BAB III METODE PENELITIAN. Penelitian ini merupakan penelitian mengenai pengaruh variabel moneter

perpustakaan.uns.ac.id

digilib.uns.ac.id

BAB III METODE PENELITIAN

A. Subyek Penelitian Penelitian ini merupakan penelitian mengenai pengaruh variabel moneter dan ketidakpastian inflasi terhadap tingkat inflasi. Penelitian ini dilakukan pada negara anggota ASEAN berpenghasilan menengah, yaitu; Indonesia, Filipina, Malaysia dan Thailand dalam periode 1998 - 2015.

B. Jenis dan Sumber Data Data yang digunakan dalam penelitian ini merupakan data sekunder yang bersifat runtut waktu (time series) dalam satuan triwulan dari 1998-2015 dan cross section yang meliputi empat negara anggota ASEAN berpendapatan menengah meliputi Indonesia, Filipina, Malaysia, dan Thailand. Variabel yang digunakan yaitu inflasi yang diperoleh dari persentase perubahan nilai Indeks Harga Konsumen (IHK) / CPI (Consumer Price Index), jumlah uang beredar (JUB),

dan tingkat suku bunga berdasarkan tingkat suku bunga deposito

berjangka periode 1998 – 2015. Data dalam penelitian ini adalah data sekunder yang diperoleh dari data IFS (International Financial Statistik) yang diterbitkan oleh IMF (International Monetary Fund). Penelitian ini menggunakan negara Indonesia, Filipina, Malaysia, dan Thailand sebagai sampel negara anggota ASEAN berpendapatan menengah. commit to user

30


digilib.uns.ac.id

C. Definisi Operasional Variabel 1. Inflasi Inflasi adalah meningkatnya harga komoditas secara umum dan terus menerus dalam periode tertentu. Inflasi di suatu negara dapat terlihat dari

perubahan

atau

selisih

antara

Indeks

Harga

Konsumen

(CPI/Consumer Price Index) tahun berjalan dengan Indeks Harga Konsumen tahun sebelumnya dengan melakukan perhitungan sebagai berikut (Case dan Fair, 2006:58):

Data tingkat inflasi dalam penelitian ini diperoleh dari perhitungan selisih IHK yang bersumber dari data triwulan International Financial Statistic yang dikeluarkan oleh IMF dalam satuan persen (Lampiran I). 2. Ketidakpastian Inflasi Ketidakpastian inflasi adalah ketidakjelasan mengenai tingkat inflasi dimasa depan (Bussiness Dictionary, 2016). Data ketidakpastian inflasi ini akan diperoleh dengan melihat tingkat volatilitas tingkat inflasi yang terjadi pada periode tahun 1998-2015 pada masing-masing negara dalam satuan persen, dengan menggunakan metode ARMA (2,2) untuk Indonesia, metode AR(1) untuk Filipina, metode AR(2) – EGARCH (1,2) untuk Malaysia, dan metode ARMA(1,(1)(3))-TARCH (2) untuk Thailand. Hasil estimasi inilah yang digunakan sebagai nilai ketidakpastian inflasi dalam penelitian (Lampiran I).

commit to user

31


digilib.uns.ac.id

3. Jumlah Uang beredar Penelitian ini menggunakan pertumbuhan jumlah uang beredar dalam arti luas (Broad Money). Jumlah uang beredar dalam arti luas adalah jumlah uang kartal, giro selain dari pemerintah pusat, tabungan dan deposito mata uang asing milik masyarakat selain pemerintah pusat, cek dan surat berharga. Pertumbuhan jumlah uang beredar dihitung menggunakan rumus umum persentase pertumbuhan sebagai berikut:

Penelitianini menggunakan nilai pertumbuhan jumlah uang beredar dalam satuan persen. Data jumlah uang beredar diperoleh dari International Financial Statistic yang dikeluarkan oleh IMF yang dinyatakan dalam data triwulan dengan satuan juta per mata uang nasional masing-masing negara. 4. Tingkat Suku Bunga Tingkat suku bunga adalah tingkat keuntungan minimum yang diharapkan pemodal dari investasi dalam bentuk simpanan. Tingkat suku bunga dalam penelitian ini adalah tingkat suku bunga deposito perbankan rata-rata dalam satuan persen dengan periode triwulanan. Suku bunga deposito adalah tingkat bunga yang dibayarkan bank atau lembaga serupa untuk permintaan, waktu dan simpanan (The World Bank, 2016). Data diperoleh dari International Financial Statistic yang dikeluarkan oleh IMF yang dinyatakan dalam persen.

