28 III. METODE PENELITIAN 3.1. Data 3.1.1. Jenis dan Sumber Data Jenis data yang digunakan dalam penelitian ini adalah data sekunder. Bentuk data berupa data time series dengan frekuensi bulanan dari Januari 2000 hingga Desember 2011. Pada penelitian ini juga ditambahkan variabel dummy Inflation Targeting Framework. Data-data sekunder diperoleh dari Bank Indonesia, OECD.Stat (Organisation for Economic Co-operation and Development), EIA (Energy Information Administration), dan FAO (Food Agricultural Organization). Selain itu, data didapatkan melalui literatur dari perpustakaan, buku, jurnal, internet dan media informasi lainnya. 3.1.2. Variabel Variabel Penelitian Pada penelitian ini variabel yang digunakan adalah inflasi, nilai tukar, harga minyak dunia, harga pangan dunia, pertumbuhan uang beredar, PDB, suku bunga, pengeluaran pemerintah dan ekspektasi inflasi. Semua data dikonversi dalam bentuk logaritma natural, kecuali data inflasi, pertumbuhan uang beredar, dan suku bunga. Proksi data yang digunakan pada masing-masing variabel adalah sebagai berikut:
29 Tabel 3.1 Variabel, Proksi Data, Satuan dan Sumber Variabel INFLASI KURS Eksternal OILPRICE Proksi data yang digunakan Inflasi month to month Nilai tukar rupiah terhadap US dolar Harga spot minyak mentah West Texas Intermediate Satuan Persen Rupiah per US $ US $ per barel Sumber OECD.Stat Bank Indonesia Energy Information Administration FPI Indeks Pangan Harga Indeks Food Agricultural Organization M2GROWTH Pertumbuhan M2 Persen Bank Indonesia PDB PDB berdasarkan harga konstan tahun 2000 Miliar rupiah Bank Indonesia Internal SB Suku bunga SBI Persen Bank Indonesia G INFLASI (-1) Konsumsi Pengeluaran Pemerintah Inflasi bulan sebelumnya Miliar rupiah Persen Bank Indonesia OECD.Stat 3.2. Metode Analisis Analisis yang digunakan pada penelitian ini adalah analisis deskriptif dan analisis ekonometrika. 3.2.1. Analisis Deskriptif Analisis deskriptif adalah analisis yang digunakan untuk memberikan gambaran umum tentang data yang telah diperoleh. Analisis deskriptif dapat dilakukan dengan menggunakan bantuan grafik, tabel dan diagram. Dalam penelitian ini, analisis deskriptif dilakukan untuk mengetahui gambaran umum
30 mengenai perkembangan laju inflasi yang terjadi di Indonesia selama tahun 2000 hingga 2011. Analisis ini juga digunakan untuk menggambarkan perkembangan variabel eksternal seperti nilai tukar, harga minyak dunia, dan indeks harga pangan dunia. Selain itu juga analisis ini digunakan untuk menggambarkan variabel internal seperti uang beredar, suku bunga, PDB dan pengeluaran pemerintah. 3.2.2. Analisis Ekonometrika Analisis ekonometrika adalah analisis yang menggunakan model statistik dalam menjelaskan perilaku ekonomi (Juanda, 2009). Pada penelitian ini akan menggunakan analisis Vector Error Correction Model karena data yang digunakan tidak semua stasioner pada level dan terdapat kointegrasi diantara variabel-variabel tersebut. 3.2.2.1. Uji Stasioneritas Dalam uji stasioneritas ini digunakan uji akar unit (unit root test). Uji ini dilakukan guna menentukan stasioner atau tidaknya suatu variabel. Tujuan dari uji ini adalah untuk mendapatkan nilai rata-rata yang stabil sehingga model regresi yang diperoleh memiliki kemampuan prediksi yang handal dan menghindari timbulnya regresi lancung (spurious regression). Pengujian stasioneritas secara teori dan prakteknya menggunakan tiga asumsi dasar yaitu tidak adanya trend dan konstanta, adanya konstanta, adanya trend dan konstanta. Dalam melakukan uji statistik dan hipotesis alternatif yang sesuai diperlukan pengujian adanya trend pada data deret waktu. Pengujian trend
