III. METODE PENELITIAN 3.1 Jenis dan Sumber Data Data yang digunakan dalam penelitian ini merupakan data sekunder yang diperoleh dari Badan Pusat Statistik (BPS), World Bank, International Monetary Fund (IMF), Asian Development Bank (ADB), British Petroleum (BP), Energy Information Administration (EIA), dan sumber-sumber lainnya. Data-data tersebut diantaranya diperoleh dari publikasi World Development Indicator (WDI) 2010, IFS CD-ROM 2009, BP Statistical Review of World Energy 2010, World Energy Outlook 2010, International Fuel Prices 2009, World Oil Outlook 2010, Monthly Oil Market Report December 2010, dan lain-lain. Untuk menunjang kelengkapan bahan-bahan serta sumber, penulis menggunakan literatur yang ada di beberapa perpustakaan. Jurnal-jurnal serta beberapa buku pedoman juga digunakan untuk menambah wawasan mengenai permasalahan yang sedang diteliti. Data yang dikumpulkan merupakan data panel yaitu gabungan antara data antar waktu (time series) yang merupakan data tahunan dengan periode 1999 sampai 2008 dan data antar ruang (cross section) meliputi yang negara-negara ASEAN+3. Negara-negara ASEAN+3 yang dimasukkan dalam penelitian ini antara lain Indonesia, Malaysia, Singapura, Thailand, Filipina, China (Mainland), Jepang, dan Korea Selatan. Penggunaan data tahunan mempunyai keuntungan antara lain: (1) informasi tentang variasi dalam periode digunakan dalam estimasi (2) stabilitas parameter estimasi dari waktu ke waktu dapat diuji (3) struktur dinamis dari masalah dapat dianalisis dengan menggunakan variabel lag. Alasan pemilihan negara-negara ASEAN+3 antara lain karena kondisi perekonomian negara-negara tersebut bervariasi dan terbagi menjadi negara maju dan negara berkembang. Dari sini diharapkan dapat dilihat dampak dari guncangan harga minyak dunia antar negara dengan pendapatan perkapita yang berbeda. Selain itu, alasan pemilihan negaranegara tersebut juga dikarenakan OPEC memasok minyak paling besar ke Asia dibandingkan kawasan lainnya di dunia. Asia diperkirakan akan mengalami pertumbuhan kebutuhan minyak paling tinggi di dunia. Dari proyeksi kebutuhan minyak dunia yang dilakukan OPEC, kebutuhan yang meningkat ini sebagian
38
besar terjadi di negara berkembang di mana dua pertiganya merupakan negara Asia. Secara umum variabel yang digunakan dalam penelitian ini dirangkum dalam Tabel 4. Tabel 4. Data dan Sumber Data yang Digunakan dalam Penelitian Satuan
Sumber Data
US $ per barel
IFS
2005=100
WDI
International $ (PPP 2005=100)
WDI
Suku Bunga Riil (RIR)
Persentase
WDI
Keterbukaan Perdagangan (T)
Persentase
WDI
Pendaftaran Sekolah Menengah (EDU)
Persentase
WDI
Variabel Harga Minyak Mentah Dunia (OPI) Indeks Harga Konsumen (CPI) PDB Riil (GDP)
Data panel adalah data yang memiliki dimensi ruang dan waktu, yang merupakan gabungan antara data antar ruang (cross section) dengan data antar waktu (time series). Penggabungan data cross section dan time series dalam studi data panel digunakan untuk mengatasi kelemahan dan menjawab pertanyaan yang tidak dapat dijawab oleh model cross section dan time series murni. Jika setiap unit cross section memiliki jumlah observasi time series yang sama maka disebut sebagai balanced panel. Sebaliknya jika jumlah observasi berbeda untuk setiap unit cross section maka disebut unbalanced panel. Keunggulan dari penggunaan data panel dalam analisis ekonometrik antara lain: (i) mampu mengontrol heterogenitas individu; (ii) memberikan informasi yang
lebih
banyak
dan
beragam,
meminimalkan
masalah
kolinieritas
(collinearity), meningkatkan jumlah derajat bebas dan lebih efisien; (iii) data panel umumnya lebih baik bila digunakan dalam studi dynamics of adjustment; (iv) data panel lebih baik dalam mengidentifikasi dan mengukur efek yang tidak dapat dideteksi apabila menggunakan data cross section atau time series murni; dan (v) data panel dapat digunakan untuk mengonstruksi dan menguji model perilaku yang lebih kompleks dibandingkan data cross section atau time series murni (Baltagi, 2001).
