BAB III METODOLOGI PENELITIAN 3.1 Rancangan Penelitian Penelitian ini menggunakan data kuantitatif tahunan pada rentang waktu antara tahun 1983-2013. Data yang digunakan dalam penelitian ini adalah data GDP (constant 2005), ekspor (export of goods and services constant US$), impor (import of goods and services constant US$) di negara Indonesia. Sumber data yang didapat dari masing-masing variabel adalah dari Worldbank. 3.2 Variabel Penelitian dan Definisi Operasional 3.2.1 Variabel Penelitian Variabel penelitian merupakan objek yang digunakan untuk dipelajari sehingga diperoleh suatu informasi yang dapat ditarik kesimpulannya. Variabel-variabel yang digunakan pada penelitian ini akan dijabarkan sebagai pedoman guna menghindari kesalahan pada interpretasi masalah. Variabel-variabel tersebut dapat dilihat pada tabel berikut ini 41
42 Tabel 3.1 Variabel Penelitian Keterangan Skala Variabel Sifat Variabel Pertumbuhan Ekonomi Skala Ratio Variabel Kontinyu Ekspor Skala Ratio Variabel Kontinyu Impor Skala Ratio Variabel Kontinyu 3.2.2 Definisi Operasional Definisi variabel-variabel yang digunakan dalam penelitian ini adalah: 1. GDP : adalah nilai pasar dari semua barang dan jasa yang diproduksi disuatu negara dalam kurun waktu tertentu. Dalam penelitian ini, GDP (Y) dukur dengan menggunakan nilai GDP berdasarkan harga konstan tahun 2005 dari tahun 1983 sampai dengan tahun 2013, dalam satuan US$. 2. Ekspor : adalah proses transportasi barang atau komoditas dari suatu negara ke negara lain secara legal dengan cara menjualnya kepada negara lain, umunya kegiatan ini terjadi dalam proses perdagangan. Dalam penelitian ini, ekspor (X) diukur dengan menggunakan nilai ekspor berdasarkan harga konstan 2005 dari tahun 1983 sampai dengan tahun 2013, dalam satuan US$. 3. Impor : adalah proses transportasi barang atau komoditas dari suatu negara ke negara lain secara legal dengan cara membelinya dari negara lain, umumnya kegiatan ini terjadi dalam proses perdagangan. Dalam
43 penelitian ini, impor (M) diukur dengan menggunakan nilai impor berdasarkan harga konstan 2005 dari tahun 1983 sampai dengan tahun 2013, dalam satuan US$. 3.3 Teknik Pengumpulan Data Data yang digunakan dalam penelitian ini merupakan data time series berdasarkan runtut waktu tahunan, yaitu mulai dari tahun 1983 hingga tahun 2013. Data berdasarkan negara Indonesia dimana sumber data diperoleh dari Worldbank. Data dalam penelitian ini diuji dengan metode VAR (Vector Auto Regression) dengan menggunakan software E-views 8. 3.4 Metode Analisis Data Alat analisis yang digunakan dalam penellitian ini adalah menggunakan pengujian model VAR. Dimana dalam model ini seluruh variabel dianggap simetris, hal itu dikarenakan sulitnya menentukan secara pasti apakah suatu variabel bersifat endogen (variabel yang akan dijelaskan oleh sebuah model) atau eksogen (variabel yang nilainya ditentukan diluar model), maka untuk pembentukan model yang melibatkan banyak variabel sebaiknya memperlakukan semua variabel menjadi variabel endogen itulah model VAR, Sim (1980). VAR merupakan model yang memperlakukan setiap variabel dalam model secara sistematis. Karena secara individual koefisien didalam model VAR sulit untuk diiterpretasikan sehingga para ahli ekonometrika menggunakan Impulse Respons (Widardjono, 2009).
