60
5.1.1. Hasil Uji Pelanggaran Asumsi Klasik Diagnostic Test 5.1.1.1. Uji Autokorelasi
Keberadaan autokorelasi diuji dengan menggunakan Breusch Godfrey Serial Correlation LM Test
. Adanya korelasi dapat dilihat dengan membandingkan nilai probabilitas ObsR-Squared pada Breusch Godfrey Serial Correlation LM Test
dengan taraf nyata yang digunakan sebesar 10 persen.
Tabel 5.1. Hasil Uji Autokorelasi Breusch Godfrey Serial Correlation LM Test:
F-Statistic 1,830553 Probability
0,1772 ObsR-Squared 4,436282
Probability 0,1088
Sumber: Lampiran 1
Berdasarkan Tabel 5.1, dapat disimpulkan bahwa model terbebas dari masalah autokorelasi. Hal ini ditunjukkan dengan nilai probabilitas ObsR-Squared pada
Breusch Godfrey Serial Correlation LM Test sebesar 0,1088 yang lebih besar dari
taraf nyata 10 persen.
5.1.1.2. Uji Heteroskedastisitas
Uji heteroskedastisitas yang digunakan dalam penelitian ini adalah Harvey- Heteroscedasticity Test
. Jika nilai probabilitas ObsR-Squared lebih besar dari taraf nyata 10 persen, maka persamaan jangka panjang tidak memiliki masalah
heteroskedastisitas.
Tabel 5.2. Hasil Uji Heteroskedastisitas Heteroscedasticity Test: Harvey
F-Statistic 0,996330 Probability 0,4571 ObsR-Squared 8,170895
Probability 0,4170
Sumber: Lampiran 1
61
1 2
3 4
5 6
7 8
9
9 10
11 12
13
Series: UT Sample 2000Q1 2010Q2
Observations 42
Mean 11.63462
Median 11.58741
Maximum 13.05141
Minimum 9.026029
Std. Dev. 0.837133
Skewness -0.924214
Kurtosis 4.725454
Jarque-Bera 11.18929
Probability 0.003718
Nilai probabilitas ObsR-Squared sebesar 0,4170. Nilai ini lebih besar dibandingkan taraf nyata 10 persen. Dari kedua pernyataan ini dapat disimpulkan
bahwa tidak terdapat masalah heteroskedastisitas pada model.
5.1.1.3. Uji Normalitas
Uji ini dilakukan untuk memeriksa apakah error term mendekati distribusi normal atau tidak. Uji ini dilakukan dengan bantuan Histogram-Normality Test. Pada
Gambar 5.1 dapat dilihat bahwa nilai probabilitas Jarque-Bera adalah sebesar 0,003718. Nilai probabilitas tersebut lebih kecil dari taraf nyata sehingga dapat ditarik
kesimpulan bahwa model yang digunakan belum terdistribusi secara normal. Hal ini mungkin diakibatkan karena observasi time series terhadap data masih memiliki
banyak kekurangan dan ketidak-akuratan data.
Gambar 5.1. Hasil Uji Normalitas
5.1.1.4. Uji Multikolinearitas
Uji yang terakhir dilakukan pada penelitian ini adalah uji multikolinearitas. Uji ini dilakukan untuk mengetahui keberadaaan hubungan yang erat di antara
62
variabel-variabel bebas. Uji Klein menyebutkan bila korelasi antara masing-masing variabel bebas tersebut tidak lebih besar dari R-Squared pada model, maka dalam
persamaan tidak terdapat masalah multikolinearitas. Berdasarkan hasil pada Tabel 5.3, terdapat korelasi antar peubah bebas yang
lebih besar daripada nilai R-Squared pada model estimasi persamaan jangka panjang yaitu 0.667081. Dengan ini, maka dapat disimpulkan bahwa terdapat masalah
multikolinearitas pada model.
Tabel 5.3. Hasil Uji Multikolinearitas
LNFP INFLASI LIBOR LNKURS LNMS LNPDB LNPMDN NET DUMMY LNFP
1
INFLASI
-0,00739 1
LIBOR
0,01968 -0,06291
1
LNKURS
-0,70955 0,23421
0,23837 1
LNMS
0,43144 -0,23174 -0,24645 -0,552717 1
LNPDB
0.72390 -0,20870 -0,25303 -0,91425 0,74467 1
LNPMDN
0,17779 0,13010 0,14322 -0,13292 0,20399 0,09573 1
NET
-0,51749 0,09430 0,53417 0,62449 -0,62277 -0,77904
0,03865 1
DUMMY
0,66598 -0,02948 0,07364 -0,78907 0,63914 0,87345 0,20320 -0,54744
1
Sumber: Lampiran 1
Masalah multikolinearitas dapat dilihat pada nilai korelasi antara variabel PDB dengan KURS, MS, NET dan DUMMY KMD serta nilai korelasi antara
variabel DUMMY KMD dengan KURS yang lebih besar dari 0,667081. Keberadaan multikolinearitas menyebabkan analisis ECM tidak dapat dilanjutkan untuk
sementara. Oleh karena itu, penelitian ini memerlukan penggunaan metode Principal Component Analysis
PCA untuk mencegah multikolinearitas yang terjadi pada data penelitian. Analisis regresi dengan PCA mampu menghilangkan multikolinearitas
pada variabel-variabel bebas.
63
Neter dalam Ulpah 2006 menyebutkan bahwa nilai VIF akan semakin besar jika terdapat korelasi yang semakin besar di antara peubah-peubah bebas. VIF yang
lebih besar dari 10 dapat digunakan sebagai petunjuk adanya kolinearitas. Hasil analisis PCA pada data penelitian ini, seperti dalam Lampiran 5, menunjukkan bahwa
tidak terdapat nilai Variance Inflation Factor VIF yang lebih besar dari 10, sehingga dengan demikian metode ECM dapat dilanjutkan dengan menggunakan
nilai residual UT dari analisis PCA untuk melihat signifikansi variabel independen terhadap variabel dependen dalam jangka pendek.
5.1.2. Kestasioneran Data