III. METODE PENELITIAN 3.1
Jenis dan Sumber Data Jenis data yang digunakan dalam penelitian ini adalah data sekunder
berupa data kuartalan. Periode waktu penelitian ini dimulai dari kuartal pertama tahun 1980 hingga kuartal keempat tahun 2010. Tabel 3.1 Variabel, Notasi, dan Sumber Data Variabel Consumer Price Index Gross Domestic Bruto Interest Rate Crude Price Oil Exchange Rate Oil Subsidy
3.2
Notasi INFLASI
Satuan Indeks
Sumber Data International Financial Statistics IMF
GDP
Miliar Rupiah
International Financial Statistics IMF
SB
Persen per Tahun HARGAMINYAK Billion US. Dollars ER Rupiah/ US Dollar SUBSIDI Miliar Rupiah
International Financial Statistics IMF International Financial Statistics IMF International Financial Statistics IMF Kementerian Keuangan RI
Metode Analisis dan Pengolahan Data Metode analisis yang digunakan dalam penelitian ini adalah metode
Vector Autoregression (VAR) yang dilanjutkan dengan metode Vector Error Correction Model (VECM). Penggunaan persamaan VAR memudahkan pemecahan masalah dalam perekonomian karena kemampuannya dalam deskripsi data, peramalaan, infrensi struktural, dan analisis kebijakan. Spesifikasi dalam penggunaan metode VAR ini variabel yang akan diestimasi harus bersifat stasioner. Oleh karena itu diperlukan pengujian stasioneritas terhadap variabel
untuk menghindari masalah regresi palsu atau sporious regression ketika variabel yang bersifat tidak stasioner diregresikan. Penelitian ini menggunakan metode VAR untuk mengetahui pengaruh dari fluktuasi harga minyak terhadap variabel-variabel makroekonomi seperti tingkat inflasi, pertumbuhan ekonomi, tukar mata uang serta mengetahui dampak fluktuasi harga minyak terhadap kebijakan fiskal berupa subsidi terhadap bahan bakar minyak di Indonesia. Disamping itu, metode VAR-VECM ini juga digunakan untuk menganalisi respon variabel-variabel tersebut terhadap harga minyak dalam jangka panjang. 3.2.1 Metode Vector Autoregression (VAR) Model VAR ini pertama kali dikembangkan oleh Sims (1980) yang kemudian menjadi dasar bagi munculnya metode kointegrasi Johansen (1989). Menurut Pasaribu (2005) metode VAR sangat berguna dalam menentukan tingkat eksogenitas suatu variabel ekonomi dalam sebuah sistem ekonomi di mana terjadi saling ketergantungan antar variabel dalam ekonomi. Metode ini sangat baik dalam menjelaskan perilaku variabel dalam perekonomian. Model VAR secara matematis dapat diwakili oleh:
(3.1) dimana Zt adalah vektor dari variabel-variabel yang dijelaskan sebanyak n, Xt adalah vektor dari variabel-variabel yang menjelaskan sebanyak n termasuk di
dalamnya konstanta (intercept).
A1, ... , An, dan B adalah matriks-matriks
koefisien yang akan diestimasi, dan t adalah vektor dari residual. Zt-1 merupakan vektor dari variabel yang eksogen pada periode sebelumnya. Kondisi ini menunjukkan bahwa variabel endogen dipengaruhi oleh variabel itu sendiri dari periode waktu sebelumnya atau yang dikenal sebagai kondisi random walk. Selain spesifikasi metode VAR harus meliputi pemilihan variabel yang stasioner, model ini juga harus memiliki pemilihan selang yang optimal. Sesuai dengan metodologi Sims (1980) variabel yang digunakan dalam persamaan VAR dipilih berdasarkan model ekonomi yang relevan. Pemilihan selang optimal kemudian akan memanfaatkan kriteria informasi seperti Akaike Information Criteria (AIC), Schwarz Criteria (SC) yang paling minimum, serta informasi dari Hannan-Quinn Information (HQ) (Arsana, 2006) Menurut Amisano dan Gianini dalam Apriani (2007), menyebutkan bahwa metode VAR dikembangkan sebagai solusi atas kritikan terhadap model persamaan simultan yaitu : a. Spesifikasi dari sistem persamaan simultan terlalu berdasarkan pada agregasi dari model keseimbangan parsial. b. Struktur dinamis pada model sering kali dispesifikasikan dengan tujuan untuk memberikan restriksi yang dibutuhkan dalam mendapatkan identifikasi dari bentuk struktural. Gujarati (2003) menyatakan semua variabel dalam persamaan simultan harus diperlakukan sama sehingga tidak ada pembatasan antara variabel endogen maupun variabel eksogennya. Pada suatu model persamaan simultan terdapat