44 Model VAR adalah model yang tidak terikat dengan suatu model yang didasarkan kepada suatu teori. Artinya model VAR tidak harus disusun secara terstruktur dengan landasan teori yang rumit. Penggunaan model VAR lebih banyak untuk menganalisa apakah variabel-variabel yang digunakan mempunyai keterkaitan satu sama lain. Hal ini sesuai dengan pendapat Nachrowi (2006) bahwa model VAR ini ternyata juga menjawab tantangan kesulitan yang ditemui akibat model struktural yang harus mengacu pada teori. Atau dengan kata lain, model VAR tidak banyak tergantung pada teori, tetapi hanya perlu menentukan: 1) Variabel yang saling berinteraksi (menyebabkan) yang perlu dimasukkan ke dalam sistem 2) Banyaknya variabel jeda yang perlu diikutsertakan dalam model yang diharapkan dapat menangkap keterkaitan antar variabel dalam sistem Dengan program Eviews 8 Aplikasi model VAR mensyaratkan beberapa pengujian, antara lain: Uji Stasioneritas, Penentuan Lag Optimal, Uji Stabilitas VAR, Impulse Response dan Variance Decomposition 3.4.1 Vector Auto Regression (VAR) VAR (Vector Auto Regression) adalah pendekatan non struktural (lawan dari pendekatan struktural, seperti pada persamaan simultan) yang menggambarkan hubungan yang saling menyebabkan (kausalistis) antar variabel dalam sistem. Metode ini mulai dikembangkan oleh Sims pada tahun 1980 yang mengasumsikan bahwa semua variabel dalam model bersifat endogen Analisis kausalitas ekspor,impor dan GDP di Indonesia
45 (ditentukan di dalam model) sehingga metode ini disebut sebagai model yang a teoritis (tidak berlandaskan teori). Hal ini dilakukan karena sering dijumpai keadaan dimana teori ekonomi saja ternyata tidak dapat merangkum (tidak cukup banyak menyediakan spesifikasi) secara tepat dan lengkap hubungan dinamis antar variabel. Menurut Gujarati (2012), ada beberapa keunggulan dari analisis VAR dibanding metode ekonometri lainnya antara lain adalah: 1. Model VAR adalah model yang sederhana dan tidak perlu membedakan mana variabel endogen dan mana variabel eksogen karena semua variabel pada model VAR 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 dibandingkan menggunakan model dengan persamaan simultan yang lebih kompleks. Variabel endogen secara bersama-sama dalam suatu model. Metode VAR juga tetap mempunyai kelemahan. Ada beberapa kelemahan metode VAR, antara lain: (Gujarati, 2012) 1. Model VAR lebih bersifat ateoritik karena tidak memanfaatkan informasi atau teori terdahulu. Oleh karena itu, VAR sering disebut sebagai model yang tidak struktural. Analisis kausalitas ekspor,impor dan GDP di Indonesia
46 2. Tujuan utama metode VAR adalah untuk peramalan, oleh karena itu metode VAR kurang cocok untuk analisis kebijakan. 3. Kendala yang paling besar dalam model VAR adalah dalam penentuan berapa jarak lag yang digunakan. Andaikan kita memiliki model VAR dengan tiga variabel dan memasukan delapan lag untuk setiap variabel dalam setiap persamaan, maka ada 24 parameter lag dalam setiap persamaan ditambah dengan konstanta singga menjadi 25 parameter. Kecuali, ukuran sampelnya besar yang mengestimasi banyaknya parameter yang akan dikonsumsi oleh derajat kebebasan (degree of freedom) dengan semua permasalahan yang dapat muncul dalam kaitannya dengan hal ini. 4. Semua variabel harus stasioner. Jika tidak, data harus ditransformasi dengan benar (misalnya, diambil first difference nya). Hubungan jangka panjang yang diperlukan dalam analisis akan hilang dalam transformasi, dan 5. Impulse Response Function, yang merupakan inti dari analisis menggunakan metode VAR, masih diperdebatkan oleh para peneliti. Analisis kausalitas ekspor,impor dan GDP di Indonesia
47 VAR dapat dimodelkan sebagai berikut : Yt =α1i+σβ1iyt-i+σγ1ixt-i+εt... (1) Xt = α2i+σβ2iyt-i+σγ2ixt-i+εt... (2) dimana: Yt & Xt = vector endogen, α1i & α2i = vektor intercept/ konstanta, β1i & β2i = parameter, εt = vektor sisaan. 3.4.2 Tahapan Pengujian Pengujian pada model pertumbuhan ekonomi dan perdagangan internasional (ekspor dan impor) akan dilakukan untuk melihat hubungan antar variabel GDP, ekspor dan impor di Indonesia. Selanjutnya pengujian model akan dilakukan uji kointegrasi dan estimasi hubungan antar model. Pengujian awal variabel dilakukan dengan menggunakan uji akar unit (unit root test) menggunakan metode uji Phillips-Perron dan identifikasi jenis tren (trend). Jika data stasioner ditingkat level maka dilanjutkan dengan persamaan VAR biasa (unrestricted VAR) yang terdiri dari dua persamaan guna menentukan ordo VAR yang optimal dan dilanjutkan dengan uji kointegrasi menggunakan metode Johansen Cointegration Test. Tahap terakhir adalah melakukan estimasi-estimasi yang menyertai metode VAR, yaitu uji
48 kausalitas, fungsi respon terhadap shock (Impulse Response Function), dan dekomposisi varian (Variance Decomposition). Secara umum tahapan pengujian metode VAR dapat digambarkan sebagai berikut: Gambar 3.1 Proses Pembentukan VAR Sumber : Ascarya 2010
49 3.4.3. Uji Stasioner Uji stasioner adalah langkah pertama dalam pembentukan model VAR yang dilakukan untuk mengetahui apakah data stasioner pada level atau stasioner pada first difference (Widarjono, 2007). Uji stasioner dapat dilakukan dengan menggunakan uji akar unit Augmented Dickey-Fuller (ADF). Model Unit Root Test Y t = ρy t-1 + µ t...(3) Jika ρ = 1, maka model menjadi random walk tanpa trend. Disini akan menghadapi masalah dimana varian Yt tidak stasioner. Dengan demikian Yt dapat disebut mempunyai unit root atau tidak stasioner. Bila persamaan diatas dikurangi pada Yt-1 sisi kanan dan sisi kiri, maka persamaannya menjadi: Y t - Y t-1 = ρy t-1 - Y t-1 + µ t...(4) Y t = ( ρ 1 ) Y t-1 + µ t...(5) Atau dapat ditulis dengan: Y t = δ Y t-1 + µ t...(6) Uji akar unit secara umum dapat dilakukan dengan melihat secara grafis (visual) apakah terdapat trend dalam data atau tidak, dan melihat varian data pada periode penelitian. Jika data pada level tidak stasioner, maka data dapat dimodifikasi menjadi selisih antar data sebelumnya (first difference) sehingga data menjadi stasioner, data ini kemudian disebut terintegrasi pada derajat
50 pertama atau I(1). Variabel-variabel yang tidak stasioner pada level tidak dapat digunakan untuk melihat hubungan jangka panjang dalam VAR. Meskipun penggunaan first difference dalam VAR dapat digunakan, namun identifikasi restriksi jangka panjang tidak dapat dilakukan. Oleh karena itu, kestasioneran data harus diketahui sebelum menggunakan VAR. Null Hypothesis : Ho: data mempunyai unit root dan non stationer Ha: data stationer Penelitian ini menggunakan Augmented Dickey-Fuller (ADF) untuk uji stasioneritas data. Jika dalam tes ini nilai ADF lebih kecil dari Mc Kinnon Critical Value maka dapat disimpulkan bahwa data tersebut stasioner. Namun apabila data berdasarkan uji ADF tidak stasioner maka solusinya adalah dengan melakukan difference non stationary processes. Hasil series stasioner akan berujung pada penggunaan VAR dengan metode standar. Sementara data time series yang tidak stasioner akan berimplikasi kepada penggunaan VAR dalam bentuk first difference. Keberadaan variabel yang tidak stasioner meningkatkan kemungkinan keberadaan hubungan kointegrasi antar variabel.
