93
Adanya indikasi hubungan keseimbangan dalam jangka panjang belumdapat digunakan sebagai bukti bahwa terdapat hubungan dalam jangka pendek. Sehingga
untuk menentukan variabel mana yang menyebabkan parubahan padavariabel lain, dan untuk menyediakan shortrun dynamic adjustment guna menuju periode jangka
panjang, maka dilakukan perhitungan ECM setelah melakukan uji asumsi klasik terlebih dahulu.
5. Hasil Uji Asumsi Klasik
Suatu model dikatakan baik untuk alat prediksi apabila mempunyai sifat-sifat tidak bias linier terbaik suatu penaksiran atau Best Linier Unbiased Estimator
BLUE. Di samping itu suatu model dikatakan cukup baik dan dapat dipakai untuk memprediksi apabila sudah lolos dari serangkaian uji asumsi klasik yang
melandasinya, pengujian ini dimaksudkan untuk mendeteksi ada tidaknya multikolinieritas, heterokedastisitas, dan autokorelasi di dalam model penelitian. Uji
asumsi klasik dalam penelitian ini terdiri dari:
a. Hasil Uji Multikolinearitas
Uji multikolinieritas dilakukan untuk mengetahui ada tidaknya hubungan korelasi yang signifikan diantara dua atau lebih variabel independen dalam model
regresi. Deteksi adanya multikolinieritas dilakukan dengan menggunakan uji korelasi parsial antar variabel independen. Dengan melihat nilai koefisien korelasi r antara
variabel independen, dapat diputuskan apakah data terkena multikolinieritas atau tidak, yaitu dengan menguji koefisien korelasi antar variabel independen. Hasil
94
pengujian multikolinieritas menggunakan uji korelasi r dapat dilihat sebagai berikut:
Tabel 4.5 Uji Multikolinieritas
LNDPK NPF
INFLASI LNDPK
1.000000 -0.834124
-0.460436 NPF
-0.834124 1.000000
0.240965 INFLASI
-0.460436 0.240965
1.000000 Adanya kolinearitas dalam suatu model merupakan hal yang sangat serius dan
perlu segera dibenahi. Parameter yang terestimasi pada saat adanya kolinearitas menjadi tidak reliable.Dengan demikian, pada saat kita hendak menginterprestasikan
parameter tersebut analisisnya menjadi kurang atau tidak akurat.Akan tetapi, model yang mengandung kolinearitas masih bermanfaat, jika model yang terestimasi hanya
digunakan untuk membuat suatu ramalan forecast saja, asalkan R
2
masih cukup tinggi. Sebab untuk keperluan meramal, yang penting adalah menganalisis
keseluruhan model dan tidak individual parameter Nachrowi dan Hardius Usman,2006.
Dari tabel hasil analisis uji multikolinearitas dengan correlation matrix diatas terlihat bahwa koefisien korelasi ada yang diatas 0.8, sehingga dapat disimpulkan
bahwa dalam model terdapat masalah multikolinieritas. Meskipun terdapat multikolineritas, tetapi tidak mempengaruhi model secara signifikan hasil akhir
estimasi tetap menunjukan hasil yang cukup bagus Agus Widarjono, 2005:111.
Sumber : Eviews 6 data diolah
95
Ada beberapa alternatif dalam menghadapi masalah multikolinieritas, salah satunya dengan melakukan transformasikan salah satu atau beberapa variabel,
termasuk misalnya dengan melakukan diferensi Winarno :2012:5.8
Tabel 4.6 Uji Multikolinieritas Setelah Differensiasi
DLNDPK DNPF
DINFLASI DLNDPK
1.000000 -0.063764
-0.018498 DNPF
-0.063764 1.000000
-0.197251 DINFLASI
-0.018498 -0.197251
1.000000 Setelah data variabel independen bebas di transformasikan dengan cara
melakukan diferensi maka dapat dilihat koefisien korelasi setelah dilakukan uji multikolinieritas dengan correlation matrix lebih kecil 0,8, sehingga dapat
disimpulkan bahwa model tidak terdapat masalah multikolinieritas.
b. Hasil Uji Autokorelasi
Untuk mendeteksi masalah autokorelasi digunakan uji Langrange Multiplier LM-test. Uji ini sangat berguna untuk mengidentifikasi masalah autokorelasi tidak
hanya pada derajat pertama first order tetapi juga digunakan pada tingkat derajat. Jika probabilitas dari ObsR-square 0.05 Ho ditolak ada autokorelasi.
