METODOLOGI PENELITIAN Analisis pengaruh perubahan nilai tukar rupiah terhadap neraca perdagangan Indonesia

III. METODOLOGI PENELITIAN

3. 1. Jenis dan Sumber Data

Jenis data yang digunakan dalam penelitian ini adalah data sekunder. Dimana data sekunder tersebut merupakan data time series runtun waktu. Data time series yang digunakan adalah data kwartalan dengan sampel waktu dari bulan Januari 1990 sampai dengan bulan Desember 2005. Pada penelitian ini menggunakan beberapa variabel. Tabel 3.1. Variabel yang digunakan dalam penelitian Variabel Simbol Satuan Sumber Neraca Perdagangan Riil TB Miliar US IFS GDP Riil Indonesia YD Juta Rp IFS GDP Riil Amerika YF Juta US IFS M1 Indonesia MD Miliar Rp BI M1 Amerika MF Juta US IFS SBI RD Persen BI Fed Rate RF Persen IFS Nilai Tukar Riil RER RpUS BI Semua variabel yang digunakan dalam bentuk logaritma kecuali tingkat suku bunga. Sumber data diperoleh dari laporan mingguan, laporan bulanan, dan laporan tahunan yang dipublikasikan oleh Bank Indonesia, Badan Pusat Statistik BPS, dan IFS, serta indikator ekonomi.

3. 2. Metode Analisis dan Pengolahan Data

Model analisis untuk menentukan hubungan nilai tukar terhadap neraca perdagangan menggunakan model ekonometrika. Secara khusus faktor-faktor yang mempengaruhi neraca perdagangan ditelaah dengan mengunakan metode analisis Error Correction Model ECM. Metode ini dianggap paling baik dalam menganalisis faktor-faktor yang mempengaruhi neraca perdagangan Indonesia baik dalam jangka pendek maupun dalam jangka panjang. Software yang digunakan untuk analisis ECM dalam penelitian ini adalah E-Views 4.1.