39
Analisis data panel juga memiliki beberapa kelemahan dan keterbatasan dalam penggunaannya khususnya apabila data panel dikumpulkan atau diperoleh dengan metode survei. Permasalahan tersebut antara lain: (i) relatif besarnya data panel karena melibatkan komponen cross section dan time series menimbulkan masalah desain survei, pengumpulan dan manajemen data, diantaranya: coverage, nonresponse, kemampuan daya ingat responden (recall), frekuensi, dan waktu wawancara; (ii) distorsi kesalahan pengamatan (measurement error) yang umumnya terjadi karena kegagalan respon, contoh: pertanyaan yang tidak jelas, ketidaktepatan informasi, dan lain-lain; (iii) masalah selektivitas, yakni: selfselectivity, nonresponse, attrition (jumlah responden yang terus berkurang pada survei lanjutan); dan (iv) cross section dependence, contoh: apabila macro panel data dengan unit analisis negara atau wilayah dengan deret waktu yang panjang mengabaikan cross-country dependence maka dapat mengakibatkan kesimpulan-kesimpulan yang tidak tepat (missleading inference). Data panel dapat didefinisikan sebagai observasi berulang pada setiap unit cross section yang sama, yang memiliki karakteristik di mana N > 1 dan T > 1. Misalkan yit merupakan nilai varabel dependen untuk unit cross section ke-i pada waktu ke-t dengan i = 1, 2,…, N dan t = 1, 2,…,T. Dan misalkan terdapat K variabel penjelas yang masing-masing diberi indeks j = 1, 2,…,K serta
dinotasikan sebagai X , yang menyatakan nilai variabel penjelas ke-j untuk unit
ke-i pada waktu ke-t. Cara yang sering digunakan untuk mengorganisir data panel adalah dengan menuliskannya ke dalam bentuk matriks sebagai berikut:
;
; = ................................ (3.1)
dengan ε menyatakan gangguan acak untuk unit ke-i pada waktu ke-t.
; ; ……..................................................... (3.2)
Selanjutnya data tersebut disederhanakan dalam bentuk stack sebagai berikut:
40
dengan y adalah matriks berukuran NT×1, X adalah matriks berukuran NT×K, dan ε adalah matriks berukuran NT×1. Model standar data panel linier dapat diekspresikan sebagai y = X ‘β + ε …………………………...................................................... (3.3) …………………………….................................................... (3.4)
dengan β adalah matriks berukuran NT×1 yang diekspresikan sebagai
3.2 Metode Analisis Metode analisis yang digunakan adalah analisis deskriptif dan metode data panel dinamis dengan First-Difference Generalized Method of Moments (FDGMM). Model data panel statis (Fixed Effect Model dan Random Effect Model) dan model Ordinary Least Square (OLS) digunakan untuk melihat robustness dari model. Pengolahan data menggunakan paket program software STATA 10.0, Eviews 6.0, dan SPSS 13.0. 3.2.1 Analisis Deskriptif Analisis deskriptif merupakan bentuk analisis sederhana yang bertujuan mendeskripsikan dan mempermudah penafsiran. Analisis deskriptif memberikan pemaparan dalam bentuk tabel, grafik, dan uji kausalitas Granger. Dalam penelitian ini, analisis deskriptif digunakan untuk memberikan gambaran mengenai perkembangan harga minyak dunia, hubungan harga minyak dunia dengan inflasi dan pertumbuhan ekonomi di negara-negara ASEAN+3, serta kondisi makroekonomi dan struktur perekonomian negara-negara ASEAN+3. Kondisi makroekonomi dan struktur perekonomian yang dijelaskan dalam penelitian ini meliputi inflasi, pertumbuhan ekonomi, struktur ekonomi baik menurut sektor maupun dari sisi penggunaan, serta kondisi umum negara-negara ASEAN+3. 3.2.2 Metode Data Panel Dinamis FD-GMM (First-Difference Generalized Method of Moments) Alasan pemilihan model data panel dinamis adalah untuk mengatasi endogeneity problem di dalam model yang terjadi karena (1) adanya lag
41
