46
III.
3.1.
METODE PENELITIAN
Jenis dan Sumber Data Jenis data yang digunakan adalah data sekunder berupa data time series
dari tahun 1986-2010. Data tersebut diperoleh dari Badan Pusat Statistik (BPS), Bank Indonesia, Econstats, World Development Indicators 2011, United Nations Conference on Trade and Development (UNCTAD), studi kepustakaan melalui jurnal, artikel, dan makalah, serta instansi-instansi terkait lainnya. Data yang digunakan adalah data jumlah perdagangan (ekspor dan impor) terhadap GDP Indonesia, consumer price index Indonesia dan Amerika Serikat, inflasi Inggris, LIBOR, GDP, data nilai tukar nominal (nominal exchange rate), serta data external debt stocks Indonesia.
3.2.
Variabel dan Definisi Operasional Adapun variabel dan definisi operasional variabel yang digunakan dalam
penelitian ini adalah sebagai berikut: 1.
FD merupakan foreign debt yaitu total pinjaman luar negeri Indonesia yang merupakan penjumlahan utang publik, swasta, kredit IMF, utang jangka pendek dan utang jangka panjang dalam US$.
2.
TRADE
merupakan
trade
openness
yaitu
indikator
liberalisasi
perdagangan yang berupa penjumlahan ekspor dan impor terhadap GDP dalam persen. 3.
LIBOR merupakan international interest rate yaitu tingkat bunga pinjaman internasional yang disesuaikan dengan inflasi Inggris dalam persen.
4.
GDP merupakan gross domestic product yang menjadi indikator yang mengukur pertumbuhan ekonomi di Indonesia dalam US$.
5.
RER merupakan real exchange rate yaitu nilai tukar nominal (ukuran nilai mata uang terhadap rata-rata tertimbang dari beberapa mata uang asing) dibagi dengan harga deflator atau indeks biaya (Rp / US$).
47
3.3
Metode Analisis dan Pengolahan Data Alat analisis yang digunakan dalam penelitian ini adalah metode Granger
Causality (Kausalitas Granger), Vector Auto Regression (VAR) dan Vector Error Correction Model (VECM) dalam mengelolah beberapa data time series.
3.3.1. Metode Granger Causality (Kausalitas Granger) Studi kausalitas ditujukan untuk mengukur kekuatan hubungan antar variabel dan menunjukkan arah hubungan sebab akibat, dimana X menyebabkan Y, Y menyebabkan X, atau X menyebabkan Y dan Y menyebabkan X. Uji kausalitas Granger dipercaya jauh lebih bermakna dari uji korelasi biasa (Ascarya, 2009). Dengan melakukan uji kausalitas Granger dapat diketahui beberapa hal, sebagai berikut: Apakah X mendahului Y, apakah Y mendahului X, atau hubungan X dan Y timbal balik. Suatu variabel X dikatakan menyebabkan variabel lain Y, apabila Y saat ini diprediksi lebih baik dengan menggunakan nilai-nilai masa lalu X. Asumsi dalam uji ini adalah bahwa X dan Y dianggap sepasang data runtut waktu yang memiliki kovarian linier yang stasioner. Secara matematis, persamaan kausalitas Granger ini dapat dituliskan sebagai berikut: Yt = ∑ aiYt-i + ∑ bjXt-j + vt ; X → Y jika bj > 0
(3.1)
Xt = ∑ ciYt-i + ∑ djXt-j + ut ; Y → X jika dj > 0
(3.2)
Dari hasil regresi persamaan (3.1) dan (3.2) di atas, maka akan dihasilkan empat kemungkinan nilai koefisien regresi, masing-masing nilai koefisien adalah:
48
tidak saling mempengaruhi (independence atau tidak signifikan) antara satu dengan lainnya.
terdapat hubungan kausalitas (feedback atau bilateral causality) antara satu dengan lainnya.
