36 2. Output Riil Y
Variabel ini merupakan perkembangan tingkat output yang di representasikan dengan PDB riil berdasarkan tahun dasar 2000 menunjukan kecenderungan yang meningkat
selama periode 2000-2014. 3. Inflasi IHK
Variabel ini merupakan perkembangan tingkat harga yang diukur dengan IHK yang cenderung meningkat terus-menerus yang mana akan mencerminkan inflasi yang
terjadi.
3.3 Model Penelitian
Penelitian ini menggunakan model sebagai berikut:
M1
t
=
a10
+
a11
IHK
t-1
+
a12
Y
t-1
+
a13
M1
t
+e
1t
M2
t
=
a20
+
a21
IHK
t-1
+
a22
Y
t-1
+
a23
M2
t
+
�
�� Dimana :
M1,M2 = Jumlah Uang Beredar
IHK
1,2
= Tingkat Inflasi dari nilai Indeks Harga Konsumen Y
= Output Riil e1t dan
ϵ2t = Error Terms
3.4 Metode Analisis Data
3.4.1 Model VAR
VAR vector autoregressive merupakan regresi sederhana dari persamaan:
�=
�
� �−
+ �
�
Dimana
�
= vektor dari time series yang stasioner dan �
�
= vektor pada time series yang white noise dengan matrik kovarian
�.
Universitas Sumatera Utara
37 Model ekonometrika yang sering digunakan dalam analisis kebijakan
makroekonomi dinamik dan stokastik adalah model VAR. Siregar dan irawan 2005 menjelaskan bahwa VAR merupakan suatu sistem persamaan yang memperlihatkan
setiap variabel sebagai fungsi linear dari konstanta dan nilai lag lampau dari variabel itu sendiri, serta nilai lag dari variabel lain yang ada dalam sistem.
Variabel penjelas dalam VAR meliputi nilai lag seluruh variabel tak bebas dalam sistem VAR yang membutuhkan identifikasi restriksi untuk mencapai
persamaan melalui interpretasi persamaan. VAR dengan ordo p dan n buah variabel tak bebas pada periode t dapat dimodelkan sebagai berikut:
Y = A + A Y
−
+ A Y
−
… + A Y
−
+ ε
Dimana:
�
= Vektor variabel tak bebas
,�, ,�, ,�
� = Vektor intersep berukuran n x 1 �
�
= Vektor parameter berukuran n x 1 �
�5
= Vektor residual ∑
,�,
∑
,�,
∑
,�
berukuran n x 1
3.4.2 Ciri-ciri VAR
1. Bersifat teori, artinya tidak berlandas teori dalam menentukan model regresi. 2. Memperlakukan semua variabel secara endogen tidak dibedakan independen
atau dependen. 3. Perangkat estimasi yang digunakan adalah fungsi IRF Impulse Response
Function dan variance decomposition. 4. IRF digunakan untuk melacak respons saat ini dan masa depan setiap variabel
akibat Shock suatu variabel tertentu.
Universitas Sumatera Utara
38 5. Variance Decomposition,
memberikan informasi mengenai kontribusi
persentase varians setiap variabel terhadap perubahan suatu variabel tertentu.
3.4.3 Langkah-langkah VAR
1. Uji Stasioneritas Data Derajat Integrasi Langkah pertama yang harus dilakukan dalam estimasi model ekonomi dengna
data time series adalah dengan menguji stasioneritas pada data atau disebut juga stationary stochastic process,. Uji stasioneritas data ini dapat dilakukan dengan
menggunakan Augmented Dickey-Fuller ADF pada derajat yang sama level atau differnt hingga diperoleh suatu data yang stasioner, yaitu data yang variansnya tidak
terlalu besar dan mempunyai kecenderungan untuk mendekati nilai rata-ratanya Enders, 1995 dalam buku cara cerdas menguasi eviews.
Gujarati 2003:817 menjelaskan bentuk persamaan uji stasioner dengan analisis ADF dengan persamaan berikut:
∆ Y
t
= α + Y
t-1
+
i
∑ ∆ Yt
� =
-1+1
+ �
t
Dimana : Y
t
= bentuk dari first difference α
= Intersep Y = Variabel yang diuji stasioneritasnya
P = Panjang lag yang digunakan dalam model � = error term
Dalam persamaan tersebut, kita ketahui bahwa H menunjukan adanya unit root
dan H
t
menunjukan kondisi tidak adanya unit root. Jika dalam uji stasioneritas ini menunjukan nilai ADF statistik yang lebih besar daripada Mackinnon critical value,
maka dapat diketahui bahwa data tersebut stasioner karena tidak mengandung nilai root. Sebaliknya, jika nilai ADF statistik lebih kecil daripada Mackinnon critical value, maka
Universitas Sumatera Utara
39 dapat disimpulkan data tersebut tidak stasioner pada derajat level. Dengan demikian,
differencing data untuk memperoleh data yang stasioner pada derajat yang sama di first different I 1 harus dilakukan,yaitu dengan mengurangi data tersebut dengan data
periode sebelumnya. 2. Penentuan Lag Optimal
Salah satu permasalahan yang terjadi dalam uji stasioneritas adalah penentuan lag optimal. Haris, 1995 dalam buku cara cerdas mengusasi eviews, Shochrul dan
Rahmat, 2011 menjelaskan bahwa jika lag yang digunakan dalam uji stasioneritas terlalu sedikit, maka residual dari regresi tidak akan menampilkan proses white noise
sehingga model tidak dapat mengestimasi actual error secara tepat. Akibatnya, dan standar kesalahan tidak diestimasi secara baik. Namun demikian, jika memasukan
terlalu banyak lag, maka dapat mengurangi kemampuan untuk menolak H karena
tambahan parameter yang terlalu banyak akan mengurangi derajat bebas. Selanjutnya, untuk mengetahui jumlah lag optimal yang digunakan dalam uji
stasioneritas, berikut adalah kriteria yang digunakan : Akaike Information Criterion AIC :
-2
�
+ 2 k+T
Schwarz Information Criterion SIC :
-2
�
+ k
l g � �
Hannan Quinn Information Criterion HQ :
-2
�
+ 2 k ���
l g � �
Dimana: 1 = nilai fungsi log like lihood yang sama jumlahnya dengan
–
�
1+ log 2 � + log
�” �” �
; �” �” merupakan sum of squared residual
T = jumlah obesrvasi K = parameter yang diestimasi
Universitas Sumatera Utara
40 Dalam penentuan lag optimal dengan menggunakan kriteria informasi tersebut,
kita pilihtentukan kriteria yang mempunyai final prediction error correction FPE atau jumlah dari AIC, SIC, dan HQ yang paling kecil diantara berbagai lag yang diajukan.
3. Uji Kasusalitas Granger Metode yang digunakan untuk menganalisis hubungan kausalitas antar variabel
yang diamati adalah dengan Uji Kausalitas Granger. Secara umum, suatu persamaan Granger dapat diinterpretasikan sebagai berikut Gujarati [2003:696-697].
1. Unindirectional casuality dari variavel dependen ke variabel independen. Hal ini terjadi karena koefisien lag variabel dependen secara statistik signifikan
berbeda dengan nol, sedangkan koefisien lag seluruh variabel independen sama dengan nol.
2. Feedbacbilaterall causality jika koefisien lag seluruh variabel, baik variabel dependen maupun independen secara statistik signifikan berbeda dengan nol.
3. Independence jika koefisien lag seluruh variabel, baik variabel dependen maupun independen secara statistik tidak berbeda dengan nol.
4. Estimasi VAR Dalam estimasi VAR, model VAR yang digunakan adalah :
Y
t
= α + ∑
� =
j
Y
t-j
+ ∑
� =
j
X
t-j
+ u
1t
X
t
= α + ∑
� =
j
X
t-j
+ ∑
� =
j Yt
-j
+ u
2t
Selanjutnya, dari hasil estimasi VAR, untuk melihat apakah variabel Y mempengaruhi X dan demikian pula sebaliknya, kita dapat mengetahuinya dengan cara
Universitas Sumatera Utara
41 membandingkan nilai t-statistik hasil estimasi dengan nilai tabel t-tabelnya, maka dapat
dikatakan bahwa variabel Y mempengaruhi X. 5. IRF
Sims, 1992 dalam buku cara cerdas menguasi eviews:168 menjelaskan bahwa fungsi IRF menggambarkan ekspektasi k-periode ke depan dari kesalahan prediksi suatu
variabel akibat inovasi dari variabel yang lain. Dengan demikian, lamanya pengaruh dari shock suatu variabel terhadap variabel lain sampai pengaruhnya hilang atau
kembali ke titik keseimbangan dapat dilihat atau diketahui.
[ ∆u
∆INF ] = [ ∆u
̅̅̅̅ ∆INF
̅̅̅̅̅̅̅] + ∑ [ Φ i
Φ i Φ i
Φ i ]
∞ =
[ e
∆
t−j
e
∆INF
t−j
]
Dimana : Φ
ij
i = efek dari structural shock Φ
ij
0 = impact multipliers ∑ Φ i = cumulative multipliers
∑ Φ
ij
i pada saat n → ∞ = long run multipliers
6. Variance Decompositon
6. Variance Decomposition Variance decomposition atau disebut juga forecast error variance
decomposition merupakan perangkat dari model VAR yang akan memisahkan variasi dari sejumlah variabel yang diestimasi menjadi komponen-komponen shock atau
menjadi variabel innovation, dengan asumsi bahwa variabel-variabel innovation tidak saling berkolerasi. Kemudian, variance decomposition akan memberikan informsi
mengenai proporsi dari pergerakan pengaruh shock pada sebuah variabel terhadap shock variabel lainnya pada periode saat ini dan periode yang akan datang.
Universitas Sumatera Utara
42
BAB IV HASIL DAN PEMBAHASAN
4.1 Sekilas Gambaran Umum Objek Penelitian
