METODE PENELITIAN

BAB III METODE PENELITIAN

3.1. Ruang Lingkup Penelitian

Penelitian ini merupakan penelitian kuantitatif dengan menganalisis data sekunder dalam menguji hipotesis yang diajukan. Ruang lingkup yang digunakan dalam penelitian ini merupakan kajian Ekonomi Makro dan Ekonomi Internasional. Penelitian ini dilakukan dengan menganalisis dan membandingkan determinan FDI yang terdiri atas faktor ekonomi makro dan karakteristik negara di negara ASEAN 5 (Indonesia, Malaysia, Singapura, Thailand, Filipina), dan China.

3.2. Jenis dan Sumber Data

Jenis data yang digunakan dalam penelitian ini adalah berupa data sekunder yang bersifat time series (runtut waktu) dan berbentuk yearly (tahunan) selama periode 1988–2009. Data tersebut merupakan representasi dari variabel FDI dan determinan FDI dari negara Indonesia, Malaysia, Singapura, Thailand, Filipina, dan China. Variabel determinan FDI sendiri terdiri atas pertumbuhan ekonomi dan nilai tukar sebagai indikator faktor ekonomi makro, sedangkan tenaga kerja dan infrastruktur sebagai indikator karakteristik negara.

Semua data yang digunakan dalam penelitian ini diperoleh dari hasil publikasi metadata World Bank yang bisa diakses melalui website http://data.worldbank.org . Secara ringkas data yang digunakan dalam penelitian ini dapat dijelaskan pada tabel berikut ini.

perpustakaan.uns.ac.id digilib.uns.ac.id

Tabel 3.1. Ringkasan Data Penelitian No.

FDI net inflows

Juta US$

World Bank

Pertumbuhan

Ekonomi

GDP growth

Persen

World Bank

3 Nilai Tukar

Official Exchange Rate

LCU per US$ World Bank

4 Tenaga Kerja

Labor Force

Juta Orang

World Bank

5 Infrastruktur

Telephone lines

Per 100 orang World Bank

3.3. Definisi Operasional Variabel

3.3.1. Variabel Dependen (Variabel Terikat)

Variabel dependen merupakan variabel yang dipengaruhi oleh variabel- variabel independennya. Adapun variabel dependen dalam penelitian ini adalah FDI (Foreign Direct Investment) yang merupakan salah satu bentuk investasi langsung yang bersifat jangka panjang, dilakukan oleh investor asing tidak hanya dalam bentuk modal finansial saja tetapi juga berupa, asset (aktiva tetap), alih teknologi, manajerial, dan modal intelektual. FDI ditandai dengan adanya arus modal internasional dimana perusahaan dari suatu negara mendirikan atau memperluas perusahaannya di negara lain, yang melibatkan bukan hanya pemindahan sumber daya tetapi juga adanya pemberlakuan pengendalian atau kontrol.

FDI yang digunakan dalam penelitian ini adalah FDI net inflows dari negara Indonesia, Malaysia, Singapura, Thailand, Filipina, dan China periode 1988-2009. FDI net inflows yang dimaksud disini adalah arus investasi bersih yang masuk untuk mengakuisisi keuntungan dari pengelolaan manajemen (10 persen atau lebih dari saham hak suara) operasi perusahaan di dalam suatu perekonomian oleh investor. FDI net inflows adalah jumlah dari ekuitas modal, reinvestasi pendapatan, modal FDI yang digunakan dalam penelitian ini adalah FDI net inflows dari negara Indonesia, Malaysia, Singapura, Thailand, Filipina, dan China periode 1988-2009. FDI net inflows yang dimaksud disini adalah arus investasi bersih yang masuk untuk mengakuisisi keuntungan dari pengelolaan manajemen (10 persen atau lebih dari saham hak suara) operasi perusahaan di dalam suatu perekonomian oleh investor. FDI net inflows adalah jumlah dari ekuitas modal, reinvestasi pendapatan, modal

jangka panjang lainnya, serta modal jangka pendek seperti yang ditunjukkan dalam neraca pembayaran.

Didalam laporan perekonomian FDI net inflows ini menunjukkan arus masuk bersih dari investor asing (arus masuk investasi baru dikurangi dengan disinvestasi). Untuk memudahkan analisis data dalam penelitian ini variabel FDI (Foreign Direct Investment) yang menggunakan FDI net inflows sebagai indikatornya diberi simbol dengan FDI.

3.3.2. Variabel Independen (Variabel Bebas)

Variabel dependen merupakan variabel yang mempengaruhi variabel dependen. Dalam penelitian ini variabel independen yang akan dianalisis ada 4 (empat) variabel, antara lain :

a) Pertumbuhan Ekonomi Pertumbuhan Ekonomi adalah terjadinya kenaikan kapasitas dalam jangka panjang dari suatu negara untuk menyediakan berbagai barang ekonomi kepada penduduknya. Pertumbuhan ekonomi ditandai dengan adanya adanya perluasan atau peningkatan dari Gross Domestic Product potensial/output (GDP Growth) dari suatu negara, yang dihitung dari persentase pertumbuhan tahunan GDP harga konstan di pasar berdasarkan mata uang lokal.

GDP yang dimaksud adalah total nilai tambah bruto produksi dalam negeri ditambah dengan penerimaan pajak dan dikurangi subsidi yang tidak termasuk nilai dari produk. GDP dihitung tanpa melakukan pengurangan terhadap depresiasi aset dan penyusutan sumber daya alam. Untuk memudahkan analisis data dalam penelitian ini variabel pertumbuhan ekonomi yang menggunakan GDP growth sebagai indikatornya diberi simbol dengan EGROW.

perpustakaan.uns.ac.id digilib.uns.ac.id

b) Nilai Tukar Nilai tukar memilikki definisi sebagai harga atau nilai tukar mata uang lokal terhadap mata uang asing. Data yang digunakan dalam penelitian ini adalah nilai tukar nominal resmi dari masing-masing negara yang akan diteliti. Kurs resmi merujuk pada kurs yang telah ditentukan oleh otoritas nasional atau yang telah ditetapkan secara legal di pasar valuta.

