31
BAB III METODE PENELITIAN
3.1
Jenis dan Sumber Data Data yang digunakan dalam penelitian ini adalah data sekunder yang
diperoleh dari berbagai instansi yang terkait dengan permasalahan penelitian seperti Badan Pusat Statistik (BPS), Direktorat Perpajakan Indonesia, Bappenas. Selain dari instansi tersebut data yang digunakan juga diperoleh dari
World
Development Indicators 2011, Statistik Ekonomi Indonesia (SEKI), jurnal, artikel dan makalah. Periode data yang digunakan dalam penelitian ini adalah periode 1984 hingga 2011. Data-data yang digunakan sebagai variabel dalam penelitian ini adalah sebagai berikut : Tabel 3.1. Data, Simbol, dan Sumber Data Variabel Government spending Inflasi Investasi Gross Domestic Product Growth Exchange Rate Tax Revenue Net Export 3.2
Satuan Milyar Rupiah Persen (%) Milyar Rupiah Persen (%)
Simbol G INF INV GW
Sumber SEKI WDI BPS WDI
Rp/US$ Milyar Rupiah US Dollar
ER TR NE
WDI WDI WDI
Defenisi Operasional Variabel Adapun variabel dan defenisi operasional variabel yang digunakan dalam
penelitian ini adalah sebagai berikut : 1.
Government Spending (pengeluaran pemerintah) adalah Pengeluaran barang dan jasa oleh pemerintah daerah dan pusat, tidak termasuk pembayaran transfer karena tidak terjadi pertukaran barang dan jasa karena pembayaran transfer.
2.
Inflasi adalah adalah suatu proses meningkatnya harga-harga secara umum dan dapat disebabkan oleh berbagai faktor, antara lain, konsumsi masyarakat yang meningkat atau adanya ketidak lancaran distribusi barang. Inflasi juga merupakan proses menurunnya nilai mata uang secara kontinu.
32
3.
Investasi adalah barang–barang yang dibeli oleh individu dan perusahaan untuk menambah persediaan modal mereka.
4.
Gross Domestic Product (GDP) adalah pendapatan total yang diperoleh secara domestik, termasuk pendapatan yang diperoleh faktor-faktor produksi yang dimiliki asing. Dalam penelitian ini digunakan variabel pertumbuhan ekonomi yakni persentase pertumbuhan PDB indonesia setiap tahunnya.
5.
Tax (Pajak). Menurut Undang-undang Nomor 28 Tahun 2007 defenisi pajak merupakan kontribusi wajib kepada negara yang terutang oleh orang pribadi atau badan yang bersifat memaksa berdasarkan Undang-Undang, dengan tidak mendapatkan imbalan secara langsung dan digunakan untuk keperluan negara bagi sebesar-besarnya kemakmuran rakyat. Definisi versi UU KUP (Undang Undang Ketentuan Umum Perpajakan)
ini nyaris hampir sama
dengan definisi Rochmat Soemitro. Kata-kata “iuran” diganti dengan kata “kontribusi” yang nadanya lebih bersifat positif karena mengandung makna partisipasi masyarakat. Kemudian ada tambahan “bagi sebesar-besar kemakmuran rakyat” yang membuat kata pajak lebih bernilai positif, karena untuk tujuan kemakmuran rakyat melalui penyediaan barang dan jasa publik seperti pertahanan, keamanan, pendidikan, kesehatan, jalan raya, dan fasilitas umum lainnya. 6.
Net Export (ekspor bersih). Ekspor bersih merupakan selisih dari ekspor (X) dan impor (M). Defenisi luas dari ekspor bersih adalah nilai ekspor barang dari suatu negara dalam suatu tahun tertentu dikurangi dengan nilai impor barang dari negara-negara lain ke negara tersebut dalam suatu tahun tertentu (Sukirno, 2004).
3.3
Metode Analisis dan Pengolahan Data Metode analisis yang digunakan dalam penelitian ini adalah metode
Vektor Autoregression (VAR). Apabila data yang digunakan tidak stasioner dan terkointegrasi maka dilanjutkan dengan metode Vector Error Correction Model (VECM). Data data dalam penelitian diolah dengan bantuan perangkat lunak (software) Eviews 6.0 dan Microsoft Excel. Keunggulan metode konvensional adalah :
VAR dibandingkan dengan metode ekonometri
33
1.