3. 2. 1. Error Correction Model ECM

Error Correction Model merupakan salah satu model dinamik yang diterapkan secara luas dalam analisis ekonomi. Konsep ECM pertama kali diperkenalkan oleh Sargan dalam Thomas, 1997, model ini bertujuan untuk mengatasi permasalahan data time series yang tidak stasioner dan regresi palsu spurious regression. Munculnya ECM untuk mengatasi perbedaan konsistensi hasil estimasi antara jangka pendek dengan jangka panjang, yaitu dengan cara proporsi disequilibrium pada satu periode dikoreksi pada periode selanjutnya. Sehingga tidak ada kesalahan dalam menggunakan model yang dianalisis Isbandriyah dalam Kusumastuti, 2005. Munculnya ketidakseimbangan kesalahan terjadi dikarenakan oleh beberapa hal. Pertama, kesalahan spesifikasi antara lain kesalahan pemilihan variabel, parameter, dan keseimbangan itu sendiri. Kedua, kesalahan membuat definisi variabel dan cara mengukurnya. Ketiga, kesalahan yang disebabkan oleh faktor manusia dalam menginput data. Thomas 1997, mengemukakan bahwa error correction model memiliki beberapa kegunaan dalam analisis ekonomi, antara lain : 1. Dapat digunakan untuk mengatasi masalah data time series yang non stasioner dan regresi palsu. 2. Dapat mengeliminasi trend dari variabel dengan mengubah variabel-variabel dalam bentuk first difference. 3. ECM dapat melihat kecenderungan umum dan membaginya menjadi pendekatan jangka pendek dan jangka panjang. Dengan cara melakukan uji stasioneritas terhadap data terlebih dahulu dapat membantu kita menghindari masalah pada saat pengolahan data nantinya seperti masalah kolinieritas antar data yang dapat menyebabkan standart error yang sangat besar. 4. Dapat membedakan dengan jelas antar parameter jangka panjang sehingga sangat ideal untuk digunakan menaksir dari keakuratan sebuah hipotesis. Sebagai salah satu model dinamik yang penerapannya digunakan dalam analisis ekonomi, ECM memiliki kelebihan antara lain seluruh komponen dan informasi pada tingkat variabel telah dimasukkan dalam model, memasukkan semua bentuk kesalahan untuk dikoreksi yaitu dengan cara mendaur ulang error yang terbentuk pada periode sebelumnya, menghindari terjadinya trend dan regresi palsu spurious regression. Kelebihan lain dari model ini adalah sifat-sifat statistik yang diinginkan dari model dan pemberian makna yang lebih sederhana. Dengan kata lain, model ECM mampu memberikan makna lebih jelas dari estimasi model ekonomi sehingga pengaruh perubahan variabel independen terhadap variabel dependen dalam hubungan jangka pendek dan jangka panjang. Untuk menganalisis hubungan jangka pendek dan jangka panjang dari variabel neraca perdagangan dan variabel-variabel yang mempengaruhinya model persamaan yang digunakan merujuk pada model yang dikemukakan oleh Agbola dalam penelitiannya yang berjudul “Ghana’s Exchange Rate Reform and Its Impact on Balance of Trade”. Bentuk model yang digunakan adalah sebagai berikut : LTB t = α + α 1 LYD t + α 2 LYF t + α 3 LMD t + α 4 LMF t + α 5 RD t + α 6 RF t + α 7 LRER t + ε t 3.1 dengan α1 0, α 2 0, α 3 0, α 4 0, α 5 0, α 6 0, dan α 7 Dengan mengadopsi model yang digunakan Agbola, maka persamaan struktural yang digunakan dalam penelitian ini adalah sebagai berikut : LTB t = α + α 1 LYD t + α 2 LYF t + α 3 LMD t + α 4 LMF t + α 5 RD t + α 6 RF t + α 7 LRER t + α 8 dummy + ε t 3.2 dengan α1 0, α 2 0, α 3 0, α 4 0, α 5 0, α 6 0, α 7 0, dan α 8 Pada persamaan 3.2 diatas, apabila dituliskan dalam persamaan Autoregressive Distributed Lag ADL dengan lag satu, maka persamaan tersebut akan menjadi sebagai berikut : LTB t = α + α 1 LYD t + α 2 LYD t-1 + α 3 LYF t + α 4 LYF t-1 + α 5 LMD t + α 6 LMD t-1 + α 7 LMF t + α 8 LMF t-1 + α 9 RD t + α 10 RD t-1 + α 11 LRF t + α 12 LRF t-1 + α 13 LRER t + α 14 LRER t-1 + LTB t-1 + α 15 dummy + ε t 3.3 dengan mengurangkan tiap sisi dengan LTB t-1 maka persamaan 3.3 dapat dirumuskan sebagai berikut : LTB t – LTB t-1 = α + α 1 LYD t + α 2 LYD t-1 + α 3 LYF t + α 4 LYF t-1 + α 5 LMD t + α 6 LMD t-1 + α 7 LMF t + α 8 LMF t-1 + α 9 RD t + α 10 RD t-1 + α 11 RF t + α 12 RF t-1 + α 13 LRER t + α 14 LRER t-1 + LTB t-1 - LTB t-1 + α 15 dummy + ε t 3.4 Persamaan 3.4 diatas