BAB V IMPLEMENTASI
5.2 Uji Kointegrasi Johansen
Uji kointegrasi dilakukan karena data yang digunakan berfluktuasi dengan asumsi data tidak stasioner dan menentukan apakah mengalami kointegrasi atau tidak. Dua variabel atau lebih yang tidak stasioner sebelum dilakukan pembedaan tetapi stasioner setelah dilakukan pembedaan pada tingkat pertama, maka besar kemungkinan terdapat hubungan jangka panjang diantara variabel atau peubah tersebut [28].
Untuk mengetahui ketertarikan jangka panjang antar variabel – variabel atau peubah permintaan, maka dilakukan analisis dengan menggunakan uji kointegrasi Johansen. Variabel yang diuji harus merupakan variabel yang stasioner pada derajat yang sama. Apabila nilai trace statistic lebih besar dibandingkan dengan nilai
critical value maka variabel – variabel tidak terkointegrasi,
sebaliknya jika nilai trace statistic nya lebih besar dibandingkan nilai critical value maka variabel – variabel terkointegras [28]. Untuk melakukan uji kointegrasi, gunakan menu utama Quick – Estimasi VAR.
Gambar 5-5 Langkah untuk Uji Kointegrasi
Pada jendela VAR Spesification, pilih tab Basics dan pada kolom VAR Type, pilihlah Vector Error Correction. Pada kolom Endogenous Variable, isikan variabel dependen dalam model VECM, yaitu variabel dHB, dHDPB, dHG, dRPB, dan dSTOK.
Dan pada kolom lag intervals for D(Endogeneous). Pada VECM yang akan dianalisis tidak terdapat variabel independen kecuali komponen constanta, maka kosongkan nilai pada kolom Exogenous Variables, karena informasi mengenai masuknya konstanta ke dalam model pada dialog input model VECM akan dispesifikasi menggunakan tab Cointegration.
Gambar 5-6 VAR Spesification – tab basic
Pada tab Cointegration, kolom Number of cointegrating equations, isikan nilai 1
Gambar 5-7 VAR Spesification - tab cointegration
Kemudian muncul hasil estimasi VEC, pilih View – Cointegration test
Gambar 5-9 Johansen Cointegration Test
Lalu pilih View – Cointegration test – pilih no.6 (summary) – OK. Setelah hasil uji johansen keluar, lihat tanda bintang pada AIC terletak pada lag ke berapa, kemudian pada view pilih cointegration test dan pilih nomor yang sesuai dengan lag yang bertanda bintang - OK
Gambar 5-11 Menu Johansen Cointegration Test
5.3 Estimasi dan Pemeriksaan Model
Dalam estimasi VECM ini akan menunjukkan hubungan antara variabel satu dengan variabel lain baik dalam jangka panjang maupun jangka pendek.
Setiap model persamaan kointegrasi akan mempunyai error
correction model karena dalam jangka pendek pergerakan dari
setiap variabel ada kemungkinan penyimpangan dari pergerakan jangka panjangnya, seperti karena terjadi shock atau guncangan harga atau karena adanya faktor musiman yang ada dalam variabel [28]
Pengaruh suatu variabel yang terkointegrasi terhadap variabel atau peubah lainnya dalam jangka panjang dapat dilihat dari analisis menggunakna metode VECM dengan melakukan lakukan langkah berikut :
Sebelumnya wajib diketahui lag optimal terlebih dahulu dengan cara : Tandai seluruh variabel – Klik Kanan – Open – as VAR – OK
Gambar 5-12 Langkah dalam Menentukan Lag Optimal
Kemudian dari VAR Estimation, pilih View – Lag Structure – Lag Length Criteria
Gambar 5-14 Langkah dalam Menampilkan Lag Length Criteria Dari hasil uji lag optimum, diketahui kriteria informasi yang didapat dari tabel SC dan AIC pada lag dengan jumlah yang paling kecil. Lag ini akan digunakan untuk pemeriksaan model VECM mana yang lebih baik dengan menguji kedua model tersebut. Dari hasil uji lag optimal, pilih estimate kemudian muncul tab VAR Spesification, pada VAR Type pilih Vector Error Correction, kemudian pada lag intervals isikan jumlah lag berdasarkan kriteria informasi dari AIC dan SC yang didapatkan pada uji lag optimum.
Gambar 5-15 VAR Spesification - tab basic
Kemudian pada tab cointegration, pada kolom number of cointegrating isikan sesuai dengan persamaan kointegrasi yang didapatkan pada uji kointegrasi sebelumnya, setelah itu tekan OK.
Gambar 5-16 VAR Spesification
Kemudian dari hasil estimasi VECM, pilih view- residual tests – portmanteuau autocorrelation test. Lakukan pemeriksaan model VECM lagi dengan jumlah lag interval yang berbeda sesuai dengan kriteria informasi SC dan AIC yang sebelumnya didapat dari uji lag optimum. Setelah itu bandingkan dari kedua model tersebut mana yang lebih baik dengan melihat yang memiliki lebih sedikit
probability kurang dari taraf signifikansi α=5%, model tersebut lah
yang dipilih.
5.4 Uji Kausalitas Granger
Uji kausalitas granger dilakukan untuk mengetahui dan mengevaluasi kemampuan peramalan dari suatu peubah deret waktu pada periode sebelumnya terhadap peubah deret waktu lainnya pada periode sekarang [28]. Hipotesis nol yang diuji menyatakan bahwa tidak adanya kausalitas antara variabel. Untuk menolak atau menerima hipotesis nol dapat melihat probabilitasnya yang dibandingkan dengan tingkat kepercayaan. Apabila nilai probabilitasnya lebih kecil dari 5 persen maka hipotesis nol ditolak, ini berarti bahwa adanya hubungan kausalitas diantara variabel – variabel yang diuji.
Uji kausalitas granger dapat dilakukan dengan cara pada uuji residual sebelumnya, buka view – lag structure – granger causality/block exogeneity tests.
Gambar 5-17 Uji Kausalitas Granger
5.5 Peramalan dan Analisis Struktural 5.5.1. Impulse Response Function (IRF)
Impuls Response Function (IRF) dapat diartikan bahwa adanya
suatu respon dari suatu peubah endogen ketika peubah endogen yang lainnya di shock atau diguncangkan dalam peubah itu sendiri atau peubah endogen lainnya. Nilai IRF memberikan arah besarnya pengaruh antar peubah atau variabel yang diteliti [28].
Untuk melakukan IRF, langkah – langkah yang harus dilakukan adalah sebagai berikut :
Gambar 5-18 View Impulse Response Impulse Respon – Multiple Graph – Analytic
Gambar 5-19 Tab Impulse Response
5.5.2. Forecast Error Variance Decomposition (FEVD)
Analisis dengan FEVD dapat menginformasikan mengenai ramalan dari variabel yang digunakan. Untuk mengetahui seberapa besar persen variasi sisaan suatu variabel yang dijelaskan oleh setiap sisaan masing – masing variabel dan sisaan variabel lain pada tahapan periode ramalan ke depan dalam model yang diaplikasikan [28].
Pada variance decomposition, lakukan prosedur berikut : Dari hasil impulse response – View – Variance Decomposition Variance Decomposition – Table – None (standart errors)
Gambar 5-20 View Variance Decomposition
Gambar 5-21 Tab Variance Decomposition