Mengembangkan
model secara bersamaan didalam suatu sistem yang
kompleks (multivariat), sehingga dapat menangkap hubungan keseluruhan variabel didalam persamaan itu 2.
Uji VAR yang multivariat dapat menghindari parameter yang bias akibat tidak dimasukkannya variabel relevan
3.
VAR dapat mendeteksi hubungan antar variabel didalam sistem persamaan, dengan menjadikan seluruh variabel sebagai endogenous
4.
Karena bekerja berdasarkan data, metode VAR terbebas dari berbagai batasan teori ekonomi yang sering muncul termasuk gejala perbedaan palsu (Spurious variable endogen dan exogen) di dalam model ekonometri konvensional terutama pada persamaan simultan, sehingga menghindari penafsiran yang salah.
Sebagai metode ekonometrika, VAR juga tidak luput dari kelemahan. Berikut beberapa dari kelemahan dari metode VAR : 1.
Model VAR lebih bersifat teoritik karena tidak memanfaatkan informasi teori-teori terdahulu, oleh karena itu sering disebut model yang tidak terstruktural
2.
Karena tujuan utamanya untuk forecasting, maka model VAR meyebabkan implikasi kebijakan kurang tepat
3.
Pemilihan
banyaknya
lag
yang
diikutsertakan
pada
model
juga
menimbulkan masalah baru dalam proses estimasi. Sebagai ilustrasi, bila mempunyai tiga variabel dalam model VAR dan masing-masing menggunakan 8 lag maka paling sedikit 24 parameter yang harus diestimasi. Ini berarti membutuhkan pengamatan yang relatif banyak 4.
Semua variabel yang digunakan dalam VAR harus sudah bersifat stasioner, jika belum stasioner maka harus ditransformasikan terlebih dahulu agar stasioner.
Secara keseluruhan metode yang akan digunakan dalam penelitian ini adalah terbagi dalam beberapa tahap. Berikut tahapannya : 1.
Uji kausalitas VAR yang akan menunjukkan hubungan yang sebenarnya antar variabel dalam dunia nyata, setelah terlebih dahulu menentukan panjang lag optimal.
34
2.
Melakukan uji kointegrasi untuk menentukan model yang akan digunakan dalam penelitian apakah menggunakan model VAR atau VECM.
3.
Menyusun Variance Decompositions (VD). Dekomposisi varian (VD) menunjukkan persentasi dari varians eror yang terjadi dalam meramal suatu variabel pada suatu jangka waktu tertentu yang berkaitan dengan guncangan tertentu.
4.
Menganalisis Impulse Response Function (IRF). IRF menyusuri jejak dari respon yang diharapkan dari nilai saat ini dan masa depan dari tiap variabel terhadap suatu guncangan pada satu dari persamaan VAR.
3.3.1 Model Umum VAR Pendekatan VAR merupakan rangkaian model time series multivariat yang dikembangkan oleh Sims. VAR adalah suatu sistem persamaan yang memperlihatkan setiap peubah sebagai fungsi linier dari konstanta dan nilai lag dari peubah-peubah yang ada dalam sistem (Enders, 2004). Dalam model VAR, semua variabel yang digunakan dalam analisis dianggap berpotensi menjadi variabel endogen, dengan mengabaikan pemisahan antara variabel eksogen dan variabel endogen atau dalam arti lain yaitu semua variabel berhak menjadi variabel dependent dan variabel independent. Model VAR dan VECM yang digunakan
dalam
penelitian
ini
adalah
sebagai
berikut:
Model Umum : Gt = f ( GWt, INVt, ERt, INFt, TRt, NEt ) ........................................................ (3.1) Model dalam bentuk matriks, 𝑎0 𝐿𝑛_𝐺 𝑏0 𝐿𝑛_𝐺𝑊 𝑐0 𝐿𝑛_𝐼𝑁𝑉 𝐿𝑛_𝐸𝑅 = 𝑑0 + 𝑒0 𝐼𝑁𝐹 𝑓0 𝐿𝑛_𝑇𝑅 𝑔0 𝐿𝑛_𝑁𝐸
