53 BAB III METODE PENELITIAN A. Pembentukan Indeks Kondisi Moneter dan Indeks Kondisi Keuangan Penggunaan Indeks Kondisi Moneter dan Indeks Kondisi Keuangan dilakukan dengan pembobotan antara masing-masing variabel pembentuk. Sama halnya seperti yang dilakukan Freedman (1994), , Kanaan, Siddharta dan Bhoi (2006), dan Qoyyum (2002) dimana dalam pembentukan Indeks Kondisi Moneter menggunakan variabel nilai tukar dan suku bunga. Sedangkan Indeks Kondisi Keuangan berdasarkan Goodhart dan Hoffman (2001) menggunakan variabel nilai tukar, tingkat suku bunga, total kredit dan nilai saham IHSG sebagai variabel pembentuk. Setelah diketahui bobot dari masing-masing variabel tersebut menggunakan estimasi model VAR, langkah selanjutnya adalah mengalikan bobot tersebut dengan masing-masing variabelnya, yang dirumuskan sebagai berikut (Santoso, 1999): ( ) ( ) ( ) ( ) ( ) ( ) t : indeks waktu, dengan t=0 sebagai waktu dasar θir : bobot suku bunga θex : bobot nilai tukar θih : bobot IHSG θtc : bobot total kredit
24
Embed
53 · 3. Alasan institusional, yang menyangkut urusan administrasi dan Alasan institusional, yang menyangkut urusan administrasi dan perjanjian, menyebabkan orang baru dapat mengambil
This document is posted to help you gain knowledge. Please leave a comment to let me know what you think about it! Share it to your friends and learn new things together.
Transcript
53
BAB III
METODE PENELITIAN
A. Pembentukan Indeks Kondisi Moneter dan Indeks Kondisi Keuangan
Penggunaan Indeks Kondisi Moneter dan Indeks Kondisi Keuangan
dilakukan dengan pembobotan antara masing-masing variabel pembentuk.
Sama halnya seperti yang dilakukan Freedman (1994), , Kanaan, Siddharta
dan Bhoi (2006), dan Qoyyum (2002) dimana dalam pembentukan Indeks
Kondisi Moneter menggunakan variabel nilai tukar dan suku bunga.
Sedangkan Indeks Kondisi Keuangan berdasarkan Goodhart dan Hoffman
(2001) menggunakan variabel nilai tukar, tingkat suku bunga, total kredit dan
nilai saham IHSG sebagai variabel pembentuk.
Setelah diketahui bobot dari masing-masing variabel tersebut
menggunakan estimasi model VAR, langkah selanjutnya adalah mengalikan
bobot tersebut dengan masing-masing variabelnya, yang dirumuskan sebagai
berikut (Santoso, 1999):
( ) ( )
( ) ( ) ( ) ( )
t : indeks waktu, dengan t=0 sebagai waktu dasar
θir : bobot suku bunga
θex : bobot nilai tukar
θih : bobot IHSG
θtc : bobot total kredit
54
B. Interpolasi PDB
PDB dalam penelitian ini diperoleh dari data sekunder triwulanan
PDB atas dasar harga berlaku tahun 2000 yang kemudian diinterpolasi
dengan metode Qudratic-Match Sum di Eviews 9, sehingga diperoleh angka
PDB bulanan. Interpolasi data triwulan menjadi bulanan diperlukan karena
tidak tersedianya data PDB bulanan dalam Statistik Ekonomi dan Keuangan
Indonesia.
Proses interpolasi merupakan proses pencocokan kurva (curve
fitting), yaitu proses mencocokkan nilai hampiran atau nilai hasil proyeksi
dan peramalan terhadap nilai aktualnya sehingga mencapai tingkat ketelitian
yang tinggi (Munir, 2003:192). Interpolasi yang dilakukan dalam penelitian
ini menggunakan metode quadratic math sum yaitu sebagai berikut:
M1t = 1/3[(Qt- 1,5)/3 (Qt-Qt-1)]
M2t = 1/3[(Qt- 0)/3 (Qt-Qt-1)]
M3t = 1/3[(Qt+ 1,5)/3 (Qt-Qt-1)]
Dimana:
M = Data Bulanan
Q1 = Data Kuartalan yang berlaku
Qt-1 = Data Kuartal sebelumnya
Interpolasi data dari data yang memiliki frekuensi rendah ke
frekuensi yang lebih rinci, dengan menggunakan nilai substantif
berdasarkan nilai dasar. Dalam hal ini Eviews menyediakan metode
pengonversian frekuensi dengan berbagai macam pilihan frekuensi yang
55
ada. Penelitian ini menggunakan Metode Quadratic-Match Sum untuk
memperkirakan nilai fungsi diantara poin-poin data yang sudah
diketahui, dimana metode ini sesuai dengan properties data yang relatif
sedikit dan cukup stabil (Eviews 6 User Guide I, p. 109)
C. Metode Analisis Data
Metode Vector Autoregression (VAR) yang pertama kali
dikemukakan oleh Sims muncul sebagai jalan keluar atas permasalahan
rumitnya proses estimasi dan inferensi karena keberadaan variabel endogen
yang berada di kedua sisi persamaan (endogenitas variabel), yaitu di sisi
dependen dan independen. Model Vector Auto Regression (VAR) adalah
model ekonometrika yang sering digunakan dalam analisis kebijakan
makroekonomi dinamik dan stokastik. Tujuan dari dibentuknya VAR adalah
apabila ada keserentakan antara sebuah kumpulan variabel, variabel-variabel
tersebut seharusnya diperlakukan dalam keadaan yang adil (equal footing):
seharusnya tidak ada priori perbedaan antarvariabel endogen dan eksogen
(Gujarati: 2004: 848).
Vector Auto Regression (VAR) adalah salah satu bentuk model
ekonometrika yang menjadikan suatu peubah sebagai fungsi linier dari
konstanta dan log dari pengubah itu sendiri serta nilai lag dari pengubah lain
yang terdapat dalam suatu sistem persamaan tertentu. Keunggulan metode
VAR dibandingkan dengan metode ekonometrika konvensional (Hadi, 2003)
adalah :
56
1. Mengembangkan model secara bersamaan di dalam suatu sistem
yang kompleks (multivariate) sehingga dapat menangkap
hubungan secara keseluruhan variable di dalam persamaan.
2. Estimasi sederhana dimana metode OLS biasa dapat digunakan
pada setiap persamaan secara terpisah
3. Uji VAR yang multivariate bisa menghindari parameter yang
biasa akibat tidak dimasukkannya variabel yang relevan
4. Uji VAR dapat mendeteksi hubungan antar variabel di dalam
sistem persamaan dengan menjadikan seluruh variable sebagai
variabel endogenous.
5. Karena bekerja berdasarkan data, metode VAR terbebas dari
berbagai batasan teori ekonomi yang sering muncul termasuk
gejala perbedaan palsu (spurious variable endogenety and
exogenety) di dalam model ekonometrika konvensional terutama
pada persamaan simultan, sehingga menghindari penafsiran
yang salah.
Metode VAR menjelaskan bahwa setiap variabel yang terdapat
dalam model tergantung pada pergerakan masa lalu variabel itu sendiri dan
pergerakan masa lalu dari variabel lain yang terdapat dalam sistem
persamaan. Metode VAR biasa digunakan untuk memproyeksikan sistem
variabel runtun waktu (time series) dan menganalis dampak dinamis
gangguan yang terdapat dalam persamaan tersebut. Di samping itu, pada
dasarnya metode VAR dapat dipadankan dengan suatu model persamaan
simultan (Hadi, 2003). Hal ini disebabkan oleh karena dalam analisis VAR
57
kita mempertimbangkan beberapa variabel endogen secara bersama-sama
dalam suatu model.
Meskipun bisa disebut sebagai metode analisis yang relatif
sederhana, metode analisis VAR mampu mengatasi permasalahan endogenity.
Dengan memperlakukan seluruh variabel yang digunakan dalam persamaan
sebagai variabel endogen, maka identifikasi arah hubungan antar variabel
tidak perlu dilakukan. Analisis VAR dapat dikatakan sebagai alat analisis
yang sangat berguna, baik dalam memahami adanya hubungan timbal balik
antar variabel ekonomi maupun dalam pembentukan model ekonomi yang
berstruktur. Secara garis besar terdapat empat hal yang ingin diperoleh dari
pembentukan sebuah sistem persamaan, yang pada dasarnya dapat disediakan
dengan metode VAR, yaitu deskripsi data, peramalan, inferensi struktural,
dan analisis kebijakan.
Dalam tahap pengujian awal variabel menggunakan metode uji VAR
digunakan manakala data yang digunakan dalam penelitian telah stasioner
seluruhnya pada tingkat level, apabila data belum stasioner seluruhnya pada
tingkat level dan terkointegrasi maka metode yang digunakan adalah Vector
error Correction Model (VECM). Metode time series yang paling frontier
untuk menganalisis hubungan Indeks Kondisi Moneter dan Keuangan
terhadap pertumbuhan ekonomi di Indonesia.
