57 berhubungan positif atau negative dan untuk memperediksi nilai variabel
dependen apabila nilai variabel independen mengalami kenaikan atau penurunan. Data yang digunakan biasanya berskala interval atau rasio.
Metode OLS adalah metode untuk mengestimasi suatu garis regresi dengan jalan meminimalkan jumlah kuadrat kesalahan dari setiap
observasi terhadap garis tersebut Kuncoro, 2003:216. Menurut Widarjono, 2007:23-25, metode OLS adalah metode mencari
nilai residual sekecil mungkin dengan menjumlahkan kuadrat residual. Model dasar dari persamaan estimasi OLS akan dikembangkan menjadi
model dinamis dan menaksir variabel dependen berdasarkan Regresi. Sebelum melakukan interprestasi terhadap hasil regresi dari model
penelitian yang akan digunakan, maka terlebih dahulu dilakukan pengujian terhadap data penelitian tersebut. Hal ini dilakukan untuk mengetahui
apakah model tersebut dapat dianggap relevan atau tidak. Pengujian yang dilakukan melalui uiji stasioneritas, uji asumsi klasik yang meliputi uji
normalitas, autokorelasi, heterokedastisitas, dan multikolinearitas, juga uji statistik yang meiliputi uji signifikansi parameter individu uji statistik t,
uji sinifikan simultan uji statistik F, dan uji koefisien determinasi R
2
.
1. Uji Stasioneritas
Menurut Nachrowi 2006:339-340 sebagai mana diketahui bahwa data time series merupakan data sekumpulan nilai suatau variable yang
diambil pada waktu yang berbeda. Setiap data ditampilkan secara
58 berkala pada interval waktu tertentu, misalnya : harian, triwulan,
tahunan, dan sebagainya. Dalam berbagai studi ekonometrika, data time series sangat banyak
digunakan. Namun dibalik begitu pentingnya data tersebut, ternyata data time series “menyimpan” berbagai permasalahan yaitu salah
satunya masalah atokorelasi. Autokorelasi ini merupakan penyebab yang mengakibatkan data menjadi tidak stasioner, sehingga bila data
distasionerkan maka Autokorelasi akan hilang dengan sendirinya, karena metode transformasi adat untuk membuat data yang tidak
stasioner menjadi stasioner sama dengan tranformasi data untuk menghilangkan otokorelasi.
Dengan kondisi seperti diatas, maka dapat diduga bahwa sangat banyak metode dalam membuat model-model ekonometrika dengan
data time series yang mengharuskan kita menggunakan data yang stasioner. Jadi, dapatlah mengerti mengapa stasioneritas menjadi
masalah penting dalam analisis data time series. Sekumpulan data yang dinyatakan stasioner jika nilai rata-rata dan
varian dari data time series tersebut tidak mengalami perubahan secara sistematik sepanjang waktu, atau sebagian ahli menyatakan rata-rata
dan variannya konstan.
Uji Unit Root
Stasioneritas dapat dilihat dengan menggunakan sebuah uji formal yang dikenal dengan sebutan uji akar unit root atau “Uji Unit Root uji
59 ADF” uji ini merupakan pengujian yang sangat popular, dan
dikenalkan oleh David Dickey dan Wayne Fuller yang disebut Uji Augented Dickey-Fuller ADF test. Nachrowi, 2006:353.
2. Uji Asumsi Klasik
a. Uji Normalitas Data
Uji ini bertujuan untuk mengetahui data dalam variable yang akan digunakan dalam penelitian, data yang baik dan layak
digunakan dalam penelitian adalah data yang memiliki distribusi normal. Normalitas data dapat dilihat dengan beberapa cara
diantaranya : dengan uji jarque-bera atau Histrogram Normality Test. Suatu variable dikatakan normal jika korelogram pada
gambar menunjukan bahwa residual berdistribusi normal Winarno,Wing Wahyu, 2007:816.
Hal ini ditunjukan oleh : a. Kurva yang mengikuti bentuk lonceng.
b. Nilai statistic jarque-bera memiliki probabilitas yang jauh lebih besar dari pada 0,05 atau 5
b. UJi Autokorelasi
Autokorelasi adalah suatu keadaan kesalahan penggangu dari periode tertentu μt berkorelasi dengan kesalahan pengganggu dari
periode sebelumnya μt-1. Dalam keadaan ini kesalahan
60 pengganggu telah bebas, tetapi satu sama lain berhubungan.
Apabila kesalahan penggangu dari suatu periode waktu t berkorelasi dengan kesalahan-kesalahan penggangu periode
sebelumnya waktu t-i, maka terjadi kasus korelasi serial sederhana atau disebut autokorelasi tingkat pertama.
Pengujian terhadap autokorelasi dapat diuji breuschh-Godfrey nama lain dari uji BG ini adlah uji langrange multiplier LM test
atau pengganda langrange. Apabila probabilitas kesalahan dalam LM test lebih kecil dari
= 5 maka terdapat autokorelasi dan apabila probabilitas kesalahan lebih besar dari
= 5 maka tidak terdapat autokorelasi, Winarno,Wing Wahyu, 2007:527
c. Uji Heteroskedastisitas
Heterokedastisitas adalah keadaan dimana faktor penggangu tidak memilki varian yang sama Winarno, Wing,Wahyu 2007:5.8.
Dalam penelitian ini, metode yang digunakan untuk mengetahui masalah heterokedastisitas adalah dengan uji white. Asumsi yang
digunakan ialah jika nilai χ
2
hitung ObsR-Squared χ
2
tabel atau variabel penggangu dan persamaan regresi mempunyai varian yang
sama maka uji white test tidak memiliki masalah heterokedastisitas. Atau dapat diketahui dengan melihat nilai probablity, jika nilai
probability ObsR-Sqauared 0,05 atau α 5, maka tidak terdapat
masalah heterokedastisitas.
61
d. Uji Multikolinearitas
Multikolinearitas artinya kondisi adanya hubungan linear antar variabel independen. Karena melibatkan beberapa variabel
independen, maka multikoleniaritas tidak akan terjadi pada persamaan regresi sederhana yang terdiri atas satu variable
dependen dan satu variable independen, Winarno, Wing Wahyu, 2007:51.
Multikolinieritas adalah kondisi adanya hubungan linear antara variabel independen. Kondisi terjadinya multikolinearitas dapat
ditunjukkan dengan berbagai informasi berikut, yaitu : 1 Nilai R
2
tinggi, tapi variabel independen banyak yang tidak signifikan.
2 Dengan menghitung
koefisien korelasi
antarvariabel independen. Apabila koefisiennya rendah maka tidak terdapat
multikolinearitas. 3 Dengan melakukan regresi auxiliary. Regresi ini dapat
digunakan untuk mengetahui hubungan antara dua atau lebih variabel, sebagai variabel dependen dan variabel independen lain
tetap diperlakukan sebagai variabel independen. Pengujian Multikolinieritas juga dapat dilakukan dengan
metode deteksi Klien, yaitu dengan membandingkan koefisien determinasi auxiliary dengan koefisien determinasi model regresi
aslinya. Jika koefisien determinasi auxiliary lebih besar dari
62 koefisien determinasi model regresi aslinya, maka terjadi
permasalahan multikolinieritas antara variabel independen yang digunakan dalam model penelitian Widarjono, 2007:117.
3. Uji Statistik