commit to user

32


digilib.uns.ac.id

D. Metode Analisis Time Series Penelitian ini menggunakan metode penelitian analisis runtut waktu dan data panel. Metode runtut waktu digunakan dalam estimasi ketidakpastian dengan metode estimasi AR(p), ARMA(p,q), AR(p)–EGARCH (m,n), dan ARMA(p,q)TARCH (m) dan uji kausalitas dengan Granger Causality test. Sebelum melakukan estimasi perlu dilakukan uji stasioneritas data. Pengujian stasioneritas data dilakukan dengan menggunakan uji ADF (The Augmented Dickey-Fuller). Analisis dilakukan dengan menggunakan software pengolah data e-views 8. 1. Uji Stasioneritas Salah satu asumsi penting yang harus dipenuhi dalam analisis time series adalah asumsi data bersifat stasioner. Rosadi (2012) menjelaskan bahwa pada model stasioner, sifat-sifat statistik dimasa yang akan datang dapat diramalkan berdasarkan data historis yang telah terjadi di masa lalu. Beberapa uji stasioneritas yang dapat dilakukan antara lain (Rosadi, 2012: 38): a) Untuk mendeteksi ketidak-stasioneran data dalam mean (rata-rata) dapat digunakan plot dari data dalam urutan waktu, plot fungsi autokorelasi

(Autocorrelation

function/ACF)

dan

plot

fungsi

autokorelasi parsial (Partial ACF/PACF). Jika data mengandung komponen trend maka plot ACF/PACF akan meluruh secara perlahan dan data non-stasioner dalam mean. b) Untuk mendeteksi ketidak-stasioneran dalam varians dapat digunakan plot ACF/PACF dari residual kuadrat. commit to user

33


digilib.uns.ac.id

c) Stasioneritas juga dapat diperiksa dengna mengamati apakah data runtut waktu mengandung akar unit (unit root), yakni apakah terdapat komponen trend yang berupa random walk dalam data. Terdapat berbagai metode untuk melakukan uji akar unit, diantaranya Dickey Fuller, Augmented Dickey-Fuller, dan lain-lain. Dalam penelitian ini uji stasioneritas akan dilakukan dengan menggunakan uji akar unit (Unit root test) berdasarkan metode uji akar unit ADF (The Augmented Dickey-Fuller). Model umum ADF yang dijelaskan oleh Rosadi (2012) adalah:

∑

H0 : δ = 0

(Data tidak stasioner)

Ha : H0 : δ < 0

(Data stasioner)

Keterangan : : first different variabel yang diteliti α : konstanta : komponen trend : Variabel penelitian : panjang lag yang digunakan : error term commit to user

34


digilib.uns.ac.id

2. ARMA (Autoregressive and Moving Average) ARMA disebut juga sebagai metode Box-Jenkins. Widarjono (2013) menjelaskan bahwa model Box-Jenkins merupakan salah satu teknik peramalan data time series yang hanya berdasarkan perilaku data variabel yang diamati. ARMA menggunakan nilai masa lalu dan sekarang dari variabel dependen itu sendiri untuk menghasilkan sebuah peramalan jangka pendek. Model ARMA dapat dituliskan sebagai berikut (Ajija et al., 2011: 75): a) Autoregressive (AR(p)) (

)

(

)

(

)

(

)

b) Moving Average (MA(q))

c) Autoregressive Moving Average (ARMA (p,q))

Keterangan: α , μ ,θ : konstanta δ : nilai rataan Y μt : random term u : white noise stochastic error term

Model ARIMA digunakan apabila data terintegrasi pada orde d (data stasioner pada d difference). Widarjono (2013) menjelaskan model ARIMA dapat ditulis ARIMA (p,d,q) dimana p menjelaskan orde Autoregressive, d menjelaskan jumlah dari time series yang harus commit to user

35


digilib.uns.ac.id

diselisihkan sebelum menjadi stasioner, dan q menjelaskan orde Moving Average. Berapa tahap yang dilakukan dalam metode ARMA menurut Rosadi (2012) antara lain: 1. Identifikasi model ARMA Identifikasi model dapat dilakukan setelah data yang diperoleh bersifat stasioner dalam rata-rata dan varian. Stasioneritas dapat diketahui dengan melihat plot ACF dan PACF atau dengan melakukan uji

akar

unit.

Penentuan

model

ARIMA dilakukan

dengan

membandingkan plot sampel ACF/PACF dengan sifat-sifat fungsi ACF/PACF teoritis dari model ARMA. Rosadi (2012) merangkum sifat dari plot sampel ACF/PACF dari model ARIMA sebagaimana tertera pada Tabel 3.1. Tabel 3.1 Sifat-sifat ACF/PACF dari Model ARMA Proses Sampel ACF Sampel PACF White noise (random walk) AR (p)

MA (q)

ARMA (p,q)

Tidak terdapat plot yang melewati batas interval pada lag >0 Meluruh menuju nol secara eksponensial

Tidak terdapat plot yang melewati batas interval pada lag >0 Di atas batas interval maksimum sampai lag ke p dan di bawah batas pada lag > p Di atas batas interval Meluruh menuju nol maksimum sampai lag secara eksponensial ke q dan di bawah batas pada lag > q Meluruh menuju nol Meluruh menuju nol secara eksponensial secara eksponensial

