Tabel 5.1 Hasil Pengujian Akar Unit berdasarkan Augmented Dickey-Fuller Test
Komoditas Variabel
Level First difference
t-statistics Hasil
t-statistics Hasil
Kentang PW
-2.4107 tidak stasioner
-9.682773 stasioner
QM -2.49716
tidak stasioner -12.30012
stasioner PM
-6.873387 stasioner
-10.37203 stasioner
PC -0.073785
tidak stasioner -9.534433
stasioner PF
-0.553379 tidak stasioner
-9.232840 stasioner
Jeruk PW
-3.885324 stasioner
-8.18717 stasioner
QM -0.636181
tidak stasioner -10.32487
stasioner PM
-2.215484 tidak stasioner
-10.92966 stasioner
PC 1.114315
tidak stasioner -6.703077
stasioner PF
-0.736152 tidak stasioner
-14.33466 stasioner
Bawang Merah
PW -5.664603
stasioner -9.400508
stasioner QM
-7.524478 stasioner
-8.486992 stasioner
PM -2.357373
tidak stasioner -17.25475
stasioner PC
-0.463631 tidak stasioner
-8.719095 stasioner
PF -0.756243
tidak stasioner -8.805292
stasioner
Sumber: Lampiran 1 hingga 6; PW=harga dunia, QM=volume impor, PM= harga impor, PC= harga konsumen, PF= harga produsen; Nilai t-statistics ADF dibandingkan dengan critical value
dari uji ADF, dimana critical value 1 level adalah -3.481623, 5 level adalah -2.883930, dan 10 level adalah -2.578788
Data penelitian kemudian diuji akar unitnya pada tingkat first difference. Berdasarkan Tabel 5.1, semua variabel yang digunakan pada penelitian sudah
stasioner, artinya tidak terdapat akar unit di dalam data penelitian tersebut. Penggunaaan data first difference pada penelitian memiliki kekurangan karena
informasi jangka panjang pada penelitian menjadi hilang, namun terdapat resiko lain seperti yang sudah disebutkan sebelumnya jika menggunakan data level yang
tidak stasioner. Maka berdasarkan uji stasioneritas pada data yang digunakan, VAR pada level tidak dapat digunakan karena sebagian besar data tidak stasioner
pada level, kemungkinan penelitian dapat dilakukan dengan dua metode yaitu VAR first difference atau VECM.
5.1.2 Penentuan Selang Optimal
Penentuan selang optimal dalam mengestimasi model VAR penting dilakukan guna menghindari masalah autokorelasi. Terdapat beberapa indikator
untuk menggambarkan lag optimal yang dapat menjadi acuan, diantaranya Likelihood Ratio
LR, Final Prediction Error FPE, Akaika Information Criterion
AIC, Schawrz Information Criterion SC, ataupun Hannan-Quinn Criterion
HQ. Pada penelitian ini digunakan SC sebagai penguji lag optimal.
Tabel 5.2 Hasil Pengujian Selang Lag Optimal Schwarz Information Criterion
SC
a
Lag Kentang
Jeruk Bawang Merah
-0.279251 0.795389
4.010138 1
-7.645999 -9.233473
-3.998328 2
-7.225419 -8.599654
-3.472559 3
-6.669992 -7.846942
-3.039338 4
-5.997455 -7.320262
-2.604211 5
-5.430943 -7.023152
-1.878778 6
-4.724518 -6.456188
-1.398622 7
-3.982587 -5.684032
-0.637638 8
-3.372294 -5.211868
-0.120096
Sumber: Lampiran 7 hingga 9;
a
tanda bintang menandakan berdasarkan SC, model optimal pada lag 1
Tabel 5.2 memperlihatkan bahwa berdasarkan Schwarz Information Criterion
, untuk model kentang, jeruk, dan bawang merah yang akan dianalisis, semua model optimal pada lag pertama. Secara umum, variabel-variabel yang
diteliti saling memengaruhi tidak hanya pada periode saat ini, namun terkait pula pada periode sebelumnya.
5.1.3 Pengujian Stabilitas VAR
Tahap selanjutnya setelah didapatkan lag optimal, dilakukan pengujian stabilitas model VAR. Uji stabilitas VAR dilakukan untuk menjamin validitas dari
analisis innovation accounting, yaitu Impulse Response Function IRF dan Forecast Error Variance Decomposition
FEVD. Analisis IRF dan FEVD dalam model VAR menjadi tidak valid ketika model tersebut tidak stabil pada tingkat lag
tertentu. Pengujian stabilitas VAR dilakukan dengan menghitung akar-akar dari fungsi polinomial atau disebut juga roots of characterstics polinomial. Stabilitas
model dilihat dari modulus yang bernilai kurang dari satu pada seluruh akar roots pada sistem VAR tersebut.
Tabel 5.3 Hasil Pengujian Stabilitas Vector Auto Regression Modulus
Kentang Jeruk
Bawang Merah 0.997464
0.999619 0.989334
0.86867 0.950701
0.958703 0.86867
0.843109 0.76792
0.317719 0.73959
0.76792 0.281571
0.73959 0.453043
Sumber: Lampiran 10 hingga 12
Tabel 5.3 menunjukkan bahwa ketiga model yang akan disusun sudah stabil pada lag optimalnya yaitu lag pertama. Pada model VAR komoditas kentang,
kisaran modulus ada diantara 0.2816 – 0.9975, komoditas jeruk berkisar antara
0,7396 – 0.9996, dan komoditas bawang merah berkisar antara 0.4530 – 0.9893.