Dalam penelitian ini, data terlebih dahulu diuji stasioneritas datanya
dengan menggunakan uji akar unit (unit root test). Apabila data telah
stasioner pada tingkat level maka dilanjutkan dengan persamaan VAR biasa
(unrestricted VAR) yang terdiri dari dua persamaan guna menentukan ordo
58
VAR yang optimal dan dilanjutkan dengan uji kointegrasi menggunakan
metode Johansen. Namun apabila data tidak stasioner pada level, dapat
menggunakan model VECM (Vector Error Correction Model), yaitu model
untuk menganalisis data multivariate time series yang tidak stasioner.
Uji selanjutnya yaitu uji Granger Causality untuk mengetahui
apakah terdapat hubungan dua arah antara variabel yang diteliti. Sebagai
salah satu syarat dalam penggunaan model VECM bahwa tidak boleh terdapat
hubungan dua arah diantara variabel yang diteliti. Setelah lolos dalam uji
kausalitas Granger Model VECM dapat digunakan. Model VECM digunakan
dalam model VAR non struktural apabila data runtun waktu tidak stasioner
pada level, tetapi stasioner pada data diferensi dan terkointegrasi sehingga
menunjukkan adanya hubungan teoritis antarvariabel. Salah satu Pemodelan
VECM dilakukan berbagai tahapan yang harus dilakukan seperti uji
stasioneritas data, penentuan lag optimum, uji kausalitas Granger dan uji
kointegrasi.
Secara umum tahap pengujian menggunakan metode VAR/VECM
dapat digambarkan sebagai berikut:
Gambar 3.1 Tahap Pengujian VAR/VECM
Sumber: Widarjono, 2007
59
Adapun tahapan-tahapan yang harus dilalui dalam menggunakan
model VECM yaitu:
1. Uji Akar Unit (Unit Root Test)
Uji stationer sangat penting dalam analisis time series.
Pengujian stasioneritas ini dilakukan dengan menguji akar-akar unit.
Data yang tidak stationer akan mempunyai akar-akar unit, sebaliknya
data yang stationer tidak ada akar-akar unit. Data yang tidak stationer
akan menghasilkan regresi lancung yaitu regresi yang menggambarkan
hubungan dua variabel atau lebih yang nampaknya signifikan secara
statistik padahal kenyataannya tidak atau tidak sebesar regresi yang
dihasilkan tersebut (Laksani, 2004). Pada prinsipnya uji ini dimaksudkan
untuk mengamati apakah koefisien tertentu dari model otogresif yang
ditaksir mempunyai nilai satu atau tidak. Penentuan pada kestasioneran
harus diperhatikan karena akan memengaruhi hasil dari penelitian dan
karena banyaknya koefisien yang muncul pada analisis VAR dapat
menimbulkan kesulitan dalam estimasinya.
Uji stasioneritas dapat dilakukan dengan menggunakan metode
Augmented Dickey-Fuller (ADF) dan Phillips-Perron (PP) hingga
diperoleh data yang stasioner, yaitu data yang variansnya tidak terlalu
besar dan mempunyai kecenderungan mendekati nilai rata-ratanya. Uji
Augmented Dickey-Fuller menyesuaikan uji Dickey-Fuller untuk
mengatasi kemungkinan adanya masalah autokorelasi pada error term
dengan menambahkan lag dari bentuk difference dari variabel dependen.
Sedangkan, Phillips-Perron menggunakan metode statistik
60
nonparametrik untuk mengatasi masalah autokorelasi pada error term
tanpa menambahkan lag dari bentuk difference. Formulasi uji ADF yaitu
sebagai berikut Gujarati (2004: 817-818):
∑
Keterangan:
= Variabel yang diamati periode t
= nilai variabel Y pada satu periode sebelumnya
= konstanta
= koefisien tren
= koefisien variabel lag Y
= panjangnya lag
= error term white noise yang murni
Phillips-Perron (1988) mengembangkan generalisasi prosedur
Dickey-Fuller, formulasi uji PP menurut Enders (1995: 239) yaitu
sebagai berikut:
dan
( )
Keterangan:
= Variabel yang diamati periode t
= nilai variabel y pada suatu periode sebelumnya
= gangguan
T = jumlah yang diobservasi
61
Hasil dari nilai t statistik ADF maupun PP yang ditunjukkan
oleh uji akar unit dibandingkan dengan nilai kritis McKinnon untuk
melihat kestasioneran data yang diteliti. Apabila angka yang ditunjuk
oleh nilai t statistik ADF atau PP lebih besar dari nilai kritis McKinnon
maka dapat disimpulkan bahwa data tersebut stasioner karena tidak
mengandung unit root. Sebaliknya, apabila angka yang ditunjuk oleh
nilai t statistik ADF atau PP lebih kecil dari nilai kritis McKinnon maka
disimpulkan bahwa data yang diteliti mengandung masalah unit root
sehingga tidak stasioner.
Data yang tidak stasioner pada uji ADF atau PP tingkat level
maka akan dilakukan differencing data untuk memperoleh data yang
stasioner pada derajat yang sama di first difference I(1). Langkah ini
disebut dengan uji derajat integrasi yang dimaksudkan untuk melihat
pada derajat keberapa data akan stasioner. Uji ini dilakukan dengan
mengurangi data tersebut dengan data periode sebelumnya. Pendekatan
ini dilakukan untuk mengurangi persamaan regresi lancung (spurious
regression) sehingga diperoleh data yang stasioner dengan derajat I(n).
Menurut Gujarati (2004: 806) regresi lancung atau regresi tanpa memiliki
arti dapat terjadi dalam time series yang tidak stasioner bahkan jika
sampel adalah sangat besar.
2. Penentuan Lag Optimal (Lag Length)
Sebagai konsekuensi dari penggunaan model dinamis dengan
data berkala (time series), efek perubahan unit dalam variabel penjelas
dirasa selama sejumlah periode waktu (Gujarati, 2007). Dengan kata lain,
62
perubahan suatu variabel penjelas kemungkinan baru dapat dirasakan
pengaruhnya setelah periode tertentu (time lag).
Lag (beda kala) ini dapat terjadi karena beberapa alasan pokok
(Gujarati, 2007), diantaranya adalah sebagai berikut:
1. Alasan psikologis, dimana orang tidak langsung mengubah
kebiasaannya saat terjadi suatu perubahan pada hal lain.
2. Alasan teknologi mendorong orang untuk menahan atau menunda
konsumsi saat ini, agar dapat memperoleh barang dengan harga yang
lebih murah sebagai akibat munculnya produk keluaran baru.
3. Alasan institusional, yang menyangkut urusan administrasi dan
perjanjian, menyebabkan orang baru dapat mengambil keputusan
setelah berakhirnya periode kontrak atau perjanjian.
Langkah penting yang harus dilakukan dalam analisis VAR adalah
penetuan panjang lag. Penentuan lag optimal bertujuan untuk menetapkan
ordo optimal kointegrasi jangka panjang. Penentuan lag yang optimal dapat
ditentukan dengan menggunakan beberapa kriteria, yaitu: LR (Likelihood
Ratio), AIC (Akaike Information Criterion), SC (Schwarz Information
Criterion), FPE (Final Prediction Error), dan HQ (Hannan-Quinn
Information Criterion). Penentuan lag haruslah tepat agar perilaku dalam
model dapat diketahui dengan optimal dan dapat melihat hubungan dari setiap
variabel di dalam sistem. Kriteria dari masing-masing cara tersebut adalah
sebagai berikut:
AIC = (
) ( )
SIC = (
)
( )
63
HQ = (
) (
)
Keterangan :
1 = Sum of squared residual
T = Jumlah observasi
k = parameter yang diestimasi.
Dalam penentuan lag optimal dengan menggunakan kriteria
informasi tersebut, dipilih atau tentukan kriteria yang mempunyai final
prediction error corection (FPE) atau jumlah dari AIC, SIC, dan HQ
yang paling kecil diantara berbagai lag yang diajukan, Ajija et al (2011:
167)
3. Uji Kausalitas Granger (Granger Causality)
Metode Granger Causality merupakan salah satu metode untuk
menguji hubungan kausal atau interdependensi antara dua data deret
waktu. Kemungkinan-kemungkinan hasil yang didapat dalam pengujian
Granger Causality adalah kedua variabel memiliki hubungan kausal dua
arah, hanya terdapat hubungan kausal satu arah, dan independensi atau
tidak ada hubungan diantara kedua variabel (Gujarati, 2003: 697). Uji
Granger Causality, membutuhkan model dengan lag, seperti model
autoregressive atau Vector Autoregressive (VAR) dan Vector Error
Correction Model (VECM).
Pengujian dengan menggunakan metode ini adalah untuk
mengetahui bilamana variabel endogen dapat diperlakukan atau dianggap
sebagai variabel eksogen. Dalam memilih lag pada umumnya lebih baik
memilih menggunakan lag yang lebih banyak dibandingkan dengan lag
64
yang sedikit, karena dalam teori ini sangat erat kaitannya dalam hal
relevansi seluruh informasi pada masa lalu. Dalam penentuan lag
diperlukan pula pertimbangan yang beralasan dan memadai, dimana
variabel lag dapat membantu menjelaskan variabel endogen yang
diprediksi. Dalam hal ini, Eviews memproses bivariate linear