3.3.2. Metode Vector Auto Regression (VAR) Pendekatan VAR merupakan rangkaian model time series multivariat yang dikembangkan oleh Sims. VAR adalah suatu sistem persamaan yang memperlihatkan setiap peubah sebagai fungsi linier dari konstanta dan nilai lag dari peubah-peubah yang ada dalam system (Enders, 2004). Dalam model VAR, semua variabel yang digunakan dalam analisis dianggap berpotensi menjadi variabel endogen, dengan mengabaikan pemisahan antara variabel eksogen dan endogen atau dalam arti lain yaitu semua variabel berhak menjadi variabel dependent dan independent. Selain VAR, terdapat pula VAR FD (Vector Auto Regression First Difference). Perbedaan keduanya terletak pada kestasioneritasan data yang digunakan. Model umum VAR sebagai berikut (Achsani et al, 2005): Xt = µt +
i
+ Xt-1 + εt
(3.3)
dimana, Xt = vektor dari variabel endogen dengan dimensi (n x 1), µt = vektor dari variabel eksogen, termasuk konstanta (intersep) dan tren, Ai = koefisien matriks dimensi (n x n), εt = vektor dari residual.
3.3.3. Metode Vector Error Correction Model (VECM) Data stasioner atau tidak mengandung unit root merupakan syarat pertama dalam metode VAR. Namun pada umumnya, data time series tidak stasioner pada level, dan baru stasioner pada perbedaan pertama atau first difference, yang
49
menyebabkan hilangnya informasi jangka panjang. Model VECM dapat digunakan untuk mengantisipasi hilangnya informasi jangka panjang, dan apabila terdapat minimal satu persamaan yang terkointegrasi. Model umum VECM sebagai berikut (Achsani et al, 2005): ∆Xt = µt + πXt-1 + Dimana π dan
i∆Xt-i + εt
(3.4)
merupakan fungsi dari Ai (pada model umum VAR). Matriks π
dapat dipecah menjadi dua matriks λ dan β dengan dimensi (n x r). π = λβ τ, dimana λ merupakan matriks penyesuaian, β merupakan vector kointegrasi, dan τ merupakan rank kointegrasi.
3.3.4. Pengujian Pra Estimasi 3.3.4.1.Uji Stasioneritas Data Data time series pada umumnya tidak stasioner, oleh karena itu harus dilakukan uji stasioneritas data terlebih dahulu. Uji stasioneritas data atau sering disebut dengan unit root test, merupakan langkah awal yang dilakukan untuk mengestimasi sebuah model yang akan digunakan. Regresi model dengan menggunakan data yang tidak stasioner akan menyebabkan spurious regression (R2 tinggi, t statistik dan f statistik signifikan tetapi dw relatif kecil yaitu < 0,5). Regresi tersebut terlihat bagus namun pada kenyataannya tidak dan dapat menimbulkan autokorelasi. Unit root test dapat dilakukan dengan uji Augmented Dicky-Fuller (ADF) dan menggunakan taraf nyata lima persen. Menurut Gujarati (2003), ADF dapat diuji dengan persamaan sebagai berikut: ∆Yt = β1 + β2t + δYt-1 + αi
∆Yt-1 + εt
(3.5)
dimana εt = pure white noise error term, ∆Yt-1 = (Yt-1 - Yt-2) dan seterusnya. Selain itu, perlu dilakukan juga uji nilai t-statistik dari estimasi δ, untuk mengetahui apakah data time series bersifat stasioner atau tidak. Uji statistik memiliki rumus sebagai berikut: thit = δ / Sδ
(3.6)
Dengan pengujian hipotesis yaitu H0 = δ = 0 (terdapat akar-akar unit atau tidak stasioner) dengan hipotesis alternatifnya yaitu H1 = δ < 0 (tidak terdapat akar-akar unit atau stasioner). Apabila nilai t-statistik lebih kecil dari nilai statistik ADF, maka hasil yang didapat adalah tolak H0. Dimana, jika H0 ditolak dan menerima
50
H1, maka data yang digunakan bersifat stasioner atau tidak terdapat unit root , dan begitu juga sebaliknya.
