Metode Analisis Data METODE PENELITIAN

5 6 Keterangan: GDP t = Gross Domestic Product pada periode t, satuan US EXP t = Total Ekspor pada periode t, satuan US SB t = Suku bunga pinjaman pada periode t, satuan persen TKS t = Total kredit swasta pada periode t, satuan US VIX t = index Volatilitas CBOE V ariabel yang bertanda “” adalah variabel asing yaitu variabel dari negara Amerika Serikat model 1 dan Jerman model 2 yang nantinya diperlakukan sebagai variabel eksogen. Penelitian ini menggunakan model VARX karena diasumsikan bahwa dalam hal ini Amerika Serikat dan Jerman merupakan negara yang mempunyai peranan penting dan perilakunya memengaruhi perekonomian global karena merupakan negara dengan perekonomian yang terbesar dan termasuk dalam kategori G3, dan diaggap sebagai variabel eksogen lemah.

3.4 Metode Analisis Data

3.4.1Model Dinamis vector autoregressive VAR Model VAR pertama kali dikembangkan oleh Sims, yang mana berasumsi bahwa jika ada simultanitas benar diantara satu set variabel, variabel-variabel tersebut harus diperlakukan sama, tidak ada pembeda variabel eksogen atau variabel endogen Soderlind, 2002; Gujarati dan Potter, 2009.VAR merupakan salah satu model yang fleksibel yang tidak bersifat teoritis dan mudah digunakan dalam model data time series . Ramalan dari model VAR yang cukup fleksibel, karena mereka dapat dibuat tergantung pada jalur potensi dimasa mendatang dari variabel-variabel yang ditentukan dalam model. Selain deskripsi dan peramalan data, model VAR juga digunakan untuk analisis inferensi struktural dan analisis kebijakan.VAR juga disebut sebagai model nonstruktural muncul dikarenakan seringkali teori tidak mampu menjelaskan perilaku variabel ekonomi dengan baik untuk dapat menajwab sebuah masalah ekonomi tertentu Verbeek, 2004; Gujarati dan Potter, 2009. Model VAR ini dibangun dengan pertimbangan meminimalkan pendekatan teori dengan tujuan agar mampu menangkap fenomena ekonomi dengan baik. Dengan demikian VAR adalah model nonstruktural atau merupakan model tidak teoritis ateoritis. Model VAR merupakan model yang mampu menganalisis hubungan saling ketergantungan variabel time series, namun model VAR berbeda dengan model persaman simultan yang lainnya Cui dan Belke, 2008. Dalam model VAR terdapat dua hal yang perlu diperhatikan yaitu: 1 dalam hal ini tidak perlu membedakan antara variabel endogen dan variabel eksogen, semua variabel baik endogen maupun eksogen dipercaya saling berhubungan dan dimasukkan di dalam model; dan 2 untuk melihat hubungan antara variabel di dalam VAR membutuhkan sejumlah kelambanan variabel yang ada Mikhael, et al., 2010; Lutkepohl, 2011. Kelambanan variabel ini diperlukan untuk menangkap efek dari variabel tersebut variabel yang lain di dalam model. VAR juga dapat dideskripsikan sebagai alat peramalan dengan menggunakan nilai-nilai masa lalu untuk menjelaskan nilai-nilai saat ini. Analisis struktural dalam asumsi tertentu mengenai struktur pada data yang sedang dalam investigasi yang ditentukan, dan dampak kausal yang dihasilkan pada guncangan atau inovasi tak terduga pada variabel-variabel yang ditentukan pada variabel-variabel yang terangkum dalam model. Dampak kausal biasanya akan dirangkum dengan impulse response function dan peramalan errordalam variance decompositions, keduanya merupakan fitur yang terdapat dalam model VAR dalam menguraikan hubungan yang dimiliki antar variabel Lutkepohl, 