tujuan dari pengujian akar uint ini adalah untuk menguji stasioneritas dan derajat integritas dari variabel tersebut. Jika seluruh data bersifat stasioner
pada level, maka kita bisa langsung melakukan estimasi VAR terhadap data tersebut. Apabila data yang ada tidak stasioner pada level maka akan
dilakukan uji kointegrasi pada level dan apabila hasilnya terkointegrasi, maka dapat dilakukan estimasi terhadap data menggunakan estimasi VECM. Karena
pada penelitian ini hampir semua data tidak stasioner pada data levelnya maka yang digunakan dalam penelitian ini adalah estimasi pada model VECM.
Model VAR hanya digunakan untuk pengujian FEDV dan IRF. Untuk menganalisis data dalam penelitian ini menggunakan metode
Vector Auto Correction Model VECM dan alat analisisnya menggunakan software Eviews 7.
1. Vector Error Correction Model VECM Vector error correction model VECM adalah VAR terestriksi yang
digunakan untuk variabel yang nonstasioner tetapi memiliki potensi untuk terkointegrasi. Setelah dilakukan pengujian kointegrasi pada model yang
digunakan maka dianjurkan untuk memasukkan persamaan kointegrasi ke dalam model yang digunakan. Pada data time series kebanyakan memiliki
tingkat stasioner pada first difference atau I 1. VECM kemudian memanfaatkan informasi restriksi kointegrasi tersebut ke dalam
spesifikasinya. Oleh karena itu, VECM sering disebut sebagai desain VAR
bagi series nonstasioner yang memiliki hubungan kointegrasi. Dengan demikian, dalam VECM terdapat speed of adjustment dari jangka pendek
ke jangka panjang.
G. Model Penelitian
Dalam penelitian ini akan mengkaji hubungan antara profitabilitas dengan pembiayaan murabahah, non performing financing, dan financing to deposit ratio
baik hubungan jangka pendek maupun hubungan jangka panjang sehingga model persamaannya adalah sebagai berikut:
Keterangan: Y =
α + β
1
, MRB_X1 + β
2
, NPF_X2 + β
3
, FDR_X3 + β
4
ROA_Y1 = Total nilai profitabilitas ROA
MRB_X1 = Pembiayaan Murabahah
NPF_X2 = Non Performing Financing
FDR_X3 = Financing to Deposit Ratio
H. Proses Penelitian
Langkah-langkah yang dilakukan dalam analisis VECM terdiri dari beberapa langkah, yaitu:
1. Uji Stasioneritas
Langkah awal dalam mengestimasi model VAR yaitu melalui uji stasioner. Hal ini dilakukan untuk memastikan bahwa data yang digunakan
dalam penelitian ini adalah stasioner. Dalam data time series, stasioneritas merupakan salah satu konsep dasar karena terkait dengan model estimasi
yang digunakan. Jika data stasioner, maka peneliti hanya dapat mempelajari „perilaku’ data pada suatu periode tertentu saja berdasarkan
berbagai pertimbangan yang tentu akan menjadi subjektif. Data time series yang bersifat stasioner akan berujung pada penggunaan VAR
dengan metode standar. Sedangkan data time series yang bersifat tidak stasioner non stasioner akan berimplikasi pada dua pilihan VAR, yaitu
data VAR dalam bentuk difference atau VECM. Dalam sebuah penelitian bisa saja terjadi fenomena nonsense
regression spurious regression yang menggambarkan hubungan variabel yang nampaknya signifikan secara statistik, namun sebenarnya tidak
memiliki hubungan. Hal tersebut dapat dilihat dari nilai R
2
yang mendekati nol, serta nilai R
2
yang lebih besar dari Durbin Watson Statistic. Jika data time series tersebut tidak stasioner, maka hanya dapat dilakukan studi
pada waktu bersangkutan. Inilah tujuan dilakukannya uji stasioneritas pada data time series.
Uji stasioneritas dapat dilakukan dengan beberapa metode, yaitu grafik, correlogram, maupun akar unit unit root test dengan
menggunakan metode Augmented Dickey Fuller ADF test dan Philips Perron PP test.
Suatu data deret waktu dapat dikatakan stasioner jika rata-rata dan variannya konstan sepanjang waktu yang diikuti dengan nilai kovarians
antar dua periode waktu yang hanya bergantung pada jarak atau selang diantara keduanya.
Jika berdasarkan hasil uji stasioneritas dengan menggunakan uji ADF menunjukkan data dari semua variabel belum termasuk data stasioner pada
level 1 0, atau derajat integrasinya nol, maka yang harus dilakukan adalah mengujinya kembali dengan cara differencing data, yakni dengan
mengurangi data tersebut dengan periode sebelumnya. Maka, proses differencing pertama ini diperoleh data selisish. Jika pada uji ADF yang
kedua ini sudah dinyatakan stasioner, data tersebut terintegrasi pada derajat pertama 1 untuk seluruh variabel. Namun apabila masih belum
stasioner juga, harus dilakukan proses differencing kedua. Hal ini dilakukan secara terus menerus sehingga mendapatkan data yang stasioner
dan bisa diterapkan ke metode selanjutnya. Langkah-langkah pengujian sebagai berikut:
Hipotesis: Ho
: data tidak stasioner Ha
: data stasioner Apabila hasil uji Augmented Dicky-Fuller menyatakan bahwa: