probabilitas cross-section random lebih besar dari α α yang digunakan adalah 5 maka
menerima Ho dan menolak Ha yang berarti bahwa model Random Effects adalah model yang lebih baik.
Berdasarkan hasil olah data yang telah dilakukan diketahui bahwa nilai cross- section random
adalah sebesar 33.605200 dengan probabilitas sebesar 0.0000 lebih kecil dari α yang digunakan. Hal ini berarti bahwa model fixed effects adalah model
yang lebih baik daripada model Random Effects.
4.2.3 Regresi Data Panel
Pendekatan yang digunakan dalam penelitian ini adalah pendekatan panel data yaitu penggabungan data cross-section dan data time series. Data time series adalah
data yang dikumpulkan dan waktu ke waktu terhakan dap suatu individu. Sedangkan data cross-section adalah data yang dikumpulkan dalam satu waktu terhadap banyak
individu. Data yang dikumpulkan secara cross section dan diikuti pada periode waktu tertentu inilah yang disebut dengan data panel Nachrowi 2006. Model yang
digunakna adalah fixed effects yaitu sebagai berikut : LnEKS
it
= β
0i
+ β
1
LnPX
it
+ β
2
LnPY
it
+ β
2
LnGDP
it
+ β
3
IMPOR
it
+ β
4
KURS
it
+ β
5
EKS
it-1
+ µ
it
Setelah melakukan estimasi dengan model fixed effects tersebut didapatkan hasil sebagai berikut :
Tabel 4.7 Hasil Estimasi Data Panel dengan Model
Fixed Effects Variable
Coefficient t-Statistic
Adjusted R-squared F-statistic
C 2.320.498
2.827.911
0.912803 8.404.849
LnPX -0.623118
-2.640.140 LnPY
0.404136 2.264.863
LnGDP -3.366.179
-2.533.634 LnIMPOR
0.857926 2.620.174
LnKURS -912176
-3.188.661 LnEKSt-1
0.520510 6.721.346
Sumber : Data diolah dengan Eviews 6.0 Signifikan pada level 5
Berdasarkan tabel 4.6 hasil estimasi dengan menggunakan model fixed effects sebagai berikut :
LnEKS = 2.320.498 - 0.623118 LnLPX + 0.404136 LnLPY - 3.366.179 LnGDP + 0.857926 LnIMPOR
– 912176 LKURS + 0.520510 LnEKSt-1 + e
4.2.4 Asumsi Klasik
1 Multikolinearitas
Multikolinieritas mempunyai pengertian bahwa ada hubungan linier diantara beberapa atau semua variabel independen. Untuk mendeteksi masalah multikolinearitas
dalam penelitian ini adalah dengan menggunkan metode auxiliary regression yaitu dengan membandingkan nilai adjusted R
2
pada regresi utama dan regresi yang menggunakan masing-masing variabel independen sebagai variabel dependen. Ketentuan
yang digunakan adalah jika nila R
2
pada regresi utama lebih besar dari regresi regresi yang menggunakan variabel independen sebagai variabel dependen maka dapat
disimpulkan bahwa tidak terjadi masalah multikolinearitas dan sebaliknya. Hasil olah data yang dilakukan diperoleh hasil sebagai berikut :
Tabel 4.8 Hasil Auxiliary Regression
Variabel Dependen Adjusted R
2
LnEKS 0.9128
LnPX 0.7337
LnPY 0.5219
LnGDP 0.9982
LnIMPOR 0.9858
LnKURS 0.2694
LnEKST-1 0.9059
Berdasarkan tabel 4.8 di ketahui bahwa terdapat masalah multikolearitas pada variabel LnGDP dan LnIMPOR. Langkah perbaikan dengan mentransformasi model dan
mendiferensiasikan pada tingkat pertama menunjukan bahwa variabel tersebut masih memiliki masalah multikolinearitas. Langkah perbaikan dengan menghilangkan variabel
bertendensi menrunkan R
2
secara drastis sehingga kemampuan model untuk menjelaskan variasi perubahan dari variabel dependen menajadi kecil atau lemah. Oleh karena itu
langkah terbaik yang diambil adalah dengan tidak melakukan apa-apa.
2 Heterokedastisitas
Heteroskedastisitas merupakan pelanggaran asumsi dimana varians dari setiap residual atau error dari variabel-variabel bebas tidak konstan atau berubah-ubah dari
waktu ke waktu. Pada penelitian ini pendeteksian heteroskedastisitas dilakukan dengan menggunakan uji Park. Persamaan regresi data panel yang akan di uji
heterokedastisitas adalah sebagai berikut: LnEKS
it
= β
0i
+ β
1
LnPX
it
+ β
2
LnPY
it
+ β
2
LnGDP
it
+ β
3
IMPOR
it
+ β
4
KURS
it
+ β
5
EKS
it-1
+ µ
it
Maka uji Park dilakukan dengan tahapan sebagai berikut: Hasil estimasi dan model di atas akan menghasilkan nilai error yaitu µ
it.
Langkah selanjutnya adalah dengan membuat persamaan regresi sebagai berikut :
Lnµ
2 it
= β
0i
+ β
1
LnPX
it
+ β
2
LnPY
it
+ β
2
LnGDP
it
+ β
3
IMPOR
it
+ β
4
KURS
it
+ β
5
EKS
it-1
+ v
it
Ketentuan yang digunakan adalah jika terdapat variabel independen yang signifikan terhadap kuadrat dari error term maka model terdapat masalh
heterokedastisitas. Berdasarkan hasil olah data diperoleh hasil sebagai berikut :
Tabel 4.9 Hasil Pengujian Heterokedastisitas
Variable Coefficient
Std. Error
t- Statistic
Prob. C
4.263 36.119
0.118 0.906
LnPX 0.188
1.039 0.181
0.857 LnPY
-0.334 0.785
-0.426 0.671
LnGDP 2.601
5.849 0.445
0.658 LnIMPOR
-1.276 1.442
-0.885 0.378
LnKurs -0.190
1.259 -0.151
0.880 LnEKSt-1
-0.061 0.341
-0.180 0.858
Berdsarkan tabel 4.9 diketahui bahwa tidak ada variabel bebas yang memiliki pengaruh terhadap kuadrat dari error term sehingga dapat disimpulkan bahwa model
terbebas dari masalah heterokedastisitas.
3 Autokorelasi
Uji Autokolerasi dalam penelitian ini menggunakan uji Durbin Watson D- W test untuk menguji apakah dalam model regresi linier ada korelasi antara
anggota serangkaian observasi runtut waktu atau ruang.
Tabel 4.10 Hasil Pengujian Autokorelasi
Autokorelasi Negatif
Tidak Ada Kesimpulan
Tidak Ada Autokorelasi
Tidak Ada Kesimpulan
Autokorelasi Positif
dL dU
dW 4-dU
4-dL 1.478
1.7104 2.014229
2.2896 2.522
Berdasarkan hasil estimasi penguujian autokorelasi dengan menggunan metode Durbin Watson
dikperoleh nilai dW sebesar 2.014229. Dengan jumlah observasi sebanyak 120 dan jumlah konstanta 7 maka diperoleh nilai dL sebesar 1.478 dan dU
sebesar 1.7104. Hal ini berarti bahwa dLdUdW4-dU4-dL yang menandakan bahwa tidak ada autokorelasi.
4.2.5 Uji Statitik