Penelitian Terdahulu TINJAUAN PUSTAKA

goreng. Masing-masing plot data pada gambar-gambar tersebut menunjukkan tanda-tanda adanya peningkatan nilai. Dengan melihat gambar tersebut dapat diambil kesimpulan sementara bahwa variabel-variabel penelitian tersebut belum stasioner. Untuk memastikan kestasioneran data maka dilakukan uji formal menggunakan Augmented Dickey Fuller Test uji ADF. Gambar 4.1 Grafik untuk variabel PBIO dan HCPO Gambar 4.2 Grafik untuk variabel HTBS dan HMGO Hipotesa yang diuji adalah H : 1 = 0 menunjukkan adanya akar unit atau datanya bersifat stasioner dan H 1 : 1 ≠ 0 Pada hi otesa tersebut 1 merupakan nilai dari ADF. Jika nilai absolut dari ADF tersebut lebih besar dari nilai kritis maka hipotesa H yang menyatakan bahwa terdapat akar unit di dalam data ditolak dan berarti bahwa data deret waktu tersebut stasioner. Sebaliknya, bila nilai absolut dari ADF lebih kecil dari nilai kritis maka H dapat diterima atau dengan kata lain dapat dinyatakan bahwa data deret waktu tersebut terdapat akar unit atau data tidak stasioner. Hasil uji ADF ini dapat dilihat pada Tabel 4.1 berikut. Tabel 4.1 Hasil uji stasioneritas pada level Variability Test Critical Value 5 t-statistic Probability HCPO -2.948404 -2.354081 0.1617 PBIO -2.948404 -2.380322 0.1544 HTBS -2.960411 -1.104748 0.7012 HMGO -2.948404 -0.522833 0.8748 Keterangan: HCPO : Harga Crude Palm Oil CPO PBIO : Produksi Biodiesel HTBS : Harga Tandan Buah Segar HMGO : Harga Minyak Goreng Tabel 4.1 menunjukkan uji stasioneritas pada level I0 untuk harga CPO, produksi biodiesel, harga tandan buah segar dan harga minyak goreng menunjukkan bahwa data deret waktu tersebut semuanya tidak stasioner. Hal ini dapat dilihat dari nilai Test Critical Value nya yang lebih besar dari nilai mutlak t-statistic. Tabel 4.1 tersebut menunjukkan bahwa semua variabel tidak stasioner, maka perlu dilakukan uji lanjutan terhadap data yaitu pada pembedaan pertama first difference. Pada pembedaan pertama semua variabel berdasarkan uji ADF sudah stasioner. Hal ini berarti bahwa seluruh variabel tersebut stasioner pada pembedaan pertama sehingga bisa dikatakan bahwa variabel terintegrasi pada derajat 1 atau I1. Hasil uji ADF untuk pembedaan pertama dapat dilihat pada Tabel 4.2 berikut. Tabel 4.2 Hasil uji stasioneritas pada pembedaan pertama Variability Test Critical Value 5 t-statistic Probability HCPO -2.951125 -5.279692 0.0001 PBIO -2.951125 -7.688221 0.0000 HTBS -2.960411 -4.116358 0.0032 HMGO -2.951125 -5.383764 0.0001

4.1.2. Uji Lag Optimal

Penentuan panjang lag dalam model VAR menunjukkan derajat bebas. Perkiraan VAR sangat peka terhadap panjang lag yang digunakan. Pengujian ini dilakukan untuk menentukan jumlah lag optimal yang dapat digunakan dalam variabel yang akan dianalisis. Penentuan lag dapat digunakan dengan beberapa pendekatan antara lain Likelihood Ratio LR, Final Prediction Error FPE, Akaike Information Criterion AIC dan Schwarz Criterion SC. Model yang baik adalah model yang mampu memberikan tingkat residual atau error yang paling kecil. Model dengan nilai AIC atau SC terkecil dipilih sebagai model terbaik dengan panjang lag yang cukup efisien. Hasil pengujian lag optimum dapat dilihat pada Tabel 4.3. Terlihat pada Tabel 4.3, LR, FPE, AIC, dan HQ menentukan panjang lag yang sama yaitu pada lag lima. Karena empat kriteria memberikan hasil yang sama, maka dipilih panjang lag lima. Penelitian panjang lag optimal berada pada lag lima, ini akan menentukan lag yang berpengaruh pada perhitungan. Tabel 4.3 Hasil uji lag optimal Lag LogL LR FPE AIC SC HQ -1040.924 NA 2.23e+24 67.41445 67.59948 67.47476 1 -968.2949 121.8293 5.84e+22 63.76096 64.68612 64.06254 2 -950.4195 25.37159 5.48e+22 63.63997 65.30524 64.18281 3 -935.8042 16.97257 6.97e+22 63.72931 66.13470 64.51340 4 -920.5114 13.81290 1.01e+23 63.77493 66.92045 64.80029 5 -870.1165 32.51285 2.06e+22 61.55590 65.44154 62.82252 indicates lag order selected by the criterion

4.1.3. Uji Kausalitas Granger

Uji kausalitas Granger dilakukan untuk mengetahui hubungan kausalitas antara variabel-variabel atau peubah yang digunakan dalam penelitian ini atau yang ada dalam model. Hubungan kausalitas antar variabel atau peubah dapat diketahui dengan