1. Analisis Grafis (Plot data)
Langkah pertama sebelum melakukan uji stationer adalah memplot data asli, dari hasil plot tersebut dapat dilihat apakah pola data tersebut, horizontal, trend, musiman atau siklis. Plot data juga merupakan langkah yng dipakai untuk menganalisis data time series. Menurut Makridakis (1999) mengungkapkan bahwa langkah penting dalam memilih suatu metode runtun waktu (time series) yang tepat adalah dengan mempertimbangkan jenis pola data, sehingga metode yang paling tepat dengan pola data tersebut dapat diuji, pola data dapat dibedakan:
1. Pola data Horizontal terjadi saat data observasi berfluktuasi di sekitaran suatu nilai konstan atau mean yang membentuk garis horizontal. Data ini disebut juga dengan data stasioner. Contoh plot data horizontal yaitu berupa plot data penjualan. Jumlah penjualan selalu meningkat atau menurun pada suatu nilai konstan secara konsisten dari waktu ke waktu.
2. Pola data trend terjadi bilamana data pengamatan mengalami kenaikan atau penurunan selama periode jangka panjang. Suatu data pengamatan yang mempunyai trend disebut data nonstasioner. Plot data trend dicontohkan yaitu berupa data harga suatu produk yang meningkat dari tahun ke tahun.
3. Pola data musiman terjadi bilamana suatu deret dipengaruhi oleh faktor musiman. Pola data musiman dapat mempunyai pola musim yang berulang dari periode ke periode berikutnya. Misalnya pola yang berulang setiap bulantertentu, tahun tertentu atau pada minggu tertentu. Contoh dari data musiman yaitu plot suplai bahan makanan tiap bulan. Dari plot tersebut terlihat bahwa terjadi pola yang berulang setiap periode dua belas bulan, sehingga bisa disimpulkan bahwa data tersebut merupakan pola data musiman.
4. Pola data siklis terjadi bilamana deret data dipengaruhi oleh fluktuasi ekonomi jangka panjang seperti yang berhubungan dengan siklus bisnis. Misalnya pada penjualan baja, emas dan komoditi lainnya.
2. Uji Stationary (Unit Root Test)
Sebelum melakukan analisis regresi dengan menggunakan data time series, perlu diuji stationary terhadap seluruh variabel untuk mengetahui apakah variabel-
variabel tersebut stationary atau tidak. Suatu series dikatakan stationary apabila rata-rata,varian dan autocovariance nilainya konstan dari waktu ke waktu. Dalam analisis time series, informasi apakah data bersifat stasionary merupakan hal yang sangat penting. Variabel-variabel ekonomi yang terus menerus
meningkat sepanjang waktu adalah contoh dari variabel yang tidak stasioner. Dalam metode OLS, mengikutsertakan variabel yang non stasioner dalam persamaan mengakibatkan standard error yang dihasilkan menjadi bias dan menghasilkan kesimpulan yang tidak benar. Banyak ditemukan bahwa koefisien estimasi signifikan tetapi sesungguh nya tidak ada hubungan sama sekali, terdapat beberapa metode pengujian unit root,
Salah satu konsep formal yang dipakai untuk mengetahui stasioneritas data adalah melalui uji akar unit (unit root test). Uji ini merupakan pengujian yang populer, dikembangkan oleh David Dickey dan Wayne Fuller dengan sebutan Augmented Dickey- Fuller (ADF) Test. Jika suatu data time series tidak stasioner pada orde nol, I(0) atau tingkat level, maka stasioneritas data tersebut bisa dicari melalui order berikutnya sehingga diperoleh tingkat stasioneritas pada order ke-n (firstdifference atau I(1), atau second difference atau I(2), dan seterusnya.
Hipotesis untuk pengujian ini adalah :
H0 : δ = 0 (terdapat unit root, tidak stasioner)
H1 : δ ≠ 0 (tidak terdapat unit root, stasioner)
Seluruh data yang digunakan dalam regresi dilakukan uji akar unit denganberpatokan pada nilai batas kritis ADF. Hasil uji akar unit dengan
membandingkan hasil t-hitung dengan nilai kritis McKinnon. Jika hasil uji menolak hipotesis adanya unit root untuk semua variabel, berarti semua adalah stasioner atau dengan kata lain, variabel-variabel terkointegrasi pada I (0) atau tingkat level, sehingga estimasi akan dilakukan dengan menggunakan regresi linier biasa (OLS). Jika hasil uji unit root terhadap level dari variabel-variabel menerima hipotesis adanya unit root, berarti semua data adalah tidak stasioner atau semua data terintegrasi pada orde I (1). Jika semua variabel adalah tidak stasioner, estimasi terhadap model dapat dilakukan dengan teknik kointegrasi.
