Penanaman Modal Asing PMA

60 2012:118. Agar dapat dimodelkan dengan ARMA atau ARIMA maka hal pertama adalah data harus stationer. Berdasarkan pengujian stasioneritas data PMA didapatkan hasil bahwa data tidak stasioner pada tingkat level, dan stasioner pada different tingkat pertama.Pada different tingkat pertama dari data PMA, diberikan dalam bentuk tabel sebagai berikut : Tabel 4.6 Correlogram 1 st Different Autocorrelation Partial Correlation AC PAC Q-Stat Prob | . | | . | 1 -0.417 -0.417 4.0211 0.045 . |. | . | . | 2 0.238 0.078 5.4048 0.067 . | . | . | . | 3 -0.022 0.125 5.4168 0.144 . | . | . | . | 4 0.006 0.024 5.4178 0.247 . | . | . | . | 5 -0.073 -0.111 5.5734 0.350 . | . | . | . | 6 0.071 0.004 5.7309 0.454 . | . | . | . | 7 -0.117 -0.066 6.1907 0.518 . | . | . | . | 8 -0.018 -0.109 6.2022 0.625 . | . | . | . | 9 0.169 0.188 7.3461 0.601 . | . | . | . | 10 -0.111 0.064 7.8918 0.639 . | . | .| . | 11 -0.099 -0.246 8.3751 0.679 . | . | .| . | 12 -0.048 -0.271 8.5006 0.745 Sumber : Data diolah tahun 2015 Pada Tabel 4.6 dapat terlihat bahwa probabilitas keseluruhan data diatas lebih besar dari α=5 yang dapat disimpulkan bahwa data yang digunakan sudah stasioner, selain itu dari kolom autocorrelation dan partial correlation menunjukkan bahwa data yang digunakan tidak mengandung autokorelasi. 61 Selanjutnya dilakukan analisis pembentukan model dengan mengklasifikan model-model ARIMA dan melihat nilai R-square, probabilitas, AIC, SIC, dan SSR, seperti yang terlihat dalam Tabel 4.13 berikut ini : Tabel 4.7 Klasifikasi Model ARIMA Model AR dan MA ARIMA Model 1 AR 1 1,1,0 Model 2 MA 1 0,1,1 Model 3 AR 1 MA 1 1,1,1 Setelah diperoleh model-model alternatif maka dapat dilanjutkan dengan estimasi menggunakan program Eviews6. b Estimasi dari Model Untuk mengestimasi model dari parameter pada Tabel 4.7 peneliti menggunakan program Eviews6 dan diperoleh ringkasan hasil estimasi dari model- model tersebut seperti yang terlihat pada Tabel 4.8 sebagai berikut : 62 Tabel 4.8 Rangkuman Estimasi Model ARIMA Sumber : Data diolah tahun 2015 Pada Tabel 4.8 nilai probabilitas yang signifikan atau lebih kecil dari α=5 adalah model 3, dengan kata lain model 1 dan model 2 tidak signifikan atau tidak memenuhi diagnostic cheking. Selanjutnya dilakukan pengamatan melalui nilai R-squared yaitu diantara 3 model diatas yang paling besar adalah model 3, dan terakhir dengan melihat nilai SSR, AIC, dan SIC dimana jika nilainya rendah maka dapat disimpulkan bahwa model tersebut yang paling baik, dalam Tabel 4.3 diatas maka dapat disimpulkan bahwa model 3 merupakan model yang layak dalam penelitian ini dan merupakan model terbaik yang memenuhi kriteria karena prilaku data deret waktu akan lebih baik dijelaskan melalui penggabungan antara model AR Model Prob R-squared Sum Squared Residual SSR AIC SIC model 1 0,0755 0,174 2,57E+21 49,4 49,5 model 2 0.1830 0,134 2,70E+21 49,39 49,49 model 3 0,0007 0,0123 0,34 2,05E+21 49,27 49,42 63 dan MA. Dengan kata lain, nilai Y t tidak hanya dipengaruhi oleh nilai peubah tersebut, tetapi juga oleh residual peubah tersebut pada periode sebelumnya Juanda, 2012:73. c Evaluasi Model Dalam melakukan evaluasi dari model yang dipilih maka dilakukan uji statistik dari model sebagai berikut: Tabel 4.9 Uji Q-Statistik Autocorrelation Partial Correlation AC PAC Q-Stat Prob .| . | .