III. METODE PENELITIAN 3.1. Jenis dan Sumber Data Jenis data

III.
3.1.
METODE PENELITIAN
Jenis dan Sumber Data
Jenis data yang digunakan dalam penelitian ini adalah data sekunder. Data
terdiri dari data pinjaman luar negeri, pengeluaran pemerintah, penerimaan pajak,
Produk Domestik Bruto riil, dan suku bunga internasional. Data diperoleh dari
laporan World Development Indicators 2011 yang diakses melalui situs World
Bank dan Econstats yang diakses melalui situs Econstats. Literatur tambahan
berasal dari Statistik Ekonomi dan Keuangan Indonesia yang diakses melalui situs
Bank Indonesia, Departemen Keuangan, serta studi kepustakaan melalui jurnal,
artikel dan skripsi yang terkait. Data dalam penelitian merupakan data tahunan
dari tahun 1991 sampai dengan tahun 2010.
3.2.
Variabel dan Definisi Operasional
Adapun variabel dan definisi operasional variabel yang digunakan dalam
penelitian ini adalah sebagai berikut:
1. Foreign Debt (FD) adalah total pinjaman luar negeri Indonesia, baik pinjaman
luar negeri pemerintah, pinjaman luar negeri bank sentral, dan pinjaman luar
negeri swasta. Data variabel FD merupakan data dalam dolar Amerika.
2. Government expenditure (G) adalah total pengeluaran pemerintah Indonesia
yang digunakan untuk pembelian barang dan jasa, serta pertahanan dan
keamanan nasional. Data variabel G merupakan data dalam dolar Amerika.
3. Tax (T) adalah penerimaan pajak pemerintah pusat yang digunakan untuk
kepentingan publik. Data variabel T merupakan data dalam rupiah Indonesia.
37 4. Gross Domestic Product (GDP) adalah Produk Domestik Bruto (PDB) riil
yang menjadi indikator untuk mengukur pertumbuhan ekonomi di Indonesia.
Data variabel GDP merupakan data konstan dalam dolar Amerika pada tahun
dasar 2000.
5. London Inter Bank Offer Rate (LIBOR) adalah suku bunga internasional yang
digunakan sebagai suku bunga pinjaman luar negeri. Data variabel LIBOR
merupakan data dalam persen.
3.3.
Metode Analisis dan Pengolahan Data
Alat analisis yang digunakan dalam penelitian ini adalah metode Granger
Causality (Kausalitas Granger), Vector Auto Regression (VAR) dan Vector Error
Correction Model (VECM) dalam mengelolah beberapa data time series.
3.3.1. Metode Granger Causality (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 menyebabkan Y dan Y menyebabkan X. Uji
kausalitas Granger dipercaya jauh lebih bermakna dari uji korelasi biasa (Ascarya,
2009). Dengan melakukan uji kausalitas Granger dapat diketahui beberapa hal,
sebagai berikut:
•
Apakah X mendahului Y, apakah Y mendahului X, atau hubungan X dan Y
timbal balik.
•
Suatu variabel X dikatakan menyebabkan variabel lain Y, apabila Y saat ini
diprediksi lebih baik dengan menggunakan nilai-nilai masa lalu X.
38 •
Asumsi dalam uji ini adalah bahwa X dan Y dianggap sepasang data runtut
waktu yang memiliki kovarians linier yang stasioner
Secara matematis, persamaan kausalitas Granger ini dapat dituliskan
sebagai berikut:
Yt = ∑ aiYt-i + ∑ bjXt-j + vt ; X → Y jika bj > 0
Yt = ∑ ciYt-i + ∑ djXt-j + ut ; Y → X jika dj > 0
3.3.2. Metode Vector Auto Regression (VAR)
Metode VAR merupakan rangkaian model time series multivariat yang
dikembangkan oleh Sims (1980), dimana VAR adalah suatu sistem persamaan
yang memperlihatkan setiap peubah sebagai fungsi linier dari konstanta dan nilai
lag dari peubah-peubah yang ada dalam sistem. Metode VAR digunakan jika data
stasioner atau tidak mengandung unit root pada level. Dalam model VAR, semua
variabel yang digunakan dalam analisis dianggap berpotensi menjadi variabel
endogen, dengan mengabaikan pemisahan antara variabel eksogen dan endogen.
Model umum VAR sebagai berikut (Achsani et al, 2005):
Xt = µt + ∑
Ai + Xt-1 + εt
dimana,
Xt = vektor dari variabel endogen dengan dimensi (n x 1),
µt = vektor dari variabel eksogen, termasuk konstanta (intersep) dan tren,
Ai = koefisien matriks dimensi (n x n),
εt = vektor dari residual.