2001. Beberapa tahapan dalam mengestimasi model VAR yaitu uji stasioneritas data dengan menggunakan uji akar-akar unit, uji derajat integrasi, uji kointegrasi, pemilihan lag optimum, estimasi dengan model VAR dan impulse response function IRF. 3.4.2 Model Vector Autoregressive Exogenous VARX Model VARX merupakan turunan dari model dinamis VAR, namun dalam model ini berasumsi bahwa terdapat variabel yang dianggap eksogen dari variabel- variabel yang digunakan. Vektor autoregresi dengan variabel eksogen VARX memperluas kelebihan dari model VAR, dimana memungkinkan dimasukkannya variabel yang tidak dalam model, yang dimaksudkan adalah bukan variabel utama namun memiliki kegunaan dan tantangan yang hampir mirip dalam suatu dimensi Nicholson et al., 2015.Dalam sistem VARX diasumsikan memiliki dua jenis variabel yaitu variabel yang dianggap endogen dan variabel yang diangap eksogen Ocampo dan Rodriguez, 2012. VARX memiliki kelebihan yaitu penggunaan model VARX lebih mampu menjelaskan sifat dari variabel tersebut dalam suatu model dibandingkan dengan model dinamis yang lainnya Alpouri dan Poshtan, 2013; dan Cui dan Belke, 2008. Kelebihan lainnya juga VARX dapat memasukkan variabel yang bukan merupakan variabel inti model namun memberikan pengaruh terhadap variabel inti yang disebut variabel eksogen, sehingga mampu memberikan estimasi yang lebihluas. Berikut adalah model dinamis VAR dengan memasukkan variabel eksogen Bierens, 2004: 7 Seperti yang dijelaskan sebelumnya Yt adalah vektor k × 1 untuk variabel endogen, dan Xt vektor k × 1 variabel eksogen. Dengan a adalah intersep dan u t merupakan error term. Variabel Eksogen dalam penelitian ini adalah volatilitas indeks CBOE yang merupakan pergerakan nilai saham dunia, dan variabel-variabel yang berasal dari dua negara diluar kawasan ASEAN yaitu Amerika Serikat dan Jerman. Uji dalam penelitian ini dilakukan secara parsial, yang dimaksudkan adalah pengujian setiap negara. Persamaan untuk tiap negara sebagai berikut: 8 9 10 11 1. Uji Statistik Akar-Akar Unit Analisis menggunakan model vector autoregression VAR untuk hasil yang lebih akurat, data yang digunakan harus memenuhi syarat stasioner, uji untuk mengetahui kestasioneran data adalah dengan uji akar unit unit root test. Terdapat beberapa tes dalam menguji akar-akar unit yaitu Dickey-Fullertest, Augmented Dickey-Fullertest, atau menggunakan Phillips-Perron test Wardhono, 2004. Dickey- Fullertest berasumsi bahwa kesalahan pengganggu tidak berkolerasi, dan kesalahan pengganggu didistribusikan secara independen dan identik. Namun pada kasus kesalahan pengganggu yang berkolerasi Dickey-Fuller mengembangkan uji akar unitnya dngan menambahkan nilai-nilai lag pada variabel dan untuk uji Phillips- Perron menggunakan metode statistik nonparametrik untuk mengurus korelasi serial dalam hal kesalahan tanpa menambahkan hal perbedaan tertinggal Gujarati dan Potter, 2009. Formulasi uji ADF adalah sebagai berikut Gujarati dan Potter 2009: ∑ , 12 Phillips-Perrontest berbeda dengan ADF testdengan menggunakan metode statistik nonparametrik untuk mengurus korelasi serial pada kesalahan pengganggu Gujarati dan Potter, 2009. 2. Uji Kointegrasi Uji kointegrasi merupakan sebuah pengujian untuk melihat kestasioneritas suatu data, dan kelanjutan dari uji akar-akar unit, mengindikasikan bahwa untuk melakukan uji kointegrasi harus diyakini terlebih dahulu variabel terkait dalam pendekatan ini mempunyai derajat integrasi yang sama atau tidak Wardhono, 2004. Kointegrasi pada VAR diasumsikan bahwa jika variabel-variabel tersebut memungkinkan terdapat vektor yang berbeda, yang dimaksudkan adalah jika terdapat lebih dari satu vektor yang berkointegrasi. Hal ini menunjukkan bahwa terdapat variabel-variabel yang memiliki hubungan jangka panjang. Apabila variabel-variabel ini memiliki kointegrasidalam toerma representasi Granger berarti terdapat representasi koreksi kesalahan yang valid dari data Engle dan Granger, 1987 dalam Verbeek, 2004. Pendekatan sederhana dalam menguji kointegrasi dalam penelitian ini menggunakan metode Johansen Cointegration Test, metode ini didasarkan pada hubungan rank dari sebuah matrik dengan akar karakteristiknya yang akan dihasilakan nilai trade statistic yang dibandingkan dengan nilai critical value. Model uji kointegrasi Johansen secara ringkas dapat digambarkan sebagai berikut Wardhono, 2004:65: ∑ 13 Dengan catatan: ∑ ∑ 14 Sebagaimana yang diuangkapkan oleh Engle and Granger 1987 dalam Wardhono 2004 yang kemudian disebut dengan Engle-Granger Representation Theorem menegaskan bahwa koefisien matrik Π memiliki rank r k, dan mendapat matrik k × r yang masing-masing matrik memiliki bentuk Π = αβ dan yt merupakan besaran yang stasioner, maka r dapat disebut sebagai jumlah kointegrasi yang terdapat dalam model dan kolom β merupakan vektor kointegrasi. 3. Uji Optimum Lag Hal terpenting dalam estimasi VAR adalah penentuan lagkelambanan dalam sistem VAR. Lag yang optimal diperlukan dalam kerangka menangkap pengaruh dari setiap peubah terhadap peubah lainnya dalam sistem VAR Mikhael, et al., 2010. Dalam penentuan lag optimal, dapat ditentukan dengan menggunakan beberapa kriteria, yaitu LR Sequential Modified Likehood Ratio Test Statistic, AIC Akaike Information Criterion dan SC Schwarz Information Criterion, FPE Final Rediction Erorr , dan HQ Hannan-Quinn Information Criterion. Dalam penelitian ini menggunakan salah satu kriteria dalam menentukan panjangnya lag dari beberapa kriteria yang telah dijelaskan sebelumnya, maka lag optimal terjadi jika nilai-nilai kriteria di atas mempunyai nilai absolut paling kecil. 4. Impulse Response Functions IRFs IRF merupakan salah satu analisis penting dalam model VAR.dikarenakan secara individual koefisien di dalam model VAR sulit diinterpretasikan maka para ahli ekonometrika menggunakan analisis IRF. Impulse Response Functions sebuah teknik untuk menelusuri pengaruh guncangan sebesar satu standar deviasi yang dialami oleh satu peubah didalam sistem terhadap nilai-nilai semua peubah saat ini dan beberapa periode di masa yang akan datang. Hal ini digunakan untuk menjelaskan struktur dinamis yang dihasilkan oleh VAR, yaitu menggambarkan adanya pengaruh dari shock antar variabel endogen-endogen lainnya dan dengan variabel itu sendiri Nachrowi dan Usman, 2006; Gujarati dan Potter, 2009. Misalkan, ketika ada fluktuasi yang terjadi pada salah satu variabel maka variabel lain akan mendapatkan dampak dan merespon dari peristiwa tersebut. 5. Uji Variance Decomposition Uji VD dalam model VAR bertujuan untuk memprediksi kontribusi presentase varian setiap peubah karena ada perubahan peubah tertentu dalam sistem VAR. VD juga digunakan untuk menggambarkan relatif pentingnya stiap peubah dalam sistem VAR karena adanya shockdan menggambarkan relatif pentingnya setiapvariabel didalam sistem VAR. Analisis forecast error lainnya yang disediakan VAR ini memberikan metode yang berbeda did alam menggambarkan sistem dinamis VAR dibandingkan dengan analisis impulse response sebelumnya. 6. Uji Asumsi Klasik a. Uji Heteroskedastisitas Uji heteroskedastisitas pada prinsipnya didasarkan pada regresi residual yang dikuadratkan dalam lag. Uji ini bertujuan untuk mengetahui varian setiap disturbance term variabel pengganggu dibatasi oleh nilai tertentu variabel bebas adalah konstan. Inilah yang disebut asumsi homoskedastisitas atau varian yang sama Wooldridge, 2012. Situasi yang menunjukkan heteroskedastisitas residual yang heterogen akan menyebabkan koefisien-koefisien regresi menjadi tidak efisien. Uji ini juga biasa digunakan dalam analisis time series ketika sampel memiliki jumlah yang kecil. Untuk mendeteksi adanya masalah heteroskedastisitas adalah dengan cara membandingkan nilai X 2 dengan X 2 tabel, dimana apabila X 2 hitung daripada X 2 tabel maka tidak terjadi masalah heteroskedastiditas. Atau dengan cara membandingkan nilai probabilitasnya, dimana apabila nilai probabilitas ObsRsquared α 5, maka persamaan tersebut tidak mengalami masalah heteroskedastisitas. b. Uji Autokorelasi Secara harfiah, autokorelasi berarti adanya korelasi antara anggota observasi satu dengan observasi lain yang berlainan waktu. Autokorelasi merupakan uji asumsi klasik yang digunakan untuk mengetahui adanya gejala korelasi antar error term. suatu model dikatakan terdapat autokorelasi jika error term yang positif negatif diikuti oleh standar error yang positif negatif sehingga antar error term akan membentuk pola yang linier dan tidak bias. Uji ini dapat dilakukan dengan berbagai uji diantaranya yaitu Durbin Waston test dan Breusch-Godfrey Serial Correlation LM test . Bertujuan untuk mengetahui hubungan antar disturbance error dan dapat digunakan untuk mendeteksi kesalahan spesifikasi dinamis Wooldridge, 2012. Autokorelasi yaitu korelasi antara disturbance error pada periode tertentu dengan disturbance error pada periode lainnya pada data time series. Konsekuensi dari adanya autokorelasi adalah: i estimator OLS menjadi tidak efisien dan test signifikansi menjadi tidak valid lagi; ii uji t maupun uji F menjadi tidak valid, sehingga kesimpulan yang dibuat akan bias; iii dan estimator OLS sangat sensitif terhadap fluktuasi sampling Wardhono, 2004. c. Uji Normalitas Uji normalitas digunakan untuk mendeteksi apakah suatu residual disturbance error berdistribusi normal atau tidak. Pengujian ini juga digunakan karena dalam penelitian ini memasukkan variabel eksogen ke dalam moel, sehingga asumsi normalitas digunakan. Apabila suatu model dikatakan tidak berdistribusi normal maka inferensi tidak dapat dilakukan melalui uji-t dan uji-f. Keberadaan atas keadaan normalitas harus dipenuhi dalam hubungannya dengan uji t dan uji F. Kriteria pengujiannya dengan menghitung nilai Chi-square dari uji ini didasarkan test of skewness dan kutosis of residual Creel, 2006; Wardhono, 2004. Pada dasarnya, uji normalitas terkadang dipandang tidak perlu dalam model regresi, kecuali dalam kasus-kasus dimana beberapa distribusi alternatif secara eksplisis diasumsikan seperti dalam stochastic frontier Greene, 2012. Buku tersebut juga menjelaskan bahwa uji normalitas tidak perlu memberikan hasil yang tepat, atau dapat dikatakan tidak perlu memenuhi asumsi normalitas dalam analisis regresi berganda.

3.5 Definisi Variabel Operasional