III. METODE PENELITIAN

Transkripsi

1 34 III. METODE PENELITIAN 3.1. Jeis da Sumber Data Data yag diguaka dalam peelitia ii adalah data sekuder yag bersifat kuatitatif. Data yag dikumpulka ada yag berupa data bulaa da data kuartala. Karea peelitia ii igi melihat pegaruh bulaa, maka data kuartala yag dikumpuli diiterpolasi utuk medapatka data bulaaya. Data yag diguaka diperoleh dari Statistik Ekoomi da Keuaga Idoesia Bak Idoesia (SEKI-BI), Orgaizatio for Ecoomic Co-orperatio ad Developmet (OECD), Uited States Eergy Iformatio Admiistratio (U.S EIA) da sumber laiya. Periode waktu peelitia adalah 208 pegamata mulai dari Februari 1993 sampai Desember 2011 yag merupaka data time series. 3.2 Model Peelitia Model peelitia yag diguaka dalam peelitia ii adalah: Z t = k=1 k VarMak t k + k=1 k Iflasi t k + k=1 k SBMK t k + k=1 k RER t k + k=1 k OILP t k + k=1 k HV t k + k=1 k Dummy t k (3.1) Dimaa: VarMak = Variabel Makro (GDP, PCON, GCON, Ivestasi, Ekspor da Impor) SBMK = Suku Buga Modal Kerja RER OILP = Real Exchage Rate = Oil Price

2 35 HV = Volatilitas 3.3. Metode Aalisis Peelitia ii aka megguaka metode Vector Autoregresive (VAR) utuk melihat bagaimaa pegaruh gucaga harga miyak da volatilitasya terhadap keadaa makroekoomi Idoesia. Sedagka metode Vector Error Correctio Model (VECM) aka diguaka jika variabel-variabel yag diguaka semuaya stasioer pada first differece da terkoitegrasi. Utuk melihat tahapa proses pegolaha data dega megguaka VAR dapat dilihat dari gambar 3.1 Lagkah pertama yag harus dilakuka adalah pegumpula data yag diaggap releva dega peelitia ii. Data kuartala yag terkumpul aka diiterpolasi dega megguaka E Views 6.0. Dega megguaka batua tersebut diharapka aka didapat data bulaa yag medekati ilai yag riil. Beberapa variabel yag perlu dilakuka iterpolasi adalah Gross Domestic Product (GDP), Private Cosumptio (PCON), Govermet Cosumptio (GCON), Ivestasi (INV), ekspor, da impor. Setelah medapat data bulaa maka ada beberapa data yag perlu utuk disamaka tahu dasarya. Hal ii diperluka agar hasil yag diperoleh atiya mejadi releva. Beberapa variabel yag harus disamaka tahu dasarya adalah GDP, PCON, GCON, INV, ekspor, impor, da iflasi. Lagkah selajutya adalah pegujia akar uit terhadap data yag telah dikumpulka. pegujia akar uit ii biasaya dilakuka dega uji Augmeted Dickey-Fuller (ADF). Adapu tujua dari pegujia akar uit ii adalah utuk meguji stasioeritas da derajat itegritas dari variabel tersebut. Jika seluruh data

3 36 bersifat stasioer pada level, maka kita bisa lagsug melakuka estimasi VAR terhadap data tersebut. Apabila data yag ada tidak stasioer pada level maka aka dilakuka uji koitegrasi pada level da apabila hasilya terkoitegrasi, maka dapat dilakuka estimasi terhadap data megguaka estimasi VECM. Data Time Series pada Level Pegujia Akar Uit Stasioer Tidak Stasioer VAR Uji Korelasi atar eror Uji Koitegrasi pada level Uji Akar Uit pada First Diferece Korelasi Tiggi Korelasi Redah Terkoite -grasi Tidak Terkoitegrasi Stasioer Tidak Stasioer SVAR VAR VECM VAR FD Impulse Respose Fuctio da Forecast Error Variace Decompositio Gambar 3.1 Proses Aalisis VAR da VECM Vector Autoregresive (VAR) Pegguaa pedekata struktural atas pemodela persamaa simulta biasaya meerapka teori ekoomi di dalam usahaya utuk medeskripsika hubuga atar variabel yag igi diuji. Aka tetapi, serig ditemuka bahwa teori ekoomi saja teryata tidak cukup baik di dalam meyediaka spesifikasi