3.3.4.2.Uji Lag Optimum Langkah penting yang harus dilakukan dalam model VAR adalah uji lag optimum. Uji ini dilakukan untuk membentuk model VAR yang baik dengan penentuan panjang lag yang optimal yang digunakan dalam model. Penentuan jumlah lag optimal yang akan digunakan dalam model VAR dapat ditentukan berdasarkan kriteria Akaike Information Criterion (AIC), Schwarz Information Criterion (SC) dan Hannan Quinnon Criterion (HQ). Menurut Gujarati (2003), lag yang akan dipilih adalah model dengan nilai yang paling kecil. Karena, jika terlalu banyak panjang lag, maka akan mengurangi degree of freedom atau derajat bebas, sehingga lag yang lebih kecil disarankan untuk dapat memperkecil spesifikasi error. Rumus untuk menghitung nilai AIC, SC dan HQ adalah: AIC = - 2 ( ι / T ) + 2 ( κ / T )
(3.7)
SC = - 2 ( ι / T ) + κ log(T) / T
(3.8)
HQ = - 2 ( ι / T ) + 2κ log(log(T)) / T
(3.9)
3.3.4.3.Uji Stabilitas VAR Metode analisis yang akan digunakan untuk melakukan analisis pengaruh liberalisasi perdagangan terhadap beban utang luar negeri Indonesia adalah analisis impuls respon (IRF) dan analisis peramalan dekomposisi ragam galat (FEVD). Kedua analisis tersebut dapat digunakan setelah uji stabilitas VAR dilakukan. Melalui VAR stability condition check, dengan menghitung akar-akar fungsi polinominal atau roots of characteristic polinominal. Jika semua akar dari fungsi polinominal tersebut berada di dalam unit circle atau jika nilai absolutnya < 1 maka model VAR tersebut dianggap stabil sehingga IRF dan FEVD yang dihasilkan dianggap valid.
3.3.5. Uji Kointegrasi Uji kointegrasi dilakukan untuk menentukan kointegrasi antar variabel yang tidak stasioner, dimana kombinasi linear dari dua atau lebih variabel yang
51
tidak stasioner akan menghasilkan variabel yang stasioner, sesuai dengan konsep kointegrasi yang dikemukakan oleh Engle dan Granger dalam Enders (2004). Kointegrasi ini dapat diinterpretasikan sebagai hubungan jangka panjang antar variabel yang telah memenuhi persyaratan selama proses integrasi yaitu dimana semua variabel telah stasioner pada derajat yang sama yaitu derajat 1, I(1). Uji kointegrasi dilakukan dengan menggunakan uji kointegrasi Johansen, secara matematis ditunjukkan dengan persamaan berikut: ∆yt = β0 + ∏ yt-1 +
i ∆yt-1 + εt
(3.9)
Dengan pengujian hipotesis yaitu H0 = tidak terkointegrasi dengan hipotesis alternatifnya yaitu H1 = kointegrasi, dimana jika trace statistic > critical value, maka akan tolak H0 atau terima H1 yang artinya terjadi kointegrasi. Analisis Vector Error Correction Model (VECM) dapat dilanjutkan setelah jumlah persamaan yang terkointegrasi telah diketahui.
3.3.6. Innovation Accounting 3.3.6.1.Impulse Response Function (IRF) Impulse Response Function (IRF) merupakan salah satu instrumen VECM yang digunakan untuk menunjukkan bagaimana shock yang diberikan kepada suatu variabel endogen dapat berpengaruh terhadap variabel endogen lainnya. Menurut Pindyk dan Rubinfeld dalam Ayuniyyah (2010), IRF adalah suatu metode yang digunakan untuk menentukan respon suatu variabel endogen terhadap guncangan tertentu karena sebenarnya guncangan 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 VAR. IRF mengukur pengaruh suatu shock pada suatu waktu kepada inovasi variabel endogen pada saat tersebut dan di masa yang akan datang (Firdaus, 2011). Tujuan dari IRF adalah untuk mengisolasi guncangan agar lebih spesifik, yang artinya suatu variabel dapat dipengaruhi oleh guncangan tertentu. Analisis Impulse Response Function (IRF) dalam penelitian ini dilakukan untuk menilai respon dinamik dari variabel FD, jika terjadi guncangan (shock) pada variabel Trade, IR, GDP, dan RER.
