91 IV. METODE PENELITIAN
4.1. Sumber Data dan Variabel Analisis dalam penelitian ini menggunakan data sekunder. Sumber data diperoleh dari berbagai institusi seperti Badan Pusat Statistik, Bank Indonesia, Departemen Perdagangan, Departemen Perindustrian, dan sumber-sumber lain yang terkait dengan penelitian ini. Data yang digunakan untuk keperluan aplikasi model adalah data runtut waktu tiga bulanan mulai dari triwulan 1 tahun 1990 sampai dengan triwulan 4 tahun 2009. Penelitian ini dilakukan dengan observasi pada kurun waktu tersebut, karena pada kondisi tersebut perekonomian Indonesia sudah sangat peka terhadap gejolak perekonomian internasional, terutama yang bersumber dari negara mitra dagang Indonesia, sehingga perekonomian Indonesia baik secara nasional maupun sektoral telah terintegrasi dengan perekonomian dunia. Gambaran tersebut juga diperkuat dengan munculnya berbagai kelompok-kelompok perdagangan yang bersifat liberalisasi, sehingga kondisi tersebut memperlihatkan bahwa semakin pentingnya ekspor bagi suatu negara. Penggunaan data tiga bulanan dimaksudkan untuk kepentingan teknis statistik agar persoalan degree of freedom dapat teratasi jika dibandingkan dengan penggunanaan data tahunan, di samping itu variabel penelitian yang digunakan dalam model juga sudah tersedia dalam tiga bulanan, sementara variabel makro tertentu lainnya yang tidak dimasukkan dalam model persamaan, karena data tersebut tidak tersedia dalam bentuk triwulan, tapi dalam tahunan, misalnya data investasi dan kesempatan kerja.
92 Variabel-variabel yang digunakan dalam penelitian ini adalah variabel agregatif yaitu variabel makroekonomi yang diperoleh dari berbagai sumber. Secara rinci variabel yang digunakan dalam penelitian, disajikan pada Tabel 6.
A. No.
Tabel 6. Variabel, Ukuran, Simbol, dan Sumber Data Nama Variabel
Ukuran
Simbol
Sumber Data
1
PDB Nasional Riil
Rp Milyar
PDB
BPS
2
Balance of Trade
Juta US$
BOT
BPS, IMF
3
Inflasi
Persen
INF
BPS, BI
4
Nilai Tukar Rupiah thdp US $
Rp/US$
ER
Bank Indonesia
5
Ekspor Produk Pertanian
Juta US$
XPT
BPS, Deperta.
6
Ekspor Non Agro Industri
Juta US$
XNAI
BPS, Depperin
7
Ekspor Agro Industri
Juta US$
XAI
BPS, Depperin
Data dari setiap variabel yang digunakan di transformasi ke dalam bentuk logaritma natural, kecuali data inflasi. Transformasi log dilakukan untuk menurunkan masalah heteroskedastisitas, karena dapat memperkecil skala ukuran data variabel hingga 10 kali lipat dari perbedaan antara dua bilangan seri (Gujarati, 2003).
4.2. Identifikasi dan Pilihan Variabel Penelitian 4.2.1. Identifikasi Variabel Variabel-variabel makroekonomi yang digunakan dalam penelitian ini adalah merupakan variabel endogen yang pada umumnya adalah non stasioner. Melalui tahapan analisis yang akan dilakukan, hingga diperoleh hasil analisis yang diharapkan, maka dapat dijadikan instrumen kebijakan dalam perekonomian. Sebelum melakukan analisis, perlu diketahui terlebih dahulu identitas variabelvariabel yang akan digunakan dalam penelitian yaitu : variabel produk domestik bruto (PDB), Net ekspor atau balance of trade (BOT), inflasi (INF), nilai tukar
93 rupiah terhadap dolar Amerika atau exchange rate (ER), ekspor produk pertanian (XPT), ekspor nonagro industri (XNAI), dan ekspor agro industri (XAI). Masingmasing akan dijelaskan sebagai berikut. 1. PDB. Dalam teori makroekonomi, terdapat istilah pendapatan nasional harga berlaku dan harga konstan atau pendapatan nasional nominal dan riil. Dalam penelitian ini yang akan digunakan adalah variabel pendapatan nasional atas dasar harga konstan atau PDB riil. Penggunaan nilai riil tersebut dimaksudkan untuk menghindari adanya pengaruh harga. Nilai ukuran yang digunakan adalah dalam milyar rupiah. 2. BOT atau Net ekspor. Neraca perdagangan adalah merupakan selisih antara total ekspor dan total impor, baik antara dua negara maupun satu negara dengan banyak negara. Di Indonesia terdapat ekspor migas dan non migas. Dalam penelitian ini yang akan digunakan adalah net ekspor non migas. Sedangkan satuan ukuran nilai yang digunakan adalah dalam jutaan dolar Amerika (US $ juta). 3. INF atau inflasi. Inflasi dihitung berdasarkan indeks harga konsumen (IHK), yakni perubahan IHK dari periode sebelumnya ke periode berikutnya dengan menggunakan tahun dasar tertentu. Sebenarnya tingkat inflasi juga dapat dihitung dengan angka deflator, namun inflasi yang digunakan dalam penelitian ini adalah inflasi dari perubahan IHK, dan inflasi yang digunakan pada tingkat nasional. Ukuran nilai yang digunakan adalah persen. 4. ER atau exchange rate. Nilai tukar rupiah terhadap dolar Amerika merupakan mata uang yang secara luas digunakan untuk transaksi internasional. Nilai
94 tukar yang dimaksud dalam penelitian ini adalah nilai nominal atau kurs mata uang dolar Amerika terhadap rupiah. 5. XPT atau ekspor produk pertaian. Ekspor pertanian Indonesia telah dilakukan ke banyak negara di dunia, seperti hasil-hasil dari pertaian, kehutanan, perkebunan, perikanan, dan holtikultura. Ekspor pertanian yang dimaksud dalam penelitian ini adalah total nilai hasil ekspor produk pertanian, seperti ekspor getah karet, kopi, udang, teh, rempah-rempah, tembakau, biji coklat, biji-bijian, mutiara, damar, sayur-sayuran, buah-buahan, dll. Satuan ukuran yang digunakan dalam penelitian adalah juta dolar Amerika (US $ juta). 6. XNAI atau ekspor nonagro Industri. Komoditi ekspor nonagro industri merupakan hasil industri pengolahan dengan bahan baku non pertanian. Berdasarkan sumber data dari Indikator Ekonomi, komoditi ekspor non agro industri yang di ekspor misalnya, hasil industri otomotip, barang-barang industri dari logam, pakaian jadi dan tekstil, alat-alat listrik, semen, pupuk, bahan dari kimia, dan lainnya.
Satuan ukuran yang digunakan dalam
penelitian adalah juta dolar Amerika (US $ juta). 7. XAI atau ekspor agro industri. Agroindustri merupakan bagian dari industri manufaktur yang berbasis pada pengolahan bahan baku hasil-hasil produk primer. Komoditi ekspor agro industri terdiri dari hasil olahan baik berupa produk antara maupun produk jadi. Contoh ekspor hasil-hasil agro industri adalah : kayu olahan, termasuk kayu lapis, karet olahan, makanan ternak, minyak atsiri, minyak kelapa sawit, asam berlemak, makanan olahan, barangbarang anyaman, kulit dan barang terbuat dari kulit, kertas dan barang yang terbuat dari kertas, (Indikator Ekonomi).
95 4.2.2. Pilihan Variabel Penelitian Sebagaimana telah dijlaskan sebelumnya, bahwa penelitian tentang hubungan antara Ekspor dan pertumbuhan ekonomi atau Export-Led Growth (ELG), tidak hanya terdiri dari variabel GDP dan Ekspor saja, tapi juga disertai dengan variabel-variabel makroeonomi lainnya. Dalam penelitian tentang ELG, biasanya model yang dibangun diturunkan dari fungsi produksi. Awal pembentukan model adalah fungsi produksi Neo Klasik yang biasanya dilakukan dalam penelitian mikroekonomi yang diaplikasikan pada perusahaan. Akan tetapi, karena yang dilakukan dalam penelitian ini adalah pada level makroeonomi, maka variabel-variabel yang digunakan adalah variabel makro yang bersifat agregatif. Dengan demikian fungsi produksi yang digunakan harus melalui modifikasi, baik terhadap jenis maupun jumlah variabel dalam sistem persamaan (sub. bab. 2.7). Dalam penelitian ini akan menggunakan 7 (tujuh) variabel makroekonomi yakni, GDP, net ekspor (BOT), inflasi (INF), nilai tukar rupiah per dolar Amerika (ER), ekspor produk pertanian (XPT), ekspor nonagro industri (XNAI), dan ekspor agro industri (XAI). Alasan menggunakan variabel-variabel tersebut adalah sebagai berikut. 1. Alasan menggunakan variabel ekspor dalam penelitian ini adalah, karena ekspor merupakan bagian dari input variabel dalam fungsi produksi negara yang meng impor (Hachicha, 2003). Sebenarnya secara teoritis, variabel ekspor dan juga impor merupakan bagian dari variabel yang menentukan besaran GDP di samping konsusmsi rumah tangga, investasi, dan pengeluaran pemerintah. Oleh karena itu, variabel ekspor adalah merupakan bagian dari variabel penelitian.
96 2. Alasan memasukkan variabel net ekspor. Variabel net ekspor, masuknya variabel net ekspor dalam sistem persamaan karena impor juga merupakan input variabel, sehingga selisih ekspor dan impor juga merupakan bagian dari variabel penelitian. Dalam hal ini juga dilakukan oleh Abow F. Stait (2005). 3. Alasan memasukkan variabel nilai tukar rupiah terhadap dolar Amerika. Selain ekspor dan net ekspor, juga dimasukkan variabel exchange rate, seperti yang dilakukan oleh Doraisami (2001), Yusop, et.al (2001), dan Anoruo bersama Ramchander (2002), kesemuanya menyertakan variabel nilai tukar ke dalam penelitian masing-masing. Perubahan nilai tukar sangat terkait dengan perubahan ekspor dan impor atau net ekspor. Jika perubahan ekspor lebih besar dibandingkan dengan impor, maka akan meningkatkan nilai tukar rupiah terhadap dolar Amerika dan akan terjadi sebaliknya jika perubahan ekspor lebih kecil dibandingkan dengan impor, oleh karena itu variabel exchange rate merupakan salah satu variabel penting dalam penelitian ini. 4. Alasan memasukkan variabel inflasi. Selain variabel nilai tukar yang terkait dengan perubahan ekspor, juga terdapat kaitannya dengan perubahan tingkat inflasi domestik. Apabila terjadinya peningkatan ekspor lebih besar dibandingkan impor , maka net ekspor akan positip, sehingga dapat meningkatkan jumlah uang beredar, dan dapat berpotensi meningkatkan kontribusinya terhadap inflasi, demikian sebaliknya tingkat inflasi juga dapat mempengaruhi ekspor melalui perubahan biaya produksi, baik yang bersumber dari luar maupun dari dalam negeri. 5. Variabel ekspor produk pertanian, ekspor nonagro dan agro. Sebagaimana diketahui bahwa ekspor Indonesia terdiri dari ekspor pertanian, ekspor
97 industri, dan pertambangan. Dalam penelitian ini, variabel ekspor yang dimasukkan dalam sistem persamaan adalah variabel ekspor pertanian dan manufaktur. Dipilihnya kedua variabel tersebut karena keduanya memiliki keterkaitan yang sangat erat baik ke depan dan ke belakang. Misalnya industri agro memerlukan bahan baku dari produksi sektor pertanian. Sementara ekspor industri manufaktur juga dibagi dalam nonagro industri dan agro. Pemilahan keduanya perlu dilakukan karena keberadaan industri nonagro sangat berperan dalam mendukung peningkatan produksi baik pertanian primer maupun produksi industri agro. Oleh sebab itu penelitian ini akan menggunakan 7 (tujuh) variabel makroekonomi yang saling terkait satu dengan lainnya. Hal ini telah dilakukan oleh peneliti-peneliti terdahulu. Untuk melakukan penelitian dengan menggunakan variabel-variabel makroekonomi yang saling terkait, akan lebih sesuai jika menggunakan metode analisis Vector Autoregresif (Riezman at.al
( 1996), Doraisami (2001), Anoruo dan
Ramchander (2002), Hachicha (2003)). 6. Pemecahan variabel ekspor menjadi tiga variabel, bertujuan untuk melihat variabel mana diantara ketiganya yang lebih dominan dalam menentukan kinerja makroekonomi Indonesia. 7. Penggunaan tujuh variabel dalam penelitian. Walaupun model yang digunakan diturunkan dari fungsi produksi, namun karena keberadaan data untuk varabel investasi dan tenaga kerja dalam triwulanan tidak tersedia, yang tersedia hanya data tahunan, sehingga variabel kapital dan tenaga kerja di drop dari sistem persamaan yang digunakan, sedangkan tujuh variabel lainnya data triwulannya tersedia dengan lengkap.
98 4.3. Model Analisis VAR Penelitian ini akan menggunakan data time series dengan pendekatan alat analisis Vector Autoregression. Pendekatan model VAR dianggap lebih sesuai untuk mendeteksi hubungan timbal balik atau kausalitas dua arah yang dinamis antar variabel dalam sistem persamaan. Seperti dilakukan oleh Sims (1980) bahwa metode VAR telah banyak digunakan untuk penelitian makroekonomi, yang memungkinkan peneliti dapat menganalisis hubungan timbal balik yang dinamis antar variabel dalam sistem persamaan dengan menggunakan Impulse Response Function dan Forecast Error Variance Decomposition. Alasan lain penggunaan metode VAR dalam penelitian ini adalah karena metode VAR tidak tergantung atau tidak harus mengikuti asumsi struktur ekonomi seperti dalam konsep teori, sehingga memungkinkan semua variabel di dalam sistem merupakan variabel endogen. Selain itu karena data time series memiliki rata-rata dan varian yang selalu berubah sepanjang waktu (dalam fungsi waktu) sehingga data variabelnya non stasioner, maka pengunaan metode klasik seperti OLS akan memberikan hasil yang meragukan (spurious). Pada model VAR penentuan variabel bebas dan variabel terikat tidak dapat dibedakan begitu saja, karena seluruh variabel yang digunakan dalam sistem dapat menjadi variabel endogeneous dan juga dapat menjadi variabel exogeneous dengan lag waktu. Vector Autoregressive merupakan suatu sistem persamaan yang menunjukkan bahwa setiap variabel merupakan fungsi linear dari konstanta dan nilai lag variabel itu sendiri, serta nilai lag variabel lain yang ada dalam sistem persamaan. Thomas (1997) merumuskan persamaan VAR secara umum seperti berikut :
99 k
Zt = t + Ai Zt – 1 + et ................................................................
(4.1)
i1
keterangan : Zt
= Vektor variabel endogen dalam model yang berdimensi (n x 1)
At = Matrik parameter yang berdimensi (n x n) k
= Ordo dari model VAR
t = Matrik varibel eksogen, seperti intersep, trend, termasuk dummy et
= Matrik residual.
Metode analisis VAR
hanya mampu mendiskripsikan hubungan
keseimbangan jangka pendek, sementara itu penelitian ini dimaksudkan untuk menggambarkan hubungan keseimbangan baik dalam jangka pendek maupun keseimbangan dalam jangka panjang. Oleh karena itu agar dapat digunakan untuk analisis jangka panjang, maka model VAR harus digabungkan dengan matriks kointegrasi, kombinasi keduanya akan menghasilkan model VAR yang terkointegrasi (cointegrating VAR), kombinasi dari kedua persamaan ini dikenal dengan Vector Error Correction Model (VECM) (Siregar dan Ward, 2002).
4.4. Spesifikasi Model VECM Metode VAR adalah merupakan bagian dari alat analisis ekonometrik. Pengggunaan alat analisis VAR, memiliki beberapa alasan, antara lain : 1. Dilihat dari data yang digunakan yakni data time series. Terdapat beberapa metode yang telah digunakan untuk analisis data time series. Untuk data multivariate, ada empat pendekatan yaitu Cowles Commision (CC), the London School of Economics (LSE), Vector Autoregression (VAR), dan GMMCalibration (Siregar, 2002). Dari keempat metode tersebut, metode VAR adalah metode yang sering digunakan dalam mengatasi data makroekonomi yang bersifat
100 fluktuatif. Model VAR dan struktural VAR (SVAR) adalah merupakan model yang telah banyak dikembangkan, karena dianggap mampu untuk mengatasi kritik Lucas
(Lucas
Critique)
yakni
masalah
model
ekonomi
makro
tradisionalmenganggap bahwa, model yang diestimasi pada periode tertentu dapat digunakan untuk peramalan pada rezim yang berbeda. Ini menunjukkan pengggunaan parameter yang diestimasi tidak berubah dan digunakan pada kondisi yang berbeda, sehingga dapat menghasilakan kesimpulan yang tidak valid dan bias. Dalam VAR hanya terdapat variabel endogen, yang berarti pembuat kebijakan dapat menggunakan keputusan berdasarkan pengalaman sebelumnya, dan keputusan yang diambil akan berbeda untuk setiap rezim. Metode VAR adalah suatu sistem persamaan yang memperlihatkan setiap peubah merupakan fungsi linear dari konstanta dan nilai lag dari peubah itu sendiri dan nilai lag dari peubah lainnya yang masuk dalam sistem. Jadi variabel penjelas mencakup nilai lag dari seluruh variabel tak bebas dalam sistem. 2. Pada umumnya sifat data makroekonomi adalah time series dan non stasioner (nilai rata-rata dan varian selalu berubah sepanjang waktu), sehingga untuk mengatasi hal tersebut dalam VAR dilakukan uji akar unit baik untuk variabel level maupun variabel differens, sehingga dapat dilihat variabel tersebut stasioner atau tidak, sementara pada ekonometrik konvensional berasumsi bahwa nilai ratarata dan varian adalah konstan dan indipenden terhadap waktu. 3. Untuk menganalisis hubungan keterkaitan jangka panjang antar variabel makroekonomi yang bersifat dinamis dan fluktuatif, maka model VECM dianggap dapat mengakomodasi tujuan tersebut.
101 Seperti telah disinggung sebelumnya, kointegrasi adalah merupakan kombinasi linier antara variabel non stasioner yang terkointegrasi pada ordo yang sama. Pada data time series, seringkali ditemukan data level dari varibel tertentu tidak stasioner, dan akan menjadi stasioner setelah dilakukan perbedaan pertama atau I(1). Penggunaan data I(1) dalam model analisis VAR hanya dapat mengakomodasi analisis dalam jangka pendek, berarti kehilangan informasi jangka panjang karena tidak menggunakan data level. Oleh karena itu, agar infomasi jangka panjang dan jangka pendek dapat terakomodasi dalam satu model analisis, maka digunakanlah VECM. Dalam penelitian ini jumlah variabel yang akan digunakan sebanyak 7 (tujuh) variabel, yakni variabel ekspor pertanian dan ekspor industri manufaktur yang dibedakan antara ekspor nonagro industri dan ekspor agro industri, serta variabel yang dianggap mewakili kinerja makroekonomi Indonesia, yaitu produk domestik bruto atas dasar harga konstan tahun 1993, net ekspor, inflasi, dan nilai tukar rupiah terhadap dolar Amerika. Keterkaitan antara variabel ekspor dengan variabel kinerja makroekonomi akan disesuaikan dengan tujuan penelitian, sehingga dibangun model ekonometrik yang dispesifikasikan dengan model VECM. Spesifikasi model VECM secara umum dalam bentuk persamaan menurut Sinha (1999) adalah :
Z t
p 1
Z i 1
i
t i
Z t 1 0 1 t t
keterangan :
= ’ yaitu matrik parameter
= Matrik koefisien ECM
’
= Transpose vektor kointegrasi
..……..……...........
(4.2)
102 p-1
= Ordo VECM yang berasal dari lag optimal VAR
Zt = Vektor first difference ( Zt – Z t-1)
o
= Vektor intersep
1
= Vektor koefisien regresi
Zt
= Variabel penelitian (PDB, BOT, INF, ER, XPT, XNAI, XAI)
i
= Matrik koefisien regresi
t
= Vektor error term
t
= Waktu.
Vektor
atau (’) adalah merupakan parameter keseimbangan yang
mengisyaratkan adanya hubungan jangka panjang dari sistem kointegrasi dalam bentuk matrik r x m, dimana r merupakan rank kointegrasi. Sedangkan i, adalah parameter matriks dari efek dinamik jangka pendek. Vektor kointegrasi
’ yang terdapat dalam model VECM adalah
merupakan parameter variabel level. Sebagai contoh, misalnya rank kointegrasi yang dipilih berdasarkan kriteria adalah tiga (r = 3) secara matriks transpose dapat dilihat sebagai berikut.
1 ' 0 0
0 1 0
0 0 1
14 24 34
15 25 35
16 26 36
17 27 37
................ (4.3)
Vektor kointegrasi di atas menunjukkan jumlah persamaan yang akan digunakan pada kondisi exactly identified. Agar dapat diinterpretasikan secara ekonomi atau sesuai dengan teori ekonomi yang diharapkan, maka perlu dilakukan impose over identified. Untuk mendapatkan persamaan struktural VECM over identified, maka perlu dilakukan restriksi terhadap matriks parameter kointegrasi, sehingga dapat mengakomodasi tujuan penelitian. Dengan demikian
103 akan diperoleh persamaan akhir yang akan digunakan untuk peramalan baik dalam jangka pendek maupun dalam jangka panjang. Sebagai gambaran dari persamaan matriks kointegrasi yang telah teristriksi sebagai berikut.
1 21 31 '
0
0
14
15
16
22
0
1
0
26
32
33
0
0
1
17 27 …………….… (4.4) 37
Seperti telah dijelaskan sebelumnya bahwa, matrik kointegrasi di atas adalah merupakan bagian dari persamaan VECM yang dapat mencakup gambaran analisis dalam jangka pendek dan jangka panjang. Sebagai contoh, untuk keterkaitan antar variabel ekspor dengan kinerja makroekonomi, secara lengkap dapat disajikan dalam bentuk matrik, dan dari bentuk matrik tersebut dapat diuraikan kedalam sistem persamaan. Baik dalam bentuk matrik maupun dalam bentuk persamaan, masing-masing variabel merupakan variabel endogen.
a0 a LBOTt 0 a0 INFt LERt = a0 a0 LXPTt LXNAIt a0 LXAIt a0 LPDBt
a(p1)PDB a (p1)BOT a (p 1) INF a (p1)ER a(p1)XPT a(p1)XNAI ketarangan a(p1) : XAI
a1PDB a 1 BOT BOT a INF 1INF a ER + 1ER a1 XPT XPT a1XNAI XNAI a XAI 1XAI PDB
a2 LBOTt a2 a2 INFt LERt +a2 a LXPTt 2 LXNAIt a2 LXAIt a2 LPDBt
a Ecm1 LPDB (p 1) a LBOT (p 1) Ecm2 a LINF(p 1) Ecm3 + a LER Ecm4 (p 1) a LXPT (p 1) Ecm5 a LXNAI Ecm6 (p 1) a Ecm7 LXAI (p 1)
BOT INF ER XPT XNAI XAI PDB
LPDB(t 1) LBOT(t 1) LINF(t 1) LER (t 1) LXPT(t 1) LXNAI(t 1) LXAI(t 1)
ai a LBOTt i ai INFt LERt + ai a LXPTt i LXNAIt ai LXAIt ai LPDBt
+
t2 t3 t4 t5 t6 t7
BOT INF ER XPT XNAI XAI PDB
LBOTt INFt LERt LXPTt LXNAIt LXAIt LPDBt
t1
..................... (4.5)
104 p-1 = ordo VECM i
= 1, 2, 3 .......n
t
= waktu.
Sedangkan panjang lag variabel yang digunakan adalah berdasarkan ordo VAR (p-1) dan jumlah sistem persamaan yang digunakan untuk analisis adalah berdasarkan jumlah rank kointegrasi yang diperoleh dari hasil estimasi. Berikut ini akan disajikan persamaan VECM just identified baik dalam bentuk matrik maupun dalam bentuk persamaan. p 1
LPDB t a 0pdb a 11 LPDB i1
p 1
p 1
i1
a 12 LBOT
p 1
i 1
15
a 13 INF t i
p 1
p 1
a i 1
14
LER
t i
LXNAIt i a16 LXPTt i a17 LXAI t i i 1
a Ecm1 ( 1 LPDBt 1 5
t i
p 1
a i 1
t i
LXNAI t 1
6
2
LBOTt 1
LXPTt 1
7
i 1
3
INFt 1
LXAI t 1 )
4
LERt -1
..................... (4.6)
t1
p 1
p 1
p 1
p 1
i 1 p 1
i 1 p 1
i 1 p 1
i 1
LBOT t a0bot a 21 LPDB t i a 22 LBOT t i a 23 INF t i a 24 LER t i
a i 1
25
LXNAI t i a 26 LXPT t i a 27 LXAI t i
a Ecm2 ( 1 LPDB t 1 5
LXNAI t 1
6
i 1
2 LBOT t 1
LXPT t 1
7
i 1
3 INF t 1
LXAI t 1 )
4
LER t -1
.................... (4.7)
t2
p 1
p 1
p 1
p 1
i 1 p 1
i 1 p 1
i 1 p 1
i 1
INF t a 0inf a 31 LPDB t i a 32 LBOT t i a 33 INF t i a 44 LER t i
a i 1
35
LXNAI t i a 36 LXPT t i a 37 LXAI t i
a Ecm3 ( 1 LPDB t 1 5
LXNAI
t 1
6
i 1
2 LBOT t 1
LXPT t 1
7
i 1
3 INF t 1
LXAI t 1 )
t3
4
LER t -1
...................... (4.8)
105 p 1
LER t a 0ler a 41 LPDB i 1 p 1
a i 1
45
p 1
p 1
p 1
i 1 p 1
i 1 p 1
i 1
a 42 LBOT t i a 43 INF t i a 44 LER t i
t i
LXNAI t i a 46 LXPT t i a 47 LXAI t i i 1
a Ecm4 ( 1 LPDB t 1
6
a 0xnai a 51 LPDB
t i
5
LXNAI
LXNAI
t 1
p 1
t
i 1 p 1
a i 1
55
a Ecm5 ( 5
LXPT t 1
t 1
LXAI t 1 )
a 52 LBOT i 1 p 1
t i
4
LER t -1
..................... (4.9)
t4
p 1
p 1
i 1 p 1
i 1
a 53 INF t i a 54 LER
ti
a 56 LXPT t i a 57 LXAI t i
t i
i 1
LPDB t 1
LXNAI
7
3 INF t 1
p 1
LXNAI 1
i 1
2 LBOT t 1
6
2
i 1
LBOT t 1
LXPT t 1
7
3
INF t 1
LXAI
t 1
)
4
t5
LER t - 1
................... (4.10)
p 1
p 1
p 1
p 1
i 1 p 1
i 1 p 1
i 1 p 1
i 1
LXPT t a0xpt a61 LPDB t i a62 LBOT t i a63 INF t i a64 LER t i
a
65
i 1
LXNAI t i a66 LXPT t i a67 LXAI t i i 1
a Ecm6 ( 1 LPDB t 1 5
LXNAI t 1
p 1
LXAI t a 0inf a71 LPDB i 1 p 1
a i 1
75
t i
6
LBOT t 1
LXPT t 1
7
i 1
3
INF t 1
LXAI t 1 )
4
LER t -1
................... (4.11)
t6
p 1
p 1
p 1
i 1 p 1
i 1 p 1
i 1
a72 LBOT t i a73 INF t i a74 LER t i
LXNAI t i a76 LXPT t i a77 LXAI t i i 1
a Ecm7 ( 1 LPDB t 1 5
2
LXNAI
t 1
6
2 LBOT t 1
LXPT t 1
7
i 1
3 INF t 1
LXAI t 1 )
t7
4
LER t -1
.................... (4.12)
Persamaan matriks di atas menunjukkan keterkaian antar variabel makroekonomi dalam suatu sistem kointegrasi. Dengan demikian berdasarkan matriks di atas dapat dibentuk sistem persamaan yang dapat digunakan untuk melakukan estimasi hubungan jangka pendek dan jangka panjang antar variabelvariabel yang masuk dalam sistem persamaan. Sebagai ilustrasi dalam model persamaan VECM dapat dilihat pada persamaan 4.6 hingga 4.12.
