Uji Stasioner Data. Uji Kausalitas Intrumen Data.

Tabel 5.1 Hasil Uji ADF Pada Tingkat Level Variabel ADF t-Statistik Mac Kinnon Critikal Value 5 Probabilitas Keterangan Impor -3.148762 -2.963972 0.0335 Stasioner Harga -0.512803 -2.963972 0.8752 Tidak Stasioner Kurs -1.400728 -1.400728 0.5686 Tidak Stasioner Produksi 0.717919 -2.971853 0.9904 Tidak Stasioner PDB -0.538732 -2.963972 0.8697 Tidak Stasioner Dari hasil uji level tersebut dapat diketahui bahwa variabel Impor lolos pada uji level, sedangkan pada variabel Harga, Kurs, Produksi dan PDB tidak lolos pada tingkat uji level. Hal ini dapat dilihat pada probabilitas ADF t-statistik variabel impor lebih kecil dari pada nilai Mc Kinnon Critical Value 5 persen, yaitu sebesar -3.148762 -2.963972. Artinya, H ditolak dan H 1 diterima atau dengan kata lain, data sudah stasioner. Pada tingkat yang sama uji level, variabel Harga tidak memenuhi persyaratan stasioner data. Dimana, diketahui bahwa probabilitas ADF t-statistik variabel Harga lebih besar dari pada nilai Mc Kinnon Critical Value 5 persen, yaitu -0.512803 -2.963972. Artinya H diterima dan H 1 ditolak atau dengan kata lain, data tidak stasioner. Variabel Kurs juga mengalami hal yang sama dengan variabel Harga, yang mana diketahui bahwa probabilitas ADF t-statistik variabel Kurs lebih besar dari pada nilai Mc Kinnon Critical Value 5 persen, yaitu -1.400728 -1.400728. Artinya H diterima dan H 1 ditolak atau dengan kata lain, data tidak stasioner. Variabel Produksi juga mengalami hal yang sama terhadap variabel Kurs, yang mana diketahui bahwa probabilitas ADF t-saistik variabel Produksi lebih besar dari pada nilai Mc Kinnon Critical Value 5 persen, yaitu 0.717919 - 2.971853 . Artinya H diterima dan H 1 ditolak atau dengan kata lain, data tidak stasioner. Hal serupa pun terjadi pada variabel PDB, yang mana diketahui bahwa probabilitas ADF t-statistik variabel PDB lebih besar dari pada nilai Mc Kinnon Critical Value 5 persen, yaitu -0.538732 -2.963972 . Artinya H diterima dan H 1 ditolak atau dengan kata lain, data tidak stasioner. Oleh dikarenakan variabel yang tidak stasioner pada pengujian ADF model intercept pada tingkat level yaitu variabel Harga, Kurs, Produksi dan PDB tidak lolos, maka sesuai penjelasan Kuncoro 2011, solusinya adalah melakukan diferensi data pada tingkat first difference. Hasil pengujian akar unit pada tingkat first difference dapat di tunjukkan pada langkah selanjutnya yaitu : Tabel 5.2 Hasil Uji ADF Pada Tingkat First Difference Variabel ADF t-Statistik Mac Kinnon Critikal Value 5 Probabilitas Keterangan Impor -5.288299 -2.976263 0.0002 Stasioner Harga -5.850452 -2.971853 0.0000 Stasioner Kurs -4.856291 -2.967767 0.0005 Stasioner Produksi -5.836718 -2.971853 0.0000 Stasioner PDB -3.867362 -2.967767 0.0063 Stasioner Dari tabel di atas 5.2 dapat diketahui bahwa semua variabel yang di gunakan dalam penelitian ini sudah stasioner pada tingkat first difference. Hal tersebut dapat diketahui pada masing-masing variabel, yaitu : a. Variabel Impor pada pengujian ADF model intercept pada tingkat first difference menunjukkan bahwa pada nilai ADF t-statistik lebih kecil dari pada MC Kinnon Critikal Value 5 persen, yaitu -5.288299 -2.976263 yang artinya, H ditolak dan H 1 diterima atau dengan kata lain, data telah stasioner lolos. b. Variabel Harga pada pengujian ADF model intercept pada tingkat first difference menunjukkan bahwa pada nilai ADF t-statistik lebih kecil dari pada MC Kinnon Critikal Value 5 persen, yaitu --5.850452 -2.971853 yang artinya, H ditolak dan H 1 diterima atau dengan kata lain, data telah stasioner lolos. c. Variabel Kurs pada pengujian ADF model intercept pada tingkat first difference menunjukkan bahwa pada nilai ADF t-statistik lebih kecil dari pada MC Kinnon Critikal Value 5 persen, yaitu -4.856291 -2.967767 yang artinya, H ditolak dan H 1 diterima atau dengan kata lain, data telah stasioner lolos. d. Variabel Produksi pada pengujian ADF model intercept pada tingkat first difference menunjukkan bahwa pada nilai ADF t-statistik lebih kecil dari pada MC Kinnon Critikal Value 5 persen, yaitu -5.836718 -2.971853 yang artinya, H ditolak dan H 1 diterima atau dengan kata lain, data telah stasioner lolos. e. Variabel PDB pada pengujian ADF model intercept pada tingkat first difference menunjukkan bahwa pada nilai ADF t-statistik lebih kecil dari pada MC Kinnon Critikal Value 5 persen, yaitu -3.867362 -2.967767 yang artinya, H ditolak dan H 1 diterima atau dengan kata lain, data telah stasioner lolos. Dari hasil uji diatas, bahwa semua variabel sudah memenuhi persyaratan stasioneritas dan uji ADF di mana, nilai ADF t-statistik lebih kecil dari pada nilai Mc Kinnon Critikal Value 5 persen pada tingkat first difference, maka dapat dilakukan langkah selanjutnya dalam estimasi VECM, yaitu penentuan lag optimum.