4 37 yag tepat atas hubuga diamis atar variabel. Terkadag, proses estimasi da iferesi bahka mejadi lebih rumit karea keberadaa variabel edoge di kedua sisi persamaa yaitu edogeitas variabel di sisi depede da idepedeya. Metode VAR yag merupaka ciptaa Sims pada tahu 1980 kemudia mucul sebagai jala keluar atas permasalaha ii melalui pedekata ostrukturalya. Secara garis besar terdapat empat hal yag igi diperoleh dari pembetuka sebuah sistem persamaa, yaitu deskripsi data, peramala iferesi struktural, da aalisis kebijaka. VAR meyediaka alat aalisa bagi keempat hal tersebut melalui empat macam pegguaaya, seperti Forecastig utuk ekstrapolasi ilai saat ii da masa depa seluruh variabel dega memafaatka seluruh iformasi masa lalu variabel, Impulse Respose Fuctios (IRF) utuk melacak respo saat ii da masa depa setiap variabel akibat perubaha atau shock suatu variabel tertetu, Forecast Error Decompositio of Variace (FEDVs) utuk memprediksi kotribusi persetase varias setiap variabel terhadap perubaha suatu variabel tertetu. VAR adalah model apriori terhadap teori ekoomi. Namu demikia model ii sagat bergua dalam meetuka tigkat eksogeitas suatu variabel ekoomi dalam sebuah sistem ekoomi di maa terjadi salig ketergatuga atar variabel dalam ekoomi. Model ii juga mejadi dasar muculya metode co-itegrasi Johase (1988, 1989) yag sagat baik dalam mejelaska perilaku variabel dalam perekoomia. Model VAR secara matematis dapat diwakili oleh:

5 38 Z t = k A i i=1 Z t 1 + BX t + ε t (3.1) dimaa Zt adalah vektor dari variabel-variabel edoge sebayak m, Xt adalah vektor dari variabel-variabel eksoge sebayak d termasuk di dalamya kostata (itercept). A1,...,Ap, da B adalah matriks-matriks koefisie yag aka diestimasi, da ɛ t adalah vektor dari residual-residual yag secara kotemporer berkorelasi tetapi tidak berkorelasi dega ilai-ilai lag mereka sediri da juga tidak berkorelasi dega seluruh variabel yag ada dalam sisi kaa persamaa di atas. Model VAR tidak bayak tergatug pada teori dalam peyusua model. Semua variabel diaggap dapat mempegaruhi variabel lai maupu sebalikya. Sehigga petig utuk megaggap semua variabel adalah variabel bebas. Model VAR memiliki kelebiha daripada aalisis dega model laiya. Kelebiha dari model ii meurut Gujarati (2003) adalah: 1. Metode VAR megembagka model secara bersamaa di dalam suatu sistem yag kompleks (multivariat), sehigga dapat meagkap hubuga keseluruha variabel di dalam persamaa itu. 2. Uji VAR yag multivariat bisa meghidarka parameter yag bias akibat tidak dimasukkaya variabel yag releva. 3. Uji VAR dapat medeteksi hubuga atar variabel di dalam sistem persamaa dega mejadika seluruh variabel sebagai edoge. 4. Metode VAR terbebas dari berbagai batasa teori ekoomi yag serig mucul termasuk gejala perbedaa palsu (spurious variable) karea bekerja berdasarka data di dalam model ekoometrika kovesioal