Nilai tukar tersebut dihitung sebagai rata-rata tahunan yang didasarkan pada rata-rata bulanan (mata uang lokal unit secara relatif terhadap dolar AS). Untuk memudahkan analisis data dalam penelitian ini variabel Nilai Tukar yang menggunakan Official Exchange Rate sebagai indikatornya diberi simbol dengan EXCHR.

c) Tenaga Kerja Tenaga kerja didefinisikan sebagai total tenaga terdiri dari orang-orang usia

15 dan atau lebih tua yang memenuhi definisi International Labour Organization penduduk aktif secara ekonomi: semua orang yang memasok tenaga kerja untuk produksi barang dan jasa selama jangka waktu tertentu.

Data yang digunakan dalam penelitian ini adalah data total angkatan kerja (labor force) dari masing-masing negara. Untuk memudahkan analisis data dalam penelitian ini variabel Tenaga Kerja yang menggunakan Total Labor Force sebagai indikatornya diberi simbol dengan LABOR.

d) Infrastruktur Infrastruktur didefinisikan sebagai bangunan atau fasilitas-fasilitas dasar, peralatan-peralatan, instalasi-instalasi yang dibangun dan dibutuhkan untuk mendukung berfungsinya suatu sistem tatanan kehidupan sosial ekonomi masyarakat.

perpustakaan.uns.ac.id digilib.uns.ac.id

Infrastruktur merupakan aset fisik yang dirancang dalam sistem sehingga mampu memberikan pelayanan prima pada masyarakat.

Salah satu indikator yang sering digunakan dalam penelitian untuk melihat perkembangan infrastruktur suatu negara adalah tersedianya jaringan telepon (Telephone lines) yang diukur per 100 orang. Sehingga berdasar atas penelitian- penelitian sebelumnya di dalam penelitian ini menggunakan Telephone lines sebagai indikator (proxy) dari variabel infrastruktur. Untuk memudahkan analisis data dalam penelitian ini variabel infrastruktur diberi simbol dengan INFRA.

3.4. Metode Analisis Data

3.4.1. Metode Analisis Deskriptif

Metode analisis deskriptif merupakan metode analisis data yang dilakukan dengan cara mendeskripsikan atau menggambarkan data yang telah terkumpul sebagaimana adanya dengan tujuan agar mudah diinterpretasikan atau dipahami. Dalam penelitian ini metode analisis deskriptif digunakan untuk memberikan gambaran umum mengenai kondisi perkembangan variabel-variabel penelitian di negara Indonesia, Malaysia, Singapura, Thailand, Filipina, dan China selama periode 1988-2009. Variabel-variabel tersebut meliputi investasi FDI, pertumbuhan ekonomi, nilai tukar, tenaga kerja, dan infrastruktur.

3.4.2. Metode Analisis Kuantitatif

Metode analisis kuantitatif adalah metode analisis data dengan menggunakan perhitungan matematis. Metode analisis kuantitatif yang dilakukan dalam penelitian ini adalah pendekatan ekonometrika dengan menggunakan analisis Data Panel dan VAR. Kedua analisis tersebut dapat dijelaskan sebagai berikut : Metode analisis kuantitatif adalah metode analisis data dengan menggunakan perhitungan matematis. Metode analisis kuantitatif yang dilakukan dalam penelitian ini adalah pendekatan ekonometrika dengan menggunakan analisis Data Panel dan VAR. Kedua analisis tersebut dapat dijelaskan sebagai berikut :

1. Analisis Data Panel

a) Konsep dan Pengertian

Penggunaan data panel dalam mengestimasi data didorong atas permasalahan dalam penelitian terkait dengan ketersediaan data untuk mewakili variabel yang digunakan. Terkadang dalam penelitian ditemukan bentuk data dalam series yang pendek sehingga proses pengolahan data dalam bentuk time series tidak dapat dilakukan berkaitan dengan persyaratan jumlah data yang minim.

Terkadang juga ditemukan bentuk data dengan jumlah cross section yang terbatas, sehingga sulit untuk dilakukan proses pengolahan data cross section untuk mendapatkan informasi perilaku dari model yang akan diteliti. Dalam teori ekonometrika, kedua kondisi tersebut salah satunya dapat dipecahkan dengan menggunakan analisis data panel (pooled data) agar dapat diperoleh hasil estimasi yang lebih baik dengan terjadinya peningkatan jumlah observasi yang berimplikasi terhadap peningkatan derajat kebebasan (degree of freedom).

Menurut Baltagi (2005) menjelaskan bahwa ada beberapa keuntungan yang diperoleh dari penggunaan analisis data panel. Dalam menjelaskan keuntungan data panel tersebut Baltagi menggunakan penjelasan sebelumnya yang dikemukakan oleh Klevmarken (1989) dan Hsiao (2003). Adapun keuntungan penggunaan data panel yang dimaksud adalah sebgai berikut :

· Mampu mengontrol heterogenitas individu. Panel data memberi peluang perlakuan bahwa unit-unit ekonomi yang dianalisis seperti individu, rumah tangga, perusahaan hingga negara adalah heterogen.

perpustakaan.uns.ac.id digilib.uns.ac.id

· Memberi informasi yang lebih banyak, lebih beragam, mengurangi kolinearitas (collinearity), meningkatkan derajat bebas (degree of freedom ) dan lebih efisien.

· Panel data lebih baik untuk studi dynamics of adjustment. Salah satu kekurangan apabila menggunakan pendekatan cross section adalah tidak dapat menggambarkan adanya perubahan-perubahan yang terjadi.

· Lebih baik dalam mengidentifikasi dan mengukur efek yang tidak dapat

dideteksi oleh pure cross section atau pure time series. · Dapat membangun dan menguji model perilaku (behavioral models) yang lebih kompleks dibanding pure cross section atau data time series. · Micro panel data merupakan pengukuran yang lebih akurat dibanding

variabel yang sama yang diukur pada tingkat makro. · Macro panel data mempunyai deret waktu (time series) yang lebih

panjang dan tidak seperti masalah nonstandard distribution dari unit root test dalam metode time series, panel unit root test memiliki standard asymptotic distribution .

Data panel pada dasarnya juga memilikki keterbatasan dalam melakukan analisis data. Baltagi (2005) juga menjelaskan beberapa keterbatasan yang dimilikki oleh data panel sebgai berikut :

· Masalah dalam desain survey panel, pengumpulan, dan manajemen data. Masalah yang sering dihadapi pada umunya yaitu, cakupan (coverage), nonresponse, kemampuan daya ingat responden (recall), frekuensi dan waktu wawancara.

perpustakaan.uns.ac.id digilib.uns.ac.id

· Distorsi kesalahan pengamatan (measurement errors). Measurement errors umumnya terjadi karena respon yang tidak sesuai. · Masalah selektivitas yang mencakup Self-Selectivity muncul karena data yang dikumpulkan tidak mampu menangkap fenomena yang ada, Nonresponse disebabkan karena adanya jawaban yang tidak lengkap dari responden, Attrition yaitu jumlah responden yang cenderung berkurang pada survey lanjutan.

