43 c. Jumlah Uang Beredar
Data jumlah uang beredar yang digunakan adalah data jumlah uang beredar M2 berdasarkan data pada setiap kuartal yang dapat
diperoleh di website resmi Bank Indonesia. Data ini berupa data sekunder dalam bentuk kuartalan periode 2001 – 2010 time series.
d. Suku Bunga SBI Data suku bunga SBI yang digunakan adalah data suku bunga
SBI berjangka waktu 3 bulan berdasarkan data pada setiap kuartal yang dapat diperoleh di website resmi Bank Indonesia. Data ini berupa
data sekunder dalam bentuk kuartalan periode 2001 – 2010 time series.
D. Teknik Analisis
VECM Vector Error Correction Model merupakan suatu model analisis
ekonometrika yang dapat digunakan untuk mengetahui tingkah laku jangka
pendek dari suatu variabel terhadap jangka panjangnya, akibat adanya shock yang permanen. Analisis VECM juga dapat digunakan untuk mencari pemecahan
terhadap persoalan variabel runtun waktu time series yang tidak stasioner non- stasionary dan regresi lancung spurious regression atau korelasi lancung
spurious correlation dalam analisis ekonometrika. Namun demikian, VECM dinilai kurang cocok dalam menganalisis kebijakan. Hal ini dikarenakan analisis
VECM yang atheoritic dan terlalu menekankan pada forecasting atau peramalan
44 dari suatu model ekonometrika. Shochrul R. Ajija, dkk, 2011: 189. Permodelan
VECM dapat dilihat sebagai berikut.
Y = f X
1
, X
2
, X
3, ...,
X
n
Keterangan: Y
= Variabel Dependen X
1
= Variabel Independen ke-1 X
2
= Variabel Independen ke-2 X
3
= Variabel Independen ke-3 X
n
= Variabel Independen ke-n Asumsi yang harus dipenuhi dalam VECM adalah semua variabel
independen harus bersifat stasioner. Hal ini ditandai dengan semua sisaan bersifat white noise, yaitu memiliki rataan nol, ragam konstan, dan di antara variabel tak
bebas tidak ada korelasi. Uji kestasioneran data dapat dilakukan melalui pengujian terhadap ada tidaknya unit root dalam variabel dengan uji Augmented Dickey
Fuller ADF. Uji stasioneritas data ini penting dilakukan karena dengan adanya unit root akan menghasilkan persamaan regresi yang spurious. Pendekatan yang
dilakukan untuk mengatasi persamaan regresi yang spurious adalah dengan melakukan diferensiasi atas variabel endogen dan eksogennya. Dengan demikian,
akan diperoleh variabel yang stasioner dengan derajat In. Shochrul R. Ajija, dkk, 2011: 190.
45 1. Uji Stasioneritas Data Derajat Integrasi
Langkah pertama yang harus dilakukan dalam estimasi model ekonomi dengan data time series adalah dengan menguji stasioneritas pada
data atau disebut juga stationary stochastic process. Uji ini merupakan pengujian yang sangat popular, dan dikenalkan oleh David Dickey dan
Wayne Fuller. Nachrowi D Nachrowi Hardius Usman, 2006: 353. Uji stasioneritas data ini dapat dilakukan dengan menggunakan Augmented
Dickey Fuller ADF pada derajat yang sama level atau different hingga diperoleh suatu data yang stasioner, yaitu data yang variansnya tidak
terlalu besar dan mempunyai kecenderungan untuk mendekati nilai rata- ratanya.
Jika dalam uji stasioneritas ini menunjukkan nilai ADF
STATISTIK
yang lebih besar daripada Mackinnon critical value, maka dapat diketahui bahwa data tersebut stasioner karena tidak memgandung unit root.
Sebaliknya, jika nilai ADF
STATISTIK
yang lebih kecil daripada Mackinnon critical value, maka 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 I1 harus
dilakukan, yaitu dengan mengurangi data tersebut dengan data periode sebelumnya. Shochrul R. Ajija, dkk, 2011: 166.
46 2. Uji Kausalitas Granger
Metode yang digunakan untuk menganalisa hubungan kausalitas antar variabel yang diamati adalah dengan Uji Kausalitas Granger. Dalam
penelitian ini, uji kausalitas Granger digunakan untuk melihat arah hubungan di antara variabel-variabel. Shochrul R. Ajija, dkk, 2011: 167.
Secara umum, suatu persamaan Granger dapat diinterpretasikan sebagai berikut:
a. Unindirectional causality dari variabel dependen ke variabel independen. Hal ini terjadi ketika koefisien lag variabel dependen
secara statistik signifikan berbeda dengan nol, sedangkan koefisien lag seluruh variabel independen sama dengan nol. Dalam ilmu
ekonomi ketergantungan suatu variabel Y variabel tak bebas atas variabel lain X variabel yang menjelaskan jarang bersifat seketika.
Sangat sering, Y bereaksi terhadap X dengan suatu selang waktu. Selang waktu seperti itu disebut suatu lag. Damodar Gujarati, 1999:
234. b. Feedbackbilaterall causality jika koefisien lag seluruh variabel,
baik variabel dependen maupun independen secara statistik signifikan berbeda dengan nol.
c. Independence jika koefisien lag seluruh variabel, baik variabel dependen maupun independen secara statistik tidak berbeda dengan
nol.
47 3. Uji Kointegrasi
Dua variabel yang tidak stasioner sebelum dideferensi namun stasioner pada tingkat deferensi pertama, besar kemungkinan akan terjadi
kointegrasi, yang berarti terdapat hubungan jangka panjang di antara keduanya. Wing Wahyu Winarno, 2009: 260. Salah satu pendekatan
yang dapat digunakan dalam uji kointegrasi adalah dengan metode Johansen. Shochrul R. Ajija, dkk, 2011: 190. Metode Johansen
digunakan untuk mengestimasi matriks Π
dari unrestricted VAR dan untuk melakukan pengujian apakah hasil reduced rank
Π dapat diterima
atau tidak. Dalam pengujian reduced rank tersebut, Johansen menggunakan dua pengujian statistik yang berbeda, yaitu trace test
trace
λ dan maximum eigenvalue test
max
λ . Penentuan ini dapat dilihat
dengan membandingkan nilai Max-Eigen dengan nilai trace-nya. Jika nilai Max-Eigen dan nilai trace-nya lebih besar daripada nilai kritis 1 dan 5,
maka data terkointegrasi. Shochrul R. Ajija, dkk, 2011: 200.
4. Estimasi VECM Perilaku dinamis dari model VEC dapat dilihat melalui respons
dari setiap variabel endogen terhadap kejutan pada variabel tersebut maupun terhadap variabel endogen lainnya. Ada dua cara untuk melihat
karakteristik dinamis model VEC, yaitu melalui IRF function dan variance decomposition.
48 Jika suatu data time series model VAR telah terbukti terdapat
hubungan kointegrasi, maka VECM dapat digunakan untuk mengetahui tingkah laku jangka pendek dari suatu variabel terhadap nilai jangka
panjangnya. VECM juga digunakan untuk menghitung hubungan jangka pendek antar variabel melalui koefisien standar dan mengestimasi
hubungan jangka panjang dengan menggunakan lag residual dari regresi yang terkointegrasi. Shochrul R. Ajija, dkk, 2011: 191.
5. IRF Impulse Response Function 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. Shochrul R. Ajija, dkk, 2011: 168.
6. Variance Decomposition Variance decomposition atau disebut juga forecast error variance
decomposition merupakan perangkat pada 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 berkorelasi.
Kemudian, variance decomposition akan memberikan informasi mengenai proporsi dari pergerakan pengaruh shock pada sebuah variabel terhadap
49 shock variabel lainnya pada periode saat ini dan periode yang akan datang.
Shochrul R. Ajija, dkk, 2011: 168.
E. Operasional Variabel Penelitian