27 Keterangan : Se b
2
adalah standar error parameter b2. Apabila t hitung t tabel maka terima H
yang artinya kedua pasar terpadu dalam jangka panjang. Sebaliknya t hitung t tabel, maka tolak H
hipotesis diterima secara statistik, artinya kedua pasar tidak terpadu dalam jangka panjang.
2. Keterpaduan Pasar Jangka Pendek H
: b
1
b
3
=0 H0 : b
1
b
3
≠0 Keterangan : b
1
b3 = 0 setara dengan b
1
= 0, sehingga hipotesis sebagai berikut:
H : b
1
= 0 H
: b
1
≠ 0 t hitung :
Apabila t hitung t tabel maka terima H secara statistik, yangt
artinya kedua pasar terpadu dalam jangka pendek. Sebaliknya jika t hitung t tabel, maka tolak H
dan hipotesa diterima secara statistik, artinya kedua pasar tidak terpadu dalam jangka pendek.
4.5 Analisis Transmisi Harga Horisontal
Secara garis besar langkah langkah-langkah menggunakan metode VAR dalam sebuah penelitian adalah sebagai berikut ; uji stationeritas data
penentuan lag optimal, stabilitas model, uji kaulitas granger, uji kointegrasi model, pendugaan model VAR, analsis respons impuls dan variance
decompotition.
4.5.1 Uji Stationeritas Data
Uji stationeritas data mengidentifikasi data time series yang sudah disediakan. Identifikasi ini bertujuan untuk melihat apakah data memiliki
komponen musiman atau tidak, dan identifikasi terhadap kestasioneran model. Uji stationeritas data dilakukan dengan menguji unit akar root test,
data yang tidak stasioner akan mempunyai akar unit, sedangkan data yang
28 stasioner tidak mengandung akar unit. Jika data masih belum stasioner maka
dilakukan pembedaan differencing. Jika dalam differencing pertama data masih belum stasioner maka
dilakukan differencing kedua, dan seterusnya hingga seluruh data stasioner. Pengujian kestasioneran data dilakukan menggunakan uji Augmented
Dickey Fuller ADF. Kestationeran data time series juga dapat dilihat dari nilai probabilitasnya critical value yang kurang dari 1, 5 atau 10,
jika pada tingkat level pengujian menunjukkan data sudah stasioner maka analisis selanjutnya menggunakan pendekatab VAR. Apabila pengujian
pada tingkat level menujukkan data tidak stasioner maka perlu dilakukan pengujian pada tingkat first difference. Jika data sudah stasioner sejak awal
maka model VAR in level dapat langsung dilakukan. Jika data belum stasioner, maka harus melalui proses differencing, kemungkinan model yang
digunakan adalah model VAR in difference VARD dan VECM Vector Error Correction Model.
4.5.2 Pengujian Lag Optimal
Penentuan lag optimal yang digunakan dalam model merupakan langkah penting dalam analisis model VECM. Penentuan lag optimal dari
variabel yang diregresikan dalam persamaan ditujukan agar menghindari kemungkinan autokorelasi residual di dalam data series. Penenuan jumlah
lag optimal yang akan digunaka dalam model VAR dapat ditentukan berdasarkan kroteria Akaike information criterion AIC, schwarz
information criterion SC dan hannan Quionon Criterion HQ. Menurut Gujarati 2003, lag yang akan dipilih adalah model dengan nilai paling
kecil. karena, jika terlalu banyak panjang lag, maka akan mengurangi degree of freedom atau derajat bebas, sehingga lag yang lebih kecil
disarankan untuk dapat memperkecil spesifikasi error.
4.5.3 Uji Stabilitas Data
Uji stabilitas VAR merupakan hal yang sangat penting dilakukan sebelum melakukan analisis lebih lanjut. Hasil estimasi VAR yang akan
29 dikombinasikan dengan model koreksi kesalahan yang tidak stabil, maka
analisis selanjutnya seperti Impulse Response dan Variance decomposition menjadi tidak valid. Untuk menguji stabil atau tidaknya estimasi VAR yang
telah dibentuk maka dilakukan VAR stability condition check berupa roots
of characteristic polynomial. Suatu sistem VAR dikatakan stabil jika seluruh roots-nya memiliki modulus lebih kecil dari 1 Lukepohl, 2002.
4.5.4 Uji Kointegrasi
Uji kointegrasi digunakan untuk mengetahui keberadaan hubungan antar variabel. Pada langkah ini akan diketahui apakah model kita
merupakan VAR tingkat diferensi jika tidak ada kointegrasi dan VECM bila terdapat kointegrasi Widarjono, 2007. Persamaan dikatakan terkointegrasi
jika trace statistik critical value. Dengan demikian hipotesinya adalah tolak H
= nonkointegrasi jika trace statistik critcal value atau terima H
1
dengan hipotesis alternatif H
1
= terkointegrasi.
4.5.5 Pendugaan Model VAR
Model VAR dapat dilakukan setalah dilakukan pengujian Pra estimasi. Penelitian ini menggunakan empat variabel yang terdiri dari harga
ayam broiler pasar Cibinong, harga ayam broiler pasar Citeureup, harga ayam broiler pasar Jasinga dan harga ayam broiler pasar Leuwiliang. Model
persamaan VAR dalam bentuk vektor yang digunakan dalam penelitian ini yaitu, Estimasi model VAR dapat ditulis ke dalam bentuk persamaan
sebagai berikut: Y
t
=μ+A
1
yt-
1
+...+A
P
Y
t-P
+et Dimana yt adalah vektor nx1 dari variabel yang terintegrasi pada orde
satu, umumnya dinotasikan I1 dan et adalah nx1 vektor inovasi. Model VAR dalam penelitian ini disusun berdasarkan penjelasan yang
dilakukan oleh Widarjono 2010 dan Enders1995 dapat disusun
= +
+
Keterangan :
30 LogLeuwiliang = harga ayam broiler di pasar leuwiliang
Log jasinga = harga ayam broiler di pasar jasinga Logcibinong =harga ayam broiler di pasar cibinong
Logciteureup = harga ayam broiler di pasarciteureup C = intersep
et = Error aij = koefisien lag peubah ke
–j untuk persamaan ke i
4.5.6 Uji Kausalitas Granger
Uji kausalitas Granger dilakukan untuk mengetahui hubungan kausalitas yang ada diantara variabel-variabel yang digunakan dalam model
penelitian. Hubungan kausalitas dapat berupa hubungan timbal balik atau simetri atau sering disebut dengan hubungan kausalitas dua arah.
4.5.7 Impulse Respons Function
Dalam model VAR secara individul koefisien sulit diinterpretasikan sehingga penggunaan impulse response merupakan analisis yang penting di
dalam model VAR. Impulse Response Function digunakan untuk melihat respon variabel dependent jika terdapat guncangan atau inovasi variabel
dependent sebesar satu standar deviasi. IRF dapat mengidentifikasi suatu guncangan pada variabel endogen sehingga dapat menentukan bagaimana
suatu perubahan dalamvariabel mempengaruhi variabel lainnya di sepanjang
waktu.
4.5.8 Variance Decomposition
Analisis Variance decomposition VD digunakan untuk mencirikan struktur dinamis antar variabel di dalam model VAR. Pola VD dapat
mengindikasikan sifat dari kausalitas antara variabel dalam model VAR sehingga VD menjadi sangat sensitif terhadap pengurutan variabel.
Pengurutan variabel dalam penelitian ini akan dilakukan berdasarkan faktorisasi Choleski dengan ketentuan variabel tidak memiliki nilai korelasi
terhadap variabel lainnya diletakkan pada posisi yang paling belakang,