3. Uji Kointegrasi
Keberadaan variabel yang tidak stasioner menyebabkan kemungkinan besar adanya hubungan jangka panjang antara variabel. Konsep kointegrasi adalah hubungan linier antar variabel yang tidak stasioner. Salah satu catatan penting mengenai kointegrasi adalah seluruh variabel harus terintegrasi pada orde atau level yang sama. Jika ada dua variabel yang terintegrasi pada orde yang berbeda, maka kedua variabel ini tidak mungkin berkointegrasi (Enders, 1995).
Jadi sebelum melakukan uji kointegrasi, seluruh variabel harus terintegrasi pada orde yang sama. Uji kointegrasi adalah uji ada tidaknya hubungan jangka panjang antara variabel bebas dan variabel terikat. Uji ini merupakan kelanjutan dari uji stationary, tujuan utama uji kointegrasi ini adalah untuk mengetahui apakah residual terkointegrasi stationary atau tidak. Apabila variabel terkointegrasi maka terdapat hubungan yang stabil dalam jangka panjang. Sebaliknya jika tidak terdapat kointegrasi antar variabel maka implikasi tidak adanya keterkaitan
hubungan dalam jangka panjang. Istilah kointegrasi dikenal juga dengan istilah error, karena deviasi terhadap ekuilibrium jangka panjang dikoreksi secara bertahap melalui series parsial penyesuaian jangka pendek. Ada beberapa macam uji kointegrasi, antara lain :
Uji Kointegrasi Engel-Granger (EG)
Uji kointegrasi dengan menggunakan metode Engle dan Granger. Dari hasil estimasi regresi akan diperoleh residual. Kemudian residual tersebut diuji statianory, jika stasioner pada tingkat level maka data dikatakan terkointegrasi. Selain dengan itu dapat menggunakan :
Uji Kointegrasi Johansen
Uji kointegrasi Johansen menggunakan analisis trace statistic dan nilai kritis pada tingkat kepercayaan = 5 %. Hipotesis nolnya apabila nilai trace statistic lebih besar dari nilai kritis pada tingkat kepercayaan = 5 % atau nilai probabilitas (nilai-p) lebih kecil dari = 5 % maka terindikasi kointegrasi.
4. Penentuan Lag Optimum
Penentuan panjang lag bertujuan untuk mengetahui lamanya periode
keterpengaruhan suatu variabel terhadap variabel masa lalunya maupun terhadap variabel endogen lainnya untuk uji asumsi klasik . Dalam estimasi, kondisi penentuan panjang lag yang akan digunakan harus diperhatikan.Penentuan
Lag optimum diperoleh dari nilai Akaike Information Crtiterion (AIC) yang paling minimum pada keseluruhan variabel yangakan diestimasi.
5. Pendekatan Model Koreksi Kesalahan (Error Correction Model)
Setelah melakukan uji stationary dan uji kointegrasi dan diketahui bahwa data tidak stationer pada level dan memiliki kointegrasi (memiliki hubungan dan keseimbangan jangka panjang), maka digunakan metode ECM untuk melihat dan mengkoreksi keseimbangan jangka pendek menuju keseimbangan jangka
panjang. Model ECM diperkenalkan oleh Sargan, dipopulerkan oleh Engle dan Granger, model ECM mempunyai beberapa kegunaan, namun penggunaan yang paling utama dalam ekonometrika adalah mengatasi data runtun waktu (Time series) yang tidak stasioner dan masalah Spurius regression (Insukindro, 1997). Persamaan Umum dari metode ECM :
ΔYt = α0 + Δβ1Xt-1 + β2ECt-1 + εt
Model ECM pada penelitian ini∆ = + ∆ + ∆ + + ∆
+ ∆ + ∆ + +