Dari persamaan tersebut dapat dibuat ECM sebagai berikut : ΔLEKS
t
= β
+ β
1
ΔLPX
t
+ β
2
ΔLPY
t
+ β
3
ΔLGDP
t
+ β
4
ΔLIMPOR
t
+ β
5
ΔLKURS
t
+ ECT + ε
t
Keterangan : ΔLEKS
t
= LEKS
t
- LEKS
t-1
ΔLPX
t
= LPX
t
- LPX
t-1
ΔLPY
t
= LPY
t
- LPY
t-1
ΔLGDP
t
= LGDP
t
- LGDP
t-1
ΔLIMPOR
t
= LIMPOR
t
- LIMPOR
t-1
ΔLKURS
t
= LKURS
t
- LKURS
t-1
ECT = Res
t-1
ε
t
= Equilibrium Error Term α
= Konstanta α
n
= Parameter, n menunjukan 1,2,3,4...n
3.4.6 Uji Asumsi Klasik
Dalam pengujian regresi, terdapat beberapa asumsi dasar yang dapat menghasilkan estimator yang bersifat terbaik, linear dan tidak bias Best Linear
Unbiased Error BLUE. Terpenuhinya asumsi tersebut, maka hasil yang diperoleh dapat lebih akurat dan mendekati dengan kenyataan, asumsi-asumsi
dasar tersebut dikenal dengan asumsi klasik Hasan, 2002:280. Dalam penelitian ini, pengujian asumsi klasik yang digunakan adalah uji multikolinearitas,
heterokedastisitas, autokorelasi, dan normalitas.
1 Multikolinearitas
Multikolinearitas terjadi ketika terjadi korelasi pada regresor. Istilah multikolinearitas pada mulanya diartikan sebagai keberadaan dari hubungan linear
yang sempurna atau tepat diantara sebagian atau seluruh variabel penjelas dalam sebuah variabel. Saat ini, istilah multikolinearitas digunakan dalam pengertian
yang lebih luas yaitu tidak hanya menyatakan keberadaan hubungan linear yang
sempurna, akan tetapi juga hubungan linear yang tidak sempurna Gujarati,2012:408.
Deteksi multikolinearitas yang dilakukan merupakan pendeteksian terhadap derajat multikolinearitas yang terjadi. Deteksi multikolienearitas yang
digunakan dalam penelitian ini adalah dengan melihat koefisien korelasi diantara masing-masing variabel bebas pada matriks korelasi. Ketentuan yang digunakan
adalah jika nilai korelasi pada matriks korelasi lebih besar daari 0.80, maka terjadi multikolinearitas yang tinggi atau multikolineritas yang sempurna
Gujarati,2012:429.
2 Heterokedastisitas
Pada model OLS, untuk menghasilkan estimator yang BLUE maka diasumsikan bahwa model memiliki varian yang kostan atau Var e
i
= σ
2
. Suatu model dikatakan memiliki masalah heterokedastisitas jika variabel gangguan
memiliki varian yang konstan. Konsekuensi dari adanya masalah heterokedastisitas adalah estimator
βyang kita dapatkan akan mempunyai varian yang tidak minimum. Meskipun estimator metode OLS masih linear dan tidak
bias, varian yang tidak minimum akan membuat perhitungan standard error metode OLS tidak bisa lagi dipercaya kebenarannya. Hal ini menyebabkan
interval estimasi maupun uji hipotesis yang didasarkan pada distribusi t maupun F tidak lagi bisa dipercaya untuk mengevaluasi hasil regresi.
Masalah heterokedastisitas mengandung konsekuensi serius pada estimator OLS. Karena tidak lagi BLUE. Oleh karena itu, sangat penting untuk mendeteksi
adanya masalah heterokedastisitas. Metode yang digunakan untuk mendeteksi masalah heterokedastisitas dalam penelitian ini adalah dengan Heteroskedasticity
Test: Harvey. Hipotesis dan ketentuan yang digunakan adalah sebagai berikut : Ho : Tidak ada masalah heterokedastisitas
Ha : Ada masalah heterokedastisitas Jika nilai probability dari ObsR-squared lebih kecil dari taraf signifikan
α maka menerima Ho yang berarti bahwa tidak ada masalah heterokedastisitas. Sebaliknya jika ObsR-squared lebih besar dari taraf signifikan
α maka menolak Ho yang berarti ada masalah heterokedastisitas. Dalam penelitian ini, taraf
signifikan α yang digunakan adalah sebesar 5.
3 Autokorelasi
Autokorelasi adalah adanya korelasi antar variabel gangguan satu observasi dengan observasi lainnya yang berlainan waktu.Autokorelasi
merupakan pelanggaran asumsi penting dalam metode OLS. Metode OLS mensyaratkan tidak adanya hubungan antara variabel gangguan satu dengan
variabel gangguan lainnya. Autokorelasi sering ditemukan dalam data time series. Hal ini dikarenakan suatu gejolak ekonomi shock tidak hanya akan berpengaruh
pada periode tersebut, tetapi juga periode-periode berikutnya. Begitu juga dengan kebijakan pemerintah yang dilakukan akan memerlukan periode waktu untuk
mempengaruhi sistem ekonomi.
Pada penelitian ini, deteksi autokorelasi dilakukan dengan menggunakan uji Breusch-Godfrey Serial Correlation LM Test. Uji autokorelasi dengan
menggunakan metode LM diperlukan lag atau kelembaman. Lag yang dipakai dalam penelitian ini ditentukan dengan menggunakan metode trial and error
dengan cara membandingkan nilai absolut kriteria Akaike dan mencari yang nilainya paling kecil. Hipotesis dan ketentuan yang digunakan adalah sebagai
berikut : Ho : Tidak ada masalah autokorelasi
Ha : Ada masalah autokorelasi Jika nilai probability dari ObsR-squared lebih kecil dari taraf signifikan
α maka menerima Ho yang berarti bahwa tidak ada masalah autokorelasi. Sebaliknya jika ObsR-squared lebih besar dari taraf signifikan
α maka menolak Ho yang berarti ada masalah autokorelasi. Dalam penelitian ini taraf signifikan
α yang digunakan adalah sebesar 5 Widarjono, 2009:149.
4 Normalitas
Asumsi normalitas mensyaratkan bahwa komponen pengganggu u
i
harus menyebar menurut sebaran normal dengan nilai tengah
μ = 0 dengan varians sebesar
σ
2
. Metode yang digunakan dalam penelitian ini adalah dengan menggunakan uji Jarque-Bera Uji J-B. Hipotesis dan ketentuan yang digunakan
adalah sebagai berikut :
Ho : Residual data berdistribusi normal Ha : Residual data berdistribusi tidak normal
Jika nilai probability dari statistic J-B lebih besar dari taraf signifikan α
maka menerima Ho yang berarti bahwa tidak ada masalah Heterokedastisitas. Sebaliknya jika nilai probability dari statistic J-B lebih kecil dari taraf signifikan
α maka menolak Ho yang berarti ada masalah heterokedastisitas atau residual data tidak berdistrubusi normal. Dalam penelitian ini taraf signifikan
α yang digunakan adalah sebesar 5 Widarjono, 2009:49.
3.4.7 Uji Statistik