· Dimensi waktu (time series) yang pendek Jenis panel mikro biasanya

mencakup data tahunan yang relatif pendek untuk setiap individu. · Cross-section dependence; Sebagai contoh, apabila macropanel dengan unit analisis negara atau wilayah dengan deret waktu yang panjang

mengabaikan cross-country dependence akan mengakibatkan inferensi yang salah (misleading inference).

b) Estimasi Model Data Panel

1) Pendekatan Kuadrat Terkecil (Pooled Least Square/Common effect)

Pooled Least Square merupakan pendekatan yang paling sederhana untuk mengestimasi data panel. Dimana pendekatan ini hanya mengkombinasikan data time series dan cross section dengan menggunakan metode OLS yang dikenal sebagai estimasi Common Effect. Dalam pendekatan ini tidak memperhatikan dimensi individu maupun waktu dan diasumsikan bahwa perilaku data antar variabel sama dalam berbagai kurun waktu.

Y it =α+β 1 X 1it +β 2 X 2it +....+ β k X kit + ฀ it

(3.1) untuk i = 1,2……..N dan t = 1,2………..T

dimana i adalah cross-section identifiers dan t adalah time-series identifier.

perpustakaan.uns.ac.id digilib.uns.ac.id

2) Pendekatan Efek Tetap (Fixed Effect Method)

Permasalahan yang dihadapi dalam analisis Pooled Least Square adalah asumsi intersep dan slope dari persamaan regresi yang dianggap konstan baik antar daerah maupun antar waktu. Asumsi tersebut dianggap kurang realistis dan tidak beralasan. Salah satu contohnya apabila kita akan mengamati pengaruh iklan terhadap omset pada 10 perusahaan yang bergerak di bidang yang berbeda-beda. Tentunya akan menjadi tidak realistis jika hasil yang diperoleh menunjukkan bahwa perusahaan yang bergerak di bidang jasa memilikki intersept dan slope yang sama dengan perusahaan yang bergerak di bidang makanan.

Salah satu cara untuk mengatasi permasalahan tersebut adalah dengan mengasumsikan bahwa perbedaan antar individu dapat diakomodasi melalui

perbedaan intersepnya. Setiap α i akan diperlakukan sebagai parameter yang tidak diketahui dan akan diestimasi. Berdasarkan kenyataan bahwa, meskipun intersep

antar individu berbeda, tetapi setiap intersep individunya tidak bervariasi antar waktu atau time invariant. Oleh karena itu model ini dinamakan sebagai fixed effects (FEM) yang secara umum persamaan modelnya dapat dituliskan sebagai berikut :

Y it =α i +β 1 X 1it +β 2 X 2it +....+ β k X kit + ฀ it

(3.2) Cara untuk membuat agar intercept pada model fixed effects bervariasi antar individu dapat dilakukan dengan memasukkan variabel dummy ke dalam model, sehingga model bisa menjadi sebagai berikut :

Y it =α i +α 2 D 2i +...+α (n-1) D (n-1)i +β 1 X 1it +β 2 X 2it +...+ β k X kit + ฀ it

(3.3) untuk i = 1,2,…,n dan t = 1,2,…,T

dimana : D 2i =1 untuk individu kedua dan 0 untuk individu lainnya D (n-1) =1 untuk individu ke (n-1) dan 0 untuk individu lainnya.

perpustakaan.uns.ac.id digilib.uns.ac.id

Karena digunakan dummy variabel dalam mengestimasi fixed effect maka model persamaan diatas disebut dengan Least Square Dummy Variable (LSDV) yaitu intersep untuk masing-masing cross sectional unit berbeda.

Namun demikian, penggunaan LSDV model dapat digunakan jika persamaan regresi memilikki sedikit unit cross-section, jika unit cross-section yang akan dianalisis banyak maka penggunaan LSDV dapat mengurangi derajat kebebasan dan berdampak mengurangi efisiensi dari parameter yang diestimasi. Pada istilah fixed effect walaupun intercept mungkin berbeda antar individu, namun intercept setiap cross-section tersebut tidak bervariasi sepanjang waktu, dengan kata lain time invariant . Sehingga untuk model data panel dengan jumlah cross-section yang banyak lebih baik digunakan metode FEM dalam estimasi model penelitian.

3) Pendekatan Efek Acak (Random Effect Method)

Pendekatan analisis data panel panel dengan fixed effect melalui teknik variabel dummy atau LSDV masih menyisakan sedikit permasalahan yaitu adanya ketidakpastian model yang kita gunakan. Untuk mengatasi masalah ini bisa dilakukan dengan menggunakan variabel residual yang dikenal dengan model random effect . Di dalam model ini kita akan memilih estimasi data panel dimana residual mungkin saling berhubungan antar waktu dan antar individu.

Model random effect dijelaskan dengan asumsi bahwa setiap variabel mempunyai perbedaan intersep. Intersep yang dimaksud disini adalah diasumsikan sebagai variabel random atau stokastik. Model ini sangat berguna jika individual variabel yang kita ambil sebagai sampel adalah dipilih secara random dan merupakan wakil dari populasi. Untuk menjelaskan model random effect dapat ditulis sebagai berikut : Model random effect dijelaskan dengan asumsi bahwa setiap variabel mempunyai perbedaan intersep. Intersep yang dimaksud disini adalah diasumsikan sebagai variabel random atau stokastik. Model ini sangat berguna jika individual variabel yang kita ambil sebagai sampel adalah dipilih secara random dan merupakan wakil dari populasi. Untuk menjelaskan model random effect dapat ditulis sebagai berikut :

Y it = β 1i + β 2 X 2it + β 3 X 3it +µ it

(3.4) dengan asumsi bahwa variabel random dengan β 1 (tidak ada subscript i). Nilai intersep tiap individu adalah: β 1i = β 1 + ε i

dimana i = 1,2,………N dan ε i adalah random error term dengan nilai rata-rata nol

dan varian 2 s. e

Dengan mensubtitusikan persamaan (3.5) ke dalam (3.4), maka didapatkan persamaan baru berikut ini :