31 ini dilakukan untuk menghasilkan uji unit root yang lebih powerfull. Langkah awal yang dilakukan adalah dengan melihat adanya trend pada data dengan menggunakan grafik. Uji akar unit pertama kali dikembangkan oleh Dickey Fuller, dasar uji stasioner data dengan akar unit dapat dijelaskan melalui persamaan: Y t = ρy t-1 + e t, dimana -1 ρ 1 (3.1) Dimana ρ adalah koefisien autoregresif dan e t adalah rresidual yang bersifat random dimana residualnya memiliki mean nol, varians konstan dan nonautokorelasi. Residual yang seperti itu disebut white noise. Jika pada persamaan 3.1 memiliki ρ=1, maka dikatakan bahwa variabel Y memiliki unit root. Jika suatu data memiliki akar unit, maka data tersebut tidak stasioner. Dalam bentuk hipotesis dapat ditulis: Ho: ρ = 1 (series memiliki akar unit) Ho: ρ 1 (series tidak memiliki akar unit) Persamaan (3.1) dapat dinyatakan dalam bentuk lain (turunan pertama), yaitu: Y t - Y t-1 = ρy t-1 - Y t-1 + e t Y t = (ρ-1) Y t-1 + e t Y t = δ Y t-1 + e t (3.2) Dari persamaan diatas dapat dibuat hipotesis: Ho: δ = 0 (series memiliki akar unit) Ho: δ 0 (series tidak memiliki akar unit) Dengan menggunakan uji ADF (Augmented Dickey-Fuller), suatu variabel dapat dilihat kestasionerannya. Jika koefisien ADF statistic lebih besar dari
32 Critical Value McKinnon (1%, 5%, 10%) artinya terima Ho dimana series memiliki akar-akar unit. Dan dapat disimpulkan variabel tersebut tidak stasioner. Apabila tidak stasioner pada level, maka dilanjutkan ke tahap Uji Derajat Integrasi (integration test). Jika koefisien ADF statistic lebih kecil dari Critical Value McKinnon (1%, 5%, 10%) artinya tolak Ho dimana series tidak memiliki akarakar unit. Dan dapat disimpulkan variabel tersebut stasioner. 3.2.2.2. Uji Lag Optimal Uji lag optimal sangat penting dalam pendekatan VAR. Tujuan dari uji lag optimal karena uji lanjutan pada VAR dan VECM sangat peka terhadap panjang lag. Penentuan lag optimal harus mempertimbangkan adanya kemungkinan korelasi antar residual dan penurunan degree of freedom dari persamaan yang dihasilkan dan jumlah parameter yang diestimasi menjadi semakin banyak sehingga tidak efisien. Pengujian panjang lag yang optimal dapat memanfaatkan beberapa informasi yaitu dengan menggunakan Akaike Information Criteria (AIC), Schwarz Information Criterion (SC), dan Hannan-Quinn Criterion (HQ). Jika kriteria informasi hanya merujuk pada sebuah kandidat selang, maka kandidat tersebutlah yang optimal. Namun, jika diperoleh lebih dari satu kandidat, maka dilanjutkan pada perbandingan nilai adjusted R 2 VAR dari masing-masing kandidat lag. Lag optimal yang dipilih dari sistem VAR yaitu yang menghasilkan nilai adjusted R 2 terbesar dalam sistem. 3.2.2.3. Uji Stabilitas VAR Setelah dilakukan uji stasioneritas, maka tahap selanjutnya dalam estimasi VAR adalah uji stabilitas VAR. Uji ini dimaksudkan untuk mengetahui valid atau
33 tidaknya analisis Impulse Response Function. Uji stabilitas VAR dilakukan dengan menghitung akar-akar dari fungsi polinomial. Jika semua akar dari fungsi polinomial berada dalam unit circle atau jika nilai absolutnya < 1 maka model VAR tersebut stabil, sehingga Impulse Response Function valid. 3.2.2.4. Uji Kointegrasi Uji ini merupakan lanjutan dari uji akar unit dan uji derajat integrasi. Dalam uji kointegrasi ini bertujuan untuk medeteksi stabilitas hubungan jangka panjang antara variabel independen dengan variabel dependennya. Dalam penelitian ini menggunakan Johansen Cointegrating Test. Hipotesis nol dalam uji ini adalah tidak ada kointegrasi. Jika trace statistic > critical value, maka tolak Ho sehingga persamaan tersebut terkointegrasi. 3.2.2.5. Vector Autoregressive (VAR) Vector Autoregressive (VAR) pertama kali diperkenalkan oleh Sims pada tahun 1980. Dalam konteks ekonometrika modern VAR termasuk ke dalam multivariate time series analysis. VAR menyediakan cara yang sistematis untuk menangkap perubahan yang dinamis dalam multiple time series, serta memiliki pendekatan kredibel dan mudah untuk dipahami bagi pendeskripsian data, forecasting (peramalan), inferensi struktural, serta analisis kebijakan. Menurut Nachrowi (2006) terdapat beberapa kelebihan dan kelemahan model VAR ini. Beberapa kelebihan dari model VAR, yaitu:
