Penentuan Panjang Lag Hasil Analisis Data 1. Uji Akar Unit

45

4.3.2. Penentuan Panjang Lag

Penentuan panjang Lag dilakukan untuk mengetahui bahwa data yang digunakan dapat mengestimasi actual error secara tepat. Apabila lag yang digunakan dalam data tersebut sedikit, maka error term tidak dapat terestimasi dengan baik, tetapi apabila lag yang digunakan dalam data terlalu banyak, maka dapat mengurangi kemampuan hipotesis nol ditolak. Penyebab hipotesis nol ditolak adalah karena tambahan parameter yang terlalu banyak akan mengurangi derajat bebas. Adapun model yang digunakan dalam penentuan panjang lag tersebut antara lain adalah AIC Akaike Information Criterion , SIC Schwarz Information Criterion , dan HQC Hannan-Quinn Criterion . Panjang lag yang digunakan dalam penelitian ini adalah lag 0, lag 1, dan lag 2. Dan hasil dari panjang lag ini dilihat dari nilai lag yang terkecil. Berdasarkan Tabel 4.2, ditunjukkan bahwa panjang lag maksimum dari kriteria AIC Akaike Information Criterion , SIC Schwarz Information Criterion , dan HQC Hannan-Quinn Criterion terhadap variabel data pengamatan yaitu data BI Rate dan M1 adalah pada lag 2. Karena pada ketiga kriteria itu memiliki nilai lag terkecil yang sama yaitu pada lag kedua. Pada kriteria AIC Akaike Information Criterion nilai lag yang terkecilnya adalah sebesar 12.68855, pada kriteria SC Schwarz Information Criterion nilai lag yang terkecilnya adalah sebesar 13.13728, dan pada kriteria HQ Hannan-Quinn Criterion nilai lag terkecilnya adalah sebesar 12.84144. Universitas Sumatera Utara 46 Tabel 4.2. Hasil Penentuan Panjang Lag – AIC, SC, HQ Keterangan: nilai lag terkecil Sumber : Data Olahan Eviews, Lampiran 4 Dengan demikian, hasil dalam penentuan panjang lag atau penentuan Lag Length dari data pengamatan yaitu variabel BI Rate dan M1 adalah pada lag kedua. Karena pada lag kedua, ketiga kriteria dari parameter pendukung yaitu AIC Akaike Information Criterion , SIC Schwarz Information Criterion , dan HQC Hannan-Quinn Criterion sama-sama mempunyai nilai lag terkecil. Akan tetapi, jumlah lag yang digunakan dalam penelitian ini masih sedikit, maka residual dalam regresi ini tidak akan menampilkan proses white noise sehingga model tidak dapat mengestimasi actual error secara tepat.

4.3.3. Uji Kointegrasi