𝑎11 𝑎12 𝑎13 𝑎14 𝑎15 𝑎16 𝑎17 𝑎21 𝑎22 𝑎23 𝑎24 𝑎25 𝑎26 𝑎27 𝑎31 𝑎32 𝑎33 𝑎34 𝑎35 𝑎36 𝑎37 𝑎41 𝑎42 𝑎43 𝑎44 𝑎45 𝑎46 𝑎47 𝑎51 𝑎52 𝑎53 𝑎54 𝑎55 𝑎56 𝑎57 𝑎61 𝑎62 𝑎63 𝑎64 𝑎65 𝑎66 𝑎66 𝑎71 𝑎72 𝑎73 𝑎74 𝑎75 𝑎76 𝑎77
𝑒1𝑡 𝐿𝑛_𝐺𝑡−𝑖 𝑒2𝑡 𝐿𝑛_𝐺𝑊𝑡−𝑖 𝑒3𝑡 𝐿𝑛_𝐼𝑁𝑉𝑡−𝑖 𝐿𝑛_𝐸𝑅𝑡−𝑖 + 𝑒4𝑡 ....... (3.2) 𝑒5𝑡 𝐼𝑁𝐹𝑡−𝑖 𝑒6𝑡 𝐿𝑛_𝑇𝑅𝑡−𝑖 𝑒7𝑡 𝐿𝑛_𝑁𝐸𝑡−𝑖
Keterangan : G = Pengeluaran pemerintah Indonesia ( Miliar Rupiah ) GW = Pertumbuhan PDB Indonesia (Persen ) INV = Investasi (Miliar Rupiah ) ER = Nilai Tukar (RP/US$) INF = Inflasi (Persen) TR = Penerimaan pajak Indonesia (Miliar Rupiah) NE = Ekspor bersih (US Dolar)
35
Semua data estimasi yang dipergunakan dalam VAR adalah dalam bentuk logaritma natural sesuai dengan pendapat Sims dan Enders (2004), kecuali data yang sudah dalam bentuk persen atau data tersebut memiliki koefisien yang negatif (sangat kecil) yang tidak mungkin untuk diubah kedalam bentuk logaritma natural. Salah satu alasannya adalah untuk memudahkan analisis, karena baik dalam impulse respons maupun variance decomposition, pengaruh guncangan dilihat dalam standar deviasi yang dapat dikonversi dalam bentuk persentase. Semua variabel adalah variabel endogen dalam metode VAR, sehingga dalam model penelitian ini dapat dilihat hubungan saling ketergantungan antara semua variabel (Agung, 2012). Selain VAR, terdapat pula VAR FD (Vector Autoregression First Difference). Perbedaan keduanya terletak pada kestasioneran data yang digunakan. Model VAR stasioner pada data level, sementara VAR FD stasioner pada data turunan pertama (first difference). 3.3.2 Uji Stasionaritas Data Data stasioner adalah data dengan rataan dan ragam konstan sepanjang waktu pengamatan. Dalam uji stasioneritas ini digunakan Uji Akar Unit (unit Root Test). Uji ini dimaksudkan untuk menentukan apakah suatu variabel stasioner atau tidak. Suatu variabel dapat diketahui apakah stasioner atau tidak, dengan menggunakan uji ADF (Augmented Dickey-Fuller). Jika hasil yang di dapat dalam pengujian ini belum stasioner maka akan dilanjutkan ke tahap berikutnya yaitu tahap Uji derajat integrasi (Integration Test). 3.3.3 Metode Kausalitas Granger Studi kausalitas ditujukan untuk mengukur kekuatan hubungan
antar
variabel dan menunjukkan arah hubungan sebab akibat, dimana X menyebabkan Y, Y menyebabkan X atau X meyebabkan Y dan Y menyebabkan X. Uji kausalitas Granger dipercaya jauh lebih bermakna dari uji korelasi biasa (Ascarya, 2009). Beberapa hal dapat diketahui dengan melakukan uji kausalitas Granger antara lain : Apakah X mendahului Y, apakah Y mendahului X atau X dan Y memiliki hubungan timbal balik
36
Suatu variabel X dikatakan meyebabkan variabel lain Y, apabila Y saat ini diprediksi lebih baik dengan menggunakan nilai-nilai masa lalu X Asumsi dalam uji ini adalah bahwa X dan Y dianggap sepasang data runtut waktu yang memiliki kovarian linier yang stasioner. 3.3.4 Uji Optimum Lag Uji optimum lag sangat penting dalam pendekatan VAR. Pengujian panjang lag yang optimal dapat memanfaatkan beberapa informasi yaitu dengan menggunakan Akaike Information Criterion (AIC), Schwarc Criterion (SC) dan Hannan-Quinn Criterion (HQ). Dalam uji optimum lag, akan menghilangkan masalah autokorelasi dalam sistem VAR. Maka dari itu, dengan menggunakan lag yang optimal diharapkan masalah autokorelasi tidak akan muncul lagi. Besarnya lag yang dipilih berasal dari lag terpendek. 