40
III.
METODE PENELITIAN
3.1. Jenis Dan Sumber Data Jenis data yang akan digunakan dalam penelitian ini adalah data sekunder yang relevan dengan penelitian. Semua data yang digunakan merupakan data deret waktu (time series) dari tahun 1986 sampai 2010. Data tersebut diperoleh dari Bank Indonesia, World Development Indicators, United Nations Conference on Trade and Development (UNCTAD), studi kepustakaan melalui jurnal, artikel, dan makalah, serta instansi-instansi terkait lainnya. Data-data yang digunakan untuk variabel dalam penelitian ini adalah sebagai berikut : Tabel 3.1. Data, Simbol, dan Sumber Data Variabel
Satuan
Simbol
Sumber
Nilai Tukar Riil
Rp/$
RER
UNCTAD
Capital Inflow Inflasi
US Dollar Persen (%)
CIF INF
WDI WDI
Perumbuhan Ekonomi
US Dollar
GDP
WDI
Suku Bunga
Persen (%)
IR
WDI
Trade Openess
Persen (%)
TRADE
WDI
3.2. Definisi Operasional Variabel Peubah yang digunakan bersama definisi operasionalnya adalah sebagai berikut: a.
Capital Inflow (CIF) merupakan aliran modal masuk asing di Indonesia. Data capital inflow yang digunakan merupakan data aliran modal masuk asing swasta yang diproksi dari penanaman modal asing langsung (FDI) dan investasi portofolio yang masuk ke Indonesia. Data variabel CIF dalam dollar Amerika.
41
b.
Laju inflasi (INF) merupakan kecenderungan kenaikan harga-harga yang berlaku secara terus–menerus dalam suatu perekonomian nasional dalam persentase. Data variabel INF merupakan data dalam persen.
c.
Gross Domestic Product (GDP) merupakan produk domestik bruto (PDB) riil yang menjadi indikator untuk mengukur pertumbuhan ekonomi di Indonesia. Data variabel GDP diperoleh dari perhitungan pertambahan Real Gross Domestic Product sebagai indikator berdasarkan harga konstan 2000 dan merupakan data dalam dollar Amerika.
d.
Interest Rate (IR) merupakan suku bunga pinjaman investasi dari bank umum di Indonesia. Variabel IR adalah data suku bunga riil dalam bentuk persen.
e.
Trade Openness (TRADE) adalah data perdagangan yang dihitung dari jumlah ekspor dan impor barang dan jasa yang diukur sebagai bagian dari produk domestik bruto dalam bentuk persen.
f.
Nilai tukar riil (RER) adalah data nilai tukar riil rupiah terhadap IHK Amerika Serikat dimana cara perhitungannya adalah nilai tukar nominal dikali dengan IHK Amerika Serikat dan dibagi IHK Indonesia. Data variabel RER dalam Rp/US$.
3.3. Metode Analisis Data Alat analsis untuk mengolah data-data yang digunakan dalam penelitian adalah metode Vector Auto Regression (VAR) jika data-data yang digunakan stasioner dan tidak terkointegrasi, atau dilanjutkan dengan metode Vector Error Correction Model (VECM) jika data-data yang digunakan tidak stasioner dan
42
terkointegrasi. Data-data tersebut diolah dengan bantuan perangkat lunak (software) Eviews 6.0 dan Microsoft excel.