Jika probabilitas dari ObsR-square 0.05 Ho diterima tidak ada autokorelasi. Uji autokerelasi juga bisa dilihat dari nilai probabilitas Chi-Square.Jika
probabilitas Chi-Square lebih besar dari tingkat signifikan 5 maka tidak terdapa autokorelasi dan sebaliknya jika probabilitas Chi-Squared lebih kecil dari 5 maka
terdapat autokorelasi.
Sumber : Eviews 6 data diolah
96
Tabel 4.7 Hasil Uji Autokorelasi
Breusch-Godfrey Serial Correlation LM Test: F-statistic
0.997475 Prob. F2,59
0.3749 ObsR-squared
2.256769 Prob. Chi-Square2
0.3236
Pada tabel hasil output diatas menunjukan bahwa nilai ObsR Squared LM mempunyai probabilitas sebesar 0.3236 dimana probabilitas lebih besa
r dari nilai α sebesar 0.05 atau 5. Berarti probabilitas tersebut memberikan putusan untuk tidak
dapat menolak hipotesis, yang artinya model ini terbebas dari permasalahan autokorelasi.
c. Hasil Uji Heterokedastisitas
Uji heterokedastisitas bertujuan untuk menguji apakah dalam model regresi terjadi ketidaksamaan varians dari residual satu pengamatan kepengamatan yang lain.
Dalam penelitian ini digunakan uji white untuk mengidentifikasi masalah heterokedastis ini, Dengan kesimpulan :
Jika probabilita dari ObsR-square uji white 0.05 Ho ditolak ada Heterokedastisitas
Jika probabilita dari ObsR-square uji white 0.05 Ho diterima tidak ada heterokedastisitas
Adapun hasil uji white dengan bantuan software eviews 6 terlihat pada tabel dibawah ini menunjukan bahwa dalam model tidak mengandung heterokedastisitas.
Sumber : Eviews 6 data diolah
97
Tabel 4.8 Hasil Uji Heterokedastisitas
Heteroskedasticity Test: White F-statistic
1.911468 Prob. F35,33
0.0322 ObsR-squared
46.20752 Prob. Chi-Square35
0.0974 Scaled explained SS
43.55124 Prob. Chi-Square35
0.1521
Dari tabel diatas diketahui bahwa nilai probabilitas dari Chi-Square sebesar 0.0974 yang lebih besar dari nilai
α sebesar 0.05. karena nilai probabilitas Chi-Square lebih besar dari
α =5 maka Ho diterima sehingga dapat disimpulkan bahwa dalam model tidak ada masalah heterokedastisitas Agus Widarjono,2005.
6. Hasil Regresi Metode Error Correction Model ECM
Dengan ditemukannya fenomena hubungan jangka panjang antara variable- variabel yang digunakan dalam pengujian kointegrasi di atas, maka langkah
selanjutnya adalah melakukan pendekatan Error Correction Model ECM. Model koreksi kesalahan digunakan untuk melihat apakah ada atau tidaknya hubungan antar
variable dalam jangka pendek. Error Correction Model merupakan salah satu pendekatan untuk menganalisis model time series yang digunakan untuk melihat
adanya konsistensi hubungan jangka pendek dengan hubungan jangka panjang dari variable-variabel yang diuji. Berikut merupakan persamaan ECM yang digunakan
dalang penelitian ini : DLNPBPRS
t = β0 + β1 DLNDPK t + β2 DNPF t + β3 DINFLASI t + β4 LNDPK t-
1 + β5 NPF t-1 + β6 INFLASI t-1 + β7 ECT 4.1
Sumber : Eviews 6 data diolah