Sumber: Rosadi (2012)

commit to user

36


digilib.uns.ac.id

2. Estimasi Parameter Model ARMA Rosadi (2012) menjelaskan setelah mendapatkan nilai orde p dan q, maka dapat dilakukan estimasi parameter model dengan menggunakan metode Maximum Likelihood, Least Square (kuadrat terkecil), Hanan Rissanen, metode Whittle, dan lain-lain. 3. Uji Diagnostik dan pemilihan model terbaik Uji diagnostik dilakukan pada model estimasi dengan melakukan verifikasi kesesuaian model dengan sifat-sifat data. Model yang tepat akan memiliki sifat-sifat yang sesuai dengan data asli, seperti sifat white noise. Untuk melihat sifat white noise dapat dilakukan dengan cara melihat sifat plot ACF/PACF atau dengan melalui uji korelasi serial dengan menggunakan uji Box-Pierce atau Ljung Box. Apabila hipotesis diagnostic check ditolak maka model yang telah diidentifikasi tidak dapat digunakan. Perlu dilakukan identifikasi kembali pada model yang mungkin sesuai untuk data (Rosadi, 2012). Pemilihan model terbaik pada model-model yang telah memenuhi uji diagnostik dapat dilakukan dengan memilih model yang memiliki ukuran kriteria infromasi Akaike Information Criteria (AIC) atau Schwartz Bayesian Information Criteria (SIC). 4. Aplikasi model Setelah model terbaik diperoleh, model tersebut dapat digunakan. Widarjono (2013) menggambarkan tahap-tahap ARMA ini dalam sebuah skema berikut. commit to user

37


digilib.uns.ac.id

Identifikasi Model Pemilihan p, d, dan q secara tentatif

Estimasi Parameter Model

Uji Diagnosis Tidak

Ya

Prediksi

Gambar 3.1 Diagram Metodologi Box-Jenkin Sumber : Widarjono (2013: 270)

3. ARCH/GARCH

(Autoregressive

Conditional

Heteroskedasticity/

Generalized Autoregressive Conditional Heteroskedasticity ) Gujarati dan Porter (2009) dalam Ajija et al.(2011) menjelaskan suatu autokorelasi disebut ARCH ketika varians erornya terhubung dengan squared error term pada periode sebelumnya. Sementara autokorelasi disebut sebagai GARCH apabila varians eror terhubung dengan squared error term pada beberapa periode sebelumnya. GARCH merupakan bentuk perluasan dari model ARCH (Autoregressive Conditional Heteroskedasticity) yang dikembangkan oleh Bollerslev tahun 1986. ARCH /GARCH dapat digunakan untuk menganalisis estimasi OLS yang memiliki masalah heterokedastisitas (variance error yang tidak konstan). ARCH/GARCH digunakan sebagai modeling dan peramalan dengan mengabaikan sifat heteroskedastisitas pada model. Rosadi (2012) menjelaskan bahwa metode GARCH adalah salah satu model runtut waktu commit to user

38


digilib.uns.ac.id

yang dapat digunakan untuk menggambarkan sifat dinamik fungsi volatilitas (standar deviasi) dari data (Rosadi, 2012). Dalam membentuk model ARCH dan GARCH secara umum terdapat dua persamaan yang berbeda, yaitu persamaan rataan bersyarat (conditional mean) dan persamaan untuk ragam bersyarat (conditional variance). Model tersebut dapat dituliskan sebagai berikut (Rosadi,2012): a) Conditional Mean

b) Conditional Variance (ARCH/GARCH)

∑

∑

∑

Keterangan : : Variabel dependen : Variabel independen : residual : conditional variance 0

: konstanta : komponen ARCH : ramalan varians dari periode sebelumnya (komponen GARCH) Berbeda dengan ARCH, pada model GARCH varian residual

commit to user tidak hanya dipengaruhi oleh residual periode lalu, tetapi juga oleh varians

39


digilib.uns.ac.id

residual periode lalu

. GARCH juga mengharuskan nilai parameter

dalam model bernilai positif atau non-negativity constraint berlaku,

dimana

.

4. Model Asymmetric Autoregressive Conditional Heteroskedasticity Model GARCH yang telah dijelaskan memiliki karakteristik respons volatilitas yang simetris (symmetric shocks to volatility) atau sama terhadap guncangan baik guncangan positif (good news) maupun negatif (bad news). Pengembangan model GARCH mengakomodasi kemungkinan adanya respon volatilitas yang asimetris. Dimana respon (gejolak pasar) lebih besar ketika bad news datang dibandingkan dengan good news. Dalam Susanti (2015) dijelaskan bahwa adanya efek asimetris (leverage effect) dapat diketahui dengan melakukan pemodelan GARCH pada data runtut waktu. Berdasakan pada model tersebut kemudian dilakukan uji korelasi antara

(residual kuadrat) dengan

(lag residual)

dengan menggunakan korelasi silang (cross-correlation) pada model. Adanya efek asimetris ditandai dengan korelasi yang tidak sama dengan nol. Salah satu teknik pemodelan respon ARCH/GARCH asimetris yaitu model Threshold ARCH (TARCH) dan Exponential GARCH (EGARCH). a. TARCH Model ARCH (p) dalam bentuk TARCH dapat dituliskan dalam formula (Widarjono, 2013:299): commit to user

40


digilib.uns.ac.id

Dimana d adalah variabel dummy,

=0 untuk

=1 jika

, dan

.