Y it =β 1i +β 2 X 2it +β 3 X 3it +ε i +µ it

=β 1 +β 2 X 2it +β 3 X 3it + ωit

(3.6) dimana, ω it = ε i +µ it

(3.7) Error ω it terdiri dari dua komponen error yaitu ε i yang merupakan error variasi unit dan µ it adalah error dari kombinasi runtun waktu dari lintas sektor. Asumsi ECM (Error Correction Model) adalah:

ε i ~ N (0, 2 s) e

µit ~ N (0,

2 s e ) (3.8) E( ε i ,µ it )=0

(i ≠j;t≠s)

Error komponen tiap unit tidak berkorelasi satu sama lain dan tidak berkorelasi baik secara runtun waktu maupun lintas sektor. Asumsi dalam persamaan (3.6) : E( ω it ) = 0 (3.9)

var( ω it )= 2 s + e 2 s u

Jika 2 s = 0 maka tidak ada perbedaan antara model (3.2) dan (3.3), dalam e

kasus ini dapat observasi pool sederhana (cross-section dan time series) dan menggunakan regresi pooled, seperti pada persamaan (3.6).

Dalam persamaan (3.8) menunjukkan error term ω it homoskedastis. Dapat dilihat bahwa ω it dan ω is berkorelasi, yaitu error term memberikan unit cross-section pada waktu yang beda korelasi. Korelasi koefisien, corr ( ω it, ω is ), sebagai berikut:

Corr ( ω it, ω is )=

Jika tidak memperhitungkan korelasi ini dan diestimasi dengan OLS maka estimatornya akan tidak efisien. Metode yang biasanya dipakai adalah GLS.

c) Uji Pemilihan Model Data Panel

1) Common Effectatau Individual Effect

Uji Chow Test atau juga sering disebut sebagai uji F Statistik adalah pengujian yang dilakukan untuk memilih model apakah yang akan digunakan Common Effect atau Individual Effect. Berdasarkan penjelasan sebelumnya yang menyatakan bahwa terkadang asumsi bahwa setiap unit croos section memilikki perilaku yang sama cenderung tidak realistis dan tidak beralasan. Mengingat ada kemungkinan bahwa setiap unit cross section memilikki perilaku yang berbeda. Oleh karena itu, dalam pengujian ini dilakukan dengan hipotesa sebagai berikut :

H 0 : Model Common Effect (Restricted)

H 1 : Model Individual Effect (Unrestricted) Dalam pengujian hipotesis tersebut digunakan persamaan F statistik seperti yang telah dirumuskan oleh Chow berikut ini : H 1 : Model Individual Effect (Unrestricted) Dalam pengujian hipotesis tersebut digunakan persamaan F statistik seperti yang telah dirumuskan oleh Chow berikut ini :

dimana : 2 R UR = unrestricted

2 R = restricted R k=total jumlah koefisien regresi (termasuk konstanta) n= jumlah sampel

Apabila hasil perhitungan uji F hitung ≥ F tabel ini berarti H 0 ditolak, yang

artinya model yang akan digunakan adalah Fixed Effect, dengan kata lain intersep untuk semua unit cross section tidak sama. Sebaliknya apabila hasil perhitungan uji F

hitung ≤F tabel ini berarti H 0 diterima, yang artinya model yang akan digunakan adalah

Pooled Least Square, dengan kata lain intersep untuk semua unit cross section adalah sama.

2) FEM (Fixed Effect Model) atau REM (Random Effect Model)

Seperti yang kita ketahui bahwa penggunaan model Fixed Effect mengandung suatu unsur trade off yaitu hilangnya derajat kebebasan akibat adanya variabel dummy yang dimasukkan ke dalam model. Untuk menentukan model apakah yang akan digunakan Fixed Effect Model atau Random Effect Model dapat dilakukan dengan cara hausman test. Dalam pengujian ini hipotesis yang digunakan adalah :

H 0 : Model Random Effect (REM)

H 1 : Model Fixed Effect (FEM) Sebagai dasar penolakan H 0 yaitu dengan menggunakan statistik hausman

dan membandingkannya dengan Chi Square. Statistik hausman dapat dirumuskan sebagai berikut :

W = (β fem - β rem )’ (V fem -V rem ) -1 ( β rem - β fem )’ ~ c 2 (k) (3.13) W = (β fem - β rem )’ (V fem -V rem ) -1 ( β rem - β fem )’ ~ c 2 (k) (3.13)

dimana : β fem adalah koefisien hasil estimasi model FEM, β rem adalah koefisien hasil

estimasi model REM, V adalah matriks kovarians untuk parameter β, dan k adalah derajat kebebasan (df) yang merupakan jumlah variabel independen.

Jika nilai chi square ( c 2 ) hitung hasil pengujian hausman lebih besar dari nilai chi square c 2 (k) tabel maka H 0 ditolak. Artinya, estimasi yang tepat untuk

model regresi data panel adalah dengan pendekatan Fixed Effect, begitu juga sebaliknya. Cara lain untuk melakukan pengujian ini adalah dengan membandingkan nilai probabilitas hasil hausman statistik dengan α. Jika hasil hausman test signifikan

(probabilitas dari hausman < α ) maka H 0 ditolak, artinya model Fixed Effect yang akan digunakan, begitu juga sebaliknya.

d) Uji Statistik

1) Uji t statistik (uji parsial)

Uji ini dilakukan untuk menguji kemampuan dari masing-masing variabel independen secara sendiri-sendiri. Tahap-tahap pengujian uji t statistik adalah sebagai berikut :

· Menentukan H 0 dan H a (Hipotesis nol dan Hipotesis alternatif) H0 : β 1 = 0, berarti tidak ada pengaruh signifikan variabel independen terhadap variabel dependen. Ha : β 1 ≠ 0, berarti ada pengaruh signifikan variabel independent terhadap variabel dependen.

· Menentukan besarnya level of significance ( α) untuk mengetahui tingkat signifikansi hasil pengolahan data berdasarkan nilai probabilitas dua sisi (uji dua sisi). Besarnya α yang digunakan adalah 5%.