51 3.4.4. Uji Kointegrasi Sebelum melakukan Uji Kointegrasi harus dipastikan terlebih dahulu apakah variabel-variabel terkait dalam pendekatan ini memiliki derajat integrasi yang sama atau tidak (Insukindro, 1992:b:262). Uji Kointegrasi ini dilakukan untuk mengetahui apakah dalam jangka panjang terdapat hubungan antara variabel independen dengan variabel dependennya. Menurut Engle dan Granger (1987), tujuh dari uji statistik yang digunakan untuk menguji hipotesis null mengenai tidak adanya kointegrasi, namun ternyata Uji Cointegration-Regression Durbin-Watson (CRDW), Dickey- Fuller (DF) dan Augmented Dickey-Fuller (ADF) merupakan uji statistik yang paling disukai untuk menguji ada tidaknya kointegrasi tersebut. Jika data tidak stasioner pada level namun stasioner pada first difference, maka berikutnya harus melakukan pengujian kointegrasi. Apabila terdapat kointegrasi maka model yang tepat adalah model Vector Error Correction Model (VECM). Model VECM ini merupakan model restriksi (restricted VAR) karena adanya kointegrasi yang menunjukkan adanya hubungan jangka panjang antar variabel di dalam sistem persamaan VAR (Widarjono 2007).
52 3.4.5. Uji Lag Optimal Penentuan lag optimal sangat penting dalam analisis yang menggunakan metode VAR, karena dalam model VAR suatu variabel juga dipengaruhi dirinya sendiri selain variabel lain. Pengaruh variabel terhadap dirinya sendiri harus tepat lama pengaruhnya, tidak boleh terlalu cepat ataupun terlalu lama agar estimasi yang dihasilkan dapat diandalkan. Jika lag yang ditetapkan terlalu panjang maka akan membuang dengan percuma derajat bebas, sedangkan jika lag yang ditetapkan terlalu pendek maka akan mengakibatkan spesifikasi model yang salah. Kriteria-kriteria yang dapat digunakan untuk menetapkan besarnya lag optimal diantaranya Akaike Information Criterion (AIC), Schwarz Information Criterion (SIC), Hannan-Quinn Information Criterion (HQ), Final Prediction Error (FPE) dan Likelihood Ratio (LR). Sebelum menentukan lag optimal perlu dilakukan pengujian lag maksimal. Lag maksimal didapat jika roots memilki modulus lebih kecil sari satu dan semua terletak dalam unit circle, sehingga akan didapat bentuk persamaan VAR yang stabil (Ascarya, 2010).
