Engle-Granger Cointegration pada dasarnya menggunakan metode Augmented Dickey Fuller ADF yang terdiri dari dua tahap. Pertama, dengan meregresikan
persamaan variabel dependen dengan variabel independen menggunakan metode OLS. Volume ekspor LNG Indonesia diregresikan dengan produksi LNG,
konsumsi gas domestik, harga ekspor LNG, harga gas domestik dan dummy
kebijakan domestic market obligation DMO, kemudian didapatkan residual u
dari persamaan tersebut. Kedua, melakukan uji ADF terhadap residual dengan hipotesis yang sama seperti hipotesis uji ADF sebelumnya.
Jika hipotesis nol ditolak atau signifikan, maka variabel u stasioner atau
dalam hal ini terdapat kombinasi linier antar variabel. Artinya, meskipun variabel- variabel yang digunakan tidak stasioner, namun dalam jangka panjang variabel-
variabel tersebut cenderung menuju pada keseimbangan. Oleh karena itu, kombinasi linier dari variabel-variabel ini disebut co-integrated regression atau
regresi kointegrasi dan parameter-parameter yang dihasilkan disebut co-integrated parameters atau koefisien-koefisien jangka panjang.
3.4. Error Correction Model ECM
Adapun persamaan Error Correction Model yang akan digunakan dalam penelitian ini diuraikan sebagai berikut:
DLN_X
t
= β
1
DLN_Q
t
+ β
2
DLN_ER
t
+ β
3
DLN_PD
t
+ β
4
DLN_PX
t
+ β
5
DLN_CD
t
+ Dummy + γu
t-1
+ e
t
……………………………3.1 dengan -1 γ 0
Di mana : D =
First Difference LN_Xt
= Total volume ekspor LNG Indonesia periode t,
LN_Qt = Produksi LNG periode t,
LN_ERt = Nilai tukar periode t, LN_PDt = Harga domestik gas alam periode t,
LN_PXt = Harga ekspor LNG periode t, LN_CDt = Konsumsi domestik gas alam periode t,
Dummy = Dummy kebijakan domestic market obligation DMO
γ = Error Correction Term
u
t
= LN_X
t
– b – b
1
LN_Q
t
– b
2
LN_ER
t
– b
3
LN_PD
t
– b
4
LN_PX
t
– b
5
LN_CD
t
................................................................................. 3.2 e
t
= error periode t.
Dengan mensubstitusikan persamaan 3.2, yaitu mengeluarkan koefisien dalam u, maka persamaan 3.1 dapat diubah menjadi:
DLN_X
t
= β + β
1
DLN_Q
t
+ β
2
DLN_ER
t
+ β
3
DLN_PD
t
+ β
4
DLN_PX
t
+ β
5
DLN_CD
t
+ β
6
LN_X
t-1
+ β
7
LN_Q
t-1
+ β
8
LN_ER
t-1
+ β
9
LN_PD
t-1
+ β
10
LN_PX
t-1
+ β
11
LN_CD
t-1
+ Dummy + e
t
………. 3.3 Di mana:
β = b
γ ; β
1
= b
1
; β
2
= b
2
; β
3
= b
3
; β
4
= b
4
; β
5
= b
5
; β
6
= γ ; β
7
= -b
1
γ ; β
8
= -b
2
γ ; β
9
= -b
3
γ ; β
10
= -b
4
γ ; β
11
= -b
5
γ.
Untuk mengamati apakah spesifikasi model dengan ECM merupakan model yang valid, maka dilakukan uji terhadap koefisien Error Correction Term ECT.
Jika hasil pengujian terhadap ECT signifikan, maka spesifikasi model yang diamati valid Hafizah, 2009.
3.5. Uji Diagnostik 3.5.1. Uji Multikolinearitas
Multikolinearitas adalah hubungan linear yang kuat antara variabel-variabel eksogen dalam persamaan regresi berganda. Jika nilai R
2
yang diperoleh tinggi antara 0,8 dan 1 tetapi tidak terdapat atau sedikit sekali koefisien dugaan yang
signifikan pada taraf uji tertentu dan tanda koefisien regresi dugaan tidak sesuai teori maka model yang digunakan berhubungan dengan masalah multikolinearitas
Gujarati, 1997. Menurut uji Klein apabila nilai R
2
lebih besar daripada nilai korelasi dari tiap variabel eksogen maka multikolinearitas dapat diabaikan.