· Kriteria Pengujian · Kriteria Pengujian

Ho ditolak

Ho diterima

Ho ditolak

Gambar 3.1. Daerah kritis Uji-t

Keterangan:H 0 diterima jika –t ( α/2, n – k) ≤ t hitung ≤ t (α/2, n – k)

H 0 ditolak jika t hitung >t( α/2, n – k) atau t hitung < -t ( α/2, n – k)

· Dari sampel random yang diambil kemudian dihitung nilai t dengan rumus:

tabel = t ( α/2, n – k) dimana : β adalah koefisien regresi, SE adalah Standar error, n adalah jumlah

observasi, dan k adalah jumlah variabel

· Kesimpulan Apabila t hitung > t tabel atau t hitung < -t tabel , maka H 0 ditolak berarti variabel independen berpengaruh signifikan terhadap variabel dependen. Sedangkan, apabila –t tabel ≤t hitung ≤t tabel , maka H 0 diterima berarti variabel independen

tidak ada pengaruh signifikan terhadap variabel dependen.

2) Uji F statistik

Uji ini dilakukan untuk mengetahui apakah pengaruh variabel independen terhadap variabel dependen secara bersama-sama. Tahap-tahap pengujian uji F statistik adalah sebagai berikut : Uji ini dilakukan untuk mengetahui apakah pengaruh variabel independen terhadap variabel dependen secara bersama-sama. Tahap-tahap pengujian uji F statistik adalah sebagai berikut :

Ho diterima Ho ditolak

F (a; k-1; n-k)

· Formula hipotesis H0 = β 1 = β 2 = 0, berarti tidak ada pengaruh signifikan variabel independen terhadap variabel dependen secara besama-sama. Ha ≠β 1 ≠β 2 ≠ 0, berarti ada pengaruh signifikan variabel independen terhadap variabel dependen secara besama-sama. · Dipilih level of significance tertentu. Besarnya αyang digunakan adalah 5% ( α= 0,05)

· Kriteria Pengujian

Gambar 3.2. Daerah kritis Uji-F

Keterangan :H 0 diterima atau H a ditolak, jika F hitung <F( α, k – 1, n – k)

H 0 ditolak atau H a diterima, jika F hitung >F( α, k – 1, n – k)

· Perhitungan nilai F :

F tabel =F( α, k – 1, n – k)

2 R / (k-1)

F hitung = (3.15)

2 (1–R )(n–k) dimana; R 2 : koefisien determinasi

· Kesimpulan Apabila F hitung >F tabel , maka H 0 ditolak berarti secara bersama-sama variabel independen berpengaruh signifikan terhadap variabel dependen. Sedangkan, · Kesimpulan Apabila F hitung >F tabel , maka H 0 ditolak berarti secara bersama-sama variabel independen berpengaruh signifikan terhadap variabel dependen. Sedangkan,

apabila F hitung <F tabel , maka H 0 diterima berarti secara bersama-sama variabel

independen tidak ada pengaruh signifikan terhadap variabel dependen.

3) Uji R 2 (koefisien determinasi)

Uji ini dilakukan untuk mengetahui berapa besar pengaruh variabel independen terhadap variabel dependen. Tingkat ketepatan regresi ditentukan oleh besarnya adjusted R 2 .

Nilai R 2 adalah diantara 0 < R 2 < 1. Jika R 2 = 1 maka pengaruh variabel- variabel independen terhadap variabel dependen semakin besar, jika R 2 = 0 maka variabel independen tidak berpengaruh terhadap variabel dependen.

e) Spesifikasi Model Penelitian Dengan Data Panel

Model yang digunakan dalam melakukan estimasi terhadap determinan FDI di negara Indonesia, Malaysia, Singapura, Thailand, Filipina, dan China adalah model yang diadopsi dari penelitian Catherine dan Rashid (2011), yaitu sebagai berikut :

FDI= f [Macroeconomic Factors, Country Specific Factors]

(3.16) Sesuai dengan keperluan dalam penelitian ini, variabel independen yang akan dipilih adalah (a) Pertumbuhan ekonomi, (b) Nilai Tukar, (c) Tenaga Kerja, dan (d) Infrastruktur, maka model diatas dapat disederhanakan menjadi :

FDI= f [(Pertumbuhan Ekonomi) it , (Nilai Tukar) it , (Tenaga Kerja) it , (Infrastruktur) it ]

(3.17) Dalam penelitian ini untuk memudahkan analisis data digunakan beberapa indikator (proxy) yang mewakili variabel–variabel penelitian yang digunakan, yaitu FDI inflows sebagai indikator dari FDI diberi simbol FDI, GDP growth sebagai indikator dari pertumbuhan ekonomi diberi simbol EGROW, Official Exchange Rate (3.17) Dalam penelitian ini untuk memudahkan analisis data digunakan beberapa indikator (proxy) yang mewakili variabel–variabel penelitian yang digunakan, yaitu FDI inflows sebagai indikator dari FDI diberi simbol FDI, GDP growth sebagai indikator dari pertumbuhan ekonomi diberi simbol EGROW, Official Exchange Rate

sebagai indikator dari nilai tukar diberi simbol EXCHR, Total Labor Force sebagai indikator dari tenaga kerja diberi simbol LABOR, dan Telephone Lines sebagai indikator dari infrastruktur diberi simbol INFRA. Sehingga model penelitian ini dapat dirumuskan sebagai berikut :

FDI= f [EGROW, EXCHR, LABOR, INFRA]

(3.18) Dengan adanya satuan dari masing-masing variabel penelitian berbeda-beda maka dalam penelitian ini data yang dianalisis menggunakan data yang sudah disesuaikan dengan menggunakan log normal (Ln). Adapun bentuk spesifikasi model yang akan digunakan dalam penelitian ini adalah :

LnFDI it =β 0 +β 1 EGROW it +β 2 LnEXCHR it +β 3 LnLABOR it

+β 4 LnINFRA it +µ it

(3.19) dimana :

FDI : Foreign Direct Investment di ASEAN 5 dan China EGROW

: Tingkat pertumbuhan ekonomi

EXCHR

: Nilai tukar

LABOR

: Jumlah angkatan tenaga kerja

INFRA

: Infrastruktur β 0 : Koefisien intersep β 1, β 2, β 3, β 4 : Koefisien regresi

i : daerah penelitian ke i; i = 1,2,3,4……….n, i = 6Negara t

: waktu/tahun

: variabel pengganggu

2. Analisis VAR (Vector Autoregression)

a) Konsep dan Pengertian VAR (Vector Autoregression)

Di dalam suatu model persamaan, teori ekonomi digunakan untuk menggambarkan hubungan antara variabel yang terkait. Dari hasil model persamaan akan diestimasi dan digunakan dalam mengkaji keterkaitan empiris dari teori tersebut. Pada kenyataannya penggunaan teori ekonomi dimungkinkan tidak cukup Di dalam suatu model persamaan, teori ekonomi digunakan untuk menggambarkan hubungan antara variabel yang terkait. Dari hasil model persamaan akan diestimasi dan digunakan dalam mengkaji keterkaitan empiris dari teori tersebut. Pada kenyataannya penggunaan teori ekonomi dimungkinkan tidak cukup

untuk mendukung penentuan spesifikasi yang benar. Penggunaan teori ekonomi yang dianggap terlalu rumit akan membuat kesulitan dalam menurunkan spesifikasi secara tepat.

