model dikatakan lebih baik apabila R
2
semakin dekat dengan 1. Koefisien determinasi dirumuskan sebagai berikut:
RSS R
2
=
TSS
Dimana: RSS = Jumlah kuadrat regresi Residual Sum Square
TSS = Jumlah Kuadrat Total Total Sum Square
4.7 Masalah Pengujian Model Regresi
Dalam perumusan model regresi, model yang diperoleh sebagai hasil akhir terkadang mengalami beberapa masalah yang membuat model tersebut tidak
memenuhi syarat OLS, yang menyebabkan model yang dihasilkan tidak cukup baik berfungsi sebagai model penduga. Sehingga penting bagi kita untuk
memperhatikan permasalahan yang dialami oleh model regresi tersebut. Beberapa permasalahan penting yang terdapat pada model regresi diuraikan dibawah ini.
4.7.1 Heteroskedastisitas
Dalam suatu model apabila terdapat masalah heteroskedastisitas maka model menjadi tidak efisien walaupun model tersebut menunjukkan tidak bias dan
konsisten. Untuk mendeteksi terjadinya pelanggaran asumsi heteroskedastisitas digunakan uji White Heteroscedasticity yang diperoleh dalam program Eviews.
Data panel yang diolah dalam Eviews 4.1 dengan menggunakan General Least Square
Cross Section Weights maka untuk mendeteksi adanya heteroskedastisitas adalah dengan membandingkan Residual Sum Square pada
Weighted Statistic dengan Residual Sum Square pada Unweighted Statistic.
Apabila Residual Sum Square pada Weighted Statistic lebih kecil dibandingkan dengan Residual Sum Square pada Unweighted Statistic maka terdapat
heteroskedastisitas pada model tersebut. Langkah untuk mengatasi masalah tersebut adalah dengan metode White Heteroscedasticity yang diestimasi dengan
GLS Sembiring dalam Jayangsari, 2006.
4.7.2 Multikolinearitas
Multikolinearitas adalah hubungan liniear yang kuat antara variabel- variabel independen dalam persamaan regresi berganda. Jika nilai R
2
yang diperoleh tinggi antara 0,7 dan 1 tetapi tidak terdapat atau sedikit sekali
koefisien dugaan yang nyata pada taraf uji tertentu dan tanda koefisien regresi dugaan tidak sesuai teori maka model yang digunakan berhubungan dengan
masalah multikolineraitas Gujarati dalam Napitupulu, 2007. Beberapa cara untuk menghilangkan masalah multikolineritas dalam model adalah:
1. Menggunakan extraneous atau informasi sebelumnya,
2. Mengkombinasikan data cross-sectional dan data deretan-waktu,
3. Meninggalkan variabel yang sangat berkorelasi,
4. Mentransformasikan data
5. Mendapatkan tambahan atau data baru.
Selain itu, data panel diolah dalam Eview 4.1 dengan menggunakan General Least Square
Cross Section Weights untuk menghilangkan adanya multikolinearitas.
4.7.3 Autokolerasi
Autokorelasi adalah korelasi antara anggota serangkaian observasi yang diurutkan menurut waktu data deretan waktu atau ruang data cross-sectional.
Uji autokorelasi digunakan untuk melihat apakah ada hubungan liniear antar error serangkaian observasi yang diurut berdasarkan waktu time series. Untuk
mengetahui ada tidaknya autokorelasi, dapat dilakukan dengan melakukan uji Durbin-Watson
DW yang dapat dilihat pada hasil output estimasi data panel yang menggunakan software Eviews. Ada beberapa ketentuan untuk melihat ada
tidaknya autokorelasi yaitu: 1.
Apabila DW kurang dari 1,1 maka dapat disimpulkan ada autokorelasi. 2.
Apabila DW antara 1,1 dan 1,54, maka tidak ada kesimpulan. 3.
Apabila DW antara 1,55 dan 2,46, maka dapat disimpulkan tidak ada autokorelasi.
4. Apabila DW antara 2,46 dan 2,90, maka tidak ada kesimpulan.
5. Apabila DW lebih dari 2,91 maka dapat disimpulkan ada autokorelasi.
V.
H
ASIL DAN PEMBAHASAN
5.1 Keragaan Perdagangan TPT intra-ASEAN 5.1.1 Brunei Darussalam