dikarenakan data-data yang dipakai dalam penelitian ini sebagian ada yang stasioner di level dan stasioner di first difference namun terkointegrasi. Sedangkan
software Eviews versi 4.1 digunakan untuk melakukan analisis data dari penelitian
ini.
5.1. Kestasioneran Data
Data yang dianalisis dalam penelitian ini perlu dilakukan uji akar unit unit root test
untuk melihat apakah data tersebut stasioner atau tidak. Uji kestasioneran data ini sangat penting karena dalam kasus dimana data time series
yang digunakan tidak stasioner, maka kesimpulan yang diperoleh akan menghasilkan pola hubungan regresi yang palsu Spurious Regression. Suatu
upaya untuk menghindari terjadinya regresi palsu adalah dilakukannya uji akar unit pada tingkat first difference. Metode akar unit yang digunakan dalam
penelitian ini adalah uji Augmented Dicky Fuller ADF. Pada Tabel 5 dapat dilihat bahwa hanya variabel suku bunga SBI bersifat
stasioner ditingkat level. Hal tersebut terlihat dari nilai ADF t-statistic variabel tersebut lebih kecil dari nilai kritis MacKinnon. Sedangkan variabel lain seperti
suku bunga deposito, uang beredar, tingkat harga dan loan to deposit ratio tidak stasioner ditingkat level sehingga perlu dilanjutkan dengan akar unit pada tingkat
first difference derajat satu.
Tabel 5. Uji Akar Unit Level Variabel Nilai
ADF Nilai Kritis
Mackinnon 5 Keterangan
RDEP -2,571642 -2,881830
Tidak Stasioner
LOGM2 -2,294255 -2,881685 Tidak
Stasioner LOGCPI -0,739528 -2,881830
Tidak Stasioner
RSBI -3,001142 -2,881830
Stasioner LDR -1,436423
-2,881978 Tidak
Stasioner
Sumber: Lampiran 2
Sedangkan pada Tabel 6 memperlihatkan hasil uji stasioneritas pada tingkat first difference. Berdasarkan uji tersebut terlihat bahwa semua variabel
stasioner pada derajat integrasi satu I1 dimana nilai ADF t-statistic masing- masing variabel lebih kecil dari nilai kritis MacKinnon.
Tabel 6. Uji Akar Unit First Difference Variabel Nilai
ADF Nilai Kritis
Mackinnon 5 Keterangan
RDEP -9,378596 -2,881830
Stasioner LOGM2 -11,58243 -2,881830
Stasioner LOGCPI -5,706539 -2,881830 Stasioner
RSBI -7,003168 -2,881830
Stasioner LDR -6,151908
-2,881978 Stasioner
Sumber: Lampiran 3
5.2. Tingkat
Lag Optimal
Penentuan lag optimal sangat penting dalam sistem VAR karena variabel lag
merupakan variabel independen yang digunakan pada persamaan VAR. Namun sebelum melakukan penentuan lag optimal dilakukan uji stabilitas sistem
VAR. Lampiran 4 menunjukkan nilai inverse roots karakteristik AR polinomial untuk setiap hubungan bivariat antar variabel. Dari lampiran tersebut terlihat
bahwa seluruh roots memiliki modulus lebih kecil dari 1 dan semuanya terletak didalam unit circle. Dengan demikian dapat dikatakan bahwa sistem VAR untuk
setiap hubungan bivariat antar variabel tersebut adalah stabil.
Dalam penelitian ini, untuk menentukan tingkat lag optimal digunakan nilai Schwarz Information Criteria SIC yang terkecil. Tabel 7 menunjukkan
perhitungan nilai SIC untuk setiap lag-nya. Dari perhitungan nilai SIC tersebut didapat bahwa nilai minimum terdapat pada lag 5, sehingga diperoleh lag optimal
adalah lag 5. Selanjutnya uji kointegrasi, estimasi VECM dan variance decomposition
akan dilakukan pada lag optimal ini. Tabel 7. Perhitungan Schwarz Information Criteria SIC
Lag SIC
5,720898 1
3,956343 2
4,290477 3
4,105006 4
4,037108 5
3,725021 6
4,016849 7
4,445974 8
4,490571 9
4,632761 10
4,903347 11
5,310609
Sumber: Lampiran 5
5.3. Kointegrasi