Hal utama yang menyebabkan terjadinya multikolinearitas pada model regresi, yaitu kesalahan teoritis dalam pembentukan model fungsi regresi yang
dipergunakan atau terlampau kecilnya jumlah pengamatan yang akan dianalisis dengan model regresi. Tindakan perbaikan terhadap multikolinearitas dapat
dilakukan dengan berbagai alternatif sebagai berikut: 1. Menggunakan extraneous atau informasi sebelumnya.
2. Mengkombinasikan data cross section dan data time series. 3. Membuang variabel yang berkorelasi.
4. Mentrasformasikan data. 5. Mendapatkan tambahan atau data baru.
3.5.2. Uji Autokorelasi
Salah satu asumsi dari model regresi linear adalah bahwa tidak ada autokorelasi atau korelasi serial antara error term ε
t
. Dengan pengertian lain, error term menyebar bebas atau Covε
i
, ε
j
= Eε
i
, ε
j
= 0, untuk semua i ≠ j. Jika antar error term tidak bebas atau Eε
i
, ε
j
≠ 0, untuk semua i≠j, maka terdapat
masalah autokorelasi Juanda, 2009. Autokorelasi sering terjadi pada data time series, dimana error term pada satu periode waktu secara sistematik tergantung
kepada error term pada periode-periode waktu yang lain. Konsekuensi dari adanya autokorelasi yaitu varian yang diperoleh dari
estimasi dengan ECM bersifat under estimate, yaitu nilai varian parameter yang diperoleh lebih kecil daripada nilai varian yang sebenarnya.
Uji yang digunakan untuk mendeteksi apakah pada data yang diamati terjadi autokorelasi atau tidak adalah uji Breusch-Godfrey Serial Correlation LM.
Apabila nilai probability ObsR-squared lebih besar dari taraf nyata maka tidak ditemukan gejala autokorelasi pada model, namun bila nilai probability ObsR-
squared lebih kecil dari taraf nyata maka ditemukan gejala autokorelasi pada model.
3.5.3. Uji Heteroskedastisitas
Salah satu asumsi yang penting dari model regresi linear klasik adalah memiliki varian residual yang konstan homoskedastis. Rumusan
homoskedastisitas adalah sebagai berikut : Varε
i
= Eε
i 2
= σ
2
.......................................................................................... 3.4 Di mana :
ε
i
= unsur disturbance, σ
2
= nilai varians. Apabila asumsi tersebut tidak terpenuhi maka varian residual tidak lagi
bersifat konstan disebut dengan heteroskedastisitas. Konsekuensi dari adanya heteroskedastisitas yaitu :
a. Estimasi dengan menggunakan ECM tidak akan lagi memiliki varian yang minimum atau estimator tidak efisien.
b. Prediksi nilai Y untuk X tertentu dengan estimator dari data yang sebenarnya akan mempunyai varian yang tinggi sehingga prediksi menjadi
tidak efisien. Uji yang dapat dilakukan untuk mendeteksi apakah data yang diamati terjadi
heteroskedastisitas atau tidak yaitu dengan uji White-Heteroskedasticity. Apabila nilai probability ObsR-squared lebih kecil dari taraf nyata berarti terdapat gejala
heteroskedastisitas pada model, dan sebaliknya.
3.5.4. Uji Normalitas
Uji normalitas dilakukan untuk memeriksa apakah error term mendekati distribusi normal atau tidak. Jika asumsi ini tidak terpenuhi maka prosedur
pengujian menggunakan t-statistik menjadi tidak sah. Uji normalitas error term yang dilakukan adalah uji Jarque-Bera yang pengujiannya dilakukan berdasarkan
error dan penduga least squares. Prosedur pengujiannya adalah : H
: Error term terdistribusi normal, H
1
: Error term tidak terdistribusi normal. Jika probability Jarque-Bera lebih besar dibandingkan dengan taraf nyata α,
maka hipotesis nol diterima. Artinya, model ECM tidak mempunyai masalah normalitas atau error term terdistribusi normal.
3.6. Definisi Operasional