dapat dirumuskan kembali menjadi : Δ LTB t = α + α 1 LYD t + α 2 LYD t-1 + α 3 LYF t + α 4 LYF t-1 + α 5 LMD t + α 6 LMD t-1 + α 7 LMF t + α 8 LMF t-1 + α 9 RD t + α 10 RD t-1 + α 11 RF t + α 12 RF t-1 + α 13 LRER t + α 14 LRER t-1 - 1 - LTB t-1 + α 15 dummy + ε t 3.5 Kemudian pada sisi sebelah kanan persamaan 3.5 ditambah dan dikurangi dengan α 1 LYD t-1 , α 3 LYF t-1 , α 5 LMD t-1 , α 7 LMF t-1 , α 9 RD t-1 , α 11 RF t-1 , dan α 13 LRER t-1 sehingga persamaan tersebut dapat dituliskan sebagai berikut : Δ LTB t = α + α 1 LYD t - α 1 LYD t-1 + α 1 LYD t-1 + α 2 LYD t-1 + α 3 LYF t - α 3 LYF t-1 + α 3 LYF t-1 + α 4 LYF t-1 + α 5 LMD t - α 5 LMD t-1 + α 5 LMD t-1 + α 6 LMD t-1 + α 7 LMF t - α 7 LMF t-1 + α 7 LMF t-1 + α 8 LMF t-1 + α 9 RD t - α 9 RD t-1 + α 9 RD t-1 + α 10 RD t-1 + α 11 RF t - α 11 RF t-1 + α 11 RF t-1 + α 12 RF t-1 + α 13 LRER t - α 13 LRER t-1 + α 13 LRER t-1 + α 14 LRER t-1 - 1 - LTB t-1 + α 15 dummy + ε t 3.6 Persamaan 3.6 dapat disederhanakan menjadi persamaan berikut : Δ LTB t = α + α 1 Δ LYD t + α 1 + α 2 LYD t-1 + α 3 Δ LYF t + α 3 + α 4 LYF t-1 + α 5 Δ LMD t + α 5 + α 6 LMD t-1 + α 7 Δ LMF t + α 7 + α 8 LMF t-1 + α 9 Δ RD t + α 9 + α 10 RD t-1 + α 11 Δ RF t-1 + α 11 + α 12 RF t-1 + α 13 Δ LRER t + α 13 + α 14 LRER t-1 - 1 - LTB t-1 + α 15 dummy+ ε t 3.7 dengan asumsi λ = 1 – dan 1 = α 1 + α 2 λ , 2 = α 3 + α 4 λ , 3 = α 5 + α 6 λ , 4 = α 7 + α 8 λ , 5 = α 9 + α 10 λ , 6 = α 11 + α 12 λ , 7 = α 13 + α 14 λ maka persamaan 3.7 dapat dirumuskan sebagai berikut : Δ LTB t = α + α 1 Δ LYD t + 1 LYD t-1 + α 3 Δ LYF t + 2 LYF t-1 + α 5 Δ LMD t + 3 LMD t-1 + α 7 Δ LMF t + 4 LMF t-1 + α 9 Δ RD t + 5 RD t-1 + α 11 Δ RF t-1 + 6 RF t-1 + α 13 Δ LRER t + 7 LRER t-1 - λ LTB t-1 + α 15 dummy+ ε t 3.8 sehingga : Δ LTB t = α + α 1 Δ LYD t + α 3 Δ LYF t + α 5 Δ LMD t + α 7 Δ LMF t + α 9 Δ LRD t + α 11 Δ LRF t-1 + α 13 Δ LRER t - λ LTB t-1 – - 1 LYD t-1 - 2 LYF t-1 - 3 LMD t-1 - 4 LMF t-1 - 5 RD t-1 - 6 RF t-1 - 7 LRER t-1 + α 15 dummy+ ε t 3.9 dimana α = b , α 1 = b 1 , α 3 = b 2 , α 5 = b 3 , α 7 = b 4 , α 9 = b 5 , α 11 = b 6 , α 13 = b 7 , maka persamaan 3.7 dapat dirumuskan kembali sebagai berikut : Δ LTB t = b + b 1 Δ LYD t + b 2 Δ LYF t + b 3 Δ LMD t + b 4 Δ LMF t + b 5 Δ RD t + b 6 Δ RF t-1 + b 7 Δ LRER t - λ LTB t-1 – - 1 LYD t-1 - 2 LYF t-1 - 3 LMD t-1 - 4 LMF t-1 - 5 RD t-1 - 6 RF t-1 - 7 LRER t-1 + α 15 dummy+ ε t 4.0 dengan demikian persamaan neraca perdagangan dengan model ECM yang digunakan dalam penelitian ini merupakan bentuk sederhana dari persamaan 4.0 yaitu sebagai berikut : Δ LTB t = b + b 1 Δ LYD t + b 2 Δ LYF t + b 3 Δ LMD t + b 4 Δ LMF t + b 5 Δ RD t + b 6 Δ RF t + b 7 Δ LRER t + α 15 dummy - λ ECT 4.1 dimana ECT = ε t-1 = LTB t-1 – - 1 LYD t-1 - 2 LYF t-1 - 3 LMD t-1 - 4 LMF t-1 - 5 LRD t-1 - 6 LRF t-1 - 7 LRER t-1 dengan b 1 0 , b 2 0 , b 3 0 , b 4 0 , b 5 0 , b 6 0 , b 7 Keterangan : b : Intersep b t : Parameter yang diduga, dimana n = 1, 2, 3,..., 7 dan menggambarkan hubungan jangka panjang antara variabel independen dengan variabel dependen. λ : Parameter Error Correction Term LYD t : Pendapatan dalam negeri Indonesia pada periode t LYF t : Pendapatan luar negeri Amerika Serikat pada periode t LMD t : Jumlah uang beredar dalam negeri Indonesia pada periode t LMF t : Jumlah uang beredar luar negeri Amerika Serikat pada periode t RD t : Tingkat suku bunga domestik SBI pada periode t RF t : Tingkat suku bunga luar negeri Fed Rate pada periode t LRER t : Nilai tukar rupiah terhadap dollar Amerika pada periode t LYD t-1 : Lag pertumbuhan pendapatan dalam negeri Indonesia pada periode sebelumnya LYF t-1 : Lag pertumbuhan pendapatan luar negeri Amerika Serikat pada periode sebelumnya LMD t-1 : Lag pertumbuhan jumlah uang beredar dalam negeri Indonesia pada periode sebelumnya LMF t-1 : Lag pertumbuhan jumlah uang beredar luar negeri Amerika Serikat pada periode sebelumnya RD t-1 : Lag pertumbuhan tingkat suku bunga dalam negeri SBI pada periode sebelumnya RF t-1 : Lag pertumbuhan tingkat suku bunga luar negeri Fed Rate pada periode sebelumnya LRER t -1 : Lag pertumbuhan nilai tukar rupiah terhadap dollar pada periode sebelumnya ECT : Error Correction Term

