III. METODE PENELITIAN 3.1 Jenis dan Sumber

III. METODE PENELITIAN
3.1
Jenis dan Sumber Data
Jenis data yang digunakan dalam penelitian ini adalah data sekunder
berupa data kuartalan. Periode waktu penelitian ini dimulai dari kuartal pertama
tahun 1980 hingga kuartal keempat tahun 2010.
Tabel 3.1 Variabel, Notasi, dan Sumber Data
Variabel
Consumer
Price
Index
Gross
Domestic
Bruto
Interest
Rate
Crude
Price Oil
Exchange
Rate
Oil
Subsidy
3.2
Notasi
INFLASI
Satuan
Indeks
Sumber Data
International Financial Statistics
IMF
GDP
Miliar
Rupiah
International Financial Statistics
IMF
SB
Persen
per Tahun
HARGAMINYAK Billion
US.
Dollars
ER
Rupiah/
US Dollar
SUBSIDI
Miliar
Rupiah
International Financial Statistics
IMF
International Financial Statistics
IMF
International Financial Statistics
IMF
Kementerian Keuangan RI
Metode Analisis dan Pengolahan Data
Metode analisis yang digunakan dalam penelitian ini adalah metode
Vector Autoregression (VAR) yang dilanjutkan dengan metode Vector Error
Correction Model (VECM). Penggunaan persamaan VAR memudahkan
pemecahan masalah dalam perekonomian karena kemampuannya dalam deskripsi
data, peramalaan, infrensi struktural, dan analisis kebijakan. Spesifikasi dalam
penggunaan metode VAR ini variabel yang akan diestimasi harus bersifat
stasioner. Oleh karena itu diperlukan pengujian stasioneritas terhadap variabel
untuk menghindari masalah regresi palsu atau sporious regression ketika variabel
yang bersifat tidak stasioner diregresikan.
Penelitian ini menggunakan metode VAR untuk mengetahui pengaruh dari
fluktuasi harga minyak terhadap variabel-variabel makroekonomi seperti tingkat
inflasi, pertumbuhan ekonomi, tukar mata uang serta mengetahui dampak
fluktuasi harga minyak terhadap kebijakan fiskal berupa subsidi terhadap bahan
bakar minyak di Indonesia. Disamping itu, metode VAR-VECM ini juga
digunakan untuk menganalisi respon variabel-variabel tersebut terhadap harga
minyak dalam jangka panjang.
3.2.1 Metode Vector Autoregression (VAR)
Model VAR ini pertama kali dikembangkan oleh Sims (1980) yang
kemudian menjadi dasar bagi munculnya metode kointegrasi Johansen (1989).
Menurut Pasaribu (2005) metode VAR sangat berguna dalam menentukan tingkat
eksogenitas suatu variabel ekonomi dalam sebuah sistem ekonomi di mana terjadi
saling ketergantungan antar variabel dalam ekonomi. Metode ini sangat baik
dalam menjelaskan perilaku variabel dalam perekonomian.
Model VAR secara matematis dapat diwakili oleh:
(3.1)
dimana Zt adalah vektor dari variabel-variabel yang dijelaskan sebanyak n, Xt
adalah vektor dari variabel-variabel yang menjelaskan sebanyak n termasuk di
dalamnya konstanta (intercept).
A1, ... , An, dan B adalah matriks-matriks
koefisien yang akan diestimasi, dan t adalah vektor dari residual. Zt-1 merupakan
vektor dari variabel yang eksogen pada periode sebelumnya. Kondisi ini
menunjukkan bahwa variabel endogen dipengaruhi oleh variabel itu sendiri dari
periode waktu sebelumnya atau yang dikenal sebagai kondisi random walk.
Selain spesifikasi metode VAR harus meliputi pemilihan variabel yang
stasioner, model ini juga harus memiliki pemilihan selang yang optimal. Sesuai
dengan metodologi Sims (1980) variabel yang digunakan dalam persamaan VAR
dipilih berdasarkan model ekonomi yang relevan. Pemilihan selang optimal
kemudian akan memanfaatkan kriteria informasi seperti Akaike Information
Criteria (AIC), Schwarz Criteria (SC) yang paling minimum, serta informasi dari
Hannan-Quinn Information (HQ) (Arsana, 2006)
Menurut Amisano dan Gianini dalam Apriani (2007), menyebutkan bahwa
metode VAR dikembangkan sebagai solusi atas kritikan terhadap model
persamaan simultan yaitu :
a. Spesifikasi dari sistem persamaan simultan terlalu berdasarkan pada
agregasi dari model keseimbangan parsial.
b. Struktur dinamis pada model sering kali dispesifikasikan dengan tujuan
untuk memberikan restriksi yang dibutuhkan dalam mendapatkan
identifikasi dari bentuk struktural.
