Hausmaan Test merupakan pengujian statistik sebagai dasar pertimbangan dalam pemilihan model FEM atau REM. Berikut hipotesis pengujian:
Ho : Model REM H1 : Model FEM
Dasar penolakan Ho menggunakan pertimbangan statistic chi square. Hausmann Test dengan bahasa pemrograman EViews sebagai berikut:
Jika hasil dari Hausmann Test signifikan probability dari Hausmann α
maka tolak Ho, artinya model FEM digunakan. 3.
LM Test LM Test atau Breusch-Pagan LM Test merupakan pertimbangan statistic
dalam pemilihan model REM atau PLS. Uji hipotesis:
H : Model PLS
H
1
: Model REM Dasar penolakan Ho yakni dengan cara membandingkan nilai statistic LM
dengan nilai Chi-Square. Jika hasil perhitungan nilai LM lebih besar dari -
tabel maka cukup bukti untuk melakukan tolak H sehingga model yang akan
digunakan adalah model REM, begitu juga dengan sebaliknya.
3.2.5 Koefisien Determinasi
Koefisien determinasi merpakan besaran yang digunakan untuk mengukur kelayakan suatu model. Koefisien determinasi dikenal dengan istilah R
2
. Koefisien determinasi digunakan untuk mengetahui proporsi varians variabel
tidak bebas yang dijelaskan oleh variabel bebas secara bersama-sama atau secara verbal R
2
mengukur proporsi bagian atau persentase total variasi dalam Y yang dijelaskan oleh model regresi Gujarati, 2003.
R
2
diperoleh dengan rumus : R
2
= ……………………………………………..………………3.4
Dimana : RSS : Jumlah Kuadrat Regresi
TSS : Jumlah Kuadrat Total
R
2
memiliki rentang antara 0R21. Jika R
2
bernilai satu maka variabel independen menjelaskan 100persen variasi dalam variabel dependen, sedangkan
jika R
2
bernilai nol maka variabel independen tidak dapat menjelaskan variasi dalam variabel dependen. Hal ini menunjukkan bahwa semakin besar
koefisiennya tau mendekati satu maka model yang dibentuk dapat menjelaskan keragaman dari variabel dependen model semakin baik.
3.2.6 Asumsi Kenormalan
Untuk mengetahui apakah error term medekati distribusi normal atau tidak maka dilakukan pengujian kenormalan. Uji normalitas error term dilakukan
dengan menggunakan uji Jarque Bera dengan hipotesisnya sebagai berikut: H0 :
α = 0, error term terdistribusi normal H1 :
α ≠ 0, error term tidak terdistribusi normal Uji normalitas diaplikasikan dengan menggunakan uji Jarque Bera bila
nilai probabilitas yang diperolh lebih besar dari taraf nyata yang digunakan, maka terima H0 yang berarti error term dalam model sudah menyebar normal.
3.2.7 Pengujian Asumsi Klasik
Untuk menghasilkan model yang efisien, fisibel, dan konsisten maka diperlukan pendektesian berbagai bentuk pelanggaran asumsi yaitu gangguan
antara waktu time-related disturbance, gangguan antar individu cross sectional disturbance, dan gangguan akibat keduanya.
3.2.7.1 Uji Multikolinearitas
Multikolinearitas merupakan kondisi dimana terdapat hubungan linier antara variabel independen. Sedangkan ciri dari hasil dugaan Best Linier
Unbiasedd Estimation BLUE mensyaratkan tidak adanya hubungan linear antar variabel independen atau tidak ada multikolinearitas. Multikolinearitas
ditunjukkan dengan adanya nilai R
2
yang tinggi, tetapi variabel yang signifikan sedikit. Multikolinearitas akan berdampak adanya kesulitan untuk memisahkan
efek suatu variable independent terhadap variable dependen dengan efek dari variabel independen yang lain, serta distribusi parameter regresi menjadi sangat
sensitif terhadap korelasi yang terjadi antar variabel independen dan galat baku regresi.