3. 2. 2. Pengujian Pra-Estimasi 1. Uji Stasioneritas Data

Sebelum melakukan proses estimasi terhadap model regresi, tahap awal yang perlu dilakukan adalah mengetahui apakah data time series tersebut bersifat stasioner atau bersifat tidak stasioner. Dalam penelitian ini akan dilakukan uji akar-akar unit untuk mengetahui apakah data tersebut bersifat stasioner atau tidak. Uji akar unit yang dilakukan menggunakan Augmented Dickey Fuller ADF test. Apabila suatu data memiliki sifat yang non stasioner maka berbagai indikator yang menyertai hasil analisis empirik atau hasil analisis model regresi menunjukkan sifat-sifat yang tidak valid. Hipotesis yang digunakan yaitu sebagai berikut : H : Data tidak stasioner mengandung unit root H 1 : Data stasioner tidak mengandung unit root Menurut Isbandriyah dalam Kusumastuti 2004, model yang mengandung variabel yang tidak stasioner sering menimbulkan masalah regresi lancung atau spourious regression, yaitu hasil estimasi yang diperoleh dari model secara statistik signifikan tetapi pada kenyataannya secara ekonomi tidak memiliki arti apapun atau tidak sesuai dengan teori ekonomi yang ada. Terdapat beberapa perbedaan antara data time series yang stasioner dan data time series yang non stasioner. Pada data time series yang stasioner, dampak guncangan yang terjadi hanya bersifat sementara. Dalam jangka panjang dampak dari guncangan tersebut akan berkurang sehingga akan kembali ke long run mean levelnya dan berfluktuasi di sekitar mean tersebut. Sedangkan pada data time series yang tidak stasioner dampak guncangan akan mengakibatkan perubahan dalam jangka panjang. Menurut Thomas dalam Kusumastuti 2004, berikut beberapa perilaku dari data yang bersifat stasioner : 1. Mean dari data menunjukkan perilaku yang konstan. 2. Data stasioner menunjukkan varian yang konstan. 3. Correlogram yang menyempit seiring dengan penambahan waktu. Sedangkan untuk data yang bersifat tidak stasioner memiliki perilaku sebagai berikut : 1. Data yang tidak stasioner tidak memiliki long run mean. 2. Memiliki ketergantungan terhadap waktu dan varian dari data yang tidak stasioner akan semakin besar tanpa batas seiring dengan perubahan waktu. 3. Correlogram dari data tersebut cenderung melebar.