39 3.3.3. Metode Vector Error Correction Model (VECM)
Data stasioner atau tidak mengandung unit root merupakan syarat pertama
dalam metode VAR. Namun pada umumnya, data time series tidak stasioner pada
level, dan baru stasioner pada perbedaan pertama atau first difference, yang
menyebabkan hilangnya informasi jangka panjang. Model VECM dapat
digunakan untuk mengantisipasi hilangnya informasi jangka panjang, dan apabila
terdapat minimal satu persamaan yang terkointegrasi.
Model umum VECM sebagai berikut (Achsani et al, 2005):
∆Xt = µt + πXt-1 + ∑
Гi∆Xt-i + εt
Dimana π dan Г merupakan fungsi dari Ai (pada model umum VAR). Matriks π
dapat dipecah menjadi dua matriks λ dan β dengan dimensi (n x r). π = λβτ,
dimana λ merupakan matriks penyesuaian, β merupakan vector kointegrasi, dan τ
merupakan rank kointegrasi.
3.3.4. Pengujian Pra Estimasi
3.3.4.1.Uji Stasioneritas Data
Uji stasioneritas data atau sering disebut dengan unit root test, merupakan
langkah awal yang dilakukan untuk mengestimasi sebuah model yang akan
digunakan. Unit root test dapat dilakukan dengan uji Augmented Dicky-Fuller
(ADF) dan menggunakan taraf nyata lima persen. Menurut Gujarati (2003), ADF
dapat diuji dengan persamaan sebagai berikut:
∆Yt = β1 + β2t + δYt-1 + αi ∑
∆Yt-1 + εt ;
dimana εt = pure white noise error term, ∆Yt-1 = (Yt-1 - Yt-2) dan seterusnya.
40 Selain itu, perlu dilakukan juga ujia nilai t-statistik dari estimasi δ, untuk
mengetahui apakah data time series bersifat stasioner atau tidak. Uji statistik
memiliki rumus sebagai berikut:
thit = δ / Sδ
Dengan pengujian hipotesis yaitu H0 = δ = 0 (tidak stasioner) dengan hipotesis
alternatifnya yaitu H1 = δ < 0 (stasioner). Apabila nilai t-statistik lebih kecil dari
nilai statistik ADF, maka hasil yang didapat adalah tolak H0. Dimana, jika H0
ditolak dan menerima H1, maka data yang digunakan bersifat stasioner atau tidak
mengandung unit root , dan begitu juga sebaliknya.
3.3.4.2.Uji Lag Optimal
Uji ini dilakukan untuk membentuk model VAR yang baik dengan
penentuan panjang lag yang optimal yang digunakan dalam model. Penentuan
jumlah lag optimal yang akan digunakan dalam model VAR dapat ditentukan
berdasarkan kriteria Akaike Information Criterion (AIC), Schwarz Information
Criterion (SC) dan Hannan Quinnon Criterion (HQ). Menurut Gujarati (2003),
lag yang akan dipilih adalah model dengan nilai yang paling kecil. Karena, jika
terlalu banyak panjang lag, maka akan mengurangi degree of freedom atau derajat
bebas, sehingga lag yang lebih kecil disarankan untuk dapat memperkecil
spesifikasi error.
Rumus untuk menghitung nilai AIC, SC dan HQ adalah:
AIC = - 2 ( ι / T ) + 2 ( κ / T )
SC = - 2 ( ι / T ) + κ log(T) / T
HQ = - 2 ( ι / T ) + 2κ log(log(T)) / T
41 3.3.4.3.Uji Stabilitas VAR
Metode analisis yang akan digunakan untuk melakukan analisis hubungan
guncangan variabel kebijakan fiskal seperti pengeluaran pemerintah dan pajak,
pertumbuhan ekonomi, dan suku bunga internasional terhadap pinjaman luar
negeri adalah analisis impuls respon (IRF) dan analisis peramalan dekomposisi
ragam galat (FEVD). Kedua analisis tersebut dapat digunakan setelah uji stabilitas
VAR dilakukan. Melalui VAR stability condition check, dengan menghitung akarakar fungsi polinominal atau roots of characteristic polinominal. Jika semua akar
dari fungsi polinominal tersebut berada di dalam unit circle atau jika nilai
absolutnya lebih kecil dari 1, maka model VAR tersebut dianggap stabil, sehingga
IRF dan FEVD yang dihasilkan dianggap valid (Windarti, 2004).
3.3.5. Uji Kointegrasi
Uji kointegrasi dilakukan untuk menentukan kointegrasi antar variabel
yang tidak stasioner, dimana kombinasi linear dari dua atau lebih variabel yang
tidak stasioner akan menghasilkan variabel yang stasioner, sesuai dengan konsep
kointegrasi yang dikemukakan oleh Engle dan Granger dalam Enders (2004).
