HASIL DAN PEMBAHASAN

Hasil

Uji Asumsi Klasik

Sebelum menggunakan model regresi linier berganda, perlu dilakukan pengujian asumsi
klasik terhahap model yang akan digunakan agar hasil yang didapat tidak bias dan sesuai dengan
ketentuan, sehingga hasil yang diperoleh dari model regresi linier berganda tersebut dapat
dipertanggungjawabkan. Adapun hasil uji asumsi klasik adalah sebagai berikut:

Uji Normalitas

Uji normalitas dilakukan untuk menguji apakah dalam suatu model regresi linier variabel
terikat dan variabel bebas keduanya mempunyai distribusi normal atau tidak. Jika nilai J-Bhitung >
0,05 maka distribusi normal, dan sebaliknya jika nilai J-Bhitung < 0,05 maka distribusi tidak
normal

Gambar 1. Hasil Uji Normalitas

4
Series: Residuals
Sample 2012 2021
Observations 10
3
Mean 2.22e-15
Median -0.012349
2 Maximum 0.323781
Minimum -0.314982
Std. Dev. 0.197807
1 Skewness 0.275082
Kurtosis 2.354273

0 Jarque-Bera 0.299851
-0.4 -0.3 -0.2 -0.1 0.0 0.1 0.2 0.3 0.4 Probability 0.860772

Berdasarkan hasil uji normalitas di atas terlihat nilai Jarque-Bera sebesar 0,299851
ddengan p-value 0,860772 dimana > 0,05 yang berarti residual berdistribusi normal dan analisis
regresi layak digunakan.

Uji Multikolinieritas

Uji multikolinieritas dilakukan untuk menguji apakah model regresi ada atau tidaknya
hubungan linear yang sempurna atau mendekati sempurna antara variabel-variabel bebas dalam
model regresi. Untuk mengetahui ada tidaknya gejala multikolinearitas digunakan Variance
Inflation Factor (VIF). Jika nilai VIF dibawah 10 maka tidak ada gejala multikolinearitas dan
sebaliknya jika nilai Variance
VIF diatas 10 maka
Inflation Factorsterdapat gejala multikolinearitas.
Date: 04/09/22 Time: 21:08
Sample: 2012 2021
Tabel 1. Hasil Uji Multikolinieritas
Included observations: 10

Coefficient Uncentered Centered

Variable Variance VIF VIF

C 8.917972 1772.710 NA
EKSPOR 1.230962 6518.669 3.749482
IMPOR 1.078101 5623.199 3.749482

Berdasarkan tabel di atas dapat diketahui bahwa nilai VIF masing-masing varibel bebas
lebih kecil dari 10, maka dapat disimpulkan bahwa tidak ada gejala multikolinieritas pada model
regresi.

Uji Autokorelasi

Breusch-Godfrey Serial Correlation LM Test:

Null hypothesis: No serial correlation at up to 2 lags

F-statistic 1.738186 Prob. F(2,5) 0.2672

Obs*R-squared 4.101250 Prob. Chi-Square(2) 0.1287

Uji Heteroskedastisita

Heteroskedasticity Test: White

Null hypothesis: Homoskedasticity

F-statistic 1.184586 Prob. F(5,4) 0.4473

Obs*R-squared 5.968933 Prob. Chi-Square(5) 0.3093
Scaled explained SS 1.980474 Prob. Chi-Square(5) 0.8518
Dependent Variable: PDB
Method: Least Squares
Date: 04/09/22 Time: 19:23
Sample: 2012 2021
Included observations: 10

Variable Coefficient Std. Error t-Statistic Prob.

C 8.933320 2.986297 2.991437 0.0202

EKSPOR 1.660017 1.109487 1.496202 0.1783
IMPOR -1.572917 1.038316 -1.514873 0.1736

R-squared 0.258733 Mean dependent var 9.444470

Adjusted R-squared 0.046942 S.D. dependent var 0.229749
S.E. of regression 0.224292 Akaike info criterion 0.091591
Sum squared resid 0.352149 Schwarz criterion 0.182367
Log likelihood 2.542044 Hannan-Quinn criter. -0.007989
F-statistic 1.221643 Durbin-Watson stat 0.517257
Prob(F-statistic) 0.350681

Estimation Command:
=========================
LS PDB C EKSPOR IMPOR

Estimation Equation:
=========================
PDB = C(1) + C(2)*EKSPOR + C(3)*IMPOR

Substituted Coefficients:
=========================
PDB = 8.93331983584 + 1.66001693616*EKSPOR - 1.57291711675*IMPOR