2. Uji Derajat Integrasi

Setelah dilakukan uji akar-akar unit, tahap selanjutnya adalah uji derajat integrasi. Uji derajat integrasi dilakukan jika asumsi stasioneritas data pada derajat nol atau I0 tidak terpenuhi. Pada uji derajat integrasi ini sangat penting untuk mengetahui terlebih dahulu apakah data bersifat stasioner dan berapa kali variabel harus di-difference untuk menghasilkan variabel yang stasioner. Variabel yang digunakan di-difference pada derajat tertentu sehingga semua variabel stasioner pada derajat yang sama. Suatu variabel dikatakan stasioner pada first difference jika setelah di-difference satu kali nilai Augmented Dickey Fuller ADF tes lebih kecil dari nilai kritis MacKinnon.

3. Uji Kointegrasi

Setelah dilakukan uji akar-akar unit dan uji derajat integrasi maka akan dilakukan analisis kointegrasi. Kointegrasi adalah suatu hubungan jangka panjang long term relationship antara variabel-variabel yang tidak stasioner. Ini berarti bahwa walaupun secara individual tidak stasioner namun kombinasi linier antara variabel tersebut dapat menjadi stasioner Engle-Granger dalam Thomas,1997. Suatu sistem variabel dikatakan terkointegrasi jika beberapa variabel tersebut minimal satu variabel terintegrasi pada level satu 11 dan berlaku kombinasi linier dari sistem variabel tersebut yang terintegrasi pada level nol 10, yaitu disequilibrium error atau residual u t bersifat stasioner. Langkah ini merupakan uji untuk menghindari regresi yang palsu. Metode yang digunakan dalam uji kointegrasi adalah metode Engle- Granger. Metode kointegrasi Engel-Granger menggunakan metode Augmented Dickey Fuller ADF yang terdiri dari 2 tahap. Tahap pertama, meregresi persamaan OLS kemudian mendapatkan residual dari persamaan tersebut. Tahap yang kedua, dengan menggunakan metode ADF, dilakukan uji akar unit terhadap residual dengan hipotesis yang sama dengan hipotesis uji akar-akar unit ADF variabel-variabel sebelumnya. Jika hipotesis nol ditolak atau signifikan, maka variabel residual memiliki sifat stasioner dengan kata lain kombinasi linier antar variabel adalah stasioner. Dengan kata lain meskipun variabel-variabel yang digunakan tidak stasioner namun dalam jangka panjang variabel-variabel tersebut cenderung menuju keseimbangan. Oleh karena itu, kombinasi linier dari variabel-variabel tersebut disebut regresi kointegrasi. Parameter-parameter yang dihasilkan dari kombinasi tersebut dapat disebut sebagai koefisien-koefisien jangka panjang atau co- integrated parameters. 3. 3. Uji Pelanggaran Asumsi Klasik Uji pelanggaran asumsi klasik dalam peneltian ini terdiri dari uji autokorelasi, uji heteroskedastisitas, dan uji normalitas.

1. Uji Autokorelasi

Asumsi penting dari model linier klasik adalah bahwa tidak ada autokorelasi atau kondisi yang berurutan di antara gangguan atau disturbansi yang masuk ke dalam fungsi regresi populasi. Definisi autokorelasi adalah korelasi antara anggota serangkaian observasi yang diurutkan menurut waktu seperti dalam data deretan waktu atau ruang seperti dalam data cross sectional. Untuk mengetahui ada tidaknya autokorelasi dalam model dapat dilakukan melalui uji Durbin-Watson. Dimana, jika nilai DW 2 atau nilai DW 2 maka model tersebut diindikasikan terdapat autokorelasi. Uji lain yang dapat digunakan untuk mendeteksi ada tidaknya autokorelasi adalah dengan uji Breusch-Godfrey Serial Correlation LM Test yang digunakan dalam penelitian ini. Hipotesis yang digunakan : H : tidak terdapat autokorelasi H 1 : terdapat autokorelasi Jika nilai Probability ObsR-Squared lebih besar dari taraf nyata yang digunakan α maka tolak H , sehingga dapat disimpulkan bahwa dalam model tidak terdapat autokorelasi. Sebaliknya jika nilai Probability ObsR-Squared lebih kecil dari taraf nyata yang digunakan α maka terima H , sehingga dapat disimpulkan bahwa terdapat autokorelasi dalam model.

