Dimana: Xt
= bentuk dari pembedaan pertama Α
= intersep X
= variabel yang diuji stasioneritasnya P
= panjang lag yang digunakan dalam model Ut
= residual atau error Hipotesisnya adalah H
mengandung hipotesis bahwa terdapat akar-akar unit, H
1
mengandung hipotesis bahwa tidak terdapat akar- akar unit. Pengujian hipotesis statistik tersebut dilakukan dengan
membandingkan ADF tes statistik hasil regresi dengan t-statistik MacKinnon Critical Value 1 persen, 5 persen atau 10 persen. Bila
ADF tes statistik hitung lebih kecil dari MacKinnon Critical Value, maka H
diterima dan H
1
ditolak, tidak cukup bukti untuk menolak hipotesis bahwa di dalam persamaan mengandung akar-akar unit,
artinya data tersebut tidak stasioner. Tetapi sebaliknya, jika ADF tes statistik hitung lebih besar dari MacKinnon Critical Value, maka H
ditolak dan H
1
diterima, karena cukup bukti untuk menolak hipotesis nol bahwa di dalam persamaan mengandung akar-akar unit yang
artinya bersifat stasioner. Jika hasil dari uji stasioner menunjukkan bahwa data belum
stasioner pada level atau integrasi derajat nol I0, maka untuk memperoleh data yang stasioner dilakukan dengan cara pembedaan
data yaitu dengan mengurangi data tersebut pada data periode sebelumnya. Data melalui pembedaan pertama atau first difference
akan diperoleh selisih, prosedur ADF dilakukan untuk menguji data sudah stasioner pada pembedaan pertama. Apabila pada pembedaan
pertama menghasilkan data yang stasioner, maka data deret waktu tersebut terintegrasi pada derajat pertama I1 untuk seluruh variabel.
Tetapi bila pada pembedaan pertama data belum stasioner maka dilakukan pembedaan kedua untuk menghasilkan data yang
stasioner. Hal ini terus dilakukan sehingga diperoleh data yang stasioner.
3.3.2. Model Vector Autoregression VAR
Vector Autoregression VAR merupakan alat analisis atau metode statistik yang bisa digunakan baik untuk memproyeksikan
sistem variabel-variabel atau peubah deret waktu atau time series maupun untuk menganalisis dampak dinamis dari faktor gangguan
yang terdapat dalam sistem variabel tersebut. VAR adalah suatu sistem persamaan dinamis dimana
pendugaan suatu variabel pada periode tertentu tergantung pada pergerakan variabel tersebut dan variabel-variabel lain yang terlibat
dalam sistem pada periode-periode sebelumnya Enders 2004. Untuk suatu sistem sederhana dengan dua variabel, model simultan
yang dibentuk Enders 2004 adalah sebagai berikut: ........ 14
........ 15 engan asumsi: a yt dan zt stasioner, b εyt dan εzt adalah
galat dengan sim angan baku y dan z dan c εyt dan εzt tidak berkorelasi.
Persamaan 14 dan 15 memiliki struktur timbal balik atau feedback karena yt dan zt saling memberikan pengaruh satu sama
lain. Persamaan ini merupakan persamaan VAR struktural. Dengan menggunakan aljabar matriks, persamaan 14 dan 15 dapat dituliskan
sebagai berikut :
[ ] [
] [ ] [
] [ ] [
]
atau .................................................... 16
Jika persamaan 16 dikalikan dengan B
-1
akan diperoleh model VAR bentuk standar:
...................................................... 17 dimana:
A0 = B-
1Г0 A1
= B- 1Г1
t = B-
1εt Secara umum model VAR berordo p mempunyai bentuk
persamaan Enders 2004 sebagai berikut : Xt = A
+ A
1
x
t-1
+ A
2
x
t-2
+ …+ A
p
x
t-p
+ e
t
...................................... 18 Dimana xt = vektor peubah endogen berukuran nx1
diasumsikan stasioner yang berisi n peubah yang masuk ke dalam model VAR, A0 = vektor intersep berukuran nx1, Ai = matriks
parameter berukuran nxn untuk i = 1, 2, .., p, et = vektor sisaan berukuran nx1, p = panjang lag, t = periode amatan.