34 1. Model VAR adalah model yang sederhana dan tidak perlu membedakan mana variabel yang endogen dan mana yang eksogen. Semua variabel pada model VAR dapat dianggap sebagai variabel endogen. 2. Cara estimasi model VAR sangat mudah, yaitu dengan menggunakan OLS pada setiap persamaan secara terpisah. 3. Peramalan menggunakan model VAR pada beberapa hal lebih baik dibanding menggunakan model dengan persamaan simultan yang lebih kompleks. Sekalipun banyak kelebihan, model VAR tetap mempunyai sisi lemah. Ada beberapa kelemahan yang dimiliki model tersebut, antara lain: 1. Model VAR lebih bersifat a-teoritik karena tidak memanfaatkan informasi atau teori terdahulu. Oleh karenanya, model tersebut sering disebut sebagai model yang tidak struktural. 2. Mengingat tujuan utama model VAR untuk peramalan maka model VAR kurang cocok untuk analisis kebijakan. 3. Tantangan terberat VAR adalah pemilihan panjang lag yang tepat. 4. Semua variabel dalam VAR harus stasioner, jika tidak stasioner maka harus ditransformasikan terlebih dahulu. 5. Interpretasi koefisien yang didapat berdasarkan model VAR tidak mudah. 3.2.2.6. Vector Error Correction Model (VECM) Vector Error Correction Model (VECM) adalah model VAR terestriksi yang digunakan untuk variabel yang non-stasioner tetapi memiliki potensi untuk terkointegrasi. Hal yang perlu diperhatikan pada variabel yang berkointegrasi
35 adalah apabila suatu model menghendaki adanya persamaan jangka panjang, pergerakan dari beberapa variabel mengadakan reaksi adanya kecenderungan ketidakseimbangan dalam jangka pendek yang sering kita temui dalam peristiwa ekonomi. Hal ini berarti apa yang diinginkan perilaku ekonomi belum tentu sama dengan apa yang sebenarnya terjadi. Untuk itu suatu model yang memasukkan penyesuaian untuk melakukan koreksi bagi ketidakseimbangan atau model koreksi kesalahan (Vector Error Correction Model). Model dari VECM dapat ditulis sebagai berikut: Y t = α 0 + α 1 X t + α 2 ECT t-1 + e t (3.3) Dimana: ECT t-1 = (Y t-1 β 0 β 1 X t-1 ) (3.4) = konstanta = koefisien jangka pendek α 2 = koefisien koreksi ketidakseimbangan yang menjelaskan seberapa cepat waktu yang dibutuhkan untuk mencapai nilai keseimbangannya. α 0 α 1 3.2.2.7. Impulse Response Function (IRF) Impulse Response Function (IRF) adalah suatu metode yang digunakan untuk menentukan respon suatu variabel endogen terhadap suatu shock tertentu. Hal ini dikarenakan shock 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 VECM. Dengan kata lain IRF mengukur respon suatu variabel dimasa datang ketika terjadi suatu guncangan (Firdaus, 2011).
36 3.2.2.8. Forecast Error Variance Decompotition (FEVD) Metode yang dapat dilakukan untuk melihat bagaimana perubahan dalam suatu variabel yang ditunjukkan oleh perubahan error variance dipengaruhi oleh variabel-variabel lainnya adalah FEVD. Metode ini mencirikan suatu struktur dinamis dalam model VAR/VECM. Dalam metode ini dapat dilihat kekuatan dan kelemahan masing-masing variabel memengaruhi variabel lainnya dalam kurun waktu yang panjang. Dengan kata lain, FEVD dapat digunakan untuk menganalisis kontribusi dari masing-masing variabel independen terhadap variabel dependennya (Firdaus, 2011).