Model Faktor-faktor yang Memengaruhi Daya Saing Karet Remah Indonesia

mengasumsikan bahwa unsur gangguan yang berhubungan dengan observasi tidak dipengaruhi oleh unsur gangguan yang berhubungan dengan pengamatan lain. Uji autokorelasi dilakukan untuk melihat apakah terdapat hubungan antar galat dalam persamaan regresi yang diperoleh. Jika autokorelasi tersebut diabaikan, maka akan berdampak terhadap pengujian hipotesis dan proses peramalan. Autokorelasi cenderung akan mengestimasi standar error yang kurang dari nilai yang sebenarnya, sehingga nilai t-statistik akan lebih besar over estimated. Dampaknya adalah uji-F dan uji-t menjadi tidak valid dan peramalan juga menjadi tidak efisien. Namun, hasil estimasi dan peramalannya masih bersifat konsisten dan tidak bias. Sifat konsisten pada hasil estimasi dan peramalan model yang mengabaikan autokrelasi tidak akan bertahan lama, kecuali lag dependent variable diikutsertakan sebagai variabel penjelas. Pengujian untuk mendeteksi ada tidaknya autokorelasi dapat diakukan dengan metode Breusch-Godfrey serial correlation LM Test. Sebelum melakukan pengujian, lebih dulu disusun hipotesis awal dan hipotesis tandingannya. H = tidak ada korelasi H 1 = ada autokorelasi Taraf nyata = α Pengambilan kesimpulan bisa dilakukan dengan melihat apakah nilai probabilitas dari obsR-squared kurang dari atau lebih dari pada taraf nyata α. jika nilai obsR-squared lebih dari taraf nyata α, maka terima H 0. Artinya tidak terdapat autokorelasi dalam model regresi yang diperoleh. Dan jika sebaliknya nilai obsR-squared lebih kecil dari taraf nyata, maka dapat disimpulkan bahwa terdapat autokorelasi yang signifikan pada model regresi tersebut. b. Heteroskedastisitas Kondisi heteroskedastisitas merupakan kondisi yang melanggar asumsi dari regresi klasik. Heteroskedastisitas menunjukkan nilai varian dari variabel bebas yang berbeda, sedangkan asumsi yang dipenuhi linear klasik adalah mempunyai varian yang sama konstan atau homoskedastisitas. Pengujian masalah heteroskedasisitas dilakukan dengan menggunakan uji white test heterosedasticity test Gujarati, 1995. Pengujian ini dilakukan dengan cara melihat probabilitas pada obsR- squared . H = δ sama dengan nol H 1 = δ tidak sama dengan nol Taraf nyata = α Pengambilan kesimpulan dilakukan dengan melihat apakah nilai probabilitas dari obsR-squared lebih kecil atau lebih besar dari pada taraf nyata α. Jika nilai obsR-squared lebih dari taraf nyata α, maka terima H 0, artinya tidak mengalami gejala heteroskedasisitas dalam model regresi yang diperoleh. Jika sebaliknya, maka bisa disimpulkan adanya gejala heteroskedastisitas pada model regresi tersebut. c. Multikolinearitas Multikolinearitas diartikan sebagai adanya hubungan yang “sempurna” atau pasti, di antara beberapa atau semua variabel yang menjelaskan dari model regresi. Untuk melihat ada atau tidaknya multikolnearitas dapat dilakukan dengan melihat correlation matrix. Multikolinearitas dapat dideteksi dengan melihat koefisien korelasi antarvariabel bebas. Jika korelasinya kurang dari 0,8 rule of thumbs 0,8 maka dapat disimpulkan bahwa tidak ada multikolinearitas. Tetapi jika nilai koefisien korelasinya lebih dari 0,8 rule of thumbs 0,8 maka dapat disimpulkan bahwa terdapat multikolinearitas dalam model tersebut. Multikolinearitas menyebabkan koefisien-koefisien regresi dugaan memiliki ragan yang sangat besar, implikasinya statistik t yang didefinisikan sebagai rasio antara koefisien regresi dan simpangan bakunya menjadi lebih kecil yang berakibat pada pengujian koefisien akan cenderung untuk menerima H sehingga koefisien-koefisien regresi tidak nyata, yang akhirnya seringkali persamaan regresi yang dihasilkan menjadi missleading Wetherill, 1986. Cara yang bisa digunakan untuk mendeteksi multikolinearitas adalah dengan melihat nilai faktor inflasi ragam Variance Inflation Factor atau VIF, yaitu pengukuran multikolinearitas untuk peubah bebas ke-i. Nilai VIF akan semakin besar jika terdapat korelasi yang semakin tinggi antarvariabel bebas. Nilai VIF yang lebih besar dari 10 bisa digunakan sebagai petunjuk adanya kolinearitas Neter et al., 1990.