3.3.1. Model Penelitian Model VAR dan VECM yang digunakan dalam penelitian sebagai berikut: Model umum: RERt = f ( CIFt,, INFt, GDPt, IRt ,TRADEt ) Model dalam bentuk matriks: _ _
_ _
_
_
dimana, Ln_RER
= Nilai tukar riil rupiah terhadap USD
Ln_CIF
= Arus modal asing yang masuk
INF
= Inflasi
Ln_GDP
= Produk Domestik Bruto Riil
IR
= Suku Bunga Riil
TRADE
= Trade Openness
a0-f0
= Konstanta
aij
= Koefisien lag peubah ke-j untuk persamaan ke-i
eit
= Residual Semua data estimasi yang dipergunakan dalam VAR adalah dalam bentuk
logaritma natural sesuai dengan pendapat Sims dalam Enders (2004), kecuali data yang sudah dalam bentuk persen atau data tersebut memiliki koefisien yang
43
negatif (sangat kecil) yang tidak mungkin untuk diubah dalam bentuk logaritma natural. Salah satu alasannya adalah untuk memudahkan analisis, karena baik dalam impulse respons maupun variance decomposition, pengaruh shock dilihat dalam standar deviasi yang dapat dikonversi dalam bentuk presentase. Semua variabel adalah variabel endogen dalam metode VAR, sehingga dalam model penelitian ini dapat dilihat hubungan saling ketergantungan antara semua variabel. 3.3.2. Langkah-langkah Menguji VAR 3.3.2.1. Uji Stasioneritas Data (Uji Augmented Dickey-Fuller) Data deret waktu (time series) biasanya terdapat permasalahan dalam stasioneritas, sehingga dapat menjatuhkan validitas dari parameter yang diestimasi. Uji akar unit atau uji stasioneritas data digunakan untuk melihat apakah data yang diamati stationer atau tidak. Time series dikatakan stasioner jika secara stokastik data menunjukkan pola yang konstan dari waktu ke waktu atau dengan kata lain tidak terdapat peningkatan atau penurunan data. Data yang tidak stasioner akan menghasilkan regresi palsu atau lancung (spurious regression). Spurious regression adalah regresi yang menggambarkan hubungan dua variabel atau lebih yang nampak signifikan secara statistik padahal kenyataannya tidak. Uji akar unit secara umum dapat dilakukan dengan melihat secara grafis (visual) apakah terdapat trend dalam data atau tidak, dan melihat variance data pada periode penelitian. Jika data pada level tidak stasioner, maka data dapat dimodifikasi menjadi selisih antar data sebelumnya (first difference) sehingga data menjadi stasioner, data ini kemudian disebut terintegrasi pada derajat pertama atau I(1). Variabel-variabel yang tidak stasioner pada level tidak dapat digunakan untuk melihat hubungan jangka panjang dalam VAR. Meskipun penggunaan first
44
difference dalam VAR dapat digunakan, namun identifikasi restriksi jangka panjang tidak dapat dilakukan. Oleh karena itu, kestasioneran data harus diketahui sebelum menggunakan VAR. Uji akar-akar unit merupakan uji yang paling populer untuk mengetahui stasioner sebuah data. Untuk menguji akar-akar unit pada penelitian ini digunakan uji Augmented Dickey-Fuller (ADF) yang dikembangkan oleh Dickey dan Fuller, yaitu dengan membandingkan nilai ADF dengan nilai kritis Mac Kinnon 1%, 5% , dan 10%. Dalam tes ADF, jika nilai ADF lebih kecil dari nilai kritis Mac Kinnon maka dapat disimpulkan bahwa data tersebut stasioner. Jika data berdasarkan uji ADF tidak stasioner maka solusinya adalah dengan melakukan difference non stationary processes. Hasil series stasioner akan berujung pada penggunaan VAR dengan metode standar. Sementara series yang tidak stasioner akan berimplikasi kepada penggunaan VAR dalam bentuk difference atau VECM. Keberadaan variabel yang tidak stasioner meningkatkan kemungkinan keberadaan hubungan kointegrasi antar variabel.
3.3.2.2. Uji Lag Optimal Penentuan lag ini sangat penting mengingat tujuan dikembangkannya model VAR adalah untuk melihat perilaku dan hubungan variabel dalam jangka pendek. Dengan lag yang terlalu sedikit maka residual dari regresi tidak akan menampilkan proses white noise sehingga model tidak dapat mengestimasi actual error secara tepat. Namun, jika memasukkan terlalu banyak lag maka dapat mengurangi kemampuan untuk menolak H0 karena tambahan parameter yang terlalu banyak akan mengurangi degrees of freedom (Gujarati, 2003).
45
Selain itu, isu tentang penentuan panjang lag yang tepat akan menghasilkan residual yang bersifat Gaussian dalam arti terbebas dari permasalahan autokorelasi dan heteroskedasitas (Gujarati, 2003). Untuk kepentingan tersebut dapat digunakan beberapa kriteria untuk mengetahui optimal atau tidaknya lag yang digunakan. Beberapa kriteria tersebut adalah dengan metode Akaike Information Criterion (AIC), Schwarz Information Criterion (SIC), Final Prediction Error (FPE), dan Hannan Quinn (HQ). Tanda bintang menunjukkan lag optimal yang direkomendasikan oleh kriteria AIC, SIC, FPE dan HQ.