Dalam model TARCH good news pada periode t–1 (

) dan bad news pada periode t–1 (

)

mempunyai efek yang berbeda terhadap conditional variance. Good news berdampak pada α dan bad news berdampak pada α+ϕ. Jika ϕ ≠0 maka terdapat efek asimetris. b. EGARCH Model standar GARCH (p,q) dalam bentuk EGARCH dituliskan sebagai berikut (Susanti, 2015):

∑{

(|

|

√ )

}

∑

(

)

Jika hipotesis respon asimetris berlaku, maka diharapkan nilai γ < 0 dan signifikan. Penggunaan ln pada persamaan ini menunjukkan bahwa varian bersifat eksponensial bukan dalam bentuk kuadratik layaknya ARCH, GARCH atau TARCH. Penggunaan ln menjamin bahwa varian bersyarat akan selalu bernilai positif, meskipun nilai parameternya negatif. Hal ini menghilangkan asumsi non-negativity

constraint. Widarjono (2013) menjelaskan bahwa persamaan EGARCH terdiri dari dua unsur. Unsur pertama adalah magnitude effect |

|

yang menunjukkan besarnya pengaruh volatilitas pada periode t-j commit to user

41


digilib.uns.ac.id

terhadap varian saat ini. Unsur kedua adalah sign effect (

)

yang menunjukkan perbedaan pengaruh shock positif dan negatif pada periode t terhadap varian saat ini. 5. Kriteria Pemilihan Model Penelitian ini menggunakan metode Akaike’s Information Criterion (AIC) dan Schwarz Information Criterion (SIC). Fathurahman (2009) menjelaskan kedua metode tersebut memiliki kelebihan dibandingkan menggunakan metode koefisien determinasi (R2) yang banyak digunakan. AIC dan SIC memiliki kelebihan pada pemilihan model regresi terbaik untuk tujuan peramalan (forecasting). Metode ini dapat menjelaskan kecocokan model dengan data yang ada dan nilai yang terjadi di masa mendatang. Widarjono (2007 dalam Fathurahman, 2009) menyebutkan beberapa kelemahan koefisien determinasi (R2), salah satunya adalah metode R2 hanya digunakan untuk peramalan in sample yaitu apakah prediksi model bisa sedekat mungkin dengan data yang ada, tidak ada jaminan bahwa metode R2 mampu meramalkan nilai di masa mendatang, dan nilai R2 tidak pernah menurun jika terus ditambahkan variabel prediktor di dalam model walaupun variabel prediktor tersebut kurang atau tidak relevan. (

∑

)

∑ ( commit to user)

42


digilib.uns.ac.id

Keterangan : k = jumlah parameter n = jumlah observasi e = 2,718 ε = residual Pada penggunaannnya AIC dan SIC memiliki kegunaan yang tidak berbeda. Semakin kecil nilai AIC dan SIC maka semakin baik sebuah model.

6. Akurasi Estimasi Baik tidaknya hasil estimasi suatu model sangat menentukan dalam pemilihan model. Model terbaik adalah model dengan nilai akurasi tertinggi, atau nilai kesalahan estimasi terkecil. Woschnagg dan Cipan (2004) menjelaskan beberapa metode pengukuran akurasi peramalan, salah satunya adalah RMSE, MAE, dan MAPE. 1) RMSE (Root Mean Squared Error) Nilai RMSE tergantung pada skala variabel dependen. Pengukuran ini sering digunakan sebagai ukuran relatif untuk membandingkan peramalan untuk series yang sama dengan model yang berbeda. Semakin kecil nilai error, maka semakin baik kemampuan permalan dari model berdasarkan kriteria RMSE (Woschnagg dan Cipan, 2004:13).

√

∑( ̂

commit to user

43

( )

)


digilib.uns.ac.id

Satu masalah yang terkait dengan penggunaan tindakan RMSE atau serupa adalah kenyataan bahwa varians kesalahan perkiraan bervariasi di seluruh waktu. Fair (1986 dalam Woschnagg dan Cipan, 2004) mengatakan bahwa tidak ada interpretasi statistik yang benarbenar tepat yang dapat diletakkan pada RMSE karena mereka bukan perkiraan parameter dalam model. 2) MAE (Mean Absolute Error) ∑| ̂

( )

|

Mean absolute error juga tergantung pada skala variabel dependen, namun ukuran ini lebih kurang sensitif pada nilai deviasi yang besar daripada kuadrat yang hilang biasanya (Woschnagg dan Cipan, 2004:14). 3) MAPE (Mean Absolute Percentage Error) Menurut Woschnagg dan Cipan (2004) pengukuran akurasi popular lainnya adalah Mean Absolute Percentage Error. MAPE adalah sebuah skala independen. Namun, MAPE dikritik karena masalah asimetri dan ketidakstabilannya ketika nilai asli bernilai kecil. MAPE sebagai ukuran akurasi dipengaruhi oleh empat permasalahan yaitu (Woschnagg dan Cipan, 2004:14): a. Kesalahan yang besarnya menyamai nilai aktual menghasilkan nilai MAPE yang lebih besar. b. Nilai MAPE yang besar terjadi saat data nilai aktual bernilai kecil c. Outlier dapat mendistorsi perbandingan dalam studi empiris. commit to user

44


digilib.uns.ac.id

d. MAPE tidak dapat dibandingkan secara langsung dengan model yang naif seperti random walk. ∑|

