lxxvi
DX
t
= c + c
1
T + c
2
BX
t
+
∑
= K
i 1
d
i
B
i
DX
t
DX
t
= X
t
– X
t-1
BX = X
t-1
Dimana : α
0,
c =
Intersep α
1,
c
1,
c
2
= Koefisien t
= Trend waktu X
t
= Variabel yang diamati pada periode t B
= Operasi kelambanan waktu ke periode hulu t-1 Dari hasil regresi persamaan diatas diperoleh nilai ADF Augmented
Dickey-Fuller statistic. Hasil ini kemudian dibandingkan dengan nilai kritis dari Mackinnon. Jika nilai ADF statistik lebih kecil daripada nilai kritis Mackinnon
pada derajat kepercayaan berapapun, maka dapat disimpulkan bahwa data tersebut adalah tidak stasioner. Solusi yang harus dilakukan jika data yang diperoleh tidak
stasioner adalah dengan menciptakan variabel baru dengan cara first difference, second difference lalu dilakukan kembali uji akar-akar unit sampai stationer.
3.4.2. Uji Derajat Integrasi
Apabila data yang telah diamati pada uji akar unit ternyata tidak stasioner, maka langkah selanjutnya adalah melakukan uji derajat integrasi. Uji ini
dilakukan untuk mengetahui pada derajat integrasi berapakah data yang diamati stasioner. Pengujian ini merupakan perluasan dari uji akar-akar unit yang ditafsir
dengan model autoregresif dengan metode OLS sbb :
D2X
t
= H + H
1
BX
t
+
∑
= K
i 1
b
i
B
i
D2X
t
Universitas Sumatera Utara
lxxvii
D2X
t
= F + F
1
T + F
2
BX
t
+
∑
= K
i 1
d
i
B
i
D2X
t
D2X
t
= X
t
– X
t-1
BX = X
t-1
Dimana : H
0,
F =
Intersep H
1,
F
1,
F
2
= Koefisien t
= Trend waktu X
t
= Variabel yang diamati pada periode t B
= Operasi kelambanan waktu ke periode hulu t-1
3.4.3. Uji Kointegrasi
Pengujian kointegrasi merupakan kelanjutan dari pengujian stationeritas data dan merupakan pengujian atas keseimbangan jangka panjang. Dalam
melakukan pengujian kointegrasi, variabel – variabel yang digunakan harus memiliki derajat integrasi yang sama. Hal inilah yang menyebabkan mengapa
pengujian ini harus melewati kedua pengujian diatas. Tujuan dilakukannya pengujian kointegrasi adalah untuk menguji apakah
residual regresi kointegrasi stationer atau tidak. Pengujian ini sangat penting jika ingin melakukan pengembangan selanjutnya pada model dinamis atau Error
Correction Model ECM, yang mencakup varibel – variabel kunci pada kointegrasi terkait karena model ECM konsisten dengan konsep kointegrasi atau
selanjutnya dikenal dengan Granger Representation Theorem. Pada prinsipnya yang dimaksud dengan jangka panjang dalam
pendekatan kointegrasi adalah jangka waktu dimana pengaruh setiap variabel independen terhadap variabel dependen tidak bersifat seketika, melainkan
Universitas Sumatera Utara
lxxviii membutuhkan selang waktu, dan merupakan suatu kondisi dimana masing-masing
variabel memungkinkan untuk mengadakan penyesuaian secara penuh terhadap perubahan-perubahan yang timbul atau tidak ada kecenderungan untuk naik
turun, dan variabel tersebut berada dalam kondisi optimumnya. Engel dan Grenger dalam Insukindro 1993 menyebutkan bahwa
pendekatan kointegrasi merupakan salah satu cara yang sering digunakan dalam penelitian – penelitian ekonomi dalam rangka menghindari adanya regresi
lancung. Jika menggunakan pendekatan kointegrasi maka syarat utama yang harus dipenuhi adalah variabel – variabel yang diamati mempunyai derajat integrasi
yang sama yang berarti variabel variabel tersebut dalam jangka panjang mempunyai hubungan keseimbangan seperti teori yang terkait dengan variabel –
varibel tersebut. Pengujian kointegrasi sangat penting bila ingin dikembangkan suatu model
dinamis, khususnya model koreksi kesalahan Error Correction Model yang mencakup variabel – variabel kunci pada regresi kointegrasi terkait. Hal ini
terjadi karena konsep ECM konsisten dengan konsep kointegrasi. Variabel – variabel yang diamati untuk model koreksi kesalahan harus membentuk suatu
himpunan yang berkointegrasi. Jika masing – masing dari variabel tersebut tidak saling berkointegrasi maka model koreksi kesalahan yang digunakan selanjutnya
tidak valid sahih. Model kointegrasi juga merupakan model yang biasa digunakan untuk
menganalisa trend dari nilai variabel dependen apakah bergerak dengan arah yang sama dengan arah independennya sehingga mampu mencapai keseimbangan
jangka panjang atau sebaliknya.
Universitas Sumatera Utara
lxxix Apabila dua variabel atau lebih mempunyai derajat integrasi yang berbeda
misalnya X
1
=I1 sedangkan X
2
=I2, maka kedua variabel tersebut tidak dapat berkointegrasi. Granger mengatakan bahwa terdapat enam implikasi yang
ditimbulkan dari adanya kointegrasi yang antara lain berkaitan dengan peramalan jangka pendek dan jangka panjang, kontrol optimal optimum control, kausalitas
dari granger Granger’s causality dan spekulasi pasar Insukindro, 1993:132 Untuk melakukan uji kointegrasi terhadap variabel – variabel yang
digunakan, penulis menggunakan metode Engel Granger. Melalui uji statistik DF dan ADF akan terlihat apakah residual dari regresi kointegrasi yand dilakukan
berada pada keadaan stasioner atau tidak. Tahapan dalam pengujian kointegrasi ini adalah, Nachrowi 2006:367:
1. Estimasi setiap parameter dari persamaan regresi dengan menggunakan
metode Ordinary Least Square OLS. 2.
Dapatkan residual dari model tersebut. 3.
Uji nilai residual yang diperoleh dengan menggunakan Augmented Dickey Fuller ADF untuk melihat apakah nilai residual tersebut berada pada
keadaan stationer atau tidak. Regresi kointegrasi ditunjukkan dengan nilai residual yang stasioner. Hal
ini menunjukkan bahwa variabel dependen dan independen yang tidak stasioner tersebut berkointegrasi sehingga menghasilkan residual yang stasioner. Jadi,
apabilah hasil ADF yang diperoleh stasioner, berarti persamaan tersebut memiliki keseimbangan jangka panjang kointegrasi.
Universitas Sumatera Utara
lxxx
3.4.4. Error Correction Model ECM