6 39 terutama pada persamaa simulta, sehigga meghidari kesalaha peafsira. Selai memiliki kelebiha, model VAR juga medapat kritik dari beberapa ahli. Beberapa kritik tersebut meurut Gujarati (2003) adalah: 1. Model VAR lebih bersifat ateori karea tidak memafaatka iformasi dari teori-teori terdahulu. 2. Model VAR diaggap tidak sesuai utuk implikasi kebijaka karea lebih meitikberatka pada peramala (forecastig). 3. Tataga terberat VAR adalah pemiliha pajag lag yag tidak tepat. 4. Semua variabel yag diguaka dalam model VAR harus stasioer. 5. Koefisie dalam estimasi VAR sulit utuk diiterpretasika Vector Error Correctio Model (VECM) Kosep dasar error correctio model atau ECM pertama kali dicetuska oleh Sarga pada tahu 1964, dalam peelitia hubuga upah dega harga di Iggris Raya (Uited Kigdom). Salah satu keuggula utama ECM adalah kemampuaya megatasi masalah data yag tidak statioer da korelasi spurius (Thomas, 1997). Uit root da statioer merupaka syarat utuk megguaka ECM, dimaa ECM haya diguaka jika miimal salah satu variabel tidak statioer. Jika seluruh data yag diguaka teryata statioer, persamaa tersebut dapat diaalisa dega megguaka OLS. Selajutya, digambarka bagaimaa variabel-variabel yag tidak stasioer dapat diguaka utuk megestimasi model dega mekaisme

7 40 koreksi kesalaha atau ECM ii. Meskipu tidak stasioer, keyataaya variabel-variabel tersebut terkoitegrasi. Hal ii megimplikasika bahwa ada proses peyesuaia mecegah kesalaha dalam jagka pajag mejadi lebih besar lagi. Egel da Grager (1987) telah membuktika bahwa variabel yag terkoitegrasi seperti ii mempuyai koreksi kesalaha. Hubuga koitegrasi tidak boleh diabaika begitu saja. Oleh karea itu, diperluka suatu model yag mampu merestriksi kesalaha kesalaha tersebut. Model VAR yag sebelumya, kemudia direstriksi utuk memperoleh model yag lebih baik utuk megestimasi hasil amata yag diamaka VECM. Spesifikasi VECM merestriksi hubuga jagka pajag variabel variabel edoge agar koverge ke dalam hubuga koitegrasiya, amu tetap membiarka keberadaa diamisasi jagka pedek Pegujia Praestimasi Data Sebelum melakuka estimasi VAR atau VECM terlebih dahulu harus dilakuka beberapa pegujia. Berikut ii adalah beberapa pegujia yag harus dilakuka: 1. Uji Stasioeritas Data Uji stasioeritas dapat dilakuka dega metode ADF sesuai dega betuk tre determiistik yag dikadug oleh setiap variabel. Hasil series stasioer aka berujug pada pegguaa VAR dega metode stadar. Semetara series o stasioer aka berimplikasi pada dua piliha VAR, yaitu VAR dalam betuk first differece atau VECM.

8 41 Keberadaa variabel o stasioer meigkatka kemugkia keberadaa hubuga koitegrasi atar variabel. Maka pegujia koitegrasi diperluka utuk megetahui keberadaa hubuga tersebut. Pegujia koitegrasi sebaikya tetap dilakuka pada data stasioer, megigat terdapatya kemugkia kesalaha pegambila kesimpula pegujia uit root terkait dega the power of test. 2. Peetua Lag Optimum Dalam VAR peetua lag optimal sagat petig karea peetua lag optimal bergua utuk meghilagka masalah autokorelasi dalam sebuah sistem VAR. Utuk meetapka besarya lag yag optimal (lag legth criteria) dapat dilakuka dega megguaka beberapa kriteria atara lai: Akaike Iformatio Criteria (AIC), Schwarz Iformatio Criterio (SIC), Haa Qui Iformatio Criterio (HQ), da Likelihood Ratio (LR). Namu kriteria pajag lag optimum yag aka diguaka pada peelitia ii adalah kriteria SC, karea lebih stabil da kosiste dalam memberika ilai pajag lag optimum. 3. Uji Stabilitas VAR Dalam praktekya, stabilitas sistem VAR dapat dilihat dari ilai iverse roots karakteristik AR poliomialya. Hal ii dapat dilihat dari ilai modulus di Tabel AR roots-ya, jika seluruh ilai AR roots-ya di bawah satu, maka sistem tersebut stabil. 4. Uji Koitegrasi Koitegrasi adalah suatu hubuga jagka pajag atara variabelvariabel yag meskipu secara idividual tidak stasioer, tetapi kombiasi liier

