optimal jika nilai AIC dan SC lebih rendah dari salah satu lag. Berikut hasil pemilihan lag 1 atau lag 2.
Tabel 4.14. VAR Pada Lag 1
Vector Autoregression Estimates Date: 050313 Time: 10:25
Sample adjusted: 2000Q2 2012Q1 Included observations: 48 after adjustments
Standard errors in t-statistics in [ ] Determinant resid covariance dof adj.
4.68E-18 Determinant resid covariance
8.89E-19 Log likelihood
452.6595
Akaike information criterion -15.86081
Schwarz criterion -13.05401
Sumber : Lampiran-5
Tabel 4.15. VAR Pada Lag 2
Vector Autoregression Estimates Date: 050313 Time: 10:27
Sample adjusted: 2000Q3 2012Q1 Included observations: 47 after adjustments
Standard errors in t-statistics in [ ] Determinant resid covariance dof adj.
1.06E-18 Determinant resid covariance
2.93E-20 Log likelihood
523.4050
Akaike information criterion -16.48532
Schwarz criterion -11.13170
Sumber : Lampiran-5
Hasil penentuan lag diatas menunjukan bahwa pada lag 1 nilai AIC -
15,86081 lebih rendah dari nilai AIC pada lag 2 yaitu -16,48532. Kesimpulanya adalah penggunaan VAR pada lag 1 lebih optimal dibandingkan dengan VAR
pada lag 2. Jadi penelitian ini menggunakan lag 1 untuk menganalisanya.
4.4. Analisis Vector Autoregression VAR
Setelah dilakukan uji asumsi, yaitu uji stasioneritas, uji kointegrasi, uji stabilitas lag struktur dan penetapan tingkat lag optimal, maka selanjutnya adalah
menganalisis VAR yaitu untuk mengetahui ada tidaknya hubungan simultan
Universita Sumatera Utara
saling terkait atau saling kontribusi antara variabel, sebagai variabel eksogen dan endogen dengan memasukkan unsur waktu lag. Berikut hasil analisa tabel VAR
:
Tabel 4.16. Hasil Estimasi VAR
Vector Autoregression Estimates Date: 050313 Time: 10:25
Sample adjusted: 2000Q2 2012Q1 Included observations: 48 after adjustments
Standard errors in t-statistics in [ ] LOGTAX LOGGOV
SBK LOGJUB LOGPDB LOGINV LOGKURS
INF LOGTAX-1
0.605636 0.439351 -3.614364 0.070293 0.036012 0.058632 -0.072816 2.541306 0.15875 0.37371 3.90827 0.04391 0.02384 0.49795 0.05618 4.06237
[ 3.81501] [ 1.17564] [-0.92480] [ 1.60086] [ 1.51060] [ 0.11775] [-1.29620] [ 0.62557] LOGGOV-1
-0.051622 -0.165956 0.936088 -0.027299 -0.014237 0.176333 0.048942 -0.051233 0.08130 0.19137 2.00140 0.02249 0.01221 0.25499 0.02877 2.08032
[-0.63500] [-0.86718] [ 0.46772] [-1.21406] [-1.16618] [ 0.69151] [ 1.70131] [-0.02463] SBK-1
-0.001978 -0.023219 1.363947 -0.002219 -0.001140 -0.063076 -0.007191 -0.460301 0.01075 0.02532 0.26476 0.00297 0.00161 0.03373 0.00381 0.27520
[-0.18393] [-0.91717] [ 5.15166] [-0.74588] [-0.70563] [-1.86988] [-1.88953] [-1.67262] LOGJUB-1
