Langkah-langkah pengujian sebagai berikut: Hipotesis:
Ho : Data tersebut tidak stasioner pada derajat 1, 2, ........ dst Ha : Data tersebut stasioner pada derajat 1, 2, .........dst
Pengambilan keputusan dilakukan dengan kriteria: Jika PP test statistik PP tabel
critical value α = ... maka Ho ditolak Jika PP test statistik PP tabel
critical value α = ... maka Ha diterima
3. Uji Kointegrasi
Data time series yang tidak stasioner kemungkinan besar akan menghasilkan regresi lancung spurious regression. Regresi lancung
terjadi jika koefisien determinasi cukup tinggi tapi hubungan antara variabel independen dan variabel dependen tidak mempunyai makna. Hal
ini terjadi karena hubungan keduanya yang merupakan data time series hanya menunjukkan trend saja. Jadi tingginya koefisien determinasi karena
trend bukan karena hubungan antar keduanya.
Berdasarkan uji stasionaritas, apabila data varibel makro tidak stasioner pada tingkat Level sedangkan pada tingkat diferensi pertama,
kedua data menjadi stasioner, maka penelitian dapat dilanjutkan pada Uji
Kointegrasi. Langkah-langkah pengujian sebagai berikut:
Hipotesis: Ho : Tidak terdapat hubungan jangka panjang antara variabel independent
dan variabel dependent.
Ha : Terdapat hubungan jangka panjang antara variabel independent dan variabel dependent.
Pengambilan keputusan dilakukan dengan kriteria: Jika PP test statistik PP
tabel critical value α = ... maka Ho ditolak Jika PP test statistik PP tabel critical value α = ... maka Ho diterima
4. Pengujian Asumsi Klasik
a. Autokorelasi
Autokorelasi adalah suatu keadaan dimana terjadi korelasi antara residual tahun ini dengan tingkat kesalahan tahun sebelumnya.
Untuk mengetahui ada atau tidaknya penyakit autokorelasi dalam suatu model, dapat dilihat dari nilai statistik Durbin-Watson.
Deteksi adanya autokorelasi dapat menggunakan Besaran Durbin- Watson D-W. Secara umum peniliaian besaran D-W dapat diambil
patokan : Gujarati, 2006. 1. Angka D-W di bawah -2 berarti ada autokorelasi positif.
2. Angka D-W di antara -2 sampai +2, berarti tidak ada autokorelasi. 3. Angka D-W di atas +2 berarti ada autokorelasi negatif.
Tabel 3.1 Menentukan ada tidaknya autokorelasi dengan Uji Durbin-Watson
Ada autokorelasi positif
Tidak dapat diputuskan
Tidak ada autokorelasi Tidak dapat
diputuskan Ada autokorelasi
negative
dl du 2 4-du 4-dl 4
1.10 1.54 2.46 2.90
Langkah-langkah pengujian sebagai berikut: Hipotesis:
Ho: Model tidak terdapat Autokorelasi Ha: Terdapat Autokorelasi
Bila nilai DW tidak berada antara 1.54 – 2.46 → Ho ditolak
Bila nilai DW berada antara 1.54 – 2.46 → Ho diterima
Selain dengan menggunakan uji Durbin Watson, untuk melihat ada tidaknya penyakit autokorelasi dapat juga digunakan uji Langrange
Multiplier LM Test dengan membandingkan nilai probabilitas R-Squared dengan α = 0.05 Gujarati, 2006
Langkah-langkah pengujian sebagai berikut: Hipotesis:
Ho: Model tidak terdapat Autokorelasi Ha: Terdapat Autokorelasi
Bila probabilitas ObsR
2
0.05 → Signifikan, Ho diterima
Bila probabilitas ObsR
2
0.05 → Tidak signifikan, Ho ditolak
Apabila probabilitas ObsR
2
lebih besar dari 0.05 maka model tersebut tidak terdapat autokorelasi. Apabila probabilitas ObsR
2
lebih kecil dari
0.05 maka model tersebut terdapat autokorelasi b.
Uji Heteroskedastisitas
Heteroskedastisitas adalah deteksi untuk melihat apakah variabel gangguan tidak konstan. Pendeteksian heteroskedastisitas dapat dilakukan
melalui Uji White. Dengan langkah-langkah pengujian sebagai berikut:
Langkah-langkah pegujian sebagai berikut: Hipotesis:
Ho: Model tidak terdapat Heteroskedastisitas Ha: Terdapat Heteroskedastisitas
Bila probabilitas ObsR
2
0.05 → Ho ditolak
Bila probabilitas ObsR
2
0.05 → Ho diterima
Apabila probabilitas ObsR
2
lebih besar dari 0.05 maka model tersebut tidak terdapat heteroskedastisitas. Apabila probabilitas ObsR
2
lebih kecil dari 0.05 maka model tersebut dipastikan terdapat heteroskedastisitas. Jika model tersebut harus ditanggulangi melalui
transformasi logaritma natural dengan cara membagi persamaan regresi dengan variabel independen yang mengandung heteroskedastisitas. Setelah
dilakukan Uji Heteroskedastisitas, kemudian dilanjutkan dengan Uji Autokorelasi..
c. Uji Linearitas
Uji yang sangat populer untuk menguji masalah linieritas adalah uji yang dikembangkan oleg J.B Ramsey tahun 1969 untuk lebih dikenal
dengan nama Ramsey RESET Test. Uji ini biasanya didesain untuk menguji apakah suatu variabel penjelas cocok atau tidak dimasukkan
dalam suatu model estimasi. Akan tetapi menurut Kennedy 1996 dalam Insukindro 2003 uji yang dikembangkan oleh J.B Ramsey ini digunakan
untuk menguji apakah bentuk fungsi suatu model estimasi linier atau tidak linier.
Langkah-langkah pengujian sebagai berikut: Hipotesis:
Ho: Model tidak Linear Ha: Model Linear
Bila probabilitas ObsR
2
0.05 → Signifikan, Ho diterima
Bila probabilitas ObsR
2
0.05 → Tidak signifikan, Ho ditolak
d. Normalitas
Uji Normalitas ini bertujuan untuk menguji apakah dalam sebuah model regresi, variabel dependent, variabel independent atau keduanya
mempunyai distribusi normal ataukah tidak. Model regresi yang baik adalah distribusi data normal atau mendekati normal. Gujarati, 2006.
Langkah-langkah pengujian sebagai berikut: Hipotesis:
Ho: Model tidak Normal Ha: Model Normal
Bila probabilitas ObsR
2
0.05 → Signifikan, Ho diterima
Bila probabilitas ObsR
2
0.05 → Tidak signifikan, Ho ditolak
4. Uji Error Corection Model ECM