3.3.2.3. Uji Stabilitas VAR Uji stabilitas VAR harus dilakukan terlebih dahulu sebelum melakukan analisis impuls respon (IRF) dan analisis peramalan dekomposisi ragam galat (FEVD) melalui VAR stability condition check. Uji ini nantinya dimaksudkan untuk mengetahui valid atau tidaknya kedua analisis tersebut. Uji stabilitas VAR dilakukan dengan menghitung akar-akar dari fungsi polinomial atau dikenal dengan roots of characteristic polinomial. Model VAR tersebut dianggap stabil jika semua akar dari fungsi polinomial tersebut berada didalam unit circle atau jika nilai absolutnya lebih kecil dari satu sehingga IRF dan FEVD yang dihasilkan dianggap valid (Firdaus, 2011).
3.3.2.4. Uji Kointegrasi Uji kointegrasi bertujuan untuk menentukan apakah variabel-variabel yang tidak stasioner terkointegrasi atau tidak. Konsep kointegrasi dikemukakan oleh Engle dan Granger (1987) sebagai kombinasi linear dari dua atau lebih variabel
46
yang tidak stasioner akan menghasilkan variabel yang stasioner. Kombinasi linear ini dikenal dengan istilah persamaan kointegrasi dan dapat diinterpretasikan sebagai hubungan keseimbangan jangka panjang diantara variabel. (Firdaus, 2011) Persamaan tersebut dikatakan terkointegrasi jika trace statistic > critical value. Dengan demikian H0 = nonkointegrasi dengan hipotesis alternatifnya H1 = kointegrasi. Kita tolak H0 atau terima H1 jika trace statistic > critical value, yang artinya terjadi kointegrasi dalam persamaan. Tahapan analisis Vector Error Correction Model (VECM) dapat dilanjutkan setelah jumlah persamaan yang terkointegrasi telah diketahui.
3.3.2.5. Uji Kausalitas Granger (Granger Causality) Uji kausalitas granger digunakan untuk melihat arah hubungan suatu variabel dengan variabel yang lain. Pendekatan Granger mencoba menjawab apakah {x} menyebabkan {y} atau apakah nilai {y} sekarang dapat dijelaskan oleh nilai {y} masa lalu dan kemudian apakah penambahan nilai lag {x} juga turut memengaruhi. Variabel {y} dikatakan Granger Caused oleh variabel {x} jika {x} membantu dalam memprediksi {y} atau nilai koefisien lag {x} signifikan secara stastistik. Uji kausalitas dengan menggunakan pendekatan Granger dapat dituliskan seperti persamaan berikut :
α
α
... α
α
α
... α
β β
... β ... β
1
ε .......... (3.2)
1
...... (3.3)
Dari hasil regresi persamaan (3.2) dan (3.3) di atas, maka akan dihasilkan empat kemungkinan nilai koefisien regresi, masing-masing nilai koefisien adalah :
47
1. Jika secara statistik,
0 dan 1
0 maka terdapat kausalitas 2
satu arah dari x ke y 2. Jika secara statistik,
0 dan 1
0 maka terdapat kausalitas 2
satu arah dari y ke x 0 dan
3. Jika secara statistik, 1
0 maka antara
y ke x
2
tidak saling mempengaruhi antara satu dengan lainnya. 4. Jika secara statistik,
0 dan 1
0 maka antara
y ke x
2
terdapat hubungan kausalitas antara satu dengan lainnya. Dalam penelitian, ada beberapa kasus yang dapat diintepretasikan dari persamaan Granger Causality (Gujarati, 2003: 696-697) : 1. Unidirectional causality dari Y ke X, artinya kausalitas satu arah dari Y ke X terjadi jika koefisien lag Y pada persamaan Yt adalah secara statistik signifikan berbeda dengan nol, koefisien lag X pada persamaan Xt sama dengan nol. 2. Unindirectional causality dari X ke Y, artinya kausalitas satu arah dari X ke Y terjadi jika koefisien lag X pada persamaan Xt adalah secara statistik signifikan berbeda dengan nol dan koefisien lag Y pada persamaan Yt secara statistik signifikan sama dengan nol. 3. Feedback/bilateralcausality, artinya kausalitas timbal balik yang terjadi jika koefisien lag Y dan lag X adalah secara statistik signifikan berbeda dengan nol pada kedua persamaan Yt dan Xt.