52
3.3.6.2.Forecast Error Variance Decomposition (FEVD) Instrumen kedua dari VECM adalah analisis Forecast Error Variance Decomposition (FEVD). FEVD berfungsi untuk memprediksi kontribusi setiap variabel terhadap guncangan atau perubahan variabel tertentu (Ascarya, 2009). Metode FEVD mencirikan suatu struktur dinamis dalam model VAR, dimana dapat dilihat kekuatan dan kelemahan dari setiap variabel dalam mempengaruhi variabel lainnya dalam kurun waktu yang panjang. FEVD menghasilkan informasi mengenai relatif pentingnya masing-masing inovasi acak atau seberapa kuat komposisi dari peranan variabel tertentu terhadap variabel lainnya (Hasanah dalam Ayuniyyah, 2010). Menurut Firdaus (2011), FEVD merupakan metode yang dapat dilakukan untuk melihat bagaimana perubahan suatu variabel yang ditunjukkan oleh perubahan error variance dipengaruhi oleh variabel-variabel lainnya. FEVD merinci ragam dari peramalan galat menjadi komponen-komponen yang dapat dihubungkan dengan setiap variabel endogen dalam model. Dengan menghitung presentase kuadrat prediksi galat k-tahap ke depan dari sebuah variabel akibat inovasi dalam variabel-variabel lain maka akan dapat dilihat seberapa besar perbedaan antara error variance sebelum dan sesudah terjadinya shock yang berasal dari dirinya sendiri maupun dari variabel lain. Peramalan dekomposisi varian dalam penelitian ini digunakan untuk melihat seberapa besar inovasi dari variabel Trade, IR, GDP dan RER dalam menjelaskan pinjaman luar negeri sebagai variabel endogen.
53
3.4.
Mekanisme Analisis Olah Data Proses analisis VAR dan VECM dapat dilihat pada Gambar 3.1. Data Transformation (Natural Log)
Stationary at Level [I(0)]
No
Yes
Unit Root Test
Yes
Correlation Test Between Error
high hh
low
Var Level
L-term
Stationary at first Difference [I(1)]
Cointegra -tion Test
L-term
Optimal Order
No
VAR 1st Difference
VECM S-term
S-Var
Data Exploration
S-term (K-1)
L-term Order
Cointegration Rank
Order
Innovation Accounting
IRF
FEVD
Sumber: Ascarya, 2009
Gambar 3.1. Proses Analisis VAR dan VECM Secara sederhana, proses analisis VAR dan VECM melalui beberapa tahap. Pertama, saat data dasar telah siap, data ditransformasi ke bentuk logaritma natural (ln). Lalu, uji awal yang dilakukan adalah unit roots test, untuk mengetahui apakah data stasioner atau masih mengandung akar unit. Jika data stasioner di level, maka VAR dapat dilakukan pada level dan dapat mengestimasi hubungan jangka panjang antar variabel. Jika data tidak stasioner pada level, maka data harus diturunkan pada tingkat pertama (first difference) yang mencerminkan data selisih atau perubahan. Keberadaan kointegrasi antar variabel pada data dapat diuji jika data stasioner pada turunan pertama. Jika tidak ada kointegrasi antar
54
variabel, maka VAR hanya dapat dilakukan pada turunan pertamanya dan hanya dapat mengestimasi hubungan jangka pendek antar variabel, sehingga innovation accounting tidak akan bermakna untuk hubungan antar variabel dalam jangka panjang. Sedangkan, jika terdapat kointegrasi antar variabel, maka VECM dapat dilakukan menggunakan data tingkat pertama untuk mengestimasi hubungan jangka pendek maupun jangka panjang antar variabel. Innovation accounting untuk VAR dan VECM akan bermakna untuk hubungan jangka panjang (Ascarya, 2009).
3.5.
Model Penelitian Model VAR dan VECM yang digunakan dalam penelitian adalah sebagai
berikut: Model umum: FDt = f ( TRADEt, LIBORt, GDPt, RERt ) Model dalam bentuk matriks:
=
+
+
dimana, Ln_FD
= Pinjaman luar negeri (dalam US$),
TADE
= Trade Openness (dalam %),
LIBOR
= Suku Bunga Internasional Riil (dalam %),
Ln_GDP
= Produk Domestik Bruto (dalam US$),
Ln_ RER
= Nilai Tukar riil Rupiah terhadap CPI US (dalam US$),
ci
= Konstanta,
aij
= Koefisien Lag Peubah ke-j untuk Persamaan ke-i
eit
= Galat. Semua data estimasi yang digunakan dalam VAR adalah dalam bentuk
logaritma natural (ln) kecuali data yang sudah dalam bentuk persen atau data tersebut memiliki koefisien yang negatif (sangat kecil) yang tidak mungkin untuk
55
diubah dalam bentuk logaritma natural (Sims dalam Enders, 2004). Salah satu alasannya adalah untuk memudahkan analisis, karena baik dalam impulse respons maupun variance decomposition, pengaruh shock dilihat dalam standar deviasi yang dapat dikonversi dalam bentuk presentase. Semua variabel dalam metode VAR adalah variabel endogen, sehingga dalam model penelitian ini dapat dilihat hubungan saling ketergantungan antara semua variabel.