BAB III METODE PENELITIAN
3.1. Jenis dan Sumber Data
Jenis data yang digunakan dalam penelitian ini adalah data sekunder yang merupakan data bulanan dari Bulan Januari tahun 2000 sampai dengan Bulan Mei
tahun 2008. Sumber data diperoleh dari Pertamina, PT. Astra melalui melalui CEIC. Data-data yang digunakan adalah harga BBM khususnya premium, data
penjualan sepeda motor dan penjualan mobil.
3.2. Metode Analisis Data
Penelitian ini menggunakan analisis Vector Autoregression VAR jika data yang digunakan stasioner dan tidak terkointegrasi, atau menggunakan analisis
Vector Error Correction Model VECM, jika data yang digunakan stasioner, namun terkointegrasi. Pengolahan menggunakan Program Eviews.5.1.
3.2.1. Vector Autoregression VAR
VAR adalah suatu sistem persamaan yang memperlihatkan setiap peubah sebagai fungsi linier dari konstanta dan nilai lag lampau dari peubah itu sendiri
serta nilai lag dari peubah lain yang ada dalam sistem. Peubah penjelas dalam VAR meliputi nilai lag seluruh peubah tak bebas dalam sistem. Pada metode
VAR, variabel eksogen dan endogen tidak dapat dibedakan secara apriori. Menurut Sims 1972 hanya variabel endogen yang masuk analisis.
Keunggulan metode VAR dibandingkan dengan metode ekonometri konvensional adalah Laksani dalam Widiarti, 2008:
1. Mengembangkan model secara bersamaan di dalam suatu sistem yang kompleks multivariate, sehingga dapat menangkap hubungan keseluruhan
variabel di dalam persamaan tersebut. 2. Uji VAR yang multivariate bisa menghindari parameter yang bias akibat tidak
dimasukannya variabel yang relevan. 3. VAR dapat mendeteksi hubungan antar variabel di dalam sistem persamaan,
dengan menjadikan seluruh variabel sebagai endogenous. 4. Karena bekerja berdasarkan data, metode VAR terbebas dari berbagai batasan
teori ekonomi yang sering muncul, termasuk gejala perbedaan palsu di dalam model ekonometri konvensional, terutama pada persamaan simultan, sehingga
menghindari penafsiran yang salah. Selain memiliki kelebihan, metode VAR juga memiliki kelemahan,
adapun beberapa kelemahan yang dimiliki model VAR antara lain: 1. Model VAR lebih bersifat ateoritik karena tidak memanfaatkan informasi atau
teori terdahulu. Oleh karenanya, model tersebut sering disebut model yang tidak struktural.
2. Mengingat tujuan utama model VAR untuk peramalan, maka model VAR kurang cocok untuk menganalisis kebijakan.
3. Pemilihan banyaknya lag yang digunakan dalam persamaaan juga dapat menimbulkan permasalahan dalam proses estimasi.
Hubungan kausalitas antar variabel di dalam sistem persamaan multivariat lebih rumit dibandingkan pada bivariat. Untuk persamaan bivariat misalkan model
dengan dua variabel Y dan Z serta satu lag memiliki hubungan kausalitas sebagai berikut Arsana, 2005:
y
t
= b
10
– b
12
z
t
+ γ
11
y
t-1
+ γ
12
z
t-1
+ ε
yt
3.1 z
t
= b
20
− b
21
y
t
+ γ
21
y
t-1
+ γ
22
z
t-1
+ ε
zt
3.2 Sistem persamaan diatas dikenal juga dengan struktural VAR atau persamaan
primitif. Kedua persamaan tersebut Y dan Z dengan satu lag, secara individual dipengaruhi langsung oleh variabel yang lain, dan secara tidak langsung oleh
selang nilai setiap variabel di dalam sistem. Atau dalam bentuk persamaan bivariat:
y
t
= a
10
+ a
11
y
t-1
+ a
12
z
t-1
+ ε
1t
3.3 z
t
= a
20
+ a
21
y
t-1
+ a
22
z
t-1
+ ε
2t
3.4 Sistem inilah yang disebut VAR jenis standar atau reduced form. Sistem tersebut
juga mempresentasikan Wold-Moving Average. Karena
ε
yt
dan
ε
zt
white noise, e
t
pun akan memiliki rata-rata 0, varians yang konstan serta non-otokorelasi serial. 3.2.2. Uji Stasioneritas Data
Hal penting yang berkaitan dengan studi atau penelitian yang menggunakan data time series adalah stasioneritas. Data deret waktu dikatakan
stasioner jika data menunjukkan pola yang konstan dari waktu ke waktu atau dengan kata lain tidak terdapat pertumbuhan atau penurunan pada data, secara
kasarnya data harus horizontal sepanjang sumbu waktu. Engel dan Granger 1987 menyatakan bahwa uji akar unit dipandang
sebagai uji stasioneritas, karena pada intinya uji tersebut bertujuan untuk
mengamati apakah koefisien tertentu dari model otoregresif yang ditaksir mempunyai nilai atau tidak. Dalam kasus dimana runtun waktu time series yang
digunakan tidak stasioner, maka kesimpulan yang diperoleh akan menghasilkan pola hubungan regresi yang palsu spurious regression. Data yang stasioner akan
mempunyai kecenderungan untuk mendekati nilai rata-ratanya dan berfluktuasi disekitar nilai rata-ratanya Gujarati, 2003. Ada beberapa cara untuk melakukan
uji akar unit root, namun yang paling banyak adalah dengan Augmented Dicky Fuller ADF test. Misalkan model persamaan time series sebagai berikut
Pasaribu, 2003: y
t
= ρy
t-1
+ ε
t
3.5 dimana
ρ adalah parameter yang akan diestimasi dan ε diasumsikan white noise
dimana variabel yang digunakan tersebut memiliki mean dan variance yang konstan dan kovarian sama dengan nol. Jika |
ρ| ≥ 1, maka y adalah variabel yang tidak stasioner, dan varian dari y akan meningkat sejalan dengan peningkatan
waktu dan cenderung untuk tak berhingga. Jika | ρ| 1, maka y adalah variabel
yang stasioner. Karena itu, hipotesis trend stationarity dapat dievaluasi dengan menguji apakah nilai absolut dari
ρ betul-betul kecil dari satu. Pengujian umum terhadap hipotesis diatas adalah:
H :
ρ = 1 dan hipotesis alternatif H
1
: ρ1.
Kemudian dengan mengurangi kedua sisi persamaan 3.5 dengan y
t-1
didapat persamaan: ∆y
t
= αy
t-1
+ ε
t
3.6
dimana ∆ mengidentifikasikan perbedaan pertama, sedangkan α= ρ-1, sehingga
hipotesis nol menjadi H :
α=0, sedangkan hipotesis alternatif menjadi H
1
: α1.
Sedangkan model umum dari ADF yang digunakan dalam penelitian ini adalah sebagai berikut Pasaribu, 2003:
∆y
t
= k + αy
t-1
+ c
1
∆y
t-2
+ ...+ c
p
∆y
t-p
+ β trend + ε
t
3.7 Jika nilai t-statistik ADF lebih kecil dari t-statistik kritis MacKinnon maka
keputusannya adalah menolak H yang menyatakan bahwa data tidak stasioner
atau dengan kata lain data bersifat stasioner
3.2.3. Penetapan Lag Optimal
Kategori