dependent variable yang ikut dalam persamaan sebagai variable bebas; (2) adanya reverse causality antara variabel bebas dan terikat; (3) adanya simultaneity bias pada variabel. Ada beberapa metode yang sering digunakan untuk mengestimasi parameter model data panel statis. Metode sederhana yang sering digunakan adalah pooled estimator atau dikenal sebagai metode least square yang umumnya digunakan pada model cross section dan time series murni. Sebagaimana dibahas sebelumnya bahwa data panel memiliki jumlah observasi lebih banyak dibandingkan data cross section dan time series murni. Akibatnya, ketika data digabungkan menjadi pooled data, regresi yang dihasilkan cenderung lebih baik dibandingkan regresi yang menggunakan data cross section dan time series murni. Namun, dengan mengabungkan data maka variasi atau perbedaan antara individu dan waktu tidak dapat terlihat. Hal ini tentunya kurang sesuai dengan tujuan dari digunakannya data panel. Dalam beberapa kasus, penduga yang dihasilkan melalui least square dapat menjadi bias akibat kesalahan spesifikasi data. Analisis data panel dapat digunakan pada model yang bersifat dinamis dalam kaitannya dengan analisis penyesuaian dinamis (dynamic of adjustment). Hubungan dinamis ini dicirikan oleh keberadaan lag variabel dependen di antara variabel-variabel regresor. Pada model statis dapat dibuktikan bahwa regresi panel dengan pendekatan Fixed Effect Model (FEM) dan Random Effect Model (REM) merupakan penduga yang konsisten dan efisien, namun pada kondisi ini berbeda jika diterapkan pada model data panel dinamis. Masalah yang muncul dalam mengstimasi model dinamis menggunakan OLS antara lain variabel lag dependen (Yi,t-1) adalah endogen dengan efek tetap (νi) yang menimbulkan bias panel dinamis. Oleh karena itu estimasi OLS pada model dasar ini akan menjadi tidak konsisten. Selain itu, pada penggunaan fixed atau random efek, variabel lag dependen (Yi,t-1) akan berkorelasi dengan error (εit), bahkan hal itu tetap terjadi bila kita menganggap bahwa tidak terjadi autokorelasi dalam error itu sendiri. Jika jumlah periode (T) besar, bias menjadi lebih kecil dan masalah hilang. Tetapi jika sampel kita hanya sedikit maka bias masih menjadi masalah penting. Arelano and Bond (1991) mengembangkan GMM estimator untuk mengatasi masalah tersebut. Persamaan first differencing
42
menghilangkan efek idividu (νi) dan kemudian mengurangi sumber potensial dari bias. Pembuktian secara matematis mengenai inkonsistensi dan inefisiensi dari penduga FEM dan REM untuk model data panel dinamis tidak disampaikan di sini, namun secara lengkap dapat dilihat lebih lanjut dalam Verbeek (2000). Arrelano dan Bond (1991, dalam Baltagi, 2005) menyarankan suatu pendekatan Generalized Method of Moments (GMM) untuk mengatasi masalah ini. Salah satu jenis prosedur estimasi GMM yang umumnya digunakan untuk mengestimasi model linear autoregresif yakni First-Difference GMM (FD-GMM). Sebagai gambaran, misalnya dari model data panel autoregresif dengan lag 1 atau AR(1) tanpa mengikutsertakan variabel eksogen sebagai berikut (Baltagi, 2005) : yit = δ yi,t-1 + uit ; | δ | < 1 ; t = 1, 2, … , T .........................................… (3.5) dimana uit = µi + vit, dengan µi ∼ IID (0,σµ2) dan vit ∼ IID (0,σv2). Untuk memperoleh estimator δ
yang konsisten, dimana N → ∞ dengan T
tertentu, maka dilakukan first-difference untuk
persamaan (3.5) untuk
menghilangkan efek individu. yit – yi,t-1 = δ (yi,t-1 – yi,t-2) + (vit – vi,t-1) ; t = 2, 3, … , T ..................... (3.6) dimana (vit – vi,t-1) mengikuti proses MA (1) dengan unit root. Pada persamaan (3.6) dapat dilihat bahwa secara umum yi,t-2 adalah variabel instrumen yang valid karena berkorelasi dengan (yi,t-1 – yi,t-2), akan tetapi tidak berkorelasi dengan (vit – vi,t-1). Prosedur instrumental variable masih belum ada untuk differenced error term pada persamaan (3.6), dimana E(∆vi∆vi′) = σv2 (IN ⊗ G) ..................................................................... (3.7) dimana : ∆vi′ = (vi3 – vi2, … , viT – vi,T-1) dan 2 −1 0 − 1 2 − 1 G= M M M 0 0 0 0 0 0
L − 1 2 − 1 L 0 − 1 2 L L O
0 0 M
0 0 M
0 0 M
………………………………... (3.8)
adalah (T-2) × (T-2), karena ∆vi adalah MA(1) dengan unit root. Didefinisikan sebagai
43
[ yi ] Wi = 0
O [ yi 1 ,L, yi ,T −2 ] 0
[ yi 1 , yi 2 ]
……………………………… (3.9)
sebagai matriks instrumen. Setiap baris pada matriks Wi berisi instrumen yang valid untuk setiap periode yang diberikan. Konsekuensinya, himpunan seluruh kondisi momen dapat dituliskan secara ringkas sebagai E(Wi∆vi′) = 0 ………………………………………………………...... (3.10) Dengan mengalikan ulang persamaan difference (3.6) dalam bentuk vektor dengan Wi′, akan diperoleh W′∆y = W′ (∆y-1) δ + W′∆v …………………………………………… (3.11) Dengan prosedur GLS untuk mengestimasi persamaan (3.11), maka akan diperoleh Arrelano dan Bond (1991) preliminary one-step consistent estimator : −1
δˆ1 = (∆y−1 )′W (W ′(I N ⊗ G )W )−1W ′(∆y −1 ) × (∆y−1 )′W (W ′(I N ⊗ G )W )−1W ′(∆y −1 ) .. (3.12)
Optimal GMM estimator δ dari ala Hansen (1982) dalam Baltagi (2005) untuk N yang tak hingga dan T relatif tetap dengan hanya menggunakan moment restriction di atas menghasilkan notasi yang sama seperti (3.12) kecuali bahwa W ′(I N ⊗ G )W =
∑ W ′G W N
i
i =1
………………………………………….... (3.13)
i
digantikan oleh VN =
′ ′ ∑ W (∆ v )(∆ v ) W N
i =1
i
i
i
i
……………………………………………... (3.14)
GMM estimator memerlukan no knowledge concerning kondisi awal atau distribusi dari vi dan ui. Untuk menjalankan metode estimasi ini, ∆vi digantikan oleh difference residual yang diperoleh dari preliminary consistent estimator. Hasil metode estimasi ini adalah two-step Arrelano-Bond (1991) GMM estimator (Baltagi, 2005) : −1
δˆ2 = (∆y −1 )′ W VˆN −1 W ′(∆y −1 ) × (∆y −1 )′ W VˆN −1 W ′(∆y −1 )
…………...... (3.15)
Sebuah estimasi yang konsisten dari asymptotic var ( δˆ2 ) diberikan oleh bentuk pertama dalam persamaan (3.15)
( )
′ −1 Var δˆ2 = (∆y −1 ) W VˆN W ′(∆ y −1 )
−1
................................................... (3.16)
44
Kondisi δˆ1 dan δˆ2 adalah asymptotically equivalent jika adalah vit ∼ IID (0,σv2). Dengan cara yang sama dapat diturunkan pula jika pada persamaan (3.5) dimasukkan variabel eksogen, sehingga akan diperoleh persamaan berikut : yit = x′it β +δ yi,t-1 + uit ....................................................................... (3.17) Parameter persamaan (3.17) juga dapat diestimasi menggunakan generalisasi variabel instrumen atau pendekatan GMM. Berbagai asumsi dapat digunakan untuk xit, dengan demikian sekumpulan instrumen tambahan yang berbeda dapat dibangun berdasarkan asumsi tersebut. 3.3
Spesifikasi Model Berdasarkan penelitian-penelitian terdahulu maka spesifikasi model panel
dinamis yang akan digunakan dalam penelitian ini mengacu pada model Aisen et al. (2005 & 2010) yaitu: ln Yi,t = β ln Yi,t-1 + λ Xi,t + νi + εi,t ....………………………………. (3.18) i = 1, …, N; t = 1, …, Ti Dimana Yi,t merupakan variabel dependen di negara i pada periode t, Xi,t adalah vektor dari faktor-faktor yang memengaruhi variabel dependen. β, λ adalah parameter dan vektor dari parameter yang diestimasi. νi adalah efek dari individu, µt adalah efek dari waktu, dan εi,t adalah error. Untuk model inflasi (model 1) maka variabel dependen adalah indeks harga konsumen (CPI) dan vektor X adalah variabel-variabel yang memengaruhi inflasi. Untuk model pertumbuhan ekonomi (model 2) maka variabel dependen adalah GDP dan vektor X adalah variabel-variabel yang memengaruhi pertumbuhan ekonomi. D.ln Yi,t = β D.ln Yi,t-1 + λ D.Xi,t + Dεi,t ..…………………...………. (3.19) i = 1, …, N; t = 1, …, Ti Dimana D adalah operator pembeda pertama (first difference operator). Penduga data panel dinamis Arelano and Bond menggunakan instrument sebagai berikut: lag dua periode atau lebih variabel dependen, lag dua periode atau lebih variabel endogen, first difference dari strictly exogenous covariates.
45
Berdasarkan pertimbangan dari beberapa penelitian terdahulu maka spesifikasi model pada penelitian ini direpresentasikan ke dalam dua persamaan berikut ini: 1. Model inflasi; pengaruh harga minyak dunia terhadap inflasi mengacu pada model Aisen dan Veiga (2003) yang dimodifikasi: D.CPIit = β1D.CPIi,t-1 + β2D.OPIit + β3D.GDPit + β4D.RIRit +β5D.Tit + D.eit ……(3.20)
Model ini menggunakan instrument variabel kontribusi sektor pertanian terhadap PDB dan variabel kontribusi sektor industri terhadap PDB. 2. Model Pertumbuhan Ekonomi; pengaruh harga minyak dunia terhadap pertumbuhan ekonomi mengacu pada model Aisen dan Veiga (2010) yang dimodifikasi D.GDPit = β1D.GDPi,t-1+ β2D.OPIit + β3D.CPIit + β4D.EDUit + D.eit ………..… (3.21)
Model ini menggunakan instrument variabel investasi langsung luar negeri (foreign direct investment/FDI) dan variabel kontribusi sektor industri terhadap PDB. Keterangan: CPI
= Log Indeks Harga Konsumen (2005=100)
D
= Operator pembeda pertama (first difference operator)
EDU
= Tingkat pendidikan (persentase)
GDP
= Log PDB riil (internasional $ PPP 2005=100)
OPI
= Log Harga rata-rata minyak mentah dunia (US$ per barel)
RIR
= Suku bunga riil (persentase)
T
= Perdagangan (persentase dari PDB)
e
= Error
it
= Negara ke-i, tahun ke-t
3.4
Definisi Variabel Operasional Definisi operasional dari masing-masing variabel yang digunakan dalam
penelitian ini antara lain: 1. Harga minyak mentah dunia merupakan rata-rata harga minyak mentah dunia Dubai, U.K. Brent, dan West Texas Intermediate (WTI) dalam US$. 2. Indeks Harga Konsumen (Consumer Price Index) yaitu perbandingan nilai konsumsi bulan berjalan dengan nilai konsumsi pada tahun dasar dikalikan
46
dengan 100. Pada tahun dasar IHK akan bernilai 100. Dalam penelitian ini tahun dasar yang digunakan adalah tahun 2005. IHK dipakai untuk mengukur rata-rata perubahan harga dari suatu paket komoditas yang dikonsumsi oleh masyarakat/rumah tangga di suatu daerah dalam kurun waktu tertentu. 3. Output riil atau Produk Domestik Bruto (PDB) riil merupakan total nilai tambah bruto yang dihasilkan unit produksi yang beroperasi disuatu wilayah negara dalam jangka waktu tertentu. PDB atas harga konstan menunjukkan nilai tambah barang dan jasa tersebut yang dihitung menggunakan harga yang berlaku pada satu tahun tertentu sebagai dasar. PDB yang digunakan dalam penelitian ini sudah disesuaikan dengan paritas daya beli (PPP) menggunakan dolar internasional dengan tahun dasar 2005. Berdasarkan literatur ekonomi bahwa inflasi buruk bagi pertumbuhan maka variabel ini diperlakukan sebagai variabel endogen. 4. Suku bunga riil adalah suku bunga disesuaikan dengan inflasi yang diukur dengan PDB deflator. 5. Keterbukaan
perdagangan
(trade
openness)
merupakan
rasio
total
perdagangan (ekspor dan impor) terhadap output yang digunakan sebagai ukuran keterbukaan perdagangan. Definisi operasional dari masing-masing variabel instrument yang berasal dari World Bank (WDI) yang digunakan dalam penelitian ini antara lain: 1. Kontribusi sektor pertanian terhadap PDB (% PDB) mencakup kehutanan, perburuan, dan perikanan, serta budidaya tanaman dan produksi ternak. 2. Kontribusi sektor industri terhadap PDB (% PDB) mencakup divisi 10-45 International Standard Industrial Classification (ISIC) termasuk manufaktur terdiri dari nilai tambah di bidang pertambangan, manufaktur, konstruksi, listrik, air, dan gas. 3. Investasi langsung luar negeri (foreign direct investment/FDI) merupakan penjumlahan dari modal ekuitas, reinvestasi pendapatan lainnya, modal jangka panjang, dan modal jangka pendek seperti yang ditunjukkan dalam neraca pembayaran. Variabel ini menunjukkan arus masuk bersih (arus masuk investasi baru kurang disinvestasi) dibagi dengan PDB.