2. Uji Heteroskedastisitas

Asumsi penting dari model regresi linier klasik yang lain adalah bahwa gangguan atau disturbansi yang muncul dalam fungsi regresi populasi adalah homoskedastik semua gangguan memiliki varians yang sama atau tidak terjadi herekoskedastisitas. Untuk mengetahui ada tidaknya gejala heterokedastisitas dalam model maka dapat dilakukan uji White Heterokedasticity. Hipotesis yang digunakan : H : tidak terdapat heterokedastisitas homokedastisitas H 1 : terdapat heterokedastisitas Jika nilai Probability ObsR-Squared lebih kecil dari taraf nyata yang digunakan α maka tolak H , ini berarti model mengandung masalah heterokedastisitas. Dan sebaliknya, jika nilai Probability ObsR-Squared lebih besar dari taraf nyata yang digunakan α maka terima H , sehingga dapat disimpulkan bahwa dalam model tidak terdapat masalah heterokedastisitas.

3. Uji Normalitas

Uji normalitas dilakukan untuk mengetahui apakah error term mendekati distribusi normal. Jika asumsi ini tidak terpenuhi, prosedur pengujian menggunakan statistik t menjadi tidak sah. Uji yang dilakukan dalam penelitian ini menggunakan uji Jarque-Bera. Uji ini didasarkan pada error penduga least square. Prosedur pengujiannya adalah sebagai berikut : i. H : Error Term terdistribusi normal H 1 : Error Term tidak terdistribusi dengan normal ii. Daerah kritis penolakan H adalah Jarque Bera J-B χ df-2 2 atau probabilitas α.

3. 4. Pengujian Hipotesis

Dalam penelitian, pengujian hipotesis dapat dilakukan secara keseluruhan dan secara individu. 1. Pengujian Koefisien Regresi secara Keseluruhan dan Serentak Untuk menguji parameter regresi secara keseluruhan dalam mempengaruhi variabel terikat dapat dilakukan dengan uji F. Hipotesis yang digunakan dalam uji ini adalah sebagai berikut : H : 1 = 2 = 3 = ... = k = 0 H 1 : paling tidak ada satu k ≠ 0 Statistik uji : F hitung = R 2 k-1 1-R 2 n-k dimana : R 2 : koefisien determinasi k : jumlah parameter n : jumlah observasi Apabila : F hitung F tabel , k-1n-k maka tolak H F hitung F tabel , k-1n-k maka terima H Jika H ditolak berarti secara bersama-sama variabel eksogen dalam model berpengaruh terhadap variabel endogen. Uji yang dilakukan dalam penelitian ini untuk menguji parameter regresi secara keseluruhan yaitu dengan melihat nilai probabilitas F-statistik. Apabila nilai probabilitas F-statistik lebih kecil dari taraf nyata yang digunakan α maka variabel bebas secara serentak berpengaruh secara signifikan terhadap persamaan yang digunakan. 2. Pengujian Koefisien Regresi secara Individu Pengujian koefisien regresi secara individu dilakukan untuk mengetahui apakah parameter dari masing-masing peubah secara individu berpengaruh nyata atau signifikan terhadap peubah tak bebas. Hipotesis yang digunakan : H : i = 0 , i = 1, 2, 3,..., i H 1 : i ≠ 0 Statistik uji : t hitung = i S e i dimana : S e i : standar deviasi untuk parameter ke-i i : koefisien regresi atau parameter k : jumlah parameter n : jumlah observasi Apabila : t hitung t tabel , k-1n-k maka tolak H t hitung t tabel , k-1n-k maka terima H Jika H ditolak, maka variabel eksogen dalam model berpengaruh nyata atau signifikan terhadap variabel endogen. Uji yang dilakukan dalam penelitian ini untuk menguji parameter regresi secara individu yaitu dengan melihat nilai probabilitas t-statistik. Apabila nilai probabilitas t-statistik lebih kecil dari taraf nyata yang digunakan α maka variabel bebas secara individu berpengaruh secara signifikan terhadap variabel terikat dalam model.

IV. GAMBARAN UMUM NERACA PERDAGANGAN INDONESIA DAN FAKTOR-FAKTOR DALAM NEGERI YANG MEMPENGARUHINYA