variabel mana yang menyebabkan perubahan pada variabel lainnya, maka digunakan penghitungan Error Correction Model.
4. Uji Asumsi Klasik
Sebelum dilakukan Uji Error Correction Model, terlebih dahulu dilakukan Uji Asumsi Klasik
a. Autokorelasi
Untuk mengetahui ada atau tidaknya penyakit autokorelasi dalam suatu model, dapat dilihat dari nilai statistik Durbin-Watson.
Tabel 4.5 Tabel Uji Durbin-Watson
Ada autokorelasi
positif Tidak dapat
diputuskan Tidak ada
autokorelasi Tidak dapat
diputuskan Ada
autokorelasi negatif
dl du 2 4-du 4-dl 4
1.10 1.54 2.46 2.90
Dari tabel 4.5 pada tabel uji Durbin-Watson dapat dilihat bahwa nilai Durbin-watson adalah sebesar 2.411765. Hal ini berarti
nilai Durbin-Watson berada diantara 1.54 - 2.46. Hal ini juga berarti dalam model ini tidak terdapat adanya autokorelasi karena sudah
terletak antara 1.54 – 2.46, atau berarti Ho diterima. Selain dengan menggunakan uji Durbin Watson, untuk melihat
ada tidaknya penyakit autokorelasi dapat juga digunakan uji Langrange Multiplier LM Test dengan membandingkan nilai
probabilitas R-Squared dengan α = 0.05 Gujarati, 2006.
Tabel 4.6 Hasil Uji Lagrange Multiple Test
Breusch-Godfrey Serial Correlation LM Test: F-statistic
2.712758 Prob. F2,71 0.0732
ObsR-squared 5.892245 Prob. Chi-Square2
0.0525 Sumber: ouput Eviews 6.0 diolah
Dari tabel 4.6 pada tabel uji LM dapat dilihat bahwa nilai probabilitas Chi-
Square 0.0525 atau lebih besar dari α = 0.05. Hal ini berarti dalam model ini tidak terdapat adanya autokorelasi, atau berarti
Ho diterima.
b. Heteroskedastisitas
Heteroskedastisitas adalah deteksi untuk melihat apakah variabel ganguan mempunyai varian yang tidak konstan. Pendeteksian
heteroskedastisitas dapat dilakukan melalui Uji White.
Tabel 4.7 Uji White Heteroskedasticity
Heteroskedasticity Test: White F-statistic
1.852626 Prob. F49,33 0.0320
ObsR-squared 60.87179 Prob. Chi-Square49
0.1189 Scaled explained SS
242.2688 Prob. Chi-Square49 0.0000
Sumber: output Eviews 6.0 diolah Dari tabel 4.7 dapat dilihat bahwa dalam model ini nilai
probabilitas sebesar 0.1189 dengan ObsR
2
60.87179 yaitu diatas 0.05.
Hal ini berarti dalam model tidak terdapat adanya heteroskedastisitas atau berarti Ho diterima.
c. Linearitas
Uji yang sangat populer untuk menguji masalah linieritas adalah uji yang dikembangkan oleg J.B Ramsey tahun 1969 untuk lebih dikenal
dengan nama Ramsey RESET Test. Uji ini biasanya didesain untuk menguji apakah suatu variabel penjelas cocok atau tidak dimasukkan
dalam suatu model estimasi. Akan tetapi menurut Kennedy 1996 dalam Insukindro 2003 uji yang dikembangkan oleh J.B Ramsey ini
digunakan untuk menguji apakah bentuk fungsi suatu model estimasi linier atau tidak linier, dengan cara melihat nilai probabilitasnya.
Tabel 4.8 Uji Ramsey RESET Test
Ramsey RESET Test: F-statistic
2.593573 Probability 0.111674
Log likelihood ratio 2.937229 Probability
0.086559 Sumber: ouput Eviews 6.0 diolah
Dari uji linearitas Uji Ramsey RESET Test pada tabel 4.8 nilai probability-nya adalah 0.086559 ternyata lebih besar dari derajat
kesalahan 5 0,05. Artinya tidak ada permasalahan Linearitas, dengan kata lain bentuk fungsi model estimasi dalam penelitian ini
adalah linear, Ho ditolak.
d. Normalitas
Uji Normalitas ini bertujuan untuk menguji apakah dalam sebuah model regresi, variabel dependent, variabel independent atau keduanya
mempunyai distribusi normal ataukah tidak. Model regresi yang baik adalah distribusi data normal atau mendekati normal. Gujarati, 2006.
Tabel 4.9 Uji Normalitas Jarque-Bera
5 10
15 20
-0.3 -0.2
-0.1 0.0
0.1 0.2
0.3 Series: Residuals
Sample 2003:02 2009:12 Observations 83
Mean 6.45E-16
Median 0.000406
Maximum 0.361272
Minimum -0.345982
Std. Dev. 0.077813
Skewness 0.097790
Kurtosis 11.29015
Jarque-B era 237.8120
Probability 0.000000
Sumber: ouput Eviews 6.0 diolah Nilai probability-nya 0.000000 ternyata lebih kecil dari
derajat kesalahan α=0.05, artinya uji ketidaknormalan ini adalah
signifikan, oleh karena itu dapat dinyatakan di sini bahwa pada model ini ada permasalahan normalitas, Ho diterima.
Akan tetapi hal ini tidak akan menjadi masalah karena data yang digunakan sudah di uji dengan uji stasioneritas dan hasil olah
data dari model nantinya ternyata bagus.
5. Uji Error Correction Model