3.3.5 Uji Stabilitas VAR Setelah dilakukan uji optimum lag, maka tahap selanjutnya dalam estimasi VAR adalah dengan uji stabilitas VAR. Uji ini nantinya dimaksudkan untuk mengetahui valid atau tidaknya analisis Impulse Response Function. Apabila hasil estimasi VAR tidak stabil, maka Impulse Response Fuction tidak valid, begitu juga sebaliknya jika hasil estimasi valid, maka Impulse Response Funcion valid. Uji stabilitas VAR dilakukan dengan menghitung akar-akar dari fungsi polinomial atau dikenal dengan roots of characteristic polinomial. Jika semua akar dari fungsi polinomial tersebut berada didalam unit circle atau jika nilai absolutnya kurang dari 1 (<1)
maka model VAR tersebut dianggap stabil
sehingga Impuls Responsive Function (IRF) dan Forecast Error Variance Decomposition (FEVD) yang dihasilkan dianggap valid. 3.3.6 Uji Kointegrasi (Cointegration Test) Uji ini merupakan lanjutan dari uji akar unit dan uji derajat integrasi. Uji kointegrasi bertujuan untuk menentukan apakah variabel–variabel yang tidak stasioner tersebut terkointegrasi atau tidak. Konsep kointegrasi ini dikemukakan oleh Engle dan Granger (1987), sebagai kombinasi linier dari dua atau lebih variabel yang tidak stasioner akan menghasilkan variabel yang stasioner. Kombinasi linier ini dikenal dengan istilah persamaan kointegrasi dan dapat
37
diinterpretasikan sebagai hubungan
keseimbangan jangka panjang diantara
variabel. Uji kointegrasi bertujuan untuk mendeteksi stabilitas hubungan jangka panjang antara variabel endogen dan variabel eksogennya. Dalam penelitian ini menggunakan Johansen Cointegrating Test. Hipotesis nol dalam uji ini adalah tidak ada kointegrasi. Jika trace statistic lebih besar dari critical value, maka tolak H0 sehingga persamaan tersebut terkointegrasi. 3.3.7 Model Vector Autoregression (VAR) VAR adalah suatu sistem persamaan yang memperlihatkan setiap peubah sebagai fungsi linear dari konstanta dan nilai lag dari peubah-peubah yang ada dalam sistem (Enders, 2004). Dalam model VAR semua variabel yang digunakan dalam analisis dapat dianggap berpotensi menjadi variabel endogen dengan mengabaikan pemisahan antara variabel eksogen dan endogen atau dengan arti lain, semua variabel berhak menjadi variabel-variabel dependen dan independen. Selain VAR terdapat pula VAR first diference. Model VAR First Difference merupakan bentuk VAR yang terestriksi, namun menjelaskan bahwa data yang diuji tidak stasioner pada level dan tidak memiliki hubungan kointegrasi. Pada uji sebelumnya didapat bahwa data yang digunakan dalam penelitian ini stasioner pada first difference sehingga penelitian ini adalah VAR Difference . 3.3.8 Metode Vector Error Corection Model (VECM) VECM merupakan model VAR yang terestriksi. Restriksi diberikan karena data tidak stasioner pada level, namun stasioner pada tungkat tingkat turunan. Model VECM dan model VAR hampir sama, bedanya adalah model VECM menjelaskan bahwa data yang di uji, tidak stasioner pada level namun terkointegrasi. VECM memanfaatkan retriksi kointegrasi tersebut kedalam spesifikasi modelnya. Karenanya, VECM sering disebut sistem VAR bagi deret nonstasioner yang memiliki hubungan kointegrasi. Pada uji sebelumnya didapat bahwa data-data yang digunakan dalam penelitian ini stasioner pada first difference namun terkointegrasi pada tahap uji kointegrasi. Oleh karena itu, berdasarkan hasil tersebut, model yang digunakan pada penelitian ini adalah model VAR First Difference, dan dilanjutkan dengan model VECM.
