53
Selanjutnya akan dilakukan pendugaan model VAR, untuk melihat hubungan antara harga grade Dust JTA dengan kedua tempat lelang lainnya, pada
awalnya diasumsikan bahwa data yang ada masih belum stasioner sehingga perlu dilakukan uji akar unit unit root test.
6.2. Penyusunan Model VAR
6.2.1. Pengujian Stasioneritas Data
Uji Unit Akar Unit Root Test dilakukan untuk melihat apakah data time series
sudah stasioner atau tidak. Pengujian ini dilakukan untuk menghindari adanya spurious regression regrasi lancung pada pemodelan time series,
pengujian dilakukan menggunakan uji Augmented Dickey Fuller ADF dan didapatkan hasil sebagai berikut;
Tabel 17.
Hasil Unit Root Test Jakarta Tea Auction JTA, Colombo Tea Auction CTA, dan Guwahati Tea Auction GTA
Tingkat level Variabel
Nilai t-hitung Nilai kritis 10
LogJTA - 2.584998
- 2.581041 LogCTA
- 3.361318 - 2.581041
LogGTA -3.012858
- 2.581041
Berdasarkan uji Augmented Dickey Fuller ADF pada Tabel 15, didapatkan hasil bahwa sudah data stasioner pada taraf nyata sepuluh persen. Hal
ini dapat dilihat dengan nilai t-hitung pada masing-masing variabel yang lebih kecil, jika dibandingkan dengan nilai kritis pada taraf nyata sepuluh persen. Dapat
disimpulkan bahwa ketiga data yang ada pada ketiga variabel yang akan digunakan dalam model VAR sudah stasioner, dimana nilai rataan dan variansnya
konstan sepanjang waktu. Data yang sudah stasioner
dapat mengurangi adanya kemungkinan spurious regression regresi lancung. Berdasarkan hasil uji ADF
maka tidak diperlukan lagi adanya pembedaan dan uji kointegrasi Johansen.
54
6.2.2. Penentuan Lag Kelambanan Optimal
Penentuan lag kelambanan optimal dilakukan untuk mengetahui kelambanan mana yang paling optimal untuk menggambarkan keadaan aktual.
Penetuan kelambanan optimal ditentukan dengan melihat nilai Akiake Information Criterion
AIC yang paling kecil, dari hasil pengujian kelambanan optimal. Berdasarkan hasil keluaran software yang digunakan, dipilih VAR kelambanan
satu, hasil pengujian kelambanan optimal dapat dilihat melalui Tabel 16.
Tabel 18. Penentuan Lag Kelambanan Optimal Model VAR
Lag AIC
-5.055463 1
-9.945248 2
-9.855524 3
-9.842707 4
-9.751222
Model VAR kelambanan satu dipilih karena nilai AIC pada lag kelambanan satu merupakan nilai terkecil jika dibandingkan dengan nilai AIC pada
kelambanan yang lain, yakni -9.945248. Nilai AIC yang semakin kecil menandakan bahwa kemungkinan dari nilai harapan yang dihasilkan dari sebuah
model akan semakin mendekati kenyataan.
6.2.3. Estimasi Model VAR
