Anda di halaman 1dari 10

Uji Stasioneritas data Time Series

lengkap
nasrul setiawan Time Series 17 comments

Dalam berbagai studi ekonometrik, data time series paling banyak


digunakan.

namun,

penggunaan

time

series

tidak

lepas

dari permasalahan autokorelasi yang sudah dibahas sebelumnya.


tetapi kali ini kita tidak akan membahas autokorelasi lagi. kali ini kita
akan bahas bentuk lain dari autokorelasi yaitu stasioneritas. karena
autokorelasi mengakibatkan data menjadi tidak stasioner.
Penentuan stasioner ini sangatlah penting. Hal ini berkaitan dengan
dengan metode estimasi yang digunakan. Seperti yang sudah
dijelaskan sebelumnya bahwa jenis data yang digunakan akan
menetukan estimasi yang digunakan. namun secara umum banyak
metode dalam membuat model-model ekonometrik dengan data time
series yang mengharuskan kita menggunakan data yang stasioner.
jadi, patutlah kita mengatakan stasioneritas menjadi masalah penting
dalam

analisis

data

time

series.

Ide dasar dari stasioneritas adalah hukum probabilitas


mengharuskan proses tidak berubah sepanjang waktu,
dengan kata lain proses dalam keadaan setimbang secara
statistik(Cryer,

1986).

Sekumpulan data dinyatakan stasioner jika nilai ratarata danvarian dari


mengalami

data

perubahan

time
secara

series

tersebut tidak

sistematik sepanjang

waktu,

atau

sebagian

ahli

menyatakan

rata-rata

dan

variannya konstan (nachrowi dan haridus usman, 2006).


Sebelum kita masuk dalam uji stasioneritas, perlu kita mengetahui
beberapa model time series stokastik yang tidak stasioner:

1. Random
intersep

walk

tanpa

Random walk tanpa intersep akan mengalami rata-rata


konstan pada

awalnya,

meningkat sejalan

namun
dengan

nilai variansnya
bertambahannya

waktu.

2. Random
intersep
Sedangkan

random

walk
walk

dengan

dengan
intersep tidak

hanya

variansnya yang tidak konstan tetapi juga rata-ratanya


meningkat sejalan dengan bertambahnya waktu.

3. Random
trend
salah

satu

variasi

walk
model

random

dengan
walk

adalah

dengan menambahkan trenddengan modelnya. sehingga


modelnya berubah menjadi:

berdasarkan hasil tersebut. walaupun nilai variansnya konstan


namun nilai rata-ratanya berubah sepanjang waktu. sehinga
model masih belom stasioner.

4. Random
walk
intersep dan trend

dengan

dengan adanya intersep pada model random walk trend akan


mengakibatkan rata-rata dan variansnya tidak konstan.

Pengujian stasioneritas:
1.

Grafik

Untuk melihat adanya stasioneritas dapat dengan mudah kita


lihat dengan grafik. grafik tersebut dibuat plot antara observasi
dengan waktu. jika terlihat memilikirata-rata dan varians
konstan, maka data tersebut dapat disimpulkan stasioner.
berikut contoh metode grafik yang merupakan data stasioner:

2.

Korelogram

Metode

grafik

diatas

objektivitas peneliti.

karena

memiliki kelamahan
setiap

peneliti

dalam
memiliki

pandangan yang bisa berbeda-beda. sehingga, dibutuhkan uji


formal yang akan menguatkan keputusan secara ilmiah. salah
satu uji formaltersebut adalah korelogram. pada dasarnya
korelogram merupakan teknik identifikasi stasioner data time
series melalui fungsi autokorelasi(ACF). didapat dengan
membuat plot antara k dan k (lag). Plot antara k dan k ini
disebut korelogram populasi. Dalam praktek, kita hanya dapat
menghitung

fungsi

otokorelasi

sampel

(Sample

Autocorrelation

Function).

stasioner, korelogram

menurun

untuk

data

yang

dengan

cepat

seiring

dengan meningkatnya k. Sedangkan untuk data yang tidak


stasioner, korelogram cenderung tidak menuju nol (turun
lambat)

Correlogram ini hampir sama dengan metode grafik, karena


masih menggunakan unsur subjektivitas. oleh karena dasar
metode

ini

digunakanlah

beberapametode

formal yang

dilakukan untuk menguji hipotesis k. dimana hipotesisnya


sebagai
h0

berikut
:k

h1

:k

sehingga apabila terima h0 maka dapat dikatakan data yang


digunakan sudah stasioner.