0.086324 -1.100143 7.407276 0.253927 0.146823 -1.347307 -0.017790 -11.35779 0.36434 0.85769 8.96971 0.10077 0.05471 1.14281 0.12893 9.32338
[ 0.23693] [-1.28269] [ 0.82581] [ 2.51975] [ 2.68349] [-1.17894] [-0.13799] [-1.21821] LOGPDB-1
1.215327 4.835332 1.984751 1.848281 0.485163 3.660501 -0.107587 5.274924 0.96004 2.26001 23.6352 0.26554 0.14417 3.01132 0.33973 24.5671
[ 1.26591] [ 2.13952] [ 0.08397] [ 6.96040] [ 3.36523] [ 1.21558] [-0.31669] [ 0.21471] LOGINV-1
-0.031780 -0.068665 -0.200382 -0.008022 0.006136 0.445912 0.014562 0.765984 0.03984 0.09378 0.98071 0.01102 0.00598 0.12495 0.01410 1.01938
[-0.79777] [-0.73223] [-0.20432] [-0.72803] [ 1.02571] [ 3.56870] [ 1.03302] [ 0.75142] LOGKURS-1
-0.108520 0.874016 -6.142576 0.048332 0.009821 -0.682836 0.628861 9.817360 0.30298 0.71323 7.45900 0.08380 0.04550 0.95034 0.10721 7.75311
[-0.35818] [ 1.22543] [-0.82351] [ 0.57674] [ 0.21585] [-0.71852] [ 5.86551] [ 1.26625] INF-1
0.012022 0.000162 1.420276 -0.003147 -0.002145 -0.054277 -0.009001 -0.425489 0.01278 0.03007 0.31452 0.00353 0.00192 0.04007 0.00452 0.32692
[ 0.94099] [ 0.00538] [ 4.51570] [-0.89051] [-1.11781] [-1.35448] [-1.99099] [-1.30151] C
-4.445408 -20.17313 -20.42511 -6.667874 1.945933 -6.987002 2.297586 -15.68400 4.02123 9.46626 98.9983 1.11225 0.60387 12.6132 1.42297 102.902
[-1.10549] [-2.13106] [-0.20632] [-5.99495] [ 3.22245] [-0.55394] [ 1.61464] [-0.15242] R-squared
0.950161 0.760966 0.620341 0.994551 0.988399 0.747509 0.575330 0.181109 Adj. R-squared
0.939938 0.711933 0.542463 0.993433 0.986019 0.695716 0.488218 0.013131 Sum sq. resids
0.159265 0.882591 96.52919 0.012184 0.003592 1.566941 0.019943 104.2914 S.E. equation
0.063904 0.150434 1.573247 0.017675 0.009596 0.200444 0.022613 1.635280 F-statistic
92.94093 15.51958 7.965480 889.7552 415.3392 14.43261 6.604501 1.078170 Log likelihood
68.89225 27.79722 -84.87652 130.5820 159.8996 14.02076 118.7566 -86.73277 Akaike AIC
-2.495511 -0.783218 3.911521 -5.065918 -6.287485 -0.209198 -4.573190 3.988865 Schwarz SC
-2.144660 -0.432367 4.262372 -4.715068 -5.936634 0.141652 -4.222340 4.339715 Mean dependent
4.989021 5.175646 12.77375 5.486292 5.662750 7.069729 3.969583 1.981042 S.D. dependent
0.260753 0.280286 2.325861 0.218117 0.081160 0.363374 0.031610 1.646123 Determinant resid covariance
dof adj. 4.68E-18
Determinant resid covariance 8.89E-19
Universita Sumatera Utara
Log likelihood 452.6595
Akaike information criterion -15.86081
Schwarz criterion -13.05401
Sumber : Lampiran-5
Estimation Proc: ===============================
LS 1 1 LOGTAX LOGGOV SBK LOGJUB LOGPDB LOGINV LOGKURS INF C
VAR Model: ===============================
LOGTAX = C1,1LOGTAX-1 + C1,2LOGGOV-1 + C1,3SBK-1 +
C1,4LOGJUB-1 + C1,5LOGPDB-1 + C1,6LOGINV- 1 + C1,7LOGKURS-1 + C1,8INF-1 + C1,9