38
Berikut adalah model VECM dari penelitian ini: 1 𝑖=1 𝛼GWt-1 +
Gt-1 = +
1 𝑖=1 𝜃
1 𝑖=1 𝛽
TRt-1 +
INVt-1 +
1 𝑖=1 𝜔
1 𝑖=1 𝛾
NEt-1 + εt
ERt-1 +
1 𝑖=1 𝛿
INFt-1
..................................................................................
(3.3)
Dimana: G = Pengeluaran pemerintah Indonesia (Miliar Rupiah) GW = Pertumbuhan PDB Indonesia (Persen ) INV = Investasi (Miliar Rupiah ) ER = Nilai Tukar (RP/US$) INF = Inflasi (Persen) TR = Penerimaan pajak Indonesia (Miliar Rupiah) NE = Ekspor bersih (US Dolar) 3.4
Innovation Accounting
3.4.1 Impulse Respons Function (IRF) Model VAR juga dapat digunakan untuk melihat dampak perubahan dari satu variabel dalam sistem terhadap variabel lainnya dalam sistem secara dinamis. Caranya adalah dengan memberikan guncangan/shock pada salah satu peubah endogen. Guncangan yang diberikan biasanya sebesar satu standar deviasi dari peubah tersebut. Penelusuran pengaruh guncangan sebesar satu standar deviasi yang dialami oleh satu variabel dalam sistem terhadap nilai-nilai semua variabel saat ini dan beberapa periode yang akan datang disebut sebagai teknik Impulse Response Function (IRF). Impulse Response Function (IRF) adalah suatu metode yang digunakan untuk menentukan respon suatu variabel endogen terhadap suatu guncangan tertentu. Hal ini dikarenakan guncangan suatu variabel tidak hanya berpengaruh terhadap variabel itu saja tetapi ditransmisikan kepada semua variabel endogen lainnya melalui stuktur dinamis atau strukur lag dalam VECM. Dengan kata lain IRF mengukur pengaruh suatu guncangan/shock pada suatu waktu kepada inovasi variabel endogen pada saat tersebut dan saat dimasa yang akan datang. 3.4.2 Forecast Error Variance Decomposition (FEVD) Metode yang dapat dilakukan untuk melihat bagaimana perubahan dalam suatu variabel yang ditunjukkan oleh perubahan error variance dipengaruhi oleh variabel-variabel lainnya adalah FEVD. Dalam metode ini dapat dilihat kekuatan dan kelemahan masing-masing variabel memengaruhi variabel lainnya dalam kurun waktu panjang.
39
Analisis FEVD dalam model VAR bertujuan untuk memprediksi kontribusi persentase setiap variabel karena adanya perubahan variabel tertentu dalam sistem VAR. Analisis IRF yang dijelaskan sebelumnya digunakan untuk melihat dampak guncangan dari satu variabel terhadap variabel lainnya, sementara analisis FEVD digunakan untuk menggambarkan relatif pentingnya setiap peubah dalam sistem VAR karena adanya guncangan. Jadi melalui FEVD dapat diketahui faktor-faktor yang mempengaruhi fluktuasi dari variabel tertentu. 3.5
Alat Analisis Data Dalam penelitian ini, digunakan program E-Views sebagai alat analisis
data. Data yang telah diperoleh kemudian di input kedalam workfile E-Views, selanjutnya akan diolah sedemikian rupa melalui beberapa tahap sehingga mendapatkan hasil-hasil yang dibutuhkan dalam penelitian ini, seperti uji akar unit, uji lag optimal, uji kausalitas Granger, uji kointegrasi, dan estimasi VAR. Jika pada pengolahan data pada uji kointegrasi terdapat persamaan yang terkointegrasi, maka tahap estimasi yang dilakukan adalah model VECM. 3.6
Tahapan Pengolahan Data Berikut adalah tahapan analisis pengolahan data dalam penelitian ini Uji stasionaritas
Uji lag optimal
Uji stabilitas VAR
Uji kointegrasi
Analisis VECM
