Jenis dan Sumber Data Variabel dan Definisi Operasional Mekanisme Analisis Olah Data

III. METODE PENELITIAN

3.1. Jenis dan Sumber Data

Jenis data yang digunakan dalam penelitian ini adalah data sekunder. Data terdiri dari data pinjaman luar negeri, pengeluaran pemerintah, penerimaan pajak, Produk Domestik Bruto riil, dan suku bunga internasional. Data diperoleh dari laporan World Development Indicators 2011 yang diakses melalui situs World Bank dan Econstats yang diakses melalui situs Econstats. Literatur tambahan berasal dari Statistik Ekonomi dan Keuangan Indonesia yang diakses melalui situs Bank Indonesia, Departemen Keuangan, serta studi kepustakaan melalui jurnal, artikel dan skripsi yang terkait. Data dalam penelitian merupakan data tahunan dari tahun 1991 sampai dengan tahun 2010.

3.2. Variabel dan Definisi Operasional

Adapun variabel dan definisi operasional variabel yang digunakan dalam penelitian ini adalah sebagai berikut: 1. Foreign Debt FD adalah total pinjaman luar negeri Indonesia, baik pinjaman luar negeri pemerintah, pinjaman luar negeri bank sentral, dan pinjaman luar negeri swasta. Data variabel FD merupakan data dalam dolar Amerika. 2. Government expenditure G adalah total pengeluaran pemerintah Indonesia yang digunakan untuk pembelian barang dan jasa, serta pertahanan dan keamanan nasional. Data variabel G merupakan data dalam dolar Amerika. 3. Tax T adalah penerimaan pajak pemerintah pusat yang digunakan untuk kepentingan publik. Data variabel T merupakan data dalam rupiah Indonesia. 4. Gross Domestic Product GDP adalah Produk Domestik Bruto PDB riil yang menjadi indikator untuk mengukur pertumbuhan ekonomi di Indonesia. Data variabel GDP merupakan data konstan dalam dolar Amerika pada tahun dasar 2000. 5. London Inter Bank Offer Rate LIBOR adalah suku bunga internasional yang digunakan sebagai suku bunga pinjaman luar negeri. Data variabel LIBOR merupakan data dalam persen.

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 kovarians linier yang stasioner Secara matematis, persamaan kausalitas Granger ini dapat dituliskan sebagai berikut: Y t = ∑ a i Y t-i + ∑ b j X t-j + v t ; X → Y jika b j Y t = ∑ c i Y t-i + ∑ d j X t-j + u t ; Y → X jika d j

3.3.2. Metode Vector Auto Regression VAR

Metode VAR merupakan rangkaian model time series multivariat yang dikembangkan oleh Sims 1980, dimana VAR adalah suatu sistem persamaan yang memperlihatkan setiap peubah sebagai fungsi linier dari konstanta dan nilai lag dari peubah-peubah yang ada dalam sistem. Metode VAR digunakan jika data stasioner atau tidak mengandung unit root pada level. Dalam model VAR, semua variabel yang digunakan dalam analisis dianggap berpotensi menjadi variabel endogen, dengan mengabaikan pemisahan antara variabel eksogen dan endogen. Model umum VAR sebagai berikut Achsani et al, 2005: X t = µ t + ∑ A i + X t -1 + t dimana, X t = vektor dari variabel endogen dengan dimensi n x 1, µ t = vektor dari variabel eksogen, termasuk konstanta intersep dan tren, A i = koefisien matriks dimensi n x n, t = 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 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: ∆X t = µ t + πX t -1 + ∑ Г i ∆X t-i + t Dimana π dan Г merupakan fungsi dari A i pada model umum VAR. Matriks π dapat dipecah menjadi dua matriks dan β dengan dimensi n x r. π = β τ , dimana 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 Uji stasioneritas data atau sering disebut dengan unit root test, merupakan langkah awal yang dilakukan untuk mengestimasi sebuah model yang akan digunakan. 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: ∆Y t = β 1 + β 2 t + δY t -1 + α i ∑ ∆Y t -1 + t ; dimana t = pure white noise error term, ∆Y t -1 = Y t -1 - Y t -2 dan seterusnya. Selain itu, perlu dilakukan juga ujia nilai t-statistik dari estimasi δ, untuk mengetahui apakah data time series bersifat stasioner atau tidak. Uji statistik memiliki rumus sebagai berikut: t hit = δ S δ Dengan pengujian hipotesis yaitu H = δ = 0 tidak stasioner dengan hipotesis alternatifnya yaitu H 1 = δ 0 stasioner. Apabila nilai t-statistik lebih kecil dari nilai statistik ADF, maka hasil yang didapat adalah tolak H . Dimana, jika H ditolak dan menerima H 1 , maka data yang digunakan bersifat stasioner atau tidak mengandung unit root , dan begitu juga sebaliknya. 3.3.4.2.Uji Lag Optimal 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 T + 2 T SC = - 2 T + logT T HQ = - 2 T + 2 loglogT T 3.3.4.3.Uji Stabilitas VAR Metode analisis yang akan digunakan untuk melakukan analisis hubungan guncangan variabel kebijakan fiskal seperti pengeluaran pemerintah dan pajak, pertumbuhan ekonomi, dan suku bunga internasional terhadap pinjaman luar negeri 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 lebih kecil dari 1, maka model VAR tersebut dianggap stabil, sehingga IRF dan FEVD yang dihasilkan dianggap valid Windarti, 2004.

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 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, I1. Uji kointegrasi dilakukan dengan menggunakan uji kointegrasi Johansen, secara matematis ditunjukkan dengan persamaan berikut: ∆y t = β + ∏ y t -1 + ∑ Г i ∆y t -1 + ε t Dengan pengujian hipotesis yaitu H = non-kointegrasi dengan hipotesis alternatifnya yaitu H 1 = kointegrasi, dimana jika trace statistic critical value, maka akan tolak H atau terima H 1 yang artinya terjadi kointegrasi. Analisis Vector Error Correction Model VECM dapat dilanjutkan setelah jumlah persamaan yang terkointegrasi telah diketahui.

3.3.6. Impulse Response Function IRF

Impulse Response Function IRF merupakan salah satu instrumen VECM yang digunakan untuk melihat hasil analisis. 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. Analisis Impulse Response Function IRF dalam penelitian ini dilakukan untuk menilai respon dinamis dari variabel FD jika terjadi guncangan shock pada variabel G, T, GDP, dan LIBOR.

3.3.7. 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 memengaruhi 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.

3.4. Mekanisme Analisis Olah Data

Proses analisis VAR dan VECM dapat dilihat pada Gambar 3.1. Sumber: Ascarya, 2009 Gambar 3.1 Proses Analisis VAR dan VECM S-term L-term K-1 S-term No No Yes Yes L-term Cointegration Test Data Transformation Natural Log Data Exploration Stationary at First Difference [I1] Stationary at Level [I0] Unit Root Test Var Level VECM VAR 1 st difference Optimal Order Cointegration Rank Innovation Accounting FEVD IRF Proses analisis VAR dan VECM dilakukan melalui beberapa tahap. Pada tahap pertama, saat data dasar telah siap, data ditransformasi ke bentuk logaritma natural ln. Kemudian, dilakukan uji awal yaitu unit roots test, untuk mengetahui apakah data stasioner atau masih mengandung tren. 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 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 ada 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