Vektor Autoregresi VAR adalah sistem persamaan yang menunjukkan setiap variabel dalam persamaan merupakan fungsi
linier dari konstanta nilai lag dari variabel itu sendiri serta nilai lag dari variabel lain yang ada di dalam sistem Agung 2009. Jadi,
variabel penjelas dalam VAR meliputi nilai lag seluruh variabel tak bebas dalam sistem.
4. HASIL DAN PEMBAHASAN
4.1. HASIL ANALISIS
Pengujian vektor autoregresi pada penelitian ini menggunakan bantuan aplikasi perangkat lunak Eviews versi 6 yang dikembangkan dan
didistribusikan oleh Quantitative Micro Software QMS. Pengujian meliputi uji stasioneritas data, uji lag optimal, uji kausalitas Granger, uji
kointegrasi, estimasi vector error correction model, uji impuls response function dan forecast error variance decomposition.
4.1.1. Uji Stasioneritas Data
Uji stasioneritas dilakukan untuk analisis mengenai pola data atau sifat dari pergerakan data deret waktu yang sesuai dengan pola
data tersebut. Plot deret waktu yang berfluktuasi dengan ragam yang konstan disekitar rataan yang konstan menunjukkan bahwa deret
waktu tersebut stasioner. Sedangkan plot deret waktu yang tidak berfluktuasi disekitar rataan yang konstan atau tidak berfluktuasi
dengan ragam yang konstan mengindikasikan bahwa data deret waktu tersebut tidak stasioner.
Apabila data deret waktu tersebut sudah stasioner maka metode analisis yang digunakan adalah vektor autoregresi VAR,
sedangkan bila data deret waktu tersebut semua atau salah satu tidak stasioner pada level nol 0 dan dilakukan pembedaan maka model
yang dipilih adalah vector error correction model VECM. Artinya data stasioner harus pada pembedaan yang sama, karena seluruh
variabel harus berada pada derajat yang sama. Uji kestasioneritasan dalam penelitian ini dilakukan dengan menggunakan metode
Augmented Dickey Fuller Test uji ADF. Uji kestasioneran ini secara informal dapat dilihat dari plot
data. Jika dalam grafik terlihat ada kecenderungan peningkatan nilai seiring bertambahnya waktu maka kemungkinan data tersebut belum
stasioner. Pada Gambar 4.1 dan Gambar 4.2 terlihat plot data dari produksi biodiesel, harga CPO, harga TBS dan harga minyak
goreng. Masing-masing plot data pada gambar-gambar tersebut menunjukkan tanda-tanda adanya peningkatan nilai. Dengan melihat
gambar tersebut dapat diambil kesimpulan sementara bahwa variabel-variabel penelitian tersebut belum stasioner.
Untuk memastikan kestasioneran data maka dilakukan uji formal menggunakan Augmented Dickey Fuller Test uji ADF.
Gambar 4.1 Grafik untuk variabel PBIO dan HCPO
Gambar 4.2 Grafik untuk variabel HTBS dan HMGO
Hipotesa yang diuji adalah H :
1
= 0 menunjukkan adanya akar unit atau datanya bersifat stasioner dan H
1
:
1
≠ 0 Pada hi otesa tersebut
1
merupakan nilai dari ADF. Jika nilai absolut dari ADF tersebut lebih besar dari nilai kritis maka hipotesa H
yang menyatakan bahwa terdapat akar unit di dalam data ditolak dan
berarti bahwa data deret waktu tersebut stasioner. Sebaliknya, bila nilai absolut dari ADF lebih kecil dari nilai kritis maka H
dapat