̂

( )

|

7. Pemilihan Lag Optimum Salah satu hal penting sebelum melakukan uji kausalitas Granger adalah menentukan lag optimum. Uji kausalitas Granger sangat sensitif terhadap nilai lag yang digunakan. Thornton dan Batten (1984) menjelaskan bagaimana sensitifnya nilai lag yang digunakan terhadap hasil uji kausalitas yang diperoleh dari uji kausalitas granger antara tingkat pendapatan nasional dan jumlah uang beredar dengan nilai lag 4 dan 8 yang dipilih secara acak. Hasil kausalitas dengan lag 4 menunjukkan bahwa pendapatan nasional tidak mempengaruhi jumlah uang beredar, sedangkan lag 8 menunjukkan hasil kebalikannya. Berdasarkan penjelasan Thornton dan Batten (1984) pemilihan lag secara acak dapat menyebabkan munculnya hasil yang salah. Oleh karena itu pemilihan lag optimum dapat dilakukan berdasarkan pada kriteria tertentu. Beberapa kriteria yang sering digunakan dalam pemilihan lag optimum adalah Akaike information Criterion (AIC), Schwarz Information Criterion (SC) dan Hannan-Quinn Criterion (HQ). Lag optimum berdasarkan kriteria informasi tersebut dipilih dengan melihat nilai final prediction error correction (FPE) atau jumlah AIC, SIC, dan HQ terkecil.

commit to user

45


digilib.uns.ac.id

8. Uji Kausalitas Granger Uji Kausalitas ini dimaksudkan untuk mengetahui bahwa dari dua variabel yang berhubungan, variabel mana yang menyebabkan variabel lain berubah. Seperti, apakah variabel A menyebabkan variabel B, atau sebaliknya variabel B menyebabkan variabel A. Gujarati (2004 dalam Prakoso, 2009: 61) menjelaskan beberapa kemungkinan hasil yang dapat diperoleh dari hasil uji Granger ini antara lain: a. Hubungan kausalitas satu arah dari Bt ke At , yang disebut sebagai unidirectional causality from Bt ke At b. Hubungan kausalitas satu arah dari At ke Bt , yang disebut sebagai unidirectional causality from At to Bt c. Kausalitas dua arah atau saling mempengaruh (bidirectional causality) d. Tidak terdapat hubungan saling ketergantungan (no causality) Hipotesis dalam uji Kausalitas Granger antara lain : H0 : Suatu variabel tidak menyebabkan suatu variabel lainnya Ha : Suatu variabel menyebabkan satu variabel lainnya. Berikut ini model yang digunakan oleh Jiranyakul dan Opiela (2010)

untuk

menguji

hubungan

kausalitas

ketidakpastian inflasi: ∑

∑

∑

∑

commit to user

46

antara

inflasi

dan


digilib.uns.ac.id

Kedua model tersebut masing-masing digunakan utnuk menguji apakah inflasi (πt) menyebabkan ketidakpastian inflasi (ht) dan apakah ketidakpastian inflasi (ht) menyebabkan inflasi (πt). Keterangan : ht

: ketidakpastian inflasi (inflation uncertainty)

πt

: inflasi

α , γ : konstanta β

: koefisien pengaruh inflasi

δ

: koefisien pengaruh ketidakpastian inflasi ,

: error term

E. Analisis Data Panel Analisis data panel yaitu ganbungan dari data runtut waktu (time series) selama tahun 1998-2015 dan deret lintang (cross section) yang meliputi empat negara. Menurut Baltagi dalam Gujarati dan Porter (2012:237) keunggulan penggunaan analisis data panel adalah sebagai berikut: 1. Teknis estimasi data panel dapat mengatasi heterogenitas secara tegas dalam perhitungan dengan melibatkan variabel-variabel individual secara spesifik. 2. Analisis data panel memberikan informasi yang lebih banyak, variabilitas yang lebih baik mengurangi hubungan antara variabel bebas, memberikan lebih banyak derajat kebebasan, dan lebih efisien.

commit to user

47


digilib.uns.ac.id

3. Dengan mempelajari observasi cross-section yang berulang-ulang, data panel lebih baik digunakan untuk melakukan studi mengenai dinamika perubahan. 4. Data panel mampu mendeteksi dan mengukur dampak yang secara sederhana tidak bisa dilihat pada data time-series murni dan cross-section murni. 5. Data panel memungkinkan peneliti untuk mempelajari model perilaku yang lebih kompleks dibandingkan data time-series dan cross-section. 6. Data panel dapat meminimalkan bias dengan membuat data yang tersedia untuk beberapa ribu unit. Terdapat tiga metode pendekatan dalam data panel, yaitu common effect model, fixed effect model dan random effect model. Gujarati dan Porter (2012) menjelaskan ketiga model tersebut adalah sebagai berikut: 1. Common effect : Pooled Least Square (PLS) Metode Pooled Least Square (PLS) merupakan metode yang digunakan untuk menegstimasi data panel dengan menggabungkan seluruh observasi pada masing-masing variabel. Sehingga intersep dari semua objek cross-section sama, dengan kata lain metode ini mengasumsikan tidak ada perbedaan setiap individu dalam berbagai kurun waktu (timeinvariant). 2. Fixed Effect Model (FEM) Fixed effect model mengasumsikan bahwa terdapat perbedaan intersep antar individu. Akan tetapi, koefisien (slope) dari variabel independen tetap sama antar individu atau antar waktu. commit to user

48


digilib.uns.ac.id

Fixed effect model dapat dibedakan menjadi dua, yaitu : a. Model Fixed Effect Satu Arah Setiap individu memiliki intersep yang berbeda-beda, tetapi tidak berubah dengan seiring berjalannya waktu. b. Model Fixed Effect Dua Arah Dengan menambahkan efek waktu pada setiap intersep dan efek waktu tersebut dapat dihitung dengan menggunakan dummy waktu. 3. Random Effect Model (REM) Jika pendekatan dengan menggunakan variabel dummy justru mencerminkan

keterbatasan

pengetahuan

mengenai

model

yang

sebenarnya, maka lebih baik mencoba untuk mengabaikan melalui disturbance term. Pendekatan ini yang disebut pendekatan Random Effect Model (REM) atau Error Components Model (ECM) yang menggunakan asumsi bahwa β1i merupakan variabel random dengan nilai rata-rata dari β1. Selanjutnya nilai intersep untuk tiap individu dimodelkan sebagai berikut : β1i = β1 + εi

i = 1, 2, …, N

dimana εi adalah random error term dengan nilai rata-rata nol dan variance ζε2. Perbedaan antara FEM dan ECM antara lain setiap individu crosssection pada FEM memiliki nilai intersep masing-masing. Sedangkan pada ECM memiliki intersep bersama yang mewakili nilai rata-rata dari semua commit to user

49


digilib.uns.ac.id

intersep (cross-section) dan komponen eror εi mewakili deviasi dari intersep individual terhadap nilai rata-rata tersebut.

F. Pemilihan Teknik Estimasi Pemilihan teknik estimasi regresi dapat dilakukan dengan melakukan beberapa uji untuk mengetahui metode estimasi terbaik. Salah satu uji yang dapat dilakukan antara lain sebagai berikut. 1. Uji Chow (Likelihood Ratio) Uji Chow dilakukan untuk memilih apakah pendekatan Common Effect atau Fixed Effect yang lebih baik digunakan untuk regresi data panel. Hipotesis yang digunakan dalam uji Chow adalah : H0 : Common Effect Model (restricted) H1 : Fixed Effect Model (unrestricted) Jika hasil uji Chow menunjukkan nilai F-statistik lebih besar dari F-tabel (F-stat > F-tabel) atau probabilitasnya lebih kecil dari nilai taraf signifikansi (prob < α), maka H0 ditolak dan model Fixed Effect yang lebih baik digunakan. Sedangkan, jika uji Chow menunjukkan nilai F-statistik lebih kecil dari nilai F-tabel (F-stat < F-tabel) dan nilai probabilitas lebih besar dari nilai taraf signifikansi (prob > α), maka model Common Effect yang lebih baik digunakan. F-statistik dapat dihitung dengan rumus (Gujarati dan Porter, 2013 : 321) ( (

) ) (

)

Keterangan : R2UR = Residual Sumcommit of Squares (model Fixed Effect) to user

50


digilib.uns.ac.id

R2R

= Residual Sum of Squares (model Common Effect)

m

= Jumlah restriksi linear

n

= Jumlah observasi

k

= Jumlah Parameter

2. Uji Hausman Uji Hausman dilakukan untuk menentukan model estimasi data panel terbaik antara Fixed Effect Model atau Random Effect Model. Terdapat beberapa hal penting yang perlu diperhatikan untuk menentukan pendekatan mana yang dipilih (FEM atau ECM) dalam estimasi data panel, antarai lain (Judge dalam Gujarati dan Porter, 2012): a. Jika T (jumlah data time series) besar dan N (jumlah unit crosssection) kecil, kemungkinan akan ada sedikit perbedaan parameter yang diestimasi oleh FEM dan ECM. Dalam hal ini, FEM lebih disukai. b. Ketika N besar dan T kecil, hasil estimasi yang didapatkan dari kedua metode dapat berbeda secara signifikan. Jika unit atau crosssection diambil tidak random dari sampel yang besar maka FEM pantas untuk digunakan. Jika unit cross-section dianggap diambil secara acak maka ECM dapat digunakan. c. Jika komponen error individual (εi) dan satu atau lebih variabel independen saling berkorelasi lebih baik menggunakan FEM, sedangkan jika εi dan satu atau lebih variabel independen tidak berkorelasi lebih baik menggunakan ECM. commit to user

51


digilib.uns.ac.id

d. Jika N besar dan T kecil, dan jika asumsi yang melandasi ECM terpenuhi, maka estimator ECM lebih efisien dibandingkan FEM. e. Tidak seperti FEM, ECM dapat mengestimasi koefisien dari variabel yang tidak dipengaruhi waktu seperti gender dan etnisitas. Hipotesis yang digunakan adalah sebagai berikut: H0 = model yang dipilih Random Effect Model H1 = model yang dipilih Fixed Effect Model Widarjono (2013) menjelaskan uji Hausman dilakukan dengan membandingkan nilai statistik Husman dengan nilai tabel distribusi Chisquare dengan degree of freedom sejumlah variabel independen. Bila nilai statistik Hausman lebih besar dari nilai

Chi-square

dan nilai

probabilitasnya lebih kecil dari nilai signifikansi (prob < α) maka H0 ditolak dan pendekatan Fixed Effect Model yang terbaik. Sedangkan, bila nilai statistik Hausman lebih kecil dari nilai Chi-square dan nilai probabilitas lebih besar dari nilai signifikansi (prob > α) maka H0 diterima dan pendekatan Random Effect Model yang terbaik.

G. Uji Asumsi Klasik Sebelum dilakukan analisis pada data, terlebih dahulu dilakukan uji asumsi klasik. Jika terdapat penyimpangan pada salah satu asumsi klasik, maka dapat digunakan pengujian statistik non parametrik untuk mengatasinya. Sementara itu, statistik parametrik digunakan untuk mengujian data apabila data variabel terbebas dari multikolinearitas, autokorelasi, dan heteroskedastisitas. Berikut ini penjelasan mengenai uji asumsi klasik. commit to user

52


digilib.uns.ac.id

1. Uji Multikolinearitas Dalam model regresi diasumsikan tidak memuat hubungan dependensi linear antarvariabel independen. Jika terjadi hubungan dependensi linear yang kuat diantara variabel independen maka dinamakan terjadi problem multikolinearitas. Jika terjadi multikolinearitas maka nilai standar error dari koefisien menjadi tidak valid sehingga hasil uji signifikansi koefisien dengan uji t tidak valid. (Rosadi, 2012 : 52). Gujarati dan Porter (2012) menjelaskan bahwa multikolinearitas sebagai kondisi dimana adanya suatu hubungan linear yang sempurna diantara sebagian atau seluruh variabel penjelas dalam sebuah model regresi. Konsekuensi dari adanya multikolinearitas tidak menyebabkan estimator menjadi bias, menurut Christopher Achen multikolinearitas hanya mempersulit seseorang mendapatkan koefisien estimasi dengan standard error kecil (Gujarati dan Porter, 2012 : 414). Uji multikolinearitas dapat dilakukan dengan metode Klien, yaitu membandingkan nilai koefisien determinasi (R2) dengan nilai regresi dari masing-masing variabel independen (r2). Apabila nilai R2 > r2 maka model tidak mengandung gejala multikolinearitas. Sedangkan, apabila R 2 < r2 maka model mengandung gejala multikolinearitas (Widarjono, 2013 : 107). 2. Uji Autokorelasi Autokorelasi dapat diartikan sebagai korelasi diantara anggota seri dari beberapa observasi-observasi yang diurutkan berdasarkan waktu (time series) atau tempat (cross-section). Salah satu uji autokorelasi yang umum commit to user

53


digilib.uns.ac.id

digunakan adalah uji Durbin Watson. Beberapa asumsi yang mendasari pengujian antara lain (Gujarati dan Porter, 2012:37): a. Lakukan regresi OLS dan dapatkan residual-residual b. Hitung nilai d (Durbin Watson) c. Untuk ukuran sampel tertentu dan jumlah variabel penjelas tertentu, tentukan kritieria dL dan dU. d. Pengambilan keputusan pada hasil uji diterangkan sebagai berikut: Tabel 3.2 Aturan Pengambilan Keputusan Uji Durbin-Watson Hipotesis Nol Keputusan Jika Tidak ada autokorelasi positif Tolak 0 < d < dL Tidak ada autokorelasi positif Tidak ada keputusan dL ≤ d ≤ dU Tidak ada autokorelasi negatif Tolak 4-dL < d < 4 Tidak ada autokorelasi negatif Tidak ada keputusan 4-dU ≤ d ≤ 4-dU Tidak ada korelasi, baik positif Terima dU ≤ d ≤ 4-dU maupun negatif Sumber : Gujarati dan Porter (2012 :37)

3. Uji Heteroskedastisitas Uji heteroskedastisitas salah satunya dapat dilakukan dengan uji Park. Uji Park pada prinsipnya meregresi residual yang dikuadratkan dengan variabel bebas pada model. Langkah-langkah uji park antara lain: a. Melakukan regresi terhadap model dengan metode Ordinary Least Squares (OLS) dan diperoleh nilai residualnya. b. Melakukan regresi terhadap residual kuadrat. c. Jika nilai t statistik lebih kecil dari nilai t tabel atau probabilitas t statistik lebih besar dari derajat signifikansi (prob>α), maka tidak terdapat gejala heteroskedastisitas dan jika nilai t statistik lebih besar dari t tabel atau probabilitas t statistik kurang dari nilai commit to user

54


digilib.uns.ac.id

derajat

signifikansi

(prob<α),

maka

terdapat

gejala

heteroskedastisitas.

