atau ∆Y
t
= Y
t-1
+
1
∆Y
t-1
+
2
∆Y
t-2
+ ... +
p-1
∆Y
t-p
+ μ
t
3.7 dimana :
=
1
+
2
+ ... +
p-1
= nilai koefesien Penentuan besarnya k berdasarkan perkiraan banyaknya lag yang diperlukan
untuk membuat μ
t
tidak berkorelasi satu sama lain atau sampai data sudah stasioner. Hipotesis untuk pengujian pembeda adalah:
H
o
: = 0 data mengandung akar unittidak stasioner
H
a
: 0 data tidak mengandung akar unitstasioner
Data akan dikatakan menolak H
o
artinya tidak mengandung akar unit atau sudah stasioner jika nilai statistik uji Augmented Dickey-Fuller ADF lebih besar negatif
dari nilai kritis tabel Mackinnon atau nilai probability ADF-nya lebih kecil dari nilai
α = 0,05 pada tingkat kepercayaan 95 persen.
3.2.4 Pengujian Asumsi Klasik
Suatu model regresi dapat dikatakan sebagai model regresi terbaik apabila memenuhi asumsi-asumsi regresi berikut:
3.2.4.1. Normalitas
Analisis regresi linier klasik mengasumsikan bahwa setiap error berdistribusi normal. Pengujian dilakukan dengan hipotesis, sebagai berikut :
H : Error terdistribusi normal
H
1
: Error tidak terdistribusi normal Pengujian asumsi normalitas ini dilakukan dengan melihat nilai Jarque-
Berra- nya yang dibandingkan dengan nilai tabel Chi-Square
2
dengan besarnya “v” adalah sesuai dengan jumlah lag-nya. Jika nilai Jarque Berra-nya
lebih kecil dari nilai kritis tabelnya atau nilai probability lebih besar dari nilai α
yang ditetapkan, maka kesimpulan diperoleh adalah terima H , yang artinya data
terdistribusi normal.
3.2.4.2 Nonmultikolinieritas
Multikolinieritas adalah kondisi adanya hubungan linier antar variabel independen. Kondisi multikolinieritas ditunjukkan dengan berbagai informasi,
sebagai berikut: 1. Nilai R
2
tinggi, tetapi variabel independen banyak yang tidak signifikan. 2. Dengan menghitung koefisien korelasi antar variabel independen. Apabila
koefisiennya rendah, maka tidak terdapat multikolinieritas. 3. Dengan melakukan regresi auxiliary. Regresi ini dilakukan dengan
memperlakukan masing-masing variabel independen sebagai variabel dependen. Apabila model kita memiliki multikolinieritas, akan memunculkan akibat-
akibat berikut ini: 1. Estimator masih bersifat BLUE Best Linier Unbiased Estimator, tetapi
memiliki varian dan kovarian yang besar, sehingga sulit dipakai sebagai alat estimasi.
2. Interval estimasi cenderung lebar dan nilai statistik uji t akan kecil, sehingga menyebabkan variabel independen tidak signifikan secara statistik dalam
mempengaruhi variabel indepen. Uji multikolinieritas adalah pengujian bahwa tidak ada hubungan yang
eksaklinier antar variabel independen. Metode yang digunakan untuk mendeteksi multikolinieritas adalah dengan melihat nilai R
2
otokorelasi AC tidak melebihi 0,5 baik + atau -.
3.2.4.3 Asumsi Homoskedastisitas