106 Berdasarkan residual pada estimasi persamaan VECM, dilakukan analisis impulse response function (IRF) dan Forecast Error Variance Decomposition (FEVD), yang digunakan untuk estimasi kondisi variabel makroekonomi tertentu di masa akan datang, jika terjadi guncangan pada variabel-varibel dalam sistem.
4.5. The Impulse Response Function Tujuan dari penggunaan metode IRF adalah untuk mengetahui dampak guncangan satu standar deviasi pada salah satu variabel tertentu (endogen) terhadap variabel endogen lainnya. Dengan kata lain, metode IRF dapat menelusuri respon dinamis dari setiap variabel endogen akibat guncangan (shock) satu standard deviasi dari variabel endogen tertentu dalam sistem persamaan yang diamati. Oleh karena itu dengan metode ini dapat melihat pengaruh shock variabel endogen tertentu yang secara langsung akan berpengaruh terhadap variabel itu sendiri dan seterusnya terhadap variabel endogen lainnya. Dalam kaitannya dengan penelitian ini metode analisis IRF akan digunakan untuk melihat respon dinamis kinerja makroekonomi terhadap guncangan dari ekspor dengan horizon waktu 50 triwulan kedepan. Kejutankejutan (shock) yang akan dilakukan pada penelitian ini difokuskan pada variabel-variabel ekspor pertanian, ekspor industri manufaktur, yakni shock ekspor agro industri, dan shock ekspor non agro industri manufaktur. Dari masing-masing shock tersebut dapat dihasilkan respon dinamis jangka pajang pada kinerja makroekonomi yang meliputi variabel-variabel pertumbuhan ekonomi, investasi, penyerapan tenaga kerja, nilai tukar rupiah terhadap dolar Amerika, dan neraca perdagaangan.
107 4.6. The Forecast Error Variance Decomposition Metode lain untuk meramalkan kondisi yang akan datang adalah dengan menggunakan Forecast Error Variance Decomposition (FEVD). Metode ini dapat menelusuri respon terhadap variabel endogen tertentu akibat dari guncangan pada setiap variabel endogen yang terdapat dalam sistem persamaan. Metode ini sangat penting untuk memberikan informasi mengenai kontribusi relatif varians dari setiap variabel dalam sistem persamaan kointegrasi akibat dilakukannya berbagai shock untuk menjelaskan variabilitas pada variabel tertentu. Dengan kata lain FEVD dalam kaitannya dengan penelitian ini digunakan untuk melihat kontribusi relatif dari variabel-variabel dalam sistem yang menjadi sumber guncangan terhadap variabel makroekonomi lainnya. Untuk melakukan proses pengujian dan pengolahan data agar dapat dilakukan analisis ekonomi, dalam penelitian ini menggunakan perangkat lunak Eviews 4.1.