Gujarati (2003) menyatakan semua variabel dalam persamaan simultan
harus diperlakukan sama sehingga tidak ada pembatasan antara variabel endogen
maupun variabel eksogennya. Pada suatu model persamaan simultan terdapat
justifikasi terhadap variabel yang akan menjadi variabel endogen atau variabel
eksogen berdasarkan pertimbangn dari peneliti, namun dengan pendekatan VAR
berusaha membiarkan data tersebut berbicara (“let the data speak for themselves”)
dengan membuat semua variabel berpotensi menjadi variabel endogen.
Model VAR memiliki beberapa keunggulan yakni: (1) memiliki metode
yang sederhana, karena tidak perlu menjustifikasi variabel yang menjadi variabel
endogen atau variabel eksogennya. (2) estimasi yang sederhana karena metode
OLS dapat diaplikasikan dalam persamaan. (3) Peramalan dengan menggunakan
model VAR dibeberapa kasus lebih baik dibandingkan dengan persamaan
simultan yang lebih kompleks (Gujarati, 2003)
Selain memiliki beberapa keunggulan, Model VAR juga memiliki
beberapa kelemahan (Gujarati, 2003) yakni:
a. Tidak seperti persamaan simultan, metode VAR bersifat sangat teoritik
karena sedikit informasi yang tersedia.
b. Karena berfokus pada peramalan, sehingga metode VAR kurang cocok
untuk menganalisis suatu kebijakan.
c. Tantangan terbesar dalam metode VAR adalah menentukan panjang lag
yang optimal. Proses estimasi untuk ukuran sampel yang besar akan
mengurangi derajat bebasnya.
d. Dalam kenyataannya data dalam level sering tidak stasioner, sehingga
memiliki kesulitan dalam mentransformasi data.
e. Koefisien
yang
diinterpretasikan.
diestimasi
dalam
VAR
terkadang
sulit
untuk
3.2.1.1 Model Penelitian
Hsio dalam Apriani (2007) memberikan contoh gambaran definisi
hubungan kausalitas antara tida contoh variabel (X,Y,Z). Berikut adalah susunan
hubungan antar variabel yang dimasukkan dalam bentuk matriks untuk
mempermudah analisis dan intrepretasi hubungan antar variabel yang akan
diestimasi.
=
+
(3.2)
Dalam penelitian Hsio ini terdapat asumsi yang harus dipenui agar hubungan
antar variabel dapat terdefinisi secara jelas, yakni :
1. Bila variabel X tidak mempengaruhi Z, syaratnya adalah
2. Bila variabel X mempengaruhi Z, syaratnya
= 0.
= 0.
3. Hubungan timbal balik antar variabel X dan Z, jika
dan
0.
4. Hubungan tidak langsung dari variabel X dan Z melalui Y, syaratnya
=0;
0;
0.
5. Hubungan semu jenis I dari variabel X terhadap variabel Z jika dan hanya jika
terdapat kondisi
=0;
0, untuk semua jenis lag.
6. Hubungan semu jenis II dari variabel X terhadap Z jika dan hanya jika terdapat
kondisi :
=0;
= 0, untuk semua panjang lag k dan
panjang lag k.
0 ;
0 untuk semua
Dalam penelitian ini bertujuan mengetahui dampak dari fluktuasi harga
minyak dunia terhadap variabel makroekonomi seperti tingkat inflasi, tingkat
pertumbuhan output nasional, tingkat suku bunga, nilai tukar rill mata uang rupiah
terhadap dollar Amerika Serikat, dan kebijakan subsidi Bahan Bakar Minyak di
Indonesia selama periode 1980 hingga tahn 2010. Pembahasan dalam penelitian
ini hanya melihat dampak dari fluktuasi harga minyak terhadap variabel
makroekonomi dan bukan sebaliknya. Model yang dipakai dalam penelitian ini
adalah sebagai berikut:
=
3.2.2
+
Metode Vector Error Correction Model (VECM)
VECM merupakan bentuk VAR yang terestriksi maksudnya adalah
suatu persamaan yang bentuk datanya tidak stasioner, padahal dalam model ini
data baru bisa diestimasi jika bersifat stasioner masih dapat diestimasi karena
memiliki hubungan kointegrasi. Spesifikasi VECM merestriksi hubungan jangka
panjang variabel-variabel endogen agar konvergen ke dalam hibungan
kointegrasinya, namun tetap membiarkan keberadaan data jangka pendeknya yang
dinamis.
3.2.3
Tahapan Pembentukan Sistem Persamaan
1.
Uji Stasioneritas Data
Menurut Gujarati (2003), data yang stasioner akan mempunyai
kecenderungan untuk mendekati nilai rata-rata dan berfluktuasi disekitar nilai
rata-ratanya. Data time series pada umumnya mengandung akar unit (unit root)
dan
nilai rata-rata serta variansnya berubah
sepanjang waktu. Nilai yang
mengandung unit root atau tidak stasioner, apabila dimasukan dalam perhitungan
statistik pada model regresi sederhana, maka kemungkinan besar estimasi akan
gagal mencapai nilai yang sebenarnya atau disebut sebagai spourious estimation.