Metode formal yang dimaksud di


atas
dalam
mendeteksi
stasioneritas
menggunakan
korelogram:
o Uji bartlet
Bartlett menunjukkan bahwa jika suatu time series
dibentuk melalui proses white noise, maka sampel
otokorelasi-nya akan berdistribusi normal dengan mean
0 dan standar deviasi 1/ T, dimana T banyaknya
pengamatan, bila ada rk > 0.2 (dua kali standar deviasi),
maka kita yakin dengan kepercayaan 95% bahwa 0
dan berarti time series yang sedang kita analis bukan
berasal dari proses white noise. Atau secara matematis
dituliskan dengan: rk Z/2 s.e

o Uji box-pierce
Uji ini digunakan untuk mengetahui apakah nilai k pada
sekumpulan waktu secara nyata berbeda dengan 0.
untukk menguji hipotesis tersebut tersebut, kita gunakan

tes

yang

dikenalkan

oleh

Box

dan

Pierce,

o Uji Ljung-Box
Sejatinya uji ini hampir bisa dibilang kembar. namun, uji
ini lebih"powerful". uji ini cocok untuk sampel yang

berukuran

kecil

untuk penetuan penolakan hipotesis, hampir sama


dengan uji diatas.

3.

Uji unit root

kedua metode diatas masih menggunakan subjektivitas


sehingga diperlukan uji formal. uji formal ini disebut uji unit
root. uji ini yang paling sering digunakan dalam melakukan uji
stasioneritas. uji ini disebut Dickey-Fuller (DF) test sesuai
dengan yang menciptakan yaitu David Dickey dan Wayne
Fuller.dimana menggunakan persamaan berikut:
sehingga

akan

membentuk

hipotesis

sebagai

berikut:

H0:

H1:

Jika kita tidak menolak hipotesis = 0, maka = 1. Artinya kita


memiliki unit root, dimana data time series Yt tidak stasioner.
Pada penerapannya, ada tiga bentuk persamaan uji DickeyFuller sebagai berikut:
o Model tanpa intersep
o Model dengan intersep
o Model dengan intersep dan memasukkan variabel bebas
waktu.

hal ini penting karena akan menetukan model yang digunakan.


penetuan dengan atau tanpa intersep tergantung dari datanya.
yang akan digunakan untuk pemilihan model pada software
statistik misalnya EViews. secara umum kita bisa mencobanya
masing-masing model sehingga keputusanya akan lebih tepat.
Model-model sebelumnya mengasumsikan erorr(ut) tidak
berkorelasi, Hampir tidak mungkin. Untuk mengantisipasi
adanya korelasi tersebut, Dickey-Fuller mengembangkan
pengujian diatas dengan sebutan: Augmented Dickey-Fuller
(ADF) Test
formulasinya sebagai berikut:

Berdasarkan model tersebut kita dapat memilih tiga model


yang akan digunakan untuk melakukan Uji ADF, model
tersebut sama dengan model ADF di atas. Penjelasan lengkap
mengenai uji tersebutdapat dilihat pada Gujarati (2004)
halaman 814-818.

Mengatasi
Ketidakstasioneran Data Time
Series
Apabila suatu data runtun waktu (time series) tidak stasioner atau
memilki akar unit, ada beberapa trik yangg dapat dilakukan untuk
menstasionerkan data tersebut. Salah satu caranya adalah dengan
proses difference stokastik, yaitu dengan mengurangkan set data
runtun waktu dengan akar unitnya. Misalkan suatu data runtun waktu
memiliki

Maka

persamaan

akar

proses difference stokastiknya

unit:

adalah,

Data runtun waktu yang tidak di-difference-kan sering juga disebut


sebagai data level dan memiliki lambang difference I(0). Sedangkan

untuk data yang telah di-difference-kan pada orde ke-n memiliki


lambang difference I(n). Proses difference stokastik akan mengubah
data runtun waktu yang tadinya tidak stasioner menjadi data runtun
waktu yang stasioner dan memiliki rata-rata serta varians yang
konstan

antar

periodenya.

Proses difference stokastik

merupakan

salah

satu

bentuk

transformmasi data. Ada beberapa bentuk lain transformasi suatu


data, antara lain, transformasi ke bentuk logaritma (log), logaritma
natural (ln), standarisasi (z-score), dll. Tujuan dari transformasi yang
lain tersebut biasanya bukan untuk meghilangkan akar unit atau
menstasionerkan

data,

tetapi

menghilangkan

efek

satuan,

menormalkan data, dsb. Namun, biasanya, data yang ditransformasi


ke

bentuk2

tersebut

juga

menjadi

stasioner.

nb;
untuk tutorialnya ada disini gan..[tutorial]-uji-stasioneritas-dengan-eviews
untuk uji stasioner data panel disini Uji Stasioner (unit root) untuk Data
Panel