Cara mengatasi kolinearitas ganda adalah dengan memanfaatkan informasi sebelumnya, mengeluarkan variabel dengan kolinearitas tinggi,
melakukan transformasi terhadap variabel-variabel dalam model dengan bentuk pembedaan pertama untuk data deret waktu, serta menggunakan regresi
komponen utama. Juanda, 2009
3.2.7.2 Uji Heteroskedastisitas
Heteroskedastisitas terjadi bila ragam sisaan tidak sama untuk setiap pengamatan dari variabel-variabel bebas dalam model regresi. Dampak yang
ditimbulkan dari heteroskedastisitas adalah dugaan parameter koefisien regresi dengan metode OLS tetap tidak bias dan masih konsisten dan penduga OLS tidak
efisien lagi. Keberadaan Heteroskedastisitas dapat diuji dengan Park test, Goldfelt-Quandt test, Breusch-Pagan-Godfrey Test, dan White General
Heteroscedasticity Gujarati, 2003. Permasalahan heteroskedastisitas dapat diatasi dengan metode Kuadrat
Terkecil Terboboti WLS, Weighted Least Squares yang merupakan kasus khusus dari teknik ekonometrika yang lebih umum, yang disebut dengan GLS
Generalized Least Squares. Selain itu dapat juga dilakukan dengan pembobotan Cross Section SUR.
3.2.7.3 Uji Autokolerasi
Autokorelasi merupakan gejala adanya korelasi antara serangkaian observasi yang diurutkan menurut deret waktu time series. Jika antar sisaan
tidak bebas maka dapat dikatakan model mengalami gejala autokorelasi. Dampak yang akan terjadi bila suatu model mengalami autokorelasi adalah dugaan
parameter menjadi tidak bias, konsisten, memiliki standar eror yang bias ke bawah serta tidak efisien. Keberadaan autokorelasi dapat dideteksi dengan
menggunakan uji Durbin-Watson. Berikut Tabel 3.1 yang mengidentifikasikan ada tidaknya autokorelasi.
Tabel 3.1 Selang Nilai Statistik Durbin-Watson serta Keputusannya
Nilai Durbin-Watson Keterangan
DW 1,10 Ada Autokorelasi
1,10 DW 1,54 Tanpa Kesimpulan
1,55 DW 2,46 Tidak ada autokorelasi
2,46 DW 2,90 Tanpa kesimpulan
DW 2,91 Ada autokorelasi
Sumber: Firdaus, 2004
3.2.8 Model Persamaan Ekonometrika
Perumusan model ekonometrika mengukur hubungan volume permintaan impor garam akan berhubungan positif dengan pendapatan per kapita riil, jumlah
penduduk, dan harga impor serta memiliki hubungan negatif dengan Kurs Riil. Dalam model, variabel yang digunakan adalah variabel Pendapatan Per Kapita
Riil, populasi, nilai tukar riil, dan harga impor sebagai variabel independen, sedangakn variabel dependennya adalah volume impor garam. Cakupan negara
diantaranya adalah Indonesia, Autralia, India, China, dan Selandia Baru. Ada tiga m3odel yang dianalisis pada penelitian ini hingga akhirnya menentukan satu
model yang terbaik yang mampu menginterpretasikan faktor-faktor yang memengaruhi impor garam.
Model 1 : ln Y
b b ln PM
b ln Pop b ln KURS
b ln GDP b ln IND
b ln P b D
b D b D
ε ……………………...…3.5 Model 2 :
ln Y b
b ln PM b ln Pop
b ln KURS b ln IND
b ln P b D
b D b D
ε ……………………………………..…3.6 Model 3 :
ln Y b
b ln PM b ln KURS
b ln GDP b ln IND
b ln P b D
b D b D
ε ………………………….……….……3.7 dimana:
b = intersep
b , b , … , b = Parameter masing-masing variabel yang diuji secara statistik dan ekonometrik
t = 1,…,T mulai tahun 2001-2010,
i, j = 1,…,N perdagangan bilateral negara i dengan negara j
Y = Volume Impor Garam HS 2501 Ton
Pop = Populasi negara Indonesia pada tahun t Jiwa GDP = Pendapatan Nasional pada tahun t Milyar Rupiah
IND = Jumlah Industri yang menggunakan bahan baku garam Satuan KURS = Kurs mata uang riil negara i pada tahun tRupiahDolar
PM = Harga impor garam pada tahun t DolarTon D1 = Dummy negara Australia nilai 1 untuk Australia dan nilai 0 untuk
lainnya D2 =
Dummy negara India nilai 1 untuk India dan nilai 0 untuk lainnya D3 =
Dummy negara Selandia Baru nilai 1 untuk Selandia Baru dan nilai 0 untuk lainnya
ε = Galat pengaruh dari variabel lain yang tidak termasuk dalam model
3.2.9 Definisi Operasional