justifikasi terhadap variabel yang akan menjadi variabel endogen atau variabel eksogen berdasarkan pertimbangn dari peneliti, namun dengan pendekatan VAR berusaha membiarkan data tersebut berbicara (“let the data speak for themselves”) dengan membuat semua variabel berpotensi menjadi variabel endogen. Model VAR memiliki beberapa keunggulan yakni: (1) memiliki metode yang sederhana, karena tidak perlu menjustifikasi variabel yang menjadi variabel endogen atau variabel eksogennya. (2) estimasi yang sederhana karena metode OLS dapat diaplikasikan dalam persamaan. (3) Peramalan dengan menggunakan model VAR dibeberapa kasus lebih baik dibandingkan dengan persamaan simultan yang lebih kompleks (Gujarati, 2003) Selain memiliki beberapa keunggulan, Model VAR juga memiliki beberapa kelemahan (Gujarati, 2003) yakni: a. Tidak seperti persamaan simultan, metode VAR bersifat sangat teoritik karena sedikit informasi yang tersedia. b. Karena berfokus pada peramalan, sehingga metode VAR kurang cocok untuk menganalisis suatu kebijakan. c. Tantangan terbesar dalam metode VAR adalah menentukan panjang lag yang optimal. Proses estimasi untuk ukuran sampel yang besar akan mengurangi derajat bebasnya. d. Dalam kenyataannya data dalam level sering tidak stasioner, sehingga memiliki kesulitan dalam mentransformasi data. e. Koefisien
yang
diinterpretasikan.
diestimasi
dalam
VAR
terkadang
sulit
untuk
3.2.1.1 Model Penelitian Hsio dalam Apriani (2007) memberikan contoh gambaran definisi hubungan kausalitas antara tida contoh variabel (X,Y,Z). Berikut adalah susunan hubungan antar variabel yang dimasukkan dalam bentuk matriks untuk mempermudah analisis dan intrepretasi hubungan antar variabel yang akan diestimasi.
=
+
(3.2)
Dalam penelitian Hsio ini terdapat asumsi yang harus dipenui agar hubungan antar variabel dapat terdefinisi secara jelas, yakni : 1. Bila variabel X tidak mempengaruhi Z, syaratnya adalah 2. Bila variabel X mempengaruhi Z, syaratnya
= 0.
= 0.
3. Hubungan timbal balik antar variabel X dan Z, jika
dan
0.
4. Hubungan tidak langsung dari variabel X dan Z melalui Y, syaratnya =0;
0;
0.
5. Hubungan semu jenis I dari variabel X terhadap variabel Z jika dan hanya jika terdapat kondisi
=0;
0, untuk semua jenis lag.
6. Hubungan semu jenis II dari variabel X terhadap Z jika dan hanya jika terdapat kondisi : =0;
= 0, untuk semua panjang lag k dan
panjang lag k.
0 ;
0 untuk semua
Dalam penelitian ini bertujuan mengetahui dampak dari fluktuasi harga minyak dunia terhadap variabel makroekonomi seperti tingkat inflasi, tingkat pertumbuhan output nasional, tingkat suku bunga, nilai tukar rill mata uang rupiah terhadap dollar Amerika Serikat, dan kebijakan subsidi Bahan Bakar Minyak di Indonesia selama periode 1980 hingga tahn 2010. Pembahasan dalam penelitian ini hanya melihat dampak dari fluktuasi harga minyak terhadap variabel makroekonomi dan bukan sebaliknya. Model yang dipakai dalam penelitian ini adalah sebagai berikut: =
3.2.2
+
Metode Vector Error Correction Model (VECM) VECM merupakan bentuk VAR yang terestriksi maksudnya adalah
suatu persamaan yang bentuk datanya tidak stasioner, padahal dalam model ini data baru bisa diestimasi jika bersifat stasioner masih dapat diestimasi karena memiliki hubungan kointegrasi. Spesifikasi VECM merestriksi hubungan jangka panjang variabel-variabel endogen agar konvergen ke dalam hibungan kointegrasinya, namun tetap membiarkan keberadaan data jangka pendeknya yang dinamis. 3.2.3
Tahapan Pembentukan Sistem Persamaan
1.
