4.2.1 Uji stasioneritas
Uji stasioneritas merupakan utama dan langkah penting untuk menjelaskan model koreksi kesalahan pada data time series nonstationer dan mengetahui
penerapan model koreksi kesalahan. Dalam penelitian ini, uji stasioneritas yang digunakan adalah uji pasokan gas dan uji penjualan gas. hubungan keseimbangan
jangka panjang antara variabel-variabel yang berhubungan sangat diperlukan untuk melakukan peramalan. Hasil peramalan ini sangat berguna sebagai alat
pengambilan keputusan. Hubungan jangka panjang tersebut dapat diketahui melalui pendekatan kointegrasi. Kointegrasi merupakan hubungan antara variabel-
variabel yang stasioner pada derajat yang sama. Sehingga stasioneritas merupakan syarat yang penting dalam pendekatan kointegrasi Apabila variabel yang
digunakan tidak stasioner akan menyebabkan hasil regresimeragukan atau disebut regresi lancung spurious regression. Regresi lancung adalah situasi dimana hasil
regresi menunjukkan koefisien regresi yang signifikan dan nilai koefisien determinasi yang tinggi namun hubungan antara variabel independen dan variabel
dependen di dalam model tidak saling berhubungan. Hal ini terjadi karena hubungan keduanya yang merupakan data time series hanya menunjukkan trend
saja. Untuk melakukan uji stasioneritas digunakan uji akar unit. Uji akar unit mula-mula dikembangkan oleh D.A. Dickey dan W.A. Fuller yang dikenal
sebagai uji akar unit Dickey-Fuller. Uji akar unit Dickey-Fuller mengasumsikan bahwa residual t e adalah residual yang bersifat independen dengan rata-rata nol,
varian konstan, dan tidak saling berhubungan non autokorelasi. Akan tetapi dalam banyak kasus, residual t e sering kali saling berhubungan atau mengandung
unsur autokorelasi. Sehingga perlu dikembangkan uji akar unit terhadap data yang mengandung autokorelasi pada residual t e .
Untuk mengembangkan uji akar unit Dickey-Fuller pada permasalahan data dengan sifat autokorelasi pada residual, digunakan uji akar unit yang
dikembangkan oleh Peter C.B. Phillips dan P.Perron. Uji ini dilakukan dengan menggunakan metode statistik nonparametric dalam menjelaskan adanya
autokorelasi antara residual tanpa memasukkan variabel independen kelambanan diferensi. Keuntungan menggunakan uji ini adalah asumsi bahwa tidak terdapat
bentuk fungsi untuk variabel proses residual sehingga uji PP dikatakan uji non
parametrik. Karena bersifat non parametrik maka uji PP dapat digunakan untuk banyak kasus dan pada sampel yang besar, uji PP akan menunjukkan hasil yang
bagus. Uji stasioneritas dengan Uji Akar Unit Phillips-Perron PP, dilakukan dengan hipotesis
. H
:
α
= 1
t
Y tidak stasioner H
1
:
α
1
t
Y stasioner
Tabel 3. Hasil uji stasioneritas
Variable Level
1’st Differencs p-value
Keterangan p-value
Keterangan
PASOKAN
0.5305 Tidak stasioner
0.0000 Stasioner
PENJUALAN
0.1729 Tidak stasioner
0.0000 Stasioner
Keterangan : ADF Pasokan nilai kritis ADF = tidak stasioner; ADF Penjualannilai kritis = tidak stationer
ADF=stasioner;signifikan pada α =1
Hasil uji akar unit pada level menunjukan bahwa semua variabel belum
stationer pada tarif nyata yang digunakan yaitu lima persen. Penelitian yang
menggunakan data yang belum stationer ini akan menghasilkan regresi lancung spurious regression yaitu regresi yang menggambarkan hubungan antara dua
variabel atau lebih yang Nampak signifikan severa statistic tapi kenyatannya tidak atau tidak sebesar yang Nampak dari regresi yang dihasilkan. Akibatnya terjadi
mislending dalam penelitian terhadap suatu fenomena ekonomi yang sedang terjadi. Oleh karena itu, penggujian akar unit di lanjutkan dengan melakukan uji
akar unit firstdifference. Pada Table 3 terlihat bahwa pengujian akar pada tingkat firt difference
menunjukan bahwa semua data sudah stationer. Hal ini terlihat dari nilai probilitas yang lebih kecil dari taraf nyata yaitu lima persen. Dengan demikian dapat
dijelaskan bahwa seluruh variabel yang akan diestimasi dalam penlitian ini telah stasioner. Penggunan data firt difference tidak dianjurkan karena akan
menghilangkan informasi jangka panjang, sehingga model VAR akan dikombinasikan dengan model VECM agar tidak menghilangkan informasi jangka
panjang tersebut. Dalam penelitian ini dapat disimpulkan model yang dipilih adalah VECM.
4.2.2 Uji korelasi parsial
Kategori