4.7.Proses Pengujian dan Estimasi Model 4.7.1. Uji Stasioner Data Pengujian stasioneritas data dimaksudkan untuk melihat kondisi data, baik pada tingkat level maupun pada tingkat differensial. Uji ini dilakukan agar dapat memenuhi kriteria penggunaan alat analisis VAR yang mensyaratkan data harus dalam keadaan stasioner. Terlebih lagi data dan variabel yang digunakan dalam penelitian ini adalah data series agregatif, yakni data series makroekonomi yang cenderung bersifat fluktuatif dan tidak stasioner. Seperti telah dijelaskan pada subbab II, bahwa uji stasioner dapat dilakukan dengan berbagai metode, seperti metode grafik, , metode correlogram, dan metode ADF dan PP. Dalam penelitian
108 ini uji stasioner data akan dilakukan dengan metode Dickey-Fuller (DF) dan Augmented Dickey-Fuller (ADF). Untuk keperluan pengujian hipotesis ADF yakni dengan menggunakan hipotesis nol yaitu Ho : = 1, dan hipotesis alternatif adalah Ha : < 1. Sehingga jika Ho yang diterima atau = 1, maka dapat dinyatakan bahwa variabel Yt stochastic memiliki akar unit, tapi jika Ha yang diterima berarti variabel yang diuji bebas dari akar unit. Dengan kata lain data dari variabel tersebut telah stasioner pada derajat tertentu. Kriteria bahwa suatu data variabel telah stasioner apabila nilai statistik ADF lebih besar secara absolut terhadap nilai statistik t-tabel pada tingkat kepercayaan 0.05. Sedangkan untuk panjang lag yang digunakan dalam penelitian ini ditentukan maksimum lag-nya adalah 5, pilihan ini mengikuti panjang lag yang dilakukan oleh beberapa peneliti sebelumnya. 4.7.2. Uji Lag Optimal Vector Autoregression Sebelum
membentuk
sistem
persamaan
dalam
metode
vector
autoregression (VAR), terlebih dahulu harus melalui tahapan secara berurutan, yaitu : Uji stasioner data, lalu penentuan panjang lag optimal (optimal lag length). Setelah melalui uji statistik, dan data dinyatakan telah stasioner, maka langkah selanjutnya menentukan panjang lag optimal dalam model VAR. Penetuan panjang lag ini perlu dilakukan, karena di samping akan menambah jumlah parameter juga akan menyebabkan berkurangnya derajat kebebasan (loss degrees of freedom). Sehingga penentuan panjang lag menjadi kriteria penting dalam membentuk model VAR. Cara untuk menentukan panjang lag optimal VAR dapat dilakukan dengan beberapa metode, misalnya berdasarkan kriteria Akaike Information Criteriom (AIC),
Schwarz Information Criterion
109 (SC), Hannan-Quinn Informatin Criteriom (HQ), dan Likelihood Rasio (LR) test. Lag optimal yang dipilih dalam model VAR adalah berdasarkan kriteria nilai AIC atau SC yang terkecil dari beberapa hasil estimasi awal model VAR. Penggunaan panjang lag dari VAR ini sebenarnya beberapa penelitian sebelumnya telah menggunakan panjang lag yang beragam, misalnya Siregar (2004) menggunakan panjang lag 12 untuk data bulanan, Ansari dan Gang (1999) menggunakan panjang lag 24 dengan data mingguan. Dalam penelitian ini, penentuan lag optimal yang digunakan mengikuti metode yang dilakukan oleh Sims (1980), yaitu metode uji Likelihood Rasio (LR) dan SC. Kriteria lag optimal yang menjadi pilihan adalah apabila diperoleh nilai probability statistik yang lebih besar dari 0.05 (p-vale>0.05). Terkait dengan tujuan penelitian, maka untuk melakukan analisis pengaruh shock variabel ekspor terhadap variabel kinerja makroekonomi Indonesia akan mengggunakan metode impulse response function dan metode peramalan dekomposisi ragam kesalahan. Agar kedua metode analisis tersebut dapat menghasilkan peramalan yang valid, perlu dilakukan uji stabilisasi terhadap persamaan VAR yang telah terbentuk, yakni dengan menghitung akar-akar dari fungsi polinomial (roots of characteristic polinomial). Apabila semua akar dari uji stabilisasi tersebut menghasilkan nilai-nilai absolut < 1, maka model analisis VAR dianggap stabil. Dengan demikian penerapan metode IRF dan FEVD dapat memberikan hasil yang valid (Windarti, 2004).
4.7.3. Uji Kointegrasi dan Error Correction Model Error Correction Model (ECM) adalah suatu model yang digunakan untuk menyeimbangkan perilaku ekonomi yang sering menunjukkan kondisi ketidak
110 seimbangan, sehingga perlu suatu model yang memasukkan variabel penyesuaian untuk melakukan koreksi bagi ketidak seimbangan tersebut. Penggunaan model ECM terkait dengan data time series yang sering tidak stasioner pada tingkat level, tapi stasioner pada tingkat first difference. Stasioner data pada first difference ini menunjukkan bahwa terdapat hubungan jangka panjang antar variabel yang diteliti. Namun dalam jangka pendek sering terjadi ketidak seimbangan, dalam arti nilai perkiraan belum tentu sama dengan nilai aktualnya. Oleh karena adanya perbedaan tersebut, maka perlu membentuk model yang memasukkan variabel penyesuaian untuk mengoreksi ketidak seimbangan tersebut, faktor pengoreksi tersebut dinamakan error correction mechanism. Granger dan Engle (1991) telah mengembangkan model koreksi kesalahan yang digunakan untuk mengoreksi persamaan regresi antar variabel-variabel yang secara individual tidak stasioner agar kembali ke nilai ekuilibriumnya pada jangka panjang, dengan syarat utama terdapat hubungan kointegrasi di antara variabel-variabel dalam suatu persamaan. Model kointegrasi dapat diartikan sebagai kombinasi linier antar variabel atau dapat diartikan sebagai suatu model yang menggambarkan hubungan jangka panjang (long term relationship equilibrium) antar variabel-variabel yang tidak stasioner dan akan menghasilkan variabel-variabel yang stasioner. Regresi dengan data time series yang tidak stasioner dapat menghasilkan regresi yang spurious, biasanya ditandai dengan hasil koefisien determinasi yang cukup tinggi, akan tetapi hubungan antara variabel bebas dengan variabel tak bebas tidak signifikan. Hal ini berarti, bahwa
tingginya nilai koefisien determinasi tersebut
hanya
111 menunjukkan trend saja, dan
bukan karena hubungan antar variabel dalam
persamaan. Untuk menentukan bahwa variabel-variabel dalam suatu persamaan terjadi kointegrasi atau tidak, maka dapat dilakukan pengujian terhadap residualnya (et), yaitu dengan uji ADF. Apabila hipotesis r = 0, berarti tidak ada kointegrasi, sedangkan jika hipotesis r > 0, berarti terdapat kointegrasi antar variabel dalam persamaan tersebut. Kriteria penerimaan atau penolakan terhadap hipotesis nol merupakan perbandingan antara nilai statistik likelihood ratio dengan nilai kritis pada tingkat keyakinan 95 persen, jika nilai statistik likelihood ratio lebih besar dari nilai kritis, berarti hipoetesis alternatif yang diterima atau terjadi kointegrasi diantara variabel-variabel dalam persamaan, dan sebaliknya yang terjadi jika hipotesis nol yang diterima. Karena dalam penelitian ini menganalisis keterkaitan lebih dari dua variabel, sehingga jumlah parameter yang diperoleh dari setiap
persamaan
menjadi sebuah vektor matrik. Oleh karena itu perlu menentukan jumlah rank kointegrasi yang merupakan sistem persamaan. Kendatipun uji kointegrasi dapat dilakukan dengan beberapa cara, seperti telah dijelaskan pada sub bab II, namun dalam penelitian ini akan menggunakan cara yang ketiga, yaitu menggunakan uji kointegrasi Johansen dengan model matematis seperti berikut : p
Yt o Yt 1 iYt 1 t ..................................................