9 42 atara variabel tersebut dapat mejadi stasioer (Thomas, 1997). Salah satu syarat agar tercapai keseimbaga jagka pajag adalah galat keseimbaga harus berfluktuasi di sekitar ol. Dega kata lai, error term harus mejadi sebuah data time series yag stasioer. Ada beberapa metode yag dapat diguaka utuk melakuka uji koitegrasi, seperti Eagle-Grager Coitegratio Test, Johase Coitegratio Test, da Coitegratio Regressio Durbi-Watso Test. Suatu data time series dikataka teritegrasi pada tigkat ke-d atau serig disebut I(d) jika data tersebut bersifat stasioer setelah pediferesia sebayak d kali. Keberadaa persamaa koitegrasi ii aka meetuka metode apa yag aka diguaka pada model tersebut. Bila terdapat hubuga miimal satu persamaa koitegrasi maka metode VECM aka diguaka utuk megestimasi model. Sedagka bila tidak terdapat persamaa koitegrasi maka metode VAR first differece yag aka diguaka Aalisis Model VAR/VECM VAR mampu memberika empat macam aalisis yag aka bergua dalam megeksplorasi data. Forecastig dapat diguaka utuk ekstrapolasi ilai saat ii da masa depa megguaka data dari masa lalu. Impulse Respose Fuctios (IRF) utuk melacak respo saat ii da masa depa setiap variabel akibat perubaha atau shock suatu variabel tertetu, Forecast Error Decompositio of Variace (FEDVs) utuk memprediksi kotribusi persetase varias setiap variabel terhadap perubaha suatu variabel tertetu, da Grager Causality Test yag diguaka utuk megetahui hubuga sebab akibat atar

10 43 variabel. Namu pada peelitia ii haya IRF da FEVD yag aka diguaka utuk mejawab pertayaa pada permasalaha yag telah diajuka Impulse Respose Fuctios (IRF) Impulse respose fuctio (IRF) meujukka arah hubuga da besarya pegaruh suatu variabel edoge terhadap berbagai variabel edoge laiya yag ada dalam suatu sistem diamis VAR. IRF dapat diguaka utuk meeliti pegaruh satu stadar deviasi kejuta dari satu iovasi terhadap ilai variabel edoge saat ii atau utuk waktu yag aka datag (Ariato, et. al, 2010) Forecast Error Decompositio of Variace (FEDV) Variace Decompositio atau Cholesky Decompositio memisahka varia yag ada dalam variabel edoge mejadi kompoe- kompoe kejuta pada berbagai variabel edoge laiya dalam struktur diamis VAR. VDC diguaka utuk meyusu perkiraa error variace suatu variabel, yaitu seberapa besar perbedaa atara variace sebelum da sesudah diberi kejuta, baik kejuta yag berasal dari variabel itu sediri maupu kejuta dari variabel laiya. Oleh karea itu, VDC diguaka utuk megkaji pegaruh relatif suatu variabel terhadap variabel laiya (Ariato, et. al, 2010) Metode Volatilitas Harga Miyak Duia Volatilitas memiliki pegertia sebagai ketidakpastia terhadap data time series. Ketidakpastia ii meggambarka seberapa jauh harga miyak

11 44 meleceg dari harga rata-rataya pada satu periode. Atau juga dapat dikataka meggambarka seberapa besar peyebara harga miyak dari harga rata-rataya. Model yag diguaka utuk meggambarka volatilitas harga miyak duia pada peelitia ii megacu kepada model volatilitas yag diguaka Mork (1989) dalam Gozali (2010). Utuk meghitug volatilitas harga miyak duia maka aka diguaka rumus atau model di bawah ii : D t HV t = (P d [P]) 2 d=1 (3.2) Dimaa HV t adalah historical volatility meujukka volatilitas pada saat t, P d+1 meujukka harga miyak pada hari d, sedagka [P] meujukka harga ratarata pada bula tersebut.