LOGGOV = C2,1LOGTAX-1 + C2,2LOGGOV-1 + C2,3SBK-1 +
C2,4LOGJUB-1 + C2,5LOGPDB-1 + C2,6LOGINV- 1 + C2,7LOGKURS-1 + C2,8INF-1 + C2,9
SBK = C3,1LOGTAX-1 + C3,2LOGGOV-1 + C3,3SBK-1 +
C3,4LOGJUB-1 + C3,5LOGPDB-1 + C3,6LOGINV-1 + C3,7LOGKURS-1 + C3,8INF-1 + C3,9
LOGJUB = C4,1LOGTAX-1 + C4,2LOGGOV-1 + C4,3SBK-1 +
C4,4LOGJUB-1 + C4,5LOGPDB-1 + C4,6LOGINV- 1 + C4,7LOGKURS-1 + C4,8INF-1 + C4,9
LOGPDB = C5,1LOGTAX-1 + C5,2LOGGOV-1 + C5,3SBK-1 +
C5,4LOGJUB-1 + C5,5LOGPDB-1 + C5,6LOGINV- 1 + C5,7LOGKURS-1 + C5,8INF-1 + C5,9
LOGINV = C6,1LOGTAX-1 + C6,2LOGGOV-1 + C6,3SBK-1 +
C6,4LOGJUB-1 + C6,5LOGPDB-1 + C6,6LOGINV- 1 + C6,7LOGKURS-1 + C6,8INF-1 + C6,9
LOGKURS = C7,1LOGTAX-1 + C7,2LOGGOV-1 + C7,3SBK-1 +
C7,4LOGJUB-1 + C7,5LOGPDB-1 + C7,6LOGINV-1 + C7,7LOGKURS-1 + C7,8INF-1 + C7,9
Universita Sumatera Utara
INF = C8,1LOGTAX-1 + C8,2LOGGOV-1 + C8,3SBK-1 + C8,4LOGJUB-1 + C8,5LOGPDB-1 + C8,6LOGINV-1 +
C8,7LOGKURS-1 + C8,8INF-1 + C8,9
VAR Model - Substituted Coefficients: ===============================
LOGTAX = 0.605635557879LOGTAX-1 - 0.0516221562801LOGGOV-1 -
0.00197802671916SBK-1 + 0.0863239186339LOGJUB-1 + 1.21532667124LOGPDB-1 - 0.0317795964741LOGINV-1 -
0.108520330156LOGKURS-1 + 0.0120215851934INF-1 - 4.44540843289
LOGGOV = 0.439350864339LOGTAX-1 - 0.16595603813LOGGOV-1 - 0.0232193084316SBK-1 - 1.10014349207LOGJUB-1 +
4.83533184581LOGPDB-1 - 0.0686653365481LOGINV-1 + 0.874015733815LOGKURS-1 + 0.00016180688954INF-1 -
20.1731266921
SBK = - 3.6143642497LOGTAX-1 + 0.936087704926LOGGOV-1 + 1.36394710698SBK-1 + 7.40727626159LOGJUB-1 +
1.98475141064LOGPDB-1 - 0.200381652723LOGINV-1 - 6.14257636024LOGKURS-1 + 1.42027597396INF-1 -
20.4251143488
LOGJUB = 0.0702929642045LOGTAX-1 - 0.027299036427LOGGOV-1 - 0.00221868281641SBK-1 + 0.253927221458LOGJUB-1 +
1.84828108232LOGPDB-1 - 0.00802169779006LOGINV-1 + 0.0483322053756LOGKURS-1 - 0.00314673317521INF-1 -
6.66787360144
LOGPDB = 0.0360120959399LOGTAX-1 - 0.0142368591345LOGGOV-1 - 0.00113956584006SBK-1 + 0.146822597347LOGJUB-1 +
0.485163400184LOGPDB-1 + 0.00613592898794LOGINV-1 + 0.00982085879681LOGKURS-1 - 0.00214450937539INF-1
+ 1.94593286652
LOGINV = 0.0586321424929LOGTAX-1 + 0.176332523056LOGGOV-1 - 0.0630755055215SBK-1 - 1.34730664882LOGJUB-1 +
3.66050050754LOGPDB-1 + 0.445912234011LOGINV-1 - 0.682836459258LOGKURS-1 - 0.0542772672002INF-1 -
6.98700155104
LOGKURS= - 0.0728156183663LOGTAX-1 +
0.0489424077145LOGGOV-1 - 0.00719073008738SBK-1 - 0.0177902162041LOGJUB-1 - 0.107587045957LOGPDB-1 +
0.0145619970617LOGINV-1 + 0.628861491076LOGKURS-1 - 0.00900087523991INF-1 + 2.29758635754
Universita Sumatera Utara
INF = 2.54130616693LOGTAX-1 - 0.0512327595889LOGGOV-1 - 0.460300624094SBK-1