(4.13)
i 1
Untuk menentukan jumlah rank kointegrasi (r), dalam hal ini menggunakan kriteria trace test dan maximum eigenvalue test. Jika nilai trace test lebih besar dibandingkan dengan nilai kritis 95 persen, maka hipotesis nol ditolak (tidak terkointegrasi), atau menerima hipotesis alternatif (terkointegrasi), dan
112 persamaan tersebut berarti terkointegrasi. pada saat kondisi inilah nilai rank kointegrasi (r) memenuhi kriteria. Sehingga penentuan rank kointergrasi dapat dipilih dari kombinasi pengujian atau kriteria yang digunakan. Dalam menentukan rank kointegrasi, terkait dengan penentuan jumlah sistem persamaan yang akan digunakan untuk estimasi atau peramalan yang akan datang. Dengan demikian setelah jumlah persamaan kointegrasi diperoleh, maka dengan sistem persamaan tersebut dapat digunakan untuk mendeteksi stabilitas hubungan antar variabel yang dianalisis, baik jangka pendek maupun jangka panjang (Enders, 1995). Namun demikian jumlah persamaan dalam vektor kointegrasi yang diperoleh adalah exactly identified. Oleh karena itu untuk memperoleh persamaan kointegrasi yang over identified, perlu dilakukan restriksi
terhadap matrik
parameter jangka panjang dari persamaan sistem kointegrasi, agar sesuai dengan tujuan penelitian maupun yang berdasarkan pada teori ekonomi. Setelah dilakukan pengujian dan terjadi kointegrasi, maka dapat dilanjutkan ke tahap berikutnya yaitu analisis dengan model error correction. Jika dalam persamaan kointegrasi memiliki jumlah variabel lebih dari dua (multivariate), maka kombinasi antara ECM dengan model VAR kointegrasi dapat dilakukan. Kombinasi tersebut dinamakan
vector error correction model
(Thomas, 1997).
4.7.4. Impulse Response Function Metode analisis impulse response function adalah merupakan alat yang digunakan untuk mendeteksi hubungan dinamis diantara variabel-variabel dalam sistem persamaaan. Dengan kata lain suatu shock terhadap suatu variabel tertentu akan berpengaruh langsung pada variable itu sendiri, kemudian pengaruh tersebut
113 akan tersebar ke semua variabel endogen lainnya melalui struktur dinamis atau struktur lag VAR (Pindyck dan Rubinfeld, 1998). Oleh karena itu alat analisis ini dapat digunakan untuk melakukan simulasi dinamis untuk peramalan masa yang akan datang. Teknik inovasi yang digunakan adalah teknik impulse response function dan forecast error variance decomposition. Dengan menggunakan metode IRF akan dilakukan guncangan (shocks)
terhadap variabel-variabel
ekspor, misalnya terhadap ekspor non agro industri manufaktur (XNAI), ekspor produk pertanian (XPT), dan ekspor agro industri manufaktur (XAI). Dengan melakukan shock terhadap setiap variabel ekspor, maka dapat diketahui pengaruhnya pada masing-masing variabel dalam sistem termasuk terhadap variabel yang bersangkutan baik periode jangka pendek maupun jangka panjang. Dengan kata lain metode IRF dapat menelusuri pengaruh dinamis dari suatu guncangan standard deviasi terhadap suatu inovasi pada saat ini dan nilai dimasa mendatang atas variabel endogen lainnya.
4.7.5. Forecast Error Variance Decomposition Untuk mengetahui respon suatu variabel tertentu yang diukur dengan perubahan variasi kesalahan (error variance) pada variabel tersebut yang disebabkan oleh guncangan variabel-variabel lainnya dalam sistem persamaaan VAR, maka akan digunakan metode analisis Forecast Error Variance Decomposition (FEVD). Variance decomposition dapat memberikan informasi variabilitas kontribusi dari masing-masing inovasi secara random terhadap variabel-variabel dalam sistem VAR (Enders, 1995). Metode analisis ini memberikan gambaran dinamika dari variabel-variabel dalam sistem persamaan VAR. Karena dari analisis ini dapat memberikan
114 informasi kemampuan setiap variabel dalam mempengaruhi variabel lainnya, atau dengan kata lain, untuk melihat kekuatan suatu variabel apakah sebagai variabel eksogen atau variabel endogen dalam horizon waktu tertentu, baik dalam jangka pendek maupun dalam jangka panjang. Metode dekomposisi varian dalam penelitian ini digunakan untuk mengetahui besaran inovasi atau variabilitas secara relatif pada variabel makroekonomi akibat dari dampak guncangan variabel-variabel lainnnya termasuk guncangan yang disebabkan oleh variabel yang bersangkutan.