Bisa juga penggunaan teori dalam model persamaan menggunakan struktur selang tetapi struktur-struktur selang ini dapat menghasilkan perilaku model dinamis yang berbeda atau kemungkinan besar terdapat perbedaan antar teori yang mendasari model tersebut. Sehingga ada baiknya untuk membiarkan data itu sendiri berbicara tanpa harus memaksakan sebuah model persamaan dengan teori-teori yang dianggap terlalu rumit untuk dipahami.

Menurut Sims (1980a) dalam kajiannya Macroeconomics and Reality memperkenalkan VAR (Vector Autoregression) sebagai reaksi terhadap kegagalan model besar ekonomi makro dalam mengestimasi kondisi perekenomian pada era 1970-an. Metode ini dilakukan dengan mengembangkan model ekonometri yang memininimumkan adanya uji asumsi secara apriori. Permasalahan utama yang mendasari model ini adalah kritik terhadap jumlah observasi yang terlalu banyak sehingga menjadi sebuah kendala dalam sebuah sistem ekonometri, seperti yang terjadi pada model FRB-MIT yang terdiri atas lebih dari 200 persamaan struktural dan mempunyai 90 variabel eksogen.

Jika memang benar-benar simultan pada sekelompok variabel seharusnya semua variabel memilikki posisi yang sama, sehingga diantara variabel-variabel itu sulit untuk dibedakan antara variabel endogen dan eksogen. Oleh karena itu, Sims meragukan adanya eksistensi dari variabel eksogen.Lebih lanjut Sims juga menyatakan bahwa untuk memahami sebuah kondisi perekonomian hanya cukup dibutuhkan beberapa variabel saja, yang semuanya merupakan variabel endogen.

perpustakaan.uns.ac.id digilib.uns.ac.id

Sehingga di dalam VAR jumlah variabel yang digunakan relatif sedikit yaitu tidak lebih dari 6 (enam) variabel.

Pada perkembangannya Gujarati(1995:620) menjelaskan bahwa VAR merupakan kelanjutan dari kritik monetaris terhadap Keynesian. Beberapa karakteristik VAR menunjukkan keberpihakan terhadap moneteris, yakni pertama metode VAR dikembangkan atas dasar kritik terhadap model-model besar tersebut. Kedua, VAR menawarkan model yang sederhana dan menggunakan jumlah variabel yang minimalis, dengan variabel independennya adalah kelambanannya (lag) yang semuanya variabel endogen. Ketiga, VAR merupakan kelanjutan dari uji kausalitas. Karakteristik VAR tidak dapat dilepaskan dari karakteristik kausalitas Granger, seperti memfokuskan pada studi terhadap sebuah indentitas.

Analisis VAR memilikki beberapa keunggulan seperti yang dijelaskan sebagai berikut (Gujarati, 2004:853) : (1) Metode ini sederhana, kita tidak perlu khawatir untuk membedakan mana variabel endogen, mana variabel eksogen; (2) Estimasinya sederhana, dimana metode OLS biasa dapat diaplikasikan pada tiap-tiap persamaan secara terpisah; (3) Hasil perkiraan (forecast) yang diperoleh dengan menggunakan metode ini dalam banyak kasus lebih bagus dibandingkan dengan hasil yang didapat dengan menggunakan model persamaan simultan yang kompleks sekalipun. Selain itu, VAR Analisis juga merupakan alat analisis yang sangat berguna, baik di dalam memahami adanya hubungan timbal balik (interrelationship) antara variabel-variabel ekonomi, maupun di dalam pembentukan model ekonomi berstruktur.

Lebih lanjut Gujarati (2004:853) mencoba menjelaskankelemahan penggunaan analisis VAR yaitu : (1) Model VAR lebih bersifat a-theory karena tidak Lebih lanjut Gujarati (2004:853) mencoba menjelaskankelemahan penggunaan analisis VAR yaitu : (1) Model VAR lebih bersifat a-theory karena tidak

memanfaatkan informasi atau teori terdahulu. Oleh karena itu, model tersebut sering disebut sebagai model yang tidak struktural. (2) Mengingat tujuan utama model VAR untuk peramalan, maka model VAR kurang cocok untuk analisis kebijakan. (3) Pemilihan banyaknya lag yang digunakan dalam persamaan juga dapat menimbulkan permasalahan. Misalnya kita memiliki tiga variabel bebas yang masing-masing memiliki lag sebanyak delapan, maka parameter yang harus diestimasi sebanyak 24 buah. Untuk kepentingan tersebut maka data atau pengamatan yang harus dimiliki relatif lebih banyak.

Secara garis besar terdapat empat hal yang ingin diperoleh dari pembentukan sebuah sistem persamaan; deskripsi data, peramalan, inferensi struktural, dan analisis kebijakan. VAR menyediakan alat analisa bagi keempat hal tersebut melalui empat macam penggunaannya; Forecasting, ekstrapolasi nilai saat ini dan masa depan seluruh variabel dengan memanfaatkan seluruh informasi masa lalu variabel; Impulse Response Functions (IRF), melacak respon saat ini dan masa depan setiap variabel akibat perubahan atau shock suatu variabel tertentu; Forecast Error Decomposition of Variance (FEDVs) , prediksi kontribusi persentase varians setiap variabel terhadap perubahan suatu variabel tertentu; Granger Causality Test, mengetahui hubungan sebab akibat antar variabel.