48
4. Independence, artinya tidak saling ketergantungan yang terjadi jika koefisien lag Y dan lag X adalah secara statistik sama dengan nol pada masing-masing persamaan Yt dan Xt. Sedangkan hipotesis statistik untuk pengujian kausalitas dengan menggunakan pendekatan Granger adalah : 0, Suatu variabel tidak mempengaruhi variabel lainnya
0, Suatu variabel mempengaruhi variabel lainnya
3.3.3. Model Umum Vector Error Correction Model (VECM) Model VECM digunakan apabila terdapat persamaan yang terkointegrasi, dimana nilai trace statistic lebih besar dari pada critical value. Pada persamaan VECM telah terkandung parameter jangka pendek dan jangka panjang yang memungkinkan kita untuk mengetahui respon pada jangka pendek dan jangka panjang. Menurut Siregar dan Ward dalam Andriani (2008), secara umum VECM dapat ditulis dalam persamaan berikut: ∑
ΓΔ
′
ε ............................................. (3.4)
Dimana : ΔYt
= Yt – Yt-1 ,
(p-1)
= ordo VECM dari VAR,
Γi
= matriks koefisien regresi,
Yt-i
= vektor lag variabel yang terdiri dari berbagai macam variabel yang diguanakan,
µ0
= vektor intercept,
49
µ1
= vektor koefisien regresi,
α
= matriks loading,
β
= vektor koitegrasi,
Yt-1
= vektor lag pertama dalam variabel,
εt
= vektor sisaan
3.3.4. Estimasi VAR Estimasi VAR digunakan untuk melihat apakah variabel X mempengaruhi variabel Y dan sebaliknya dengan cara membandingkan nilai tstatistik hasil estimasi dengan nilai ttabel.
3.3.4.1. Impulse Response Function Untuk mengetahui pengaruh shock dalam perekonomian maka digunakan metode impulse response. Selama koefisien pada persamaan struktural VAR di atas
sulit
untuk
diinterpretasikan
maka
banyak
praktisi
menyarankan
menggunakan impulse response function (IRF). Fungsi impulse response menggambarkan tingkat laju dari shock variabel yang satu terhadap variabel yang lainnya pada suatu rentang periode tertentu. Sehingga dapat dilihat lamanya pengaruh dari shock suatu variabel terhadap variabel lain sampai pengaruhnya hilang atau kembali ke titik keseimbangan.
3.3.4.2. Variance Decomposition Variance Decomposition atau biasa disebut Forecast Error Variance Decomposition (FEVD) merupakan perangkat model VAR yang memisahkan
50
variasi dari sejumlah variabel menjadi variabel innovation, dengan asumsi variabel-variabel innovation tidak saling berkorelasi. Variance decomposition akan memberikan informasi mengenai proporsi dari pergerakan pengaruh shock pada sebuah variabel terhadap shock variabel yang lain pada periode saat ini dan periode yang akan datang.
3.4. Mekanisme Analisis Olah Data Proses analisis VAR dan VECM dapat dilihat pada Gambar 3.1. Data Transformation
Stationary at Level [I(0)]
No Unit Root Test
Data Exploration
Yes
Var Level
Stationary at First Difference [I(1)]
Yes
Cointegration Test
VAR
VECM S-term
L-term
No
t
L-term
S-term
Optimal Order (K-1)
Cointegration Rank
Innovation Accounting
IRF
Sumber
FEVD
: Ascarya, 2009
Gambar 3.1. Proses Analisis VAR dan VECM
51
Gambar 3.1 menjelaskan secara ringkas proses analisis VAR dan VECM melalui beberapa tahap. Pertama, ketika data dasar telah tersedia, kemudian data ditransformasi ke bentuk logaritma natural (ln) kecuali data yang sudah dalam bentuk persen. Unit roots test atau uji unit akar adalah uji awal yang dilakukan untuk mengetahui apakah data stasioner atau tidak stasioner. Jika data stasioner di level, maka VAR dapat dilakukan pada level dan dapat mengestimasi hubungan jangka panjang antar variabel. Jika data tidak stasioner pada level, maka data harus diturunkan pada tingkat pertama (first difference). Keberadaan kointegrasi antar variabel pada data dapat diuji jika data stasioner pada turunan pertama. Jika tidak ada kointegrasi antar variabel, maka VAR hanya dapat dilakukan pada turunan pertamanya dan hanya dapat mengestimasi hubungan jangka pendek antar variabel, sehingga innovation accounting tidak akan bermakna untuk hubungan antar variabel dalam jangka panjang. Sedangkan, jika ada kointegrasi antar variabel, maka VECM dapat dilakukan menggunakan data turunan pertama untuk mengestimasi hubungan jangka pendek maupun jangka panjang antar variabel. Innovation accounting untuk VAR dan VECM akan bermakna untuk hubungan jangka panjang (Ascarya, 2009).