Kointegrasi ini dapat diinterpretasikan sebagai hubungan jangka panjang antar
variabel yang telah memenuhi persyaratan selama proses integrasi yaitu dimana
semua variabel telah stasioner pada derajat yang sama yaitu derajat 1, I(1). Uji
kointegrasi dilakukan dengan menggunakan uji kointegrasi Johansen, secara
matematis ditunjukkan dengan persamaan berikut:
∆yt = β0 + ∏ yt-1 + ∑
Гi ∆yt-1 + εt
42 Dengan pengujian hipotesis yaitu H0 = non-kointegrasi dengan hipotesis
alternatifnya yaitu H1 = kointegrasi, dimana jika trace statistic > critical value,
maka akan tolak H0 atau terima H1 yang artinya terjadi kointegrasi. Analisis
Vector Error Correction Model (VECM) dapat dilanjutkan setelah jumlah
persamaan yang terkointegrasi telah diketahui.
3.3.6. Impulse Response Function (IRF)
Impulse Response Function (IRF) merupakan salah satu instrumen VECM
yang digunakan untuk melihat hasil analisis. Menurut Pindyk dan Rubinfeld
dalam Ayuniyyah (2010), IRF adalah suatu metode yang digunakan untuk
menentukan respon suatu variabel endogen terhadap guncangan tertentu karena
sebenarnya guncangan variabel misalnya ke-i tidak hanya berpengaruh terhadap
variabel ke-i itu saja tetapi ditransmisikan kepada semua variabel endogen lainnya
melalui struktur dinamis atau struktur lag dalam VAR.
Analisis Impulse Response Function (IRF) dalam penelitian ini dilakukan
untuk menilai respon dinamis dari variabel FD jika terjadi guncangan (shock)
pada variabel G, T, GDP, dan LIBOR.
3.3.7. Forecast Error Variance Decomposition (FEVD)
Instrumen kedua dari VECM adalah analisis Forecast Error Variance
Decomposition (FEVD). FEVD berfungsi untuk memprediksi kontribusi setiap
variabel terhadap guncangan atau perubahan variabel tertentu (Ascarya, 2009).
Metode FEVD mencirikan suatu struktur dinamis dalam model VAR, dimana
dapat dilihat kekuatan dan kelemahan dari setiap variabel dalam memengaruhi
43 variabel lainnya dalam kurun waktu yang panjang. FEVD menghasilkan informasi
mengenai relatif pentingnya masing-masing inovasi acak atau seberapa kuat
komposisi dari peranan variabel tertentu terhadap variabel lainnya (Hasanah
dalam Ayuniyyah, 2010).
3.4.
Mekanisme Analisis Olah Data
Proses analisis VAR dan VECM dapat dilihat pada Gambar 3.1.
Data Transformation
(Natural Log)
Stationary at
Level [I(0)]
No
Unit Root Test
Data Exploration
Stationary at First
Difference [I(1)]
Yes
Yes
Cointegration Test
VAR 1stdifference
VECM
Var Level
L-term
S-term
L-term
Optimal Order
S-term
(K-1)
Cointegration Rank
Innovation Accounting
IRF
No
FEVD
Sumber: Ascarya, 2009
Gambar 3.1 Proses Analisis VAR dan VECM
44 Proses analisis VAR dan VECM dilakukan melalui beberapa tahap. Pada
tahap pertama, saat data dasar telah siap, data ditransformasi ke bentuk logaritma
natural (ln). Kemudian, dilakukan uji awal yaitu unit roots test, untuk mengetahui
apakah data stasioner atau masih mengandung tren. 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) yang mencerminkan data selisih
atau perubahan. 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 tingkat 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).
45 3.5.
Model Penelitian
Model VAR dan VECM
yang digunakan dalam penelitian sebagai
berikut:
Model umum:
FDt = f (Gt, Tt, GDPt, LIBORt)
Model dalam bentuk matriks:
Ln_FD
a0
a11a12a13a14a15
Ln_FDt-i
e1t
Ln_G
b0
a21a22a23a24a25
Ln_Gt-i
e2t
a31a32a33a34a35
Ln_Tt-i
=
Ln_T
c0
+
+
e3t
Ln_GDP
d0
a41a42a43a44a45
Ln_GDPt-i
e4t
LIBOR
e0
a51a52a53a54a55
LIBORt-i
e5t
dimana,
Ln_FD
= Pinjaman luar negeri (dolar Amerika)
Ln_G
= Pengeluaran pemerintah (dolar Amerika)
Ln_T
= Penerimaan pajak (rupiah)
Ln_GDP = Produk Domestik Bruto rill (dolar Amerika)
LIBOR
= Suku bunga internasional (persen)