- 11.3577943454LOGJUB-1 +
5.27492433952LOGPDB-1 + 0.76598402409LOGINV-1 + 9.81736031337LOGKURS-1
- 0.425489127141INF-1
- 15.6839985362
Berdasarkan hasil analisa Vector Autoregression diketahui bahwa variabel sebelumnya juga berkontribusi terhadap variabel sekarang sebagaimana yang
ditunjukkan pada tabel 4.16 diatas bahwa variabel masa lalu t-
1
Tabel 4.17. Hasil Analisis VAR
berkontribusi terhadap variabel itu sendiri dan variabel lain. Dengan menggunakan dasar lag 1
terlihat bahwa adanya kontribusi dari masing-masing variabel terhadap variabel itu sendiri dan variabel lainnya, dengan demikian variabel dalam penelitian ini
saling berkontribusi. Analisis VAR dalam penelitian ini mencakup variabel Penerimaan Pajak TAX, Pengeluaran Pemerintah GOV, Suku Bunga Kredit
SBK, Jumlah Uang Beredar JUB, Produk Domestik Bruto PDB, Investasi INV, Nilai Tukar Rupiah KURS dan Inflasi INF. Berikut tabel kesimpulan
kontribusi analisa VAR :
Variabel Kontribusi Terbesar 1
Kontribusi Terbesar 2
TAX PDB
1,215
t-1
TAX 0,605
t-1
GOV PDB
4,835
-1
KURS 0,874
t-1
SBK SBK
7,407
t-1
PDB 1,984
t-1
JUB PDB
1,848
t-1
JUB 0,253
-1
PDB PDB
0,485
t-1
JUB 0,146
t-1
INV PDB
3,660
t-1
INV 0,445
t-1
KURS KURS
0,628
t-1
GOV 0,048
t-1
INF KURS
9,817
t-1
PDB 5,274
t-1
Sumber : Tabel 4.16
Universita Sumatera Utara
Hasil kesimpulan kontribusi analisa VAR seperti tabel 4.17 di atas menunjukkan kontribusi terbesar satu dan dua terhadap suatu variabel, yang
kemudian dianalisa sebagai berikut :
1. Analisis VAR terhadap TAX Kontribusi yang paling besar terhadap penerimaan pajak adalah produk
domestik bruto periode sebelumnya dan disusul oleh penerimaan pajak itu sendiri periode sebelumnya. Besarnya penerimaan pajak dan adanya
peningkatan terhadap produk domestik bruto akan meningkatkan produksi perusahaan dan pendapatan masyarakat, naiknya kapasitas produksi
perusahaan akan meningkatkan pajak pertambahan nilai dan pajak penghasilan dari karyawanpegawai perusahaan tersebut, sedangkan
naiknya pendapatan masyarakat akan meningkatkan konsumsi masyarakat sehingga akan meningkatkan pajak restoran dan pajak penghasilan pribadi
masyarakat.
2. Analisis VAR terhadap GOV Kontribusi yang paling besar terhadap pengeluaran pemerintah adalah
produk domestik bruto periode sebelumnya dan disusul oleh kurs periode sebelumnya. Adanya peningkatan terhadap produk domestik bruto akan
meningkatkan kapasitas produksi, naiknya kapasitas produksi akan meningkatkan pendapatan masyarakat, naiknya pendapatan masyarakat
akan meningkatkan penerimaaan kemudian naiknya penerimaan akan meningkatkan pengeluaran negara. Naiknya belanja pemerintah juga
adanya apresiasi dari kurs dan stabilnya ekonomi.