H. Uji Statistik Uji statistik dilakukan untuk melihat bagaimana variabel mempengaruhi variabel independen dengan beberapa uji tertentu, seperti uji t-statistik, uji Fstatistik dan uji koefisien determinasi. 1. Uji t-statistik Gujarati dan Porter (2013:149-152) berpendapat bahwa secara umum uji signifikansi merupakan sebuah prosedur, dimana hasil sampel digunakan untuk membuktikan kebenaran atau kesalahan dari hipotesis nol. Ide dasar pengujian signifikansi dilatar belakangi oleh uji statistik (estimator) dari distribusi sampel dari suatu statistik yang dinyatakan oleh hipotesis nol. Keputusan untuk menerima atau menolak H0 dibuat berdasarkan nilai uji statistik yang diperoleh dari data yang telah ada. Sebuah statistik dikatakan signifikan secara statistik apabila nilai uji statistik berada pada daerah tolak atau daerah kritis. Sebaliknya, sebuah pengujian statistik dikatakan tidak signifikan apabila nilai uji statistiknya berada pada daerah penerimaan. Beberapa langkah dalam uji t statistik antara lain : a. Hipotesis : 1) H0 : Variabel independen tidak berpengaruh signifikan terhadap variabel dependen commit to user

55


digilib.uns.ac.id

2) H1 : Variabel independen berpengaruh signifikan terhadap variabel dependen. b. Menentukan daerah tolak dan daerah penerimaan pada kurva distribusi 95% Daerah Penerimaan

95% Daerah Penerimaan 95% Daerah Penerimaan

-t (alpha/2; n-k)

0

t (alpha/2; n-k)

Gambar 3.2 Kurva Distribusi t-statistik Sumber : Gujarati dan Porter (2013:152)

Dimana : n = jumlah sampel k = banyaknya koefisien regresi + konstanta c. Hitung nilai t dengan rumus berikut ̂ (̂ ) Dimana : t

= Uji signifikansi

̂

= estimator nilai

yang dinyatakan dalam hipotesis

nol = parameter dinyatakan dalam hipotesis nol se( ̂ )

commit to user = standard error estimator yang telah ditentukan

56


digilib.uns.ac.id

d. Berdasarkan hasil t hitung diperoleh kemudian dibandingkan dengan t-tabel. Kesimpulan hasil uji t dapat diambil berdasarkan ketentuan berikut: 1) H0 diterima jika t hitung lebih kecil dari nilai t tabel (t hitung < t tabel), artinya tidak ada pengaruh signifikan antara variabel independen terhadap variabel dependen. 2) H1 diterima apabila t hitung lebih besar dati nilai t tabel (t hitung > t tabel), artinya ada pengaruh signifikan antara variabel independen terhadap variabel dependen. 2. Uji F-statistik Uji F dilakukan untuk mengetahui pengaruh variabel independen secara simultan (bersama-sama) terhadap variabel dependen. Penggunaan derajat signifikansi tergantung pada keputusan peneliti yaitu 0,01 (1%); 0,05 (5%) dan 0,1 (10%). Beberapa langkah yang perlu dilakukan dalam uji F antara lain (Gujarati, 2013): a. Hipotesis : 1) H0 : β1 = β2 = β3 = 0, artinya secara simultan tidak ada pengaruh antara variabel independen terhadap variabel dependen 2) H1 : β1 ≠ β2 ≠ β3 ≠ 0, artinya secara simultan terdapat pengaruh variabel independen terhadap variabel dependen b. Menentukan derajat signifikansi (α), yaitu 0,05 (5%) c. Menentukan daerah toak dan terima. F-tabel = α (k - 1, n - k) commit to user

57


digilib.uns.ac.id

d. Menghitung nilai F hitung dengan rumus sebagai berikut

(

( ) (

) )

e. Hasil uji F dapat diketehui dengan ketentuan berikut: 1) Jika F hitung > F tabel, maka H0 ditolak dan H1 diterima. Semua variabel independen secara simultan merupakan penjelas yang signifikan terhadap variabel dependen. 2) Jika F hitung < F tabel maka H0 diterima dan H1 ditolak. Semua variabel independen secara simultan bukan merupakan penjelas yang signifikan terhadap variabel dependen. 3. Uji R2 (Koefisien Determinasi) Besarnya R2 disebut juga sebagai koefisien determinasi dan merupakan ukuran yang umum digunakan untuk mengukur goodness of fit dari sebuah regresi. Secara verbal R2 mengukur proporsi atau persentasi dari variasi total pada variabel dependen yang dijelaskan oleh model regresi. Terdapat dua sifat dari R2 yang perlu diperhatikan, yaitu (Gujarati dan Porter, 2013: 97): 1. Besarnya tidak pernah negatif. 2. Batasannya adalah 0 ≤ R2 ≤ 1. Jika R2 bernilai 1 (satu), artinya kesesuaian garisnya tepat. Di sisi lain, jika R 2 bernilai 0 (nol), artinya tidak terdapat hubungan antara regresan dan regresor. Semakin nilai R2 mendekati nilai 1 (satu), artinya semakin baik kemampuan variabel independen dapat menjelaskan pengaruh terhadap variabel dependen. Koefisien determinasi dapat dihitung dengan rumus: commit to user

58


digilib.uns.ac.id

∑( ̂

̅)

∑(

̅)

atau

∑̂ ∑(

̅)

Keterangan : ESS

= Jumlah kuadrat (explained sum of squares)

TSS

= Total jumlah kuadrat (total sum of squares)

RSS

= Jumlah sisa (residual sum of squares)

commit to user

59

BAB III METODE PENELITIAN. Penelitian ini merupakan penelitian mengenai pengaruh variabel moneter

Recommend Documents