53 3.4.6. Uji Stabilitas VAR Sebelum masuk pada tahapan analisis hasil dari Uji Impulse Respons Function (IRF) dan Variance Decomposition (VD), hasil estimasi sistem persamaan VAR yang telah terbentuk perlu diuji stabilitasnya melalui VAR stability condition check yang berupa roots of characterictic polynomial terhadap seluruh variabel yang digunakan dikalikan jumlah lag dari masingmasing VAR. Stabilitas sistem VAR dilihat dari inverse roots karakteristik AR polinomial. Hal ini dapat dilihat dari nilai modulus di tabel AR-nomial, jika seluruh nilai AR-roots di bawah 1, maka sistem VAR dianggap stabil. Uji stabilitas VAR dilakukan dengan menghitung akar-akar dari fungsi polinomial atau dikenal dengan roots of characteristic polinomial. Jika semua akar dari fungsi polinomial tersebut berada di dalam unit circle atau jika nilai absolutnya < 1 maka model VAR tersebut dianggap stabil sehingga hasil IRF dan VD akan dianggap valid. 3.4.7. Respons Terhadap Adanya Inovasi (Impulse Response) Impulse response function menelusuri pengaruh kontemporer dari satu standar deviasi shock dari satu inovasi terhadap nilai-nilai variabel endogen saat ini atau nilai mendatang. Suatu shock dari variabel endogen langsung berpengaruh terhadap variabel itu sendiri dan juga diteruskan terhadap variabel
54 endogen lainnya melalui struktur dinamis dari VAR. Impulse response function (IRF) memberikan arah hubungan dan besarnya pengaruh antar variabel endogen karena menunjukkan pengaruh satu standar deviasi dari shock variabel endogen terhadap variabel endogen lainnya maupun variabel itu sendiri. Dengan demikian shock atas suatu variabel dengan datangnya informasi baru akan mempengaruhi variabel itu sendiri dan variabel-variabel lainnya dalam sistem. Respons terhadap adanya inovasi merupakan salah satu metode estimasi pada VAR yang digunakan untuk melihat Respons variabel endogen terhadap adanya pengaruh inovasi (shock) variabel endogen yang lain. Indikator kekuatan variabel dalam merespons shock suatu variabel diukur dengan order of magnitude. Jika order of magnitude suatu variabel semakin lebar (jauh dari titik keseimbangan), maka semakin kuat variabel tersebut merespons shock instrumen moneter atau perubahan variabel lainnya. Indikator untuk kekuatan respons juga dapat dilihat dari Uji VD. 3.4.8. Dekomposisi Varian (Variance Decomposition) Dekomposisi varian merupakan metode lain dari sistem dinamik dengan menggunakan VAR. Apabila Respons terhadap adanya inovasi menunjukkan efek dari sebuah kebijakan (shock) variabel endogen terhadap variabel lain. Dekomposisi varian menguraikan inovasi pada sebuah variabel endogen terhadap komponen goncangan (shock) dari variabel endogen yang lain.
55 Dengan kata lain, untuk memahami karakteristik dari perilaku dinamis adalah dengan variance decomposition. Jika impulse response functions dapat melacak pengaruh dari suatu shock yang terjadi terhadap endogenous variabel dalam sistem, maka variance decomposition memisahkan varian yang ada dalam variabel endogen menjadi komponen-komponen shock pada variabel endogen dalam VAR. Variance decomposition digunakan untuk menyusun perkiraan error variance suatu variabel, yaitu seberapa besar perbedaan antara variasi sebelum dan sesudah shock, baik shock yang berasal dari diri sendiri maupun shock dari variabel lain atau untuk melihat pengaruh relatif variabel-variabel penelitian terhadap variabel lainnya. Prosedurnya dengan mengukur persentase kejutan-kejutan atas masing-masing variabel. Variance decomposition menunjukkan kekuatan hubungan Granger causality yang mungkin ada diantara variabel-variabel. Dengan kata lain, jika suatu variabel menjelaskan porsi yang besar dalam forecast error variance dari variabel lain atau sebaliknya, mengindikasikan hubungan Granger causality yang kuat.
56 3.5 Model VAR Model penelitian mengenai hubungan kausalitas variabel GDP, ekspor (X) dan impor (M) menggunakan model Vector Auto Regression (VAR). Apabila semua variabel dilibatkan dalam penelitian ini dirumuskan dalam model VAR, maka penelitian ini adalah sebegai berikut : GDP = C(1,1)*GDP(-1) + C(1,2)*EKSPOR(-1) + C(1,3)*IMPOR(-1) + C(1,4) EKSPOR = C(2,1)*GDP-1) + C(2,2)*EKSPOR(-1) + C(2,3)*IMPOR(-1) + C(2,4) IMPOR = C(3,1)*GDP(-1) + C(3,2)*EKSPOR(-1) + C(3,3)*IMPOR(-1) + C(3,4)