BAB IV METODOLOGI PENELITIAN Dalam peneliian ini, penulis akan menggunakan life cycle model (LCM) yang dikembangkan oleh Modigliani (1986). Model ini merupakan eori sandar unuk menjelaskan perubahan dari abungan masyaraka (privae saving) dari waku ke waku yang sudah dilakukan di beberapa negara. IV.1. Spesifikasi Model Menuru Modigliani (1986) dangan meliha perumbuhan pendapaan per kapia (GY) kia bisa mendapakan versi ermudah dari LCM. LCM akan memperediksikan bahwa peningkaan pada angka GY akan mengakibakan peningkaan pada agrega abungan karena hal ini meningkakan sumber daya masa hidup kelompok penduduk berusia muda relaif erhadap kelompok penduduk berusia ua. Perumbuhan pendapaan ini enu berasal dari kalangan kelompok penduduk pada usia produkif. Namun keika kemakmuran dimasukan ke dalam LCM sebagai variabel yang menjelaskan, model ini memberikan kesimpulan yang ambigu mengenai hubungan abungan dengan perumbuhan. Sebagai conoh, penduduk berusia muda mungkin memperoleh pendapaan yang rendah pada masa sekarang akan eapi aap ingin memiliki kemakmuran yang inggi dan oleh sebab iu mereka akan melakukan pinjaman unuk membiayai (kelebihan) konsumsi mereka pada saa ini dalam rangka mencapai ingka konsumsi yang diinginkan. Dalam kasus ini, pada ingka perumbuhan ekonomi yang inggi, agrega abungan bisa saja menurun jika pola hidup penduduk berusia muda lebih inggi relaif erhadap penduduk berusia ua. Kapan perumbuhan yang lebih inggi meningkakan aau mengurangi ingka 1
abungan adalah erganung pada usia masyaraka iu sendiri. Menuru Deaon & Paxson (000) abungan mempunyai hubungan negaif dengan usia. Permasalahan srukur usia dari masyaraka bisa diaasi dengan perumbuhan populasi (GPOP) dengan asumsi dari Perumbuhan Populasi Berimbang (Modigliani, 1986). Hal ini mengasumsikan peningkaan dari perumbuhan populasi menyebabkan peningkaan dari jumlah penabung dibandingkan dengan jumlah penarik abungan. Hal ini berimplikasi jika semua rumah angga pada dua perekonomian memiliki perilaku menabung yang sama pada seiap perpuaran kehidupan (life cycle), perekonomian dengan perumbuhan populasi yang lebih cepa akan menunjukan ingka abungan agrega yang lebih inggi. Hal lain yang menjadi fakor yang mempengaruhi abungan masyaraka menuru LCM adalah ingka suku bunga riil abungan (RID), dan kemakmuran (W). Pengaruh dari ingka suku bunga erhadap abungan idak dijelaskan secara rinci pada model. Tingka sukubunga yang lebih inggi akan meningkakan harga saa ini (karena adanya opporuniy cos) relaif erhadap harga pada masa yang akan daang (efek subsiusi), yang mana akan menimbulkan insenif masyaraka unuk meningkakan abungan. Jika rumah angga adalah ne-lender 1, ingka suku bunga juga akan meningkakan pendapaan sehingga meningkakan konsumsi dan memperkecil porsi pendapaan yang akan diabung (efek pendapaan). Tingka suku bunga secara posiif meningkakan abungan jika efek subsiusi lebih kua daripada efek pendapaan. 1 Perilaku seseorang yang lebih banyak menabung daripada melakukan kegiaan konsumsi.
IV. Meode Analisis Daa IV..1 Model Peneliian Unuk meliha pengaruh-pengaruh dari hipoesis diaas, digunakan model yang elah digunakan oleh Ahukorala dan Kunal Sen (003) pada kasus ingka abungan di India. Modelnya adalah sebagai beriku: SPR V = f(gy, GPOP, RID, PCY, INF, TOT, SPB, BDN) Dikeahui: SPR adalah ingka abungan masyaraka yang didefinisikan sebagai rasio abungan rumah angga dan perusahaan erhadap disposable income, GY merupakan ingka perumbuhan disposable income per kapia, GPOP, ingka perumbuhan dari populasi masyaraka indonesia, RID, ingka suku bunga abungan, PCY, disposable income per kapia INF, ingka inflasi, TOT, erms of rade yaiu rasio indeks harga barang ekspor erhadap indeks harga barang impor (kedua-duanya dalam maa uang Rupiah), SPB, ingka abungan pemerinah (public saving) sebagai rasio erhadap disposable income,dan BDN, kepadaan kanor bank. IV.. Sasionerias Sasionerias daa merupakan isu pening yang sering diangka di dalam penggunaan analisis daa yang berbenuk ime series. Suau variabel dikaakan sasioner jika nilai raa-raa, varians, dan kovariansnya selalu konsan pada seiap iik 3
waku. Secara lebih lanju, kondisi ini biasanya diikui oleh nilai residualnya yang erdisribusi normal dengan raa-raa di iik nol dan sandar deviasi erenu (whie noise). Sasionerias dari sebuah variabel menjadi pening karena pengaruhnya pada hasil esimasi regresi. Regresi anara variabel-variabel yang idak sasioner akan menghasilkan fenomena regresi palsu (spurious regressioan), dimana nilai koefisien yang dihasilkan dari esimasi menjadi idak valid dan suli unuk dijadikan pedoman. Selain iu, saisik dan F saisiik juga idak valid karena adanya sandard error yang bias. Benuk paling sederhana dari series yang idak sasioner adalah benuk random walk seperi y = y 1 + ε. Dimana ε merupakan gangguan random yang bersifa sasioner. Series y memiliki konsana yang nilainya cenderung berubah sesuai dengan perubahan waku, sehingga idak sasioner. Akan eapi random walk disebu difference saionary series, karena urunan peramanya berbenuk sasioner, y 1 = ε. y Sebuah difference sasionary series dikaakan erinegrasi dan dilambangkan sebagai I(d), dimana d merupakan ingka inegrasinya. Tingka inegrasi merupakan banyaknya uni roo yang dikandung di dalam sebuah series, aau berapa kali operasi diferensiasi harus dilakukan unuk membua series menjadi sasioner. Pada kasus random walk di aas, uni roo-nya 1, maka y merupakan series I(1). Sebuah series yang sasioner akan memiliki I(0). Meode formal unuk mengeahui sasionerias sebuah series dikenal sebagai uni roo es. Terdapa dua macam meode pengujian uni roo yang sudah digunakan secara luas, perama, meode Dickey-Fuller (DF) dan Augmened Dickey-Fuller (ADF), yang kedua, meode Phillips-Perron (PP). Dalam peneliian ini, uji sasionerias dilakukan dengan kedua-duanya diliha dari jenis daa yang digunakan 4
erkai dengan kua aau idak kuanya fenomena krisis berkorelasi erhadap variabel ersebu. Meode Dickey-Fuller (DF) dan Augmened Dickey-Fuller (ADF) Ilusrasi pengujian Dickey-Fuller dapa diliha dengan menggunakan proses Auo Regressive (1) aau AR(1) beriku: y = µ + ρ 1 + ε...(4.10) y Dimana µ dan ρ adalah parameer dan diasumsikan whie noise. Y akan sasioner jika 1< ρ <1. Jika ρ = 1, maka y merupakan series nonsasioner (random walk wih drif). Oleh karena iu hipoesa series sasioner dapa dievaluasi dengan menguji apakah nilai absolu ρ sama dengan sau. Baik pengujian ADF maupun PP menggunakan hipoesa nol, Ho: ρ = 1, dan H1: ρ < 1, sebagai hipoesa alernaifnya. Pengujian dilakukan melalui esimasi persamaan yang menghilangkan fakor selang variabel dependen ( y 1 ) di kedua sisi persamaan: y = µ + γ 1 + ε...(4.11) y dimana γ = ρ - 1, dengan hipoesa nol Ho: γ = 0, dan hipoesa alernaif H1: γ < 0. Nilai -es yang dihasilkan kemudian akan dibandingkan dengan nilai kriis DF yang dikembangkan oleh MacKinnon (1991), yang selanjunya dikenal sebagai nilai kriis MacKinnon bagi pengujian uni roo. Pengujian uni roo sederhana diaas valid jika series mengikui proses AR(1). Jika series berkorelasi pada ingka yang lebih inggi (higher-order corelaion aau HOC), maka asumsi residual yang whie noise akan dilanggar. Maka selanjunya akan 5
digunakan meode ADF aau PP unuk pengujiannya. Uji ADF membua koreksi parameris bagi HOC dengan mengasumsikan series y akan mengikui proses AR(p). Pengujian uni roo dengan pendekaan ADF melakukan konrol erhadap HOC dengan menambahkan variabel selang dependen (y) dalam benuk difference disisi kanan persamaan regresi seperi beriku: y = µ + γy 1 + δ1 y 1 + δ y +... + δ p 1 y p+ 1 + ε...(4.1) Spesifikasi ADF inilah yang kemudian digunakan unuk menguji hipoesa nol Ho: γ = 0, dan hipoesa alernaif H1: γ < 0. Penggunaan konsana, konsana linier dan ren, aau idak menggunakan keduanya, menjadi opik pembahasan yang serius dalam perkembangan pengujian DF dan ADF. DF dan ADF memiliki kelemahan erkai dengan he power of he es. Memasukkan regressor yang idak perlu ke dalam persamaan akan berakiba pada berkurangnya he power of he es, yang memungkinkan diperolehnya kesimpulan keberadaan sebuah uni roo, walaupun sebenarnya idak. Hamilon (1994) kemudian mengusulkan iga benuk pengujian ADF sesuai dengan benuk plo grafis dari series yang bersangkuan. Jika sebuah series erliha seperi memiliki sebuah ren, maka konsana dan ren perlu dimasukkan ke dalam pengujian. Jika series idak memiliki ren, namun memiliki raa-raa yang idak nol, maka konsana perlu dimasukkan ke dalam pengujian. Terakhir, jika series berflukuasi di sekiar raa-raa nol, maka konsana dan ren idak perlu dimasukkan ke dalam pengujian. IV..3 Ordinary Leas Squares (OLS) Meode Ordinary Leas Squares (OLS) diemukan oleh seorang ahli maemaika berkebangsaan Jerman, yaiu Carl Friedrich Gauss. Meode OLS adalah 6
salah sau meode ekonomerika dimana erdapa variabel independen yang merupakan variabel penjelas dan variabel dependen yang merupakan variabel yang dijelaskan dalam suau persamaan linier. Dalam meode OLS hanya erdapa sau variabel dependen, sedangkan jumlah variabel independen dibolehkan lebih dari sau. Didalam meode ini, variabel dependen bersifa sokasik, yaiu suau variabel yang memiliki suau disribusi probabilias. Sedangkan, variabel independen bersifa deerminisik, yaiu variabel yang sifanya sudah dienukan aau dikeahui nilainya. Dalam koneks pendugaan koefisien regresi sampel, secara umum, meode OLS sudah dierima sebagai suau krieria yang baik, sehingga idak dibuuhkan asumsi-asumsi lebih lanju. Akan eapi, dalam koneks inferensi regresi, yaiu dalam pembuaan pendugaan inerval dan pengujian parameer regresi populasi, dibuuhkan asumsi-asumsi sebagai beriku: 1. Model regresi adalah linier dalam parameer.. Variabel bebas memiliki nilai yang eap unuk sampel yang berulang (bersifa nonsokasik). Implikasinya, variabel bebas idak berhubungan dengan error erm. Aau kovarians anara variabel bebas dan error erm dinyaakan dengan (, X ) [ X ( X )] [ u ( u )] = 0 u i i = i i i i...(4.13) 3. Berkaian dengan error erm, ada beberapa persyaraan sebagai beriku: a. Error erm memiliki raa-raa sama dengan nol dan varians konsan (homoscedasiciy) unuk seiap nilai X i. Sehingga dapa dinyaakan ( ) = 0 u dan i X i ( ) = σ Var u i X i...(4.14) 7
b. Error erm pada suau observasi idak berhubungan dengan error erm pada observasi lain (no-auocorrelaion). c. Error erm (u) memiliki disribusi normal, sehingga implikasinya adalah Y dan disribusi sampling koefisien regresi memiliki disribusi normal. Hasil esimasi OLS sering disebu dengan isilah BLUE (Bes Linier Unbiased Esimaor). Secara sederhana, hasil esimasi yang bersifa BLUE anara lain: 1. Efisien, arinya hasil nilai esimasi memiliki varians yang minimum dan idak bias.. Tidak bias, arinya hasil nilai esimasi sesuai dengan nilai parameer. 3. Konsisen, arinya jika ukuran sampel diambah anpa baas maka hasil nilai esimasi akan mendekai parameer populasi yang sebenarnya. Apabila asumsi normalias erpenuhi, dimana error erdisribusi secara normal dengan raa-raa sama dengan nol dan sandar deviasi konsan aau singkanya dinyaakan dengan u ~ N ( 0, σ ), maka 1. Inercep (a) akan memiliki disribusi normal aau a ~ N(, σ ) 0 a. Koefisien regresi akan memiliki disribusi normal aau b ~ N(, σ ) 0 b Dalam hal ini, asumsi normalias sanga pening unuk penyederhanaan dalam melakukan pendugaan inerval dan pengujian hipoesis secara saisik. IV..4 Uji Parsial Pada pengujian ini signifikansi masing-masing variabel diuji secara individual. Pengujian ini dilakukan dengan menggunakan saisik dengan ingka kesalahan 1 persen. Dari pengujian ini dapa dikeahui apakah suau variabel secara signifikan mampu mempengaruhi model. 8
IV..5 Uji Persamaan Regresi Keseluruhan Dalam pengujian ini diuji apakah semua variabel independen secara bersamasama mempengaruhi variabel dependen. Pengujian ini dilakukan dengan disribusi F, jika semakin inggi nilai disribusi F berari erdapa hubungan yang sanga kua secara linier anar variabel dalam persamaan ersebu. IV..6 Penggujian R Dalam pengujian ini diuji sejauh mana variasi dari variabel dependen mampu dijelaskan oleh variabel independennya. Nilai R merupakan fraksi dari variasi yang mampu dijelaskan oleh independen erhadap variabel dependen. Nilai R berkisar anara 0 1 (0 persen-100 persen), dan jika nilainya mendekai 100 persen maka semakin baik. IV..7 Penggujian Adjused R Masalah yang erjadi jika melakukan pengujian dengan menggunakan R adalah jika variabel independennya diambah maka nilai R akan berambah besar. Pengujian dengan Adjused R secara obyekif meliha pengaruh penambahan variabel independen, apakah variabel ersebu mampu memperkua variasi penjelasan variabel dependen. IV.3 Pelanggaran Asumsi Dasar Saisik Unuk dapa dikaakan sebagai model yang baik, maka model yang dibangun idak boleh melanggar asumsi dasar saisik. Asumsi-asumsi ersebu adalah: IV.3.1 Heeroskedasisias Heeroskedasisias adalah pelanggaran asumsi dimana varians dari seiap error dari variabel independen idak konsan dari waku ke waku. Heeroskedasisias 9
menyebabkan hasil esimasi dengan meode OLS menghasilkan parameer yang bias, idak efisien meskipun konsisen, ini berari koefisien yang dihasilkan bukan berasal dari varians yang erkecil. Pengujian erhadap heeroskedasisias dapa diuji dengan menggunakan Whie-es, jika nilai Obs*R-square lebih besar dari chi square maka dapa dipasikan pada model ersebu erdapa heeroskedasisias. Cara unuk menghilangan heeroskedasisias dapa dilakukan dengan meode GLS (generalized leas square) IV.3. Auokorelasi Auokorelasi adalah pelanggaran asumsi dimana unsur gangguan yang berhubungan dengan observasi dipengaruhi oleh unsur disurbansi aau gangguan yang berhubungan dengan pengamaan lain. Unuk menguji ada idaknya auokorelasi dapa digunakan uji formal dan informal. Uji formal dengan DW saisic, jika DW > aau DW < (idak mendekai ) maka dapa dikaakan adanya indikasi auokorelasi. Akan eapi pengujian dengan DW seringkali menimbulkan ambiguias sehingga diperlukan pengujian formal. Pengujian formal dengan menggunakan uji Breusch-Godfrey Serial Correlaion LM Tes. Jika p value<α maka ada indikasi adanya auokorelasi pada model ersebu. Unuk mengaasi masalah auokorelasi dapa menggunakan cara menambah variabel AR (auoregressive) aau MA (moving Average), menambah lag dependen variabel aau menambah lag pada variabel independen sera melakukan differencing aau melakukan regresi nilai urunan. IV.3.3 Mulikolinierias Mulikolinierias diarikan adanya hubungan yang linier anara beberapa aau semua variabel penjelas pada model regresi. Unuk meliha adanya mulikolinierias 10
pada model dapa dideeksi dengan cara meliha correlaion marix. Jika korelasi anara variabel bebas kurang dari 0,8 maka dapa dikaakan idak ada mulikolinierias. Unuk mengaasi masalah mulikolinierias cara yang paling mudah adalah dengan cara menghilangkan salah sau variabel, eruama yang idak signifikan secara parsial (uji ). Namun hal ini seringkali idak dipergunakan karena akan mencipakan bias parameer yang spesifikasi pada model. IV.4 Sumber Daa Daa yang akan diolah berasal dari berbagai sumber yaiu daa Bank Indonesia, daa ADB dan daa yang dimiliki BPS-CEIC dengan periode analisis dari ahun 1990 hingga ahun 006. Daa yang digunakan adalah daa kuaralan. 11