dimana ∆ mengidentifikasikan perbedaan pertama, sedangkan α= ρ-1, sehingga
hipotesis nol menjadi H :
α=0, sedangkan hipotesis alternatif menjadi H
1
: α1.
Sedangkan model umum dari ADF yang digunakan dalam penelitian ini adalah sebagai berikut Pasaribu, 2003:
∆y
t
= k + αy
t-1
+ c
1
∆y
t-2
+ ...+ c
p
∆y
t-p
+ β trend + ε
t
3.7 Jika nilai t-statistik ADF lebih kecil dari t-statistik kritis MacKinnon maka
keputusannya adalah menolak H yang menyatakan bahwa data tidak stasioner
atau dengan kata lain data bersifat stasioner
3.2.3. Penetapan Lag Optimal
Uji lag optimal dilakukan untuk mengetahui berapa jumlah lag yang sesuai untuk model. Penetapan tingkat lag optimal dapat dilakukan dengan
menggunakan fungsi kriteria informasi sebagai berikut: a Kriteria uji likelihood Ratio LR; b Final Prediction Criterion FPE; c Akaike Information
Criterion; d Schwarrz Information Criterion SIC; dan e Hannan_Quinn Criterion.
Penentuan lag optimal dalam analisis VAR sangat penting dilakukan karena variabel endogen dari variabel endogen dalam sistem persamaan akan
digunakan sebagai variabel eksogen Enders, 1995. Pengujian panjang lag optimal ini berguna untuk menghilangkan masalah autokorelasi dalam sistem
VAR. Dalam penelitian ini digunakan semua kriteria informasi untuk menentukan lag optimal. Model VAR diestimasi dengan lag yang berbeda-beda kemudian
dibandingkan nilai kriterianya. Nilai lag yang optimum adalah nilai kriteria yang terkecil.
3.2.4. Uji Kointegrasi
Salah satu asumsi yang harus dipenuhi dalam VAR adalah semua peubah tak bebas bersifat stasioner. Apabila data tidak stasioner, maka perlu dilakukan uji
kointegrasi, dimana jika data yang tidak stasioner terkointegrasi, maka kombinasi linier antar variabel-variabel dalam sistem akan bersifat stasioner, sehingga dapat
diperoleh sistem persamaan jangka panjang yang stabil Enders, 1995. Suatu deret waktu dikatakan terintegrasi pada lag ke-d atau Id jika data
tesebut bersifat stasioner setelah pendiferensian sebanyak d kali. Peubah-peubah tidak stasioner yang terintegrasi pada tingkat yang sama dapat membentuk
kombinasi linier yang bersifar stasioner. Komponen dari vektor y
t
dikatakan terkointegrasi jika ada vektor
β = β
1,
β
2,......,
β
n
sehingga kombinasi linier βy
t
bersifat stasioner, dengan syarat ada unsur matrikas β
bernilai tidak sama dengan nol. Vektor
β dinamakan vektor kointegrasi. Rank kointegrasi r dari vektor
adalah banyaknya vektor kointegrasi yang saling bebas. Nilai r dapat diketahui melalui uji Johansen. Hipotesisnya adalah:
H = rank
≤ r H
1
= rank r Apabila rank kointegrasi lebih besar dari nol, maka model yang digunakan adalah
VECM dan apabila rank kointegrasi sama dengan nol, maka model yang digunakan adalah VAR dengan pendiferensian sampai lag ke d.
3.2.5. Vector Error Correction Model VECM