Uji Stasioneritas Identifikasi Model Volatilitas

yang penting dalam menganalisis data time series untuk melihat ada atau tidaknya unit root yang terkandung di antara variabel sehingga hubungan antara variabel dalam persamaan menjadi valid dan tidak menghasilkan sporious regression. Uji stasioneritas dilakukan dengan menggunakan Augmented Dickey Fuller ADF test Lampiran 2. Berdasarkan uji tersebut, jika nilai statistik ADF dari masing-masing variabel lebih kecil daripada nilai kritis MacKinnon maka dapat dikatakan bahwa data tersebut stasioner atau varians residualnya konstan. Tabel 4.1. Hasil Pengujian Stasioneritas ADF Pada Data Level Variabel Critical Value t-statistik Probability Keterangan Lo 1 -3.476805 -2.49314 0.1193 Tidak Stasioner 5 -2.881830 10 -2.577668 Berdasarkan Tabel 4.1 menunjukkan bahwa variabel harga minyak yang digunakan dalam penelitian tidak stasioner pada tingkat level. Ketidakstasioneran data dapat dilihat dari nilai t-ADF yang lebih besar dari nilai kritis MacKinnon pada taraf nyata lima persen. Selain itu, dapat dilihat juga dari nilai probabilitas yang kurang dari taraf nyata 1, 5, ataupun 10. Oleh karena itu, pengujian akar-akar unit ini perlu dilanjutkan pada tingkat first difference. Setelah dilakukan first difference , variabel sudah stasioner karena memiliki nilai t-ADF yang lebih kecil dari nilai kritis MacKinnon pada taraf nyata 1, 5, ataupun 10. Tabel 4.2. Uji Stasioneritas Variabel Harga Minyak pada first difference Variabel Critical Value t-Stat Probability Keterangan lo 1 -3.476805 -8.42199 0.0000 Stasioner 5 -2.881830 10 -2.577668

2. Mengevaluasi Model ARIMA

Model ARIMA p,d,q terbentuk dari data yang sudah stasioner. Penentuan lag terbaik dari model ARIMA dibangun berdasarkan koefisien autokorelasi ACF dan autokorelasi parsial PACF. Berdasarkan plot korelogram maka dapat ditentukan time lag untuk membangun model. Time lag yang digunakan pada penelitian ini adalah lag 1 lampiran 2. Data harga minyak stasioner pada first difference dan lag maksimum adalah 1, maka model tentatif dalam penelitian ini yaitu AR 1 dan MA1, serta ARIMA 1,1,1. Pemilihan model yang terbaik berdasarkan goodness of fit. Tabel 4.3. Hasil Evaluasi Model ARIMA Model Probabilitas adj. R-sq AIC SC SSR ARIMA 1,1,0 0.0001 0.102416 -2.62448 -2.58285 0.585846 ARIMA 0,1,1 0.0000 0.103964 -2.62969 -2.58826 0.587019 ARIMA 1,1,1 AR1 MA1 0.4630 0.4871 0.098853 -2.6136 -2.55115 0.58397 Berdasarkan evaluasi model Tabel 4.3, maka model ARIMA 0,1,1 merupakan model yang terbaik. Hal ini berdasarkan dari tingkat signifikansi yang tinggi, nilai adj R-sq yang tertinggi dan kriteria nilai AIC, SC, dan SSR terkecil Lampiran 3.

3. Uji Asumsi

Klasik Uji Normalitas Uji normalitas digunakan untuk mengetahui kebaikan model terhadap galat terbakukan standardized residuals dengan mengamati nilai statistik uji Jarque- Bera JB untuk memeriksa asumsi kenormalan. Ketidaknormalan galat diatasi dengan pendugaan parameter Quasi Maximum Likelihood QML. Selain itu, dalam pengolahan data digunakan opsi Heteroscedasticity Consistent Covariance Bollerslev-Wooldridge agar asumsi galat menyebar normal dapat dipertahankan. Sehingga galat baku dugaan parameter tetap konsisten. Gambar 4.3. Histogram GalatResidual Nilai probabilitas Jarque-Bera data harga minyak yang diteliti yaitu sebesar 0,0000 lebih kecil dari taraf nyata 5 persen, sehingga dapat dikatakan bahwa residual tidak menyebar normal. Uji Autokorelasi Uji autokorelasi digunakan untuk mengetahui kebaikan model terhadap korelasi serial. Ketika sebuah model melanggar asumsi ini akan menghasilkan estimator kuadrat terkecil yang masih bersifat linear, tak bias, dan juga tidak efisisen atau tidak memiliki varians minimum. Tabel 4.4. Uji Autokorelasi Breusch-Godfrey Serial Correlation LM Test: F-statistik 0.178881 Prob. F2,139 0.8364 Obs R-squared 0.367064 Prob. Chi-square 0.8323 Taraf Nyata 5 Berdasarkan hasil uji autokorelasi dengan Breusch-Godfrey Serial Correlation LM Test , nilai probablitas chi-square model ARIMA 1 lebih besar dari pada taraf nyata 5 persen, maka terima H0 yang artinya model ARIMA 0,1,1 tidak mengandung autokorelasi, atau tidak ada korelasi serial. 5 10 15 20 25 30 -0.3 -0.2 -0.1 -0.0 0.1 Series: Residuals Sample 2000M02 2011M12 Observations 143 Mean -3.71e-05 Median 0.008586 Maximum 0.114103 Minimum -0.336466 Std. Dev. 0.064296 Skewness -1.529420 Kurtosis 7.750791 Jarque-Bera 190.2289 Probability 0.000000