Universita Sumatera Utara
3. Analisis VAR terhadap SBK Kontribusi yang paling besar terhadap suku bunga kredit adalah suku
bunga kredit itu sendiri periode sebelumnya dan disusul produk domestik bruto periode sebelumnya. Dalam kebijakan penetapan suku bunga kredit
didasarkan atas pertimbangan yang sangat kuat atas suku bunga kredit itu sendiri periode sebelumnya dimana suku bunga kredit merupakan variabel
kebijakan yang didasarkan atas kondisi pasar. Kondisi ekonomi juga menjadi acuan kebijakan penetapan suku bunga, dimana naiknya produk
domestik bruto akan meningkatkan produksi dan investasi, keinginan berinvestasi mendorong masyarakat melakukan pinjaman yang akan
mendorong kebijakan penetapan suku bunga kredit.
4. Analisis VAR terhadap JUB Kontribusi yang paling besar terhadap jumlah uang beredar adalah produk
domestik bruto periode sebelumnya dan disusul oleh jumlah uang beredar itu sendiri periode sebelumnya. Peningkatan jumlah uang beredar tahun
sekarang juga dipengaruhi oleh naiknya pendapatan masyarakat dan tekanan jumlah uang beredar tahun sebelumnya. Naiknya produk domestik
bruto akan meningkatkan produksi dan mendorong investasi, naiknya investasi akan meningkatkan pendapatan masyarakat dan naiknya
kepemilikan uang ditangan masyarakat karena naiknya daya beli masyarakat.
5. Analisis VAR terhadap PDB Kontribusi yang paling besar terhadap produk domestik bruto adalah
produk domestik bruto itu sendiri periode sebelumnya dan disusul oleh
Universita Sumatera Utara
jumlah uang beredar periode sebelumnya. Peningkatan terhadap jumlah uang beredar akan mendorong tumbuhnya permintaan masyarakat
sehingga investasi juga akan meningkat, naiknya investasi akan meningkatkan produksi dan kemudian naiknya produk domestik bruto.
6. Analisis VAR terhadap INV Kontribusi paling besar terhadap investasi adalah produk domestik bruto
periode sebelumnya dan disusul oleh investasi itu sendiri periode sebelumnya. Naiknya produk domestik bruto akan meningkatkan
investasi, dimana produk domestik bruto naik mendorong kenaikan pada pendapatan masyarakat, naiknya pendapatan akan meningkatkan daya beli
dan meningkatkan permintaan, naiknya permintaan akan meningkatkan investasi untuk memenuhi permintaan masyarakat tersebut.
7. Analisis VAR terhadap KURS Kontribusi yang paling besar terhadap kurs adalah kurs itu sendiri periode
sebelumnya dan disusul oleh pengeluaran pemerintah periode sebelumnya. Tekanan kurs periode sebelumnya sangat berdampak pada kurs periode
sekarang. Pengeluaran pemerintah yang cukup tinggi akan memperkuat posisi kurs, dimana pengeluaran pemerintah yang cenderung
meningkatkan ekspor akan meningkatkan devisa dan memungkinkan apresiasi terhadap kurs rupiah akan berlangsung cukup lama.
8. Analisis VAR terhadap INF Kontribusi yang paling besar terhadap inflasi adalah kurs periode
sebelumnya dan disusul oleh produk domestik bruto periode sebelumnya. Depresiasi terhadap nilai tukar rupiah akan mendorong naiknya harga-
Universita Sumatera Utara
harga. Depresiasi nilai tukar rupiah menyebabkan naiknya harga domestik dan menyebabkan naiknya biaya produksi. Naiknya pertumbuhan ekonomi
akan meningkatkan pendapatan masyarakat dan permintaan akan barang juga akan meningkat sehingga tekanan inflasi akan semakin besar.
4.5. Analisis Impulse Response Function IRF