| . | 1 -0.229 -0.229 1.1649 . | . | . | . | 2 0.108 0.059 1.4390 . | . | . | . | 3 0.125 0.171 1.8261 0.177 . | . | . | . | 4 -0.121 -0.070 2.2142 0.331 . | . | . | . | 5 0.007 -0.070 2.2157 0.529 . | . | . | . | 6 0.095 0.091 2.4918 0.646 .| . | . | . | 7 -0.216 -0.156 4.0425 0.543 . | . | . | . | 8 0.074 -0.031 4.2411 0.644 . | . | . | . | 9 0.135 0.185 4.9730 0.663 . | . | . | . | 10 -0.108 0.012 5.4885 0.704 . | . | .| . | 11 -0.101 -0.243 5.9937 0.741 . | . | .| . | 12 -0.086 -0.215 6.4171 0.779 Sumber : Data diolah tahun 2015 Pada Tabel 4.9 dapat terlihat bahwa pengujian residual yang dilakukan pada model 3 didapatkan hasil bahwa ACF dan PACF dari nilai residual tidak ada yang signifikan sampai pada lag ke 12 yang berarti model baik untuk melakukan proyeksi. 64 d Prediksi atau Peramalan. Terdapat dua metode dalam melakukan proyeksi, yaitu static forcast untuk satu langkah kedepan dan model dynamic forcast untuk beberapa langkah kedepan Rosadi, 2012:160. Dalam analisis ini metode yang dipakai adalah metode dynamic forcast untuk memproyeksikan dalam beberapa tahun kedepan.Hasil dari peramalan dari model 3 untuk PMA 5 tahun kedepan, diperoleh grafik yang ditunjukkan pada Gambar 4.3 sebagai berikut : Gambar 4.3 Forecasting PMA Tahun 1994-2019 Sumber : Data diolah tahun 2015 Dari Gambar 4.3 memberikan output RMSE, MAE, dan MAPE untuk mengukur kesalahan peramalan. Pada Gambar 4.3 dihasilkan nilai rata-rata kuadrat kesalahan sebesar 1.03E+10RMSE, sedangkan rata-rata absolut kesalahan sebesar 7.71E+09 MAE dan rata-rata persentase absolut kesalahan sebesar 103.3955 -4E+10 -3E+10 -2E+10 -1E+10 0E+00 1E+10 2E+10 3E+10 4E+10 5E+10 96 98 00 02 04 06 08 10 12 14 16 18 PMAFDYN ± 2 S.E. Forecast: PMAFDYN Actual: DPMA Forecast sample: 1994 2019 Adjusted sample: 1996 2019 Included observations: 19 Root Mean Squared Error 1.03E+10 Mean Absolute Error 7.71E+09 Mean Abs. Percent Error 103.3955 Theil Inequality Coefficient 0.516389 Bias Proportion 0.001986 Variance Proportion 0.538648 Covariance Proportion 0.459365 65 MAPE.Berdasarkan ukuran RMSE maka diketahui bahwa tingkat kesalahan peramalan relatif kecil yaitu sebesar 1.03 yang berarti model baik untuk melakukan peramalan, berikut hasil peramalan PMA Jawa Barat 5 tahun kedepan pada tabel 4.10. Tabel 4.10 Hasil Forecasting PMA Tahun 2015-2019 Tahun PMA 2015 73243836 2016 77842327 2017 80684570 2018 84844348 2019 88015713 Sumber : Hasil data diolah tahun 2015

2. Penanaman Modal Dalam Negeri PMDN

1 Preprocessing Data dan Identifikasi Model a. Plot Data Untuk melihat perkiraan kasar dari bentuk model yang sesuai yaitu dengan melihat plot data deret waktu dari obyek PMDN Jawa Barat 1994-2014 apakah pola data dari grafik yang ditandai adanya kenaikan atau penurunan dalam perubahan waktu Rosadi, 2012. Seperti yang tampilkan pada Gambar 4.6 pada data 66 tersebut terlihat bahwa data PMDN Jawa Barat memiliki trend sehingga non stasioner pada mean dan selanjutnya dapat dilakukan dengan uji Stasioneritas data dengan menggunakan uji augmented Dickey- FullerADF yang menyatakan terdapat akar unit atau tidak. Gambar4.4 Trend PMDN Provinsi Jawa Barat Tahun 1994-2014 b. Uji Stasioneritas Data Tabel 4.11 ADF tingkat Level t-Statistic Prob. Augmented Dickey-Fuller test statistic 3.944967 1.0000 Test critical values: 1 level -3.920350 5 level -3.065585 10 level -2.673459 Sumber : Data diolah