dijumlahkan kemudian dibagi dengan jumlah bulan yaitu 12, perolahan angka tersebut merupakan index value of new base. Kemudian nilai indeks untuk bulan
ke-i yang baru dihitung dengan: 100
× ⎥
⎦ ⎤
⎢ ⎣
⎡ =
Base New
of Value
Index Value
Index Old
Value Index
New 3.1
3.2.2. Pembentukan Data Siklikal
Suatu data time series mengandung unsur siklikal, musiman, trend dan irregular sehingga, Z
t
= P
t
+ S
t
+ C
t
+ I
t
. Z
t
merupakan variabel time series, P
t
mengandung komponen trend, S
t
adalah komponen yang mengandung unsur musiman, C
t
melambangkan komponen siklikal dan I
t
adalah komponen irregular. Data dengan series tahunan tidak memiliki komponen musiman dalam seriesnya,
sedangkan data pertumbuhan atau pada tingkat first difference hanya memiliki komponen trend dan siklikalnya Aczel, 1999. Sehingga untuk membentuk data
siklikal pada tingkat pertumbuhannya hanya perlu dihilangkan pengaruh trend- nya saja.
Proses penghilangan pengaruh trend-nya atau yang biasa disebut proses detrending
dilakukan dengan mendeviasikan data pertumbuhan dengan komponen trend
-nya. Adapun metode yang digunakan untuk mengestimasi nilai dari trend- nya digunakan Hodrick-Prescott HP filter. Menurut Setiana 2006 metode HP
filter merupakan alat analisis ekonomi yang sederhana, sangat fleksibel dan
merupakan pilihan inti dari trend. Hasil dari estimasi merupakan komponen trend
yang bersifat stokastik tapi bergerak mulus sepanjang waktu dan tidak berhubungan dengan komponen siklikalnya.
Misalkan ∆Z
t
adalah variabel time series dalam bentuk tingkat pertumbuhan yang telah hilang pengaruh musiman dan irregularnya dan Zp
t
adalah nilai dari komponen trend-nya. Maka dengan mendeviasikan ∆Z
t
terhadap Zp
t
akan diperoleh data siklikalnya Zc
t
. Setelah data berbentuk siklikal dilakukan proses standarisasi agar setiap variabel memiliki amplitudo yang sama.
Proses standarisasi dilakukan dengan mengikuti prosedur yang dilakukan oeh Kaminsky et al. 1998, misalkan IZ
t
adalah data siklikal yang sudah distandarisasi, dengan mendefinisikan
α sebagai:
5 .
1 2
− =
⎥ ⎦
⎤ ⎢
⎣ ⎡
− =
∑
T i
t p
Zc Zc
α 3.2
maka:
t t
Zc IZ
× =
α
3.3
3.2.3. Stasioneritas
Salah satu syarat penting dalam penelitian yang menggunakan data deret waktu adalah stasioneritas. Data akan stasioner apabila tidak ada kecenderungan
pola data yang mengalami pertumbuhan ataupun penurunan, dalam artian data harus konstan dan horizontal sepanjang deret waktu. Adapun salah satu cara yang
dapat digunakan untuk melihat keberadaan stsioneritas adalah The Augmented Dicky Fuller
ADF tes. Jika nilai ADF statistiknya lebih kecil dari Mc Kinnon Critical Value
maka dapat disimpulkan data tersebut stasioner. Kriteria pengujian
yang dipilih yaitu dengan menggunakan Hannan-Quin Criterion dengan tingkat stasioner yang diharapkan yaitu pada satu persen.
3.3. Metode Analisis Data