Uji Stasioneritas Data
Menurut Gujarati (2003), data yang stasioner akan mempunyai kecenderungan untuk mendekati nilai rata-rata dan berfluktuasi disekitar nilai rata-ratanya. Data time series pada umumnya mengandung akar unit (unit root) dan
nilai rata-rata serta variansnya berubah
sepanjang waktu. Nilai yang
mengandung unit root atau tidak stasioner, apabila dimasukan dalam perhitungan statistik pada model regresi sederhana, maka kemungkinan besar estimasi akan gagal mencapai nilai yang sebenarnya atau disebut sebagai spourious estimation. Untuk menguji ada atau tidaknya akar unit pada data yang di gunakan, dalam penelitian ini digunakan uji Augmented Dickey-Fuller (ADF). Menurut Gujarati (2003), uji stasioneritas data dengan menggunakan uji Dickey-Fuller, dimulai dari sebuah proses autoregresi orde pertama. Jika hasil pengujian menyatakan bahwa data bersifat stasioner, maka dapat langsung menggunakan metode VAR. Tetapi jika data ternyata tidak stasioner pada orde pertama maka data tersebut harus diubah dahulu kedalam berntuk diferensialnya atau menngunakan metode VECM karena adanya indikasi memiliki sifat kointegrasi dalam data yang tidak stasioner. 2.
Penentuan Lag Optimal Dalam menentukan lag optimal dapat dilakukan dengan 3 tahapan
pengujian yakni: a. Melihat lag maksimum dari sistem VAR yang membuat stabil saaat diestimasi. Stabilitasnya dapat dilihat dari nilai invers roots karakteristik AR polinominalnya. Suatu sistem VAR dikatakan stabil atau stasioner jika
seluruh rootsnya memiliki modulus yang lebih kecil dari satu dan semuanya terletak di dalam unit circle. b. Melihat panjang lag optimal dengan melihat kriteria informasi yang tersedia menurut Likelihood Ratio (LR), Final prediction Error (FPE), Akaikke Information Criterion (AIC), Schwarz Information Criterion (SC), dan Hannan-Quinn Criterion (HQ) c. Melihat panjang lag optimal dengan memperbandingkan nilai adjusted R square dari variabel-variabel penting dalam persamaan VAR tersebut. Lag optimal akan dipilih dari sistem VAR dengan lag tertentu yang menghasilkan nilai adjusted R square terbesar pada variabel-variabel penting dalam persamaan. 3.
Uji stabilitas model VAR Penilaian stabilitas model VAR dilihat dari nilai akar-akar dari
karakteristik AR polinomialnya atau yang dikenal dengan roots of characteristic polinomial. Jika semua akar dari fungsi polinomial tersebut berada di dalam unit circle atau jika nilai absolutnya kurang dari 1 maka model VAR tersebut dianggap stabil sehingga analisis IRF (Impulse Response Function) dan FEVD (Forecast Error Variance Decomposition) dapat dilakukan selanjutnya. 4.
Pengujian Hubungan Kointegrasi Konsep kointegrasi pertama kali di kemukakan oleh Johansen pada tahun
1988. Konsep kointegrasi ini menjelaskan bahwa dari kombinasi linear dari beberapa variabel yang memiliki akar unit atau bersifat tidak stasioner akan menghasilkan variabel yang stasioner. Pengujian hubungan kointegrasi dilakukan
untuk mengetahui variabel yang tidak stasioner terkointegrasi dalam jangka panjang. Kombinasi linear ini dikenal dengan istilah persamaan kointegrasi dan dapat diinterpetasi sebagai hubungan keseimbangan jangka panjang diantara variabel. Persamaan matematis dari uji kointegrasi Johansen ini adalah:
(3.2) 5.
Uji Granger Kausalitas Uji Granger kausalitas berguna untuk mengetahui hubungan sebab akibat
diantara variabel yang digunakan dalam model yang akan diestimasi. Hubungan sebab akibat ini dapat dilihat dengan membandingkan probabilitas dengan nilai kritis yang digunakan. Pada penelitian ini probabilitas yang digunakan adalah lima persen untuk setiap variabel, sehingga hasil pengujian kausalitas Granger dengan nilai probabilitas kurang dari 0,05 dikatakan memiliki hubungan sebab akibat. 3.2.4 Impulse Response Function (IRF) Impulse Response Function menunjukkan bagaimana suatu variabel endogen bereaksi terhadap guncangan dalam variabel itu sendiri dan variabel endogen lainnya. IRF mengukur pengaruh dari guncangan pada waktu tersebut dan pengaruhnya di masa yang akan datang. 3.2.5 Forecast Error Variance Decomposition (FEVD) Enders (2004) menyatakan bahwa forecast error variance decomposition mampu menjelaskan proporsi pergerakan dari suatu varibabel yang disebabkan
oleh guncangan dari variabel itu sendiri dan membandingkan dengan pergerakan yang dialami oleh variabel yang lain dalam suatu persamaan Berbeda dengan dengan Impulse Raspons Function, Forecast Error Variance Decomposition menunjukkan bagaiman perubahan dalam suatu variabel yang ditunjukkan oleh
perubahan error variance. Metode ini menunjukkan
struktur yang dinamis dalam model VAR. Dimana dalam metode ini dapat diketahui kelemahan dan kekuatan masing-masing variabel dalam mempengaruhi variabel lainnya dalam persamaan untuk kurun waktu jangka panjang.