Menurut Enders (1995:294) mencoba menjelaskan pembentukan model VAR Sim dengan menggunakan model 2 variabel (bivariate), Y dan Z, yang memilikki hubungan kausalitas simultan sebagai berikut :

sistem persamaan diatas dikenal juga sebagai Struktural VAR atau bentuk sistem primitif. Kedua variabel tersebut (Y dan Z), secara individual dipengaruhi secara langsung oleh variabel yang lain, dan secara tidak langsung oleh nilai selang dari setiap variabel di dalam sistem. Sistem persamaan tersebut dapat dibentuk ke dalam notasi matriks berikut:

dengan mengalikan inverse B pada notasi matriks persamaan (3.20) diatas akan diperoleh :

(3.22) atau dalam persamaan bivariate dapat dituliskan sebagai berikut :

(3.23) Sistem inilah yang disebut sebagai sistem VAR dalam bentuk standar atau reduced form . Sistem tersebut juga merepresentasikan sebuah bentuk Wold-Moving Average . Karena ε yt dan ε zt white noise (residual yang memilikki rata-rata 0, varians yang konstan, dan non otokorelasi serial), maka e t pun akan memiliki rata-rata 0, varians yang konstan, serta serial non-otokorelasi.

b) Tahapan Analisis VAR

Metode VAR merupakan salah satu bentuk analisis data time series, dimana tujuan utama dari analisis time series adalah menjelaskan pola atau perilaku data sepanjang periode pengamatan dan melakukan peramalan. Namun, penggunaan data time series dalam analisis sering ditemukan permasalahan statitoneritas data dan hubugan kointegrasi variabel yang digunakan. Oleh karena itu, dalam pembentukan Metode VAR merupakan salah satu bentuk analisis data time series, dimana tujuan utama dari analisis time series adalah menjelaskan pola atau perilaku data sepanjang periode pengamatan dan melakukan peramalan. Namun, penggunaan data time series dalam analisis sering ditemukan permasalahan statitoneritas data dan hubugan kointegrasi variabel yang digunakan. Oleh karena itu, dalam pembentukan

model VAR akan diawali dengan uji stationeritas data. Kemudian, apabila hasil dari uji tersebut menunjukkan bahwa data stasioner pada tingkat level, maka model yang dianjurkan untuk digunkan adalah VAR biasa (unrestricted VAR).

Apabila hasil dari uji stasioner menunjukkan data tidak stasioner pada tingkat level, namun stasioner pada tingkat diferensiasi maka harus dilakukan langkah selanjutnya yaitu uji kointegrasi. Dari hasil uji kointegrasi ini akan dapat disimpulkan yaitu, apabila data tidak terkointegrasi maka model VAR yang dianjurkan adalah VAR tingkat diferensiasi (VAR in difference). Sebaliknya, apabila data terbukti terjadi kointegrasi, maka model yang dianjurkan adalah model VAR yang teretriksi (restricted VAR), bentuk model ini sering disebut sebagai VECM (Vector Error Correction Model).

Namun demikian, di dalam pengoperasian estimasi model VAR Sims (1980a) dan Doan (1992) menyatakan bahwa dalam estimasi model VAR tidak dianjurkan menggunakan bentuk turunan pertama. Karena tujuan dari analisis VAR adalah untuk melihat hubungan antar variabel dan bukan mencari parameter estimasti. Sehingga apabila data turunan pertama digunakan dapat menghilangkan informasi penting entang hubungan variabel-variabel dalam sebuah sistem (Enders, 1995).

Lebih lanjut Sadikin (2010) menjelaskan beberapa pertimbangan kenapa lebih memilih model VAR level dibandingkan dengan model struktural maupun VECM. Adapun pertimbangan-pertimbangan tersebut dapat dijelaskan sebagai berikut :

a) Meskipun cukup banyak literatur menggagas penerapan VECM apabila variabel-variabel dalam VAR non-restriktif ternyata terkointegrasi, tetapi a) Meskipun cukup banyak literatur menggagas penerapan VECM apabila variabel-variabel dalam VAR non-restriktif ternyata terkointegrasi, tetapi

tidak sedikit pula kritikus yang mengargumentasikan bahwa dalam jangka pendek VAR non-restriktif berperforma lebih baik dibandingkan VAR terkointegrasi atau VECM. Menurut Hamilton (1994), apabila situasinya adalah seperti itu maka VAR in difference menjadi salah spesifikasi. Selain itu, dalam jangka pendek estimasi VECM lebih tidak akurat dibandingkan VAR.

b) Pada umumnya pakar ekonomi mempunyai ketertarikan tertentu atas perubahan harga jangka-pendek (Cuvak & Kalinauskas, 2009). Dalam konteks ini model- model time-series (dimana VAR merupakan bagian dari model tersebut) bisa lebih unggul dibandingkan model-model ekonometrik struktural karena model struktural lebih cocok untuk analisis teori-teori ekonometrik maupun ekonomi tetapi mempunyai kapasitas karakter peramalan yang lebih kecil.

c) Seperti yang tertulis dalam studi Cuvak & Kalinauskas (2009) maupun Farzanegan & Markwardt (2009), banyak periset masa kini, misalnya Enders (1995) dan Fildes & Stekler (2000), menyajikan model-model time series sebagai sebuah alternatif terhadap model-model struktural yang sangat besar dan variatif. Dalam banyak kasus, model-model time series tidak mampu mengkonfirmasikan peramalan yang dikalkulasi berdasarkan model- model ekonometrik struktural.

d) Lütkepohl (2001, 2003) dan banyak periset lainnya juga mengusulkan untuk mengaplikasikan model VAR dalam estimasi peramalan indikator- indikator perekonomian karena semua variabel dalam model VAR bersifat endogen. Dan oleh karenanya, tidak ada variabel tunggal tertentu yang dihilangkan ketika menjelaskan perilaku variabel-variabel lainnya yang d) Lütkepohl (2001, 2003) dan banyak periset lainnya juga mengusulkan untuk mengaplikasikan model VAR dalam estimasi peramalan indikator- indikator perekonomian karena semua variabel dalam model VAR bersifat endogen. Dan oleh karenanya, tidak ada variabel tunggal tertentu yang dihilangkan ketika menjelaskan perilaku variabel-variabel lainnya yang

tertera dalam model. Lebih lanjut diungkapkan bahwa dalam jangka-pendek VAR non-restriktif berperforma lebih baik dibandingkan dengan VAR terkointegrasi (sebagai contoh lihat Naka & Tufte, 1997).