tahun 2015 0.0E+00 5.0E+09 1.0E+10 1.5E+10 2.0E+10 2.5E+10 3.0E+10 3.5E+10 4.0E+10 94 96 98 00 02 04 06 08 10 12 14 16 18 PMDN 67 Pada Tabel 4.11 terlihat data mengandung trend maka dilakukan Uji Stasioneritas data menggunakan uji akar unit dengan uji augmented Dickey-FullerADF atau menggunakan Plot ACFPACF. Dari hasil Uji ADF data PDRB Jawa Barat pada level data Sebenarnya ADF test statistik bernilai 3.944967 sedangkan nilai test critical values t- statistik batas α=5 bernilai 3.065585 yang berarti tidak terdapat akar unit dan data tetap tidak stasioner dikarenakandari nilai probabilitasADF sebesar 1.0000 yang dapat disimpulkan bahwa data yang digunakan tidak stasioner karena lebih dari α=5. Tabel 4.12 ADF 1 st Different t-Statistic Prob. Augmented Dickey-Fuller test statistic -4.125319 0.0054 Test critical values: 1 level -3.831511 5 level -3.029970 10 level -2.655194 Sumber : Data diolah tahun 2015 Selanjutnya akan dilakukan Transformasi data Lagged differences Lag 1, dari hasil Lagged differences ADF bernilai 1 didapat nilai ADF test statistik adalah 4.125319 sedangkan nilai test critical values t-satistik batas α=5 adalah 3.029970 yang berarti tidak terdapat 68 akar unit dan data stasioner, selain itu dapat dilihat dari nilai probabilitasADF sebesar 0,0054 yang dapat disimpulkan bahwa data yang digunakan stasioner karena kurang dari α=5. Dengan didapatnya data yang stationer maka dapat dilanjutkan dengan pembentukan model dalam analisis Least Square Method ARIMA dengan Menggunakan Eviews 6. 2 Analisis Leat Square Method dengan ARIMA a Metode ARIMA Autoregressive Moving Average merupakan metode alternatif dalam menganalisis data deret waktu yang terdapat komponen trend tetapi tidak terdapat komponen musiman Rosadi, 2012:118. Agar dapat dimodelkan dengan ARMA atau ARIMA maka hal pertama adalah data harus stationer. Berdasarkan pengujian stasioneritas data PMDN didapatkan hasil bahwa data tidak stasioner pada tingkat level, dan stasioner pada differen tingkat ke-1.Pada differen tingkat ke-1 dari data PMA, diberikan dalam bentuk tabel sebagai berikut : 69 Tabel 4.13 Correlogram 1 st Different Autocorrelation Partial Correlation AC PAC Q-Stat Prob . | . | . | . | 1 -0.089 -0.089 0.1826 0.669 . | . | . | . | 2 -0.040 -0.048 0.2216 0.895 . |. | . |. | 3 0.232 0.226 1.6147 0.656 . | . | . | . | 4 -0.002 0.038 1.6148 0.806 . | . | . | . | 5 0.120 0.147 2.0353 0.844 . | . | .| . | 6 -0.201 -0.249 3.3044 0.770 . | . | . | . | 7 0.060 0.033 3.4274 0.843 . | . | . | . | 8 0.160 0.096 4.3693 0.822 .| . | . | . | 9 -0.210 -0.094 6.1257 0.727 . | . | . | . | 10 0.054 0.017 6.2528 0.794 . | . | .| . | 11 -0.170 -0.230 7.6690 0.743 . | . | . | . | 12 -0.027 -0.030 7.7088 0.807 Sumber : Data diolah tahun 2015 Pada Tabel 4.13 dapat terlihat bahwa probabilitas keseluruhan data diatas lebih besar dari α=5 yang dapat disimpulkan bahwa data yang digunakan sudah stasioner, selain itu dari kolom autocorrelation dan partial correlation menunjukkan bahwa data yang digunakan tidak mengandung autokorelasi.Selanjutnya dilakukan analisis pembentukan model dengan mengklasifikan model-model ARIMA dan melihat nilai R-square, probabilitas, AIC, SIC, dan SSR, seperti yang terlihat dalam Tabel 4.14 berikut ini : Tabel 4.14 Klasifikasi Model ARIMA Model AR dan MA ARIMA Model 1 AR 9 9,1,0 Model 2 MA 1 0,1,1 Model 3 AR 9 MA 1 9,1,1