunakan untuk mendeteksi ada atau tidaknya autokorelasi yaitu uji Durbin-Watson DW test. Hipotesis yang akan di uji adalah:
H0 : tidak ada autokorelasi HA : ada autokorelasi
Pengambilan keputusan ada atau tidaknya autokorelasi adalahsebagai berikut: 1. Bila nilai DW di bawah -2 berarti ada autokorelasi positif.
2. Bila nilai DW di antara -2 sampai +2 tidak ada autokorelasi. 3. Bila nilai DW di atas +2 berarti ada autokorelasi negatif.
Selain dengan DW diatas dapat menggunakan metode Breusch-Godfrey atau yang dikenal dengan uji Langrange Multiplier LM
Hipotesis masalah autokorelasi adalah sebagai berikut: Ho : ObsR square X
2
–hitung Chi-squareX
2
–tabel, model mengalamimasalah autokorelasi