e) Hasil-hasil studi lainnya, seperti Engle & Yoo (1987), Clements & Hendry (1995), dan Hoffman & Rasche (1996), mampu memperlihatkan bahwa sebuah VAR non-restriktif lebih superior (dalam hal varian peramalan) dibandingkan VECM restriktif pada horizon pendek (dalam Maghyereh, 2004). Naka & Tufte (1997) juga membandingkan performa VECM dan VAR non-restriktif dalam menganalisa impulse response function jangka-pendek dan membuktikan bahwa kinerja kedua metode tersebut hampir identik. Hal ini menggagas bahwa VAR untuk horizon pendek sangat baik, khususnya jika dispesifikasikan dengan tepat, dalam menganalisa hasil variance decomposition dan impulse response function.

f) Stock & Watson (2001) menilai VAR sebagai instrumen yang cukup kuat dalam mendeskripsikan data dan membangun benchmark peramalan multivariabel yang andal. Apakah VAR telah menghasilkan sumbangan yang signifikan terhadap inferensi struktural dan analisis kebijakan adalah hal lain yang masih tetap diperdebatkan. Kendati demikian, Stock & Watson (2001) menyatakan bahwa perdebatan yang sama juga berlaku atas model- model alternatif selain VAR. Namun, menurut Stock & Watson (2001) model-model yang ada belum cukup sesuai dengan data yang tersedia. Oleh karenanya, jika VAR digunakan secara bijak dan didasarkan pada justifikasi ekonomi yang baik dan rinci, maka VAR tidak hanya sesuai f) Stock & Watson (2001) menilai VAR sebagai instrumen yang cukup kuat dalam mendeskripsikan data dan membangun benchmark peramalan multivariabel yang andal. Apakah VAR telah menghasilkan sumbangan yang signifikan terhadap inferensi struktural dan analisis kebijakan adalah hal lain yang masih tetap diperdebatkan. Kendati demikian, Stock & Watson (2001) menyatakan bahwa perdebatan yang sama juga berlaku atas model- model alternatif selain VAR. Namun, menurut Stock & Watson (2001) model-model yang ada belum cukup sesuai dengan data yang tersedia. Oleh karenanya, jika VAR digunakan secara bijak dan didasarkan pada justifikasi ekonomi yang baik dan rinci, maka VAR tidak hanya sesuai

dengan data tetapi juga bisa dijadikan perangkat estimasi beberapa hubungan kausal.

Berdasarkan penjelasan diatas maka dalam penelitian ini akan dilakukan dengan menggunakan VAR pada tingkat level dengan tanpa dilakukannya uji stasioner pada data sebelumnya.

c) Penentuan Lag Optimal

Penentuan kelambanan atau lag optimal sangat diperlukan dalam pembentukan model VAR. (Enders, 1995:396). Dalam penentuan lag optimal, diharapakan adanya lag yang cukup panjang untuk menangkap secara penuh dinamika sistem yang dimodelkan. Namun dengan lag yang semakin panjang menyebabkan permasalahan yaitu jumlah parameter yang banyak dan akan mengurangi derajat kebebasannya (jumlah total parameter yang diestimasi = n(1+np), dimana n = jumlah persamaan, p = panjang lag endogenous variabel). Sehingga memaksa untuk terjadinya trade off antara memilih jumlah lag yang memadai atau derajat kebebasan yang cukup. Pada prakteknya adanya jumlah lag yang perlu untuk dibatasi menjadi sedikit dari yang secara ideal diberikan pada model dinamis (Pindyck dan Rubinfeld, 1998:401).

Penentuan lag optimal dapat dibantu dengan menggunakan AIC (Akaike Information Criterion), SIC (Schwarz Information Criterion) dan LR (Likelihood

Ratio) dimana persamaan dari keduanya dapat ditulis sebagai berikut ini (Enders,1995) :

dimana : T = Jumlah observasi dengan residual kuadrat, k = Panjang lag , SSR = residual sum squares , n = jumlah parameter yang diestimasi

(3.26) dimana : l = log likelihood, r = restrictive regression , u = unrestrictive

regression

Dalam penelitian ini penulis akan menggunakan AIC (Akaike Information Criterion) untuk menentukan panjang lag optimal. Sebelumnya moodel VAR akan diestimasi dengan pada tingkat lag 1 dan 2, selanjutnya nilai AIC terkecil akan digunakan sebagai nilai lag yang optimal.

d) Estimasi Model VAR (Vector Autoregression)

Setelah diperoleh lag yang optimal langkah selanjutnya adalah melakukan estimasi dengan model VAR. Pada penelitian ini menggunakan lima variabel endogen yang akan diestimasi yaitu, penanaman modal asing (FDI), pertumbuhan ekonomi (EGROW), nilai tukar (EXCHR), tenaga kerja (LABOR), dan infrastruktur (INFRA). Karena adanya perbedaan satuan pengukuran dari variabel penelitian, bentuk data yang dianjurkan adalah dalam bentuk persentase, sehingga beberapa variabel dalam penelitian diubah dalam bentuk logaritma.

Lebih lanjut spesifikasi model VAR untuk masing-masing persamaan dengan lima variabel tersebut dapat dituliskan sebagai berikut :

dimana : FDI = penanaman modal asing langsung (foreign direct investment), EXCHR = nilai tukar, EGROW = pertumbuhan ekonomi, LABOR = jumlah tenaga kerja, INFRA = infrastruktur, (L) = lag, Ln = log normal, µ 1t ,µ 2t ,µ 3t ,µ 4t ,µ 5t = stochastic error terms, yang dalam bahasa VAR disebut impulses atau innovations shocks (goncangan).

e) Analisis Impulse ResponFunction (IRF)

Impulse Respon Function (IRF) merupakan respon terhadap adanya inovasi (shock) merupakan salah satu metode pada VAR yang digunakan untuk melihat respon variabel endogen terhadap pengaruh inovasi variabel endogen lain yang ada dalam model. Analisis IRF mampu melacak respon dari variabel endogen dalam model VAR akibat adanya suatu shock atau perubahan di dalam variabel gangguan (e), yang selanjutnya dapat melihat lamanya pengaruh dari shock suatu variabel terhadap variabel lain hingga pengaruhnya hilang dan kembali konvergen. Fungsi impulse response didapat melalui model VAR yang diubah menjadi VMA (vector moving average ) dimana koefisien merupakan respon terhadap adanya inovasi (Enders, 1995:305-306).

perpustakaan.uns.ac.id digilib.uns.ac.id

Goncangan atau shock dari variabel endogen langsung berpengaruh terhadap variabel itu sendiri dan juga diteruskan terhadap variabel endogen lainnya melalui struktur dinamis dari VAR. Impulse Respon Function (IRF) