12 METODE PENELITIAN Jenis dan Sumber Data J enis data yang digunakan dalam penelitian ini adalah data sekunder berupa d eret waktu yang terdiri dari GDP, keterbukaan perdagangan, impor, ekspor, FDI, inflasi, dan BI rate. Periode yang digunakan untuk penelitian ini adalah mengambil kuartal I tahun 2000 sampai kuartal IV tahun 2012. Data-data diperole h dari berbagai sumber, antara lain dari Statistik Ekonomi dan Keuangan (SEKI) Bank Indonesia berbagai edisi, World Bank, UNCTAD, Badan Pusat Statistik, OECD, dan sumber lain yang relevan. Selain itu penulis juga melakukan studi pu staka dengan membaca jurnal, artikel internet, dan berbagai literatur lainnya yang berkaitan dan relevan dengan permasalahan yang diteliti. Tabel 2 Variabel, Notasi, dan Sumber Data Variabel Notasi Satuan FDI Gross Domestic Product BI Rate Exchange Rates Trade Opennes Inflasi LnFDI LnGDP BI_Rate Real_Ex Trade_Open Inflasi Milyar USD Milyar USD Persen Persen Persen Persen Sumber Data SEKI-BI SEKI-BI SEKI-BI SEKI-BI BPS BPS Metode Analisis Data Metode yang digunakan untuk menganalisis data dalam penelitian ini adalah metode VECM yang merupakan VAR yang terestriksi yang digunakan untuk variabel yang nonstasioner tetapi memiliki potensi untuk terkointe grasi.Setelah dilakukan uji kointegrasi pada model yang digunakan, maka dianjurk an untuk memasukan persamaan kointegrasi kedalam model yang digunak an. Pada data time series kebanyakan memiliki tingkat stasioneritaspada perbedaan pertama (first difference) atau I (1) (Firdaus 2012: 147). Menurut Firdaus (2011), alat analisis yang disediakan oleh VAR/VECM dilakukan melalui empat macam penggunaannya, yaitu: 1. Forcasting : ekstrapolasi nilai saat ini dan nilai masa depan seluruh variabel dengan pemanfaatan seluruh informasi masa lalu dari variabel tersebut. 2. Impuls Respon Function (IRF) : melacak respon saat ini dan masa depan t dari setiap variabel akibat shock atau perubahan suatu variabel ertentu. . 3 Forecast Error Variance Decomposition (FEDV) : sebagai prediksi kontribusi persentasi setiap variabel terhadap perubahan suatu variabel tertentu. 4. Granger Causality Test : untuk mengetahui hubungan sebab akibat ntar a variabel. 13 Berikuta adalah langkah-langkah dalam pengujian pengujian VECM: Data Times Series pada Level Pengujian Akar Unit stasioner Tidak Stasioner VAR Uji Kointegrasi Pada Level Uji Akar Unit Root pada First Difference Uji Korelai Antar Korelasi Tinggi SVAR Korelasi Rendah VAR Terkonin tegrasi VECM Tidak Terkoni ntegrasi stasioner Tidak Stasioner VAR FD Impuls Response dan Forcast Error Decomposition of Variance Gambar 4 Tahapan Pengolahan Data VAR/VECM Langkah pertama yang harus dilakukan adalah pengumpulan yang akan unakan dalam penelitian. Data yang dikumpulkan harus relevan dan memiliki dig bungan dengan penelitian yang akan dilakukan. hu Langkah kedua adalah melakukanpengujian akar unit dari seluruh data ng dikumpulkan.Pengujian akar unit biasanya dilakukan dengan uji Augmented ya Dickey-Fuller (ADF).Tujuan dan pengujian akar unit ini adalah untuk menguji stasioneritas dan derajat integritas dari variabel yang digunakan.Jika seluruh data bersifat stasioner pada level, maka kita bisa langsung melakukan estimasi VAR terhadap data tersebut. Tapi, apabila ada salah satu data yang tidak stasioner pada level tersebut maka akan dilakukan uji kointegrasi pada level dan apabila hasilnya terkointegrasi, maka dapatdilakukan estimasi data menggunakan estimasi VECM. Pada penelitian ini beberapa data tidak stasioner pada levelnya maka akan yang akan digunakan adalah estimasi pada model VECM. Model VAR hanya unakan diguntuk mengujian FEDV dan IRF. Metode Vector Error Correction Model (VECM) ya Vector Error Correction Model (VECM) adalah VAR yang terestriksi ng digunakan untuk variabel yang nonstasioner tetapi memiliki potensi 14 terkointegrasi.Setelah dilakukan pengujian pada model yang digunakan maka dianjurkan untuk memasukan persamaan kointegrasi ke dalam model yang digunakan. Pada data time series kebanyakan memiliki tingkat stasioneritas pada first difference atau I(1). VECM kemudian memanfaatkan informasi restriksi kointegrasi tersebut ke dalam spesifikasinya.Oleh karena itu, VECM sering disebut sebagai desain VAR bagi series nonstasioner yang memiliki hubungan kointegrasi.Dengan demikian, dalam VECM terdapat speed of adjustment dari endek jangka pke jangka panjang. Adapun spesifikasi model VECM secara Umum adalah sebagai berikut : �−𝟏 𝒓 ix Δy t-I + ε t …………………………..(3.2) Δy t = µ 0x + µ 1x t + π x y t-1 + ∑���=𝟏 R di mana : yt = vect or yang berisi variabel yang dianalisis dalam penelitian µ 0x = ve ctor intersep µ 1x = ve t ctor koefisien regresi = time π x trend = αx , βy dimana b mengandung persamaan kointegrasi jangka panjang yt-1 = var iabel in-level r ix = mat riks koefisien regresi k-1 = ord o VECM dari VAR ε t = errer term Pengujian Sebelum Estimasi S melakuk ebelum melakukan estimasi VAR atau VECM terlebih dahulu harus dilakukaan beberapa pengujian. Berikut ini adala beberapa pengujian yang harus n: 1. Uji Stasioneritas Data DickUji stasioneritas data dilakukan dengan menggunakan metode Augmented oleh ey-Fuller (ADF) sesuai dengan bentuk tren determininan yang dikandung nilai setiap variabel.Apabila nilai mutlak t-ADF dalam pengujian menunjukan dikatyang lebih besar dari nilai mutlak MccKinnon critical values-nya data probakan stasioner pada taraf nyata.Atau dapat juga dilihat pada nilai atau abilitasnya. Apabila probabilitasnya kurang dari taraf nyata satu persen lima persen maka data tersebut stasioner pada taraf tersebut. metoData yang stasioner akan diestimasi dengan menggunakan VAR dengan kemude standar. Sedangkan data yang tidak stasioner akan memiliki diffe ngkinan memiliki dua pilihan VAR, yaitu VAR dalam bentuk first memrence atau VECM. Dengan adanya variabel yang tidak stasioner akan peng unculkan kemungkinan adanya hubungan ointegrasi antar variabel. Maka ujian kointegrasi sebaiknya tetap dilakuka pada data stasioner, mengingat 15 terdapatnya kemungkingkinan kesalahan pengambilan kesimpulan pengujian unit root terkait dengan the power of test. 2. Penentuan Lag Optimum Uji lag digunakan untuk menentukan panjang lag optimum yang akan digunakan untuk analisis selanjutnya. Uji lag optimum merupakan langkah penting yang harus dilakukan dalam menggunakan model VECM. Untuk langkah awal akan dilihat panjang selang maksimum sistem VAR yang stabil. Stabilitas sistem VAR dilihat dari nilai inverse roots karakteristik AR polinomialnya. Suatu sistem VAR dikatakan stabil atau stasioner jika seluruh akar unitnya memiliki modulus lebih kecil dari satu dan semuanya terletak di dalam unit circle(Lutkepohl 1991). Langkah selanjutnya, panjang selang optimal akan dicari dengan menggunakan kriteria informasi yang tersedia. Kandidat selang yang terpilih adalah panjang selang menurut kriteria Akaike Information Criterion (AIC) dan Schwarz Information Criterion (SC).Jika kriteria informasi hanya merujuk pada sebuah kandidat selang, maka kandidat selang tersebut optimal.Jika diperoleh lebih dari satu kandidat, maka pemilihan dilanjutkan pada tahap ketiga.Selain melalui kriteria AIC, pemillihan lag optimum juga dapat dilakukan berdasarkan Schwarz Information Criterion (SC). Langkah terakhir, nilai Adjusted R2 variabel VAR dari setiap kandidat selang dibandingkan dengan penekanan pada variabel-variabel penting dalam model VAR tersebut. Selang optimal akan dipilih dari sistem VAR dengan selang tertentu yang menghasilkan nilai Adjusted R2 terbesar pada variabel- variabel penting dalam sistem. 3. Uji Kointegrasi Kointegrasi adalah suatu hubungan jangka panjang antara variabelvariabel yang meskipun secara individual tidak stasioner, tetapi kombinasi linier antara variabel tersebut dapat menjadi stasioner . Salah satu syarat agar tercapai keseimbangan jangka panjang adalah galat keseimbangan harus berfluktuasi di sekitar nol. Dengan kata lain, error term harus menjadi sebuah data time series yang stasioner. Ada beberapa metode yang dapat digunakan untuk melakukan uji kointegrasi, seperti Eagle-Granger Cointegration Test, Johansen Cointegration Test, dan Cointegration Regression Durbin-Watson Test. Suatu data time series dikatakan terintegrasi pada tingkat ke-d atau sering disebut I(d) jika data tersebut bersifat stasioner setelah pendiferensian sebanyak d kali. 4. Uji Stabilitas VAR Dalam prakteknya, stabilitas sistem VAR dapat dilihat dari nilai inverse roots karakteristik AR polinomialnya. Hal ini dapat dilihat dari nilai modulus di tabel AR roots-nya, jika seluruh nilai AR roots-nya di bawah satu, maka sistem tersebut stabil. 16 Analisis Model VAR/VECM VAR mampu memberikan empat macam analisis yang akan berguna dalam m engeksplorasi data. Forecasting dapat digunakan untuk ekstrapolasi nilai saat ini dan masa depan menggunakan data dari masa lalu. Impulse Response Function s (IRF) untuk melacak respon saat ini dan masa depan setiap variabel akibat perubahan atau shock suatu variabel tertentu, Forecast Error Decomp osition of Variance (FEDVs) untuk memprediksi kontribusi persentase varians setiap variabel terhadap perubahan suatu variabel tertentu, dan Granger Causality Test yang digunakan untuk mengetahui hubungan sebab akibat antar variabel.Namun pada penelitian ini hanya IRF dan FEVD yang akan digunakan untuk menjawab pertanyaan pada permasalahan yang telah diajukan. Impuls Response Function (IRF) I mpulse response function (IRF) menunjukkan arah hubungan dan besarnya pengaruh suatu variabel endogen terhadap berbagai variabel endogen lainnya yang ada dalam suatu sistem dinamis VAR. IRF dapat digunakan untuk meneliti pengaruh satu standar deviasi kejutan dari satu inovasi terhadap nilai variabel endogen saat ini atau untuk waktu yang akan datang Forecast Error Decomposition (FEDV) V ariance Decomposition atau Cholesky Decomposition memisahkan varian y ang ada dalam variabel endogen menjadi komponen- komponen kejutan pada be rbagai variabel endogen lainnya dalam struktur dinamis VAR. VDC digunak an untuk menyusun perkiraan error variance suatu variabel, yaitu seberapa besar perbedaan antara variance sebelum dan sesudah diberi kejutan, baik kej utan yang berasal dari variabel itu sendiri maupun kejutan dari variabel lainnya. Oleh karena itu, VDC digunakan untuk mengkaji pengaruh relatif suatu variabel terhadap variabel lainnya. Model Penelitian Dalam penelitan ini akan melihat hubungan antara keterbukaan perdagangan dengan arus masuk Foreign Direct Investmen (FDI) ke Indonesia ungan baik hubjangka pendek maupun hubungan jangka panjang, sehingga model annya persamaadalah sebgai berikut : �−𝟏 �−𝟏 𝒓 ��−𝟏 nFDIt = ∑���=𝟏 𝒓 i LnGDP t-i + ∑���=𝟏 i BIRate t-1 + ∑��=𝟏 𝒓 L +∑��−𝟏 𝒓 i TradeOpen t-1 + ∑ ��−𝟏𝒓 i Infasi t-1 + ε t ��=𝟏 ��=𝟏 R R R R Dimana: Ln FDI = Total FDI yang masuk ke Indonesia R i RealEx t-1 17 Ln GDP BI Rate Real Ex Trade Open Inflasi = Gross Domestic Product = Suku bunga = Nilai tukar = keterbukaan perdagangan = inflasi HASIL DAN PEMBAHASAN Uji Stasioneritas Hasil dan pembahasan pada penelitian ini akan menggunakan langkahgkah yang telah dijelaskan sebelumnya. Langkah pertama yang dilakukan lan adalah uji stasioneritas, dimana langkah ini merupakan langkah yang penting sebelum melakukan pengolah pada data time series. Uji stasioneritas ini dimaksudkan untuk mengetahui adanya kemungkinan data time series yang digunakan memiliki akar unit yang menyebabkan data tersebut tidak stasioner da patingkat level. Data yang memiliki akar unit memumgkinkan hasil regresinya lihat terbagus, tetapi hasil regresi tersebut tidak mampu menggambarkan keadaan ng yasebenarnya terjadi. Pada penelitian ini, akan digunakan uji stasioneritas gmented AuDickey-Fuller (ADF). Apabila nilai mutlak t-ADF pada hasil dari ngujian ini lebih pebesar dari MaccKinnon critical values-nya maka data telah sioner pada taraf stanyata sebesar satu persen atau lima persen. Pada hasil ngujian ini dapat pula pedilihat dari probalitasnya, apabila nilai probabilitasnya rang dari taraf nyata kusatu persen, lima persen, dan sepuluh persen maka data sebut stasioner pada tertaraf tersebut. Berdasarkan hasil yang diperoleh dari pengujian, data yang stasioner pada tingkat level, yaitu Ln FDI, Ln GDP, BI Rate, dan inflasi. Data real exchange rates dan keterbukaan perdagangan tidak stasioner sehingga perlu pengujian stasioneritas pada first difference-nya. Hasil pengujian tersebut dapat dilihat pada tabel 3.1, tabel 3.2, dan tabel 3.3 berikut. Tabel 3 Rangkuman Hasil Uji Stasioner pada Data Level Variabel Ln FDI Ln GDP BI Rate Real Exchage Rates Trade Opennes Inflasi Catatan: tanda asterik (*) lima persen. ADF Statistik -6.243776 -3.648658 -3.879712 -3.250215 -2.59643 -6.04967 menunjukan MccKinnon Critical Value 1% 5% 10% P-Value -4.1485 -3.5005 -3.17962 -4.1525 -3.50237 -3.1807 -4.1525 -3.50237 -3.1807 -4.1525 -3.50237 -3.1807 -3.5654 -2.91995 -2.59791 -3.5654 -2.91995 -2.59791 nilai pengujian berdasarkan taraf 0.0000 * 0.0356* 0.0203* 0.0866 0.1003 0.0000 * nyata