2. Uji Panjang Lag Optimum.

Langkah kedua dalam analisis VECM adalah dengan melakukan uji Lag Optimum. Penentuan jumlah Lag dalam model VECM ditentukan pada kriteria informasi yang di rekomendasikan oleh nilai terkecil dari Final Prediction Error FPE, Akaike Information Criterion AIC, Schwarz Criterion SC, dan Hannan-Quinn HQ. Dari uji Lag tersebut akan menunjukkan tanda bintang Lag yang ditetapkan sebagai Lag Optimum. Panjang Lag yang diikut sertakan dalam penelitian ini adalah mulai dari 0 sampai dengan Lag 3, karena data yang diambil adalah data tahunan selama 31 tahun, periode pada tahun 1985 sampai 2015. Hasil dari uji Lag yaitu sebagai berikut : Tabel 5.3 Hasil Uji Lag Optimum Lag LogL LR FPE AIC SC HQ 94.11828 NA 9.35e-10 -6.601354 -6.361384 -6.529998 1 130.6204 56.78115 4.14e-10 7.453366 -6.013547 -7.025233 2 152.1516 25.51836 6.63e-10 -7.196412 -4.556744 -6.411500 3 188.8144 29.87345 5.29e-10 -8.060328 -4.220812 -6.918639 Dari hasil uji Lag Optimum di tabel 5.3 menunjukan bahwa panjang Lag Otimal terletak pada Lag 1, yaitu hasil uji panjang Lag di tentukan dengan jumlah bintang terbanyak yang direkomendasikan dari masing-masing kriteria uji Lag Optimum.

3. Uji Stabilitas VAR.

Langkah ketiga setelah melakukan uji Lag Optimal yaitu uji Stabilitas dilakukan untuk menentukan apakah Lag tersebut merupakan Lag maksimum VAR yang stabil. Stabilitas model VAR dapat dilihat dari nilai inverse roots karakteristik AR polinominalnya. Suatu sistem VAR dikatakan stabil stasioner jika seluruh roots nya memiliki modulus lebih kecil dari satu dan semuanya terletak didalam unit circle Lutkepohl, 1991. Pengujian stabilitas model VAR, dimaksud untuk menguji validitas IRF dan VDC. Pengujian stabilitas estimasi VAR dapat ditunjukkan sebagai berikut yaitu : Tabel 5.4 Hasil Uji Stabilitas VAR Root Modulus -0.130161 - 0.507993i 0.524403 -0.130161 + 0.507993i 0.524403 -0.490931 0.490931 0.203484 - 0.354228i 0.408513 0.203484 + 0.354228i 0.408513 Dari tabel 5.4 dapat dijelaskan bahwa dari hasil uji Stablitas VAR menunjukkan bahwa model yang digunakan sudah stabil dari Lag 1 hal tersebut dapat dilihat dari kisaran modulus dengan nilai rata-rata kurang dari satu. Dengan hasil demikian, dapat diketahui hasil analisis IRF Impulse Response Function