Untuk menguji ada atau tidaknya akar unit pada data yang di gunakan,
dalam penelitian ini digunakan uji Augmented Dickey-Fuller (ADF). Menurut
Gujarati (2003), uji stasioneritas data dengan menggunakan uji Dickey-Fuller,
dimulai dari sebuah proses autoregresi orde pertama. Jika hasil pengujian
menyatakan bahwa data bersifat stasioner, maka dapat langsung menggunakan
metode VAR. Tetapi jika data ternyata tidak stasioner pada orde pertama maka
data tersebut harus diubah dahulu kedalam berntuk diferensialnya atau
menngunakan metode VECM karena adanya indikasi memiliki sifat kointegrasi
dalam data yang tidak stasioner.
2.
Penentuan Lag Optimal
Dalam menentukan lag optimal dapat dilakukan dengan 3 tahapan
pengujian yakni:
a. Melihat lag maksimum dari sistem VAR yang membuat stabil saaat
diestimasi. Stabilitasnya dapat dilihat dari nilai invers roots karakteristik
AR polinominalnya. Suatu sistem VAR dikatakan stabil atau stasioner jika
seluruh rootsnya memiliki modulus yang lebih kecil dari satu dan
semuanya terletak di dalam unit circle.
b. Melihat panjang lag optimal dengan melihat kriteria informasi yang
tersedia menurut Likelihood Ratio (LR), Final prediction Error (FPE),
Akaikke Information Criterion (AIC), Schwarz Information Criterion
(SC), dan Hannan-Quinn Criterion (HQ)
c. Melihat panjang lag optimal dengan memperbandingkan nilai adjusted R
square dari variabel-variabel penting dalam persamaan VAR tersebut.
Lag optimal akan dipilih dari sistem VAR dengan lag tertentu yang
menghasilkan nilai adjusted R square terbesar pada variabel-variabel
penting dalam persamaan.
3.
Uji stabilitas model VAR
Penilaian stabilitas model VAR dilihat dari nilai akar-akar dari
karakteristik AR polinomialnya atau yang dikenal dengan roots of characteristic
polinomial. Jika semua akar dari fungsi polinomial tersebut berada di dalam unit
circle atau jika nilai absolutnya kurang dari 1 maka model VAR tersebut dianggap
stabil sehingga analisis IRF (Impulse Response Function) dan FEVD (Forecast
Error Variance Decomposition) dapat dilakukan selanjutnya.
4.
Pengujian Hubungan Kointegrasi
Konsep kointegrasi pertama kali di kemukakan oleh Johansen pada tahun
1988. Konsep kointegrasi ini menjelaskan bahwa dari kombinasi linear dari
beberapa variabel yang memiliki akar unit atau bersifat tidak stasioner akan
menghasilkan variabel yang stasioner. Pengujian hubungan kointegrasi dilakukan
untuk mengetahui variabel yang tidak stasioner terkointegrasi dalam jangka
panjang. Kombinasi linear ini dikenal dengan istilah persamaan kointegrasi dan
dapat diinterpetasi sebagai hubungan keseimbangan jangka panjang diantara
variabel. Persamaan matematis dari uji kointegrasi Johansen ini adalah:
(3.2)
5.
Uji Granger Kausalitas
Uji Granger kausalitas berguna untuk mengetahui hubungan sebab akibat
diantara variabel yang digunakan dalam model yang akan diestimasi. Hubungan
sebab akibat ini dapat dilihat dengan membandingkan probabilitas dengan nilai
kritis yang digunakan. Pada penelitian ini probabilitas yang digunakan adalah
lima persen untuk setiap variabel, sehingga hasil pengujian kausalitas Granger
dengan nilai probabilitas kurang dari 0,05 dikatakan memiliki hubungan sebab
akibat.
3.2.4 Impulse Response Function (IRF)
Impulse Response Function menunjukkan bagaimana suatu variabel
endogen bereaksi terhadap guncangan dalam variabel itu sendiri dan variabel
endogen lainnya. IRF mengukur pengaruh dari guncangan pada waktu tersebut
dan pengaruhnya di masa yang akan datang.
3.2.5 Forecast Error Variance Decomposition (FEVD)
Enders (2004) menyatakan bahwa forecast error variance decomposition
mampu menjelaskan proporsi pergerakan dari suatu varibabel yang disebabkan
oleh guncangan dari variabel itu sendiri dan membandingkan dengan pergerakan
yang dialami oleh variabel yang lain dalam suatu persamaan
Berbeda dengan dengan Impulse Raspons Function, Forecast Error
Variance Decomposition menunjukkan bagaiman perubahan dalam suatu variabel
yang ditunjukkan oleh
perubahan error variance. Metode ini menunjukkan
struktur yang dinamis dalam model VAR. Dimana dalam metode ini dapat
diketahui kelemahan dan kekuatan masing-masing variabel dalam mempengaruhi
variabel lainnya dalam persamaan untuk kurun waktu jangka panjang.