nilai critical value maka H diterima artinya data time series tersebut mengandung
unit root atau tidak stasioer. Berdasarkan uji ADF yang telah dilakukan diketahui bahwa seluruh variabel yang digunakan tidak stasioner pada tingkat
level. Hal ini terlihat dari nilai mutlak statistik t yang lebih kecil dari nilai kritis Mac Kinon 5 serta probabilitasnya yang lebih kecil dari nilai kritis 5 berarti
data tersebut memiliki akar unit. Oleh karena data yang tidak stasioner pada level maka perlu dilanjutkan uji ADF pada tingkat first difference hingga data yang
digunakan menjadi stasioner. Pada uji ADF pada tingkat first difference didapat bahwa semua variabel
yang dianalisis stasioner pada taraf nyata 5. Hal tersebut dilihat dari nilai mutlak statistik t yang lebih besar dari nilai kritis MacKinon 5 serta nilai
probabilitasnya yang lebih kecil dari nilai kritis 5. Secara umum dapat disimpulkan bahwa variabel harga minyak kelapa sawit, minyak kanola, minyak
kedelai, dan minyak bunga matahari stasioner pada uji derajat integrasi I 1.
Tabel 5.1. Hasil Pengujian Akar Unit Tingkat Level dan First Difference
Variabel Level 1
st
difference t
statistik Probabilitas t statistik Probabilitas
PCPO -1.286716 0.6314 -4.706239 0.0002 PCAN -1.856531 0.3507 -5.224327 0.0000
PSOY -1.511088 0.5223 -4.754415 0.0002 PSUN -2.612046 0.0955 -4.153466 0.0015
Ket: signifikan pada taraf nyata 5
5.2 Pemilihan Tingkat Lag Optimum
Penentuan lag optimal sangatlah penting dalam menggunakan metode VAR. Hal ini karena lag dari variabel endogen dalam persamaan akan digunakan
sebagai variabel eksogen. Semakin panjang lag yang digunakan akan mengurangi derajat bebas dan jumlah observasi, sedangkan lag yang terlalu pendek akan
memberikan spesifikasi yang salah. Pemilihan lag sangat penting karena dapat mempengaruhi dalam penolakan dan penerimaan hipotesis nol sehingga
mengakibatkan bias estimasi dan dapat memberikan hasil peramalan yang tidak akurat. Pemilihan panjang lag optimum dalam model VAR ini untuk menghindari
terjadinya serial korelasi antara error term dengan variabel endogen dalam model yang dapat menyebabkan estimator menjadi tidak konsisten. Penetapan lag
optimum biasanya didasarkan pada nilai Akaike Information Criteria AIC, Final Prediction Error FPE, Hannan-Quinn Information Criterion HQ, dan Schwarz
Information Criterion SC. Besarnya lag yang dipilih dalam penelitian ini adalah lag yang
menghasilkan nilai SC terkecil. Berdasarkan Tabel 5.2. dapat dilihat bahwa nilai SC terkecil terdapat pada lag satu yaitu sebesar 41.56218. Hal ini menunjukkan
bahwa lag optimal menurut nilai SC berada di lag satu. Dengan demikian lag yang digunakan dalam model VECM adalah lag satu.
Tabel 5.2. Hasil Pengujian Lag Optimal
Lag LogL
LR FPE
AIC SC
HQ -1627.179
NA 8.05e+15
47.97585 48.10641
48.02758 1
-1370.919 474.8346
6.88e+12 40.90938
41.56218 41.16804 2
-1348.302 39.24680
5.69e+12 40.71477 41.88980
41.18035 3
-1336.646 18.85529
6.55e+12 40.84254
42.53981 41.51505
4 -1316.336
30.46462 5.91e+12
40.71578 42.93529
41.59521
Keterangan: lag optimal
5.3 Uji Stabilitas VAR
Uji stabilitas VAR dilakukan untuk melihat apakah model VAR yang digunakan stabil atau tidak. Uji ini dilakukan sebelum estimasi VECM. Stabilitas
VAR perlu diuji karena jika model VAR tidak stabil maka analisis Impuls Response Function IRF dan Forecasting Error Variance Decomposition
FEVD menjadi tidak valid. Kestabilan model VAR dalam uji ini dilihat dari nilai modulus dari seluruh roots of characteristic polynominal. Suatu model VAR
dikatakan stabil jika seluruh roots-nya memiliki nilai modulus yang kurang dari satu Gujarati, 2004.
Berdasarkan uji stabilitas VAR yang telah dilakukan, terlihat bahwa nilai modulus dari seluruh roots memiliki nilai modulus kurang dari satu, sehingga
dapat disimpulkan bahwa model VAR yang digunakan dalam penelitian ini stabil pada lag optimalnya yaitu lag satu. Hasil dari uji stabilitas VAR dapat dilihat pada
Tabel 5.3
Tabel 5.3. Hasil Uji Stabilitas VAR
Root Modulus
0.926507 – 0.137641i 0.936675
0.926507 + 0.137641i 0.936675
0.904598 0.904598
0.695799 0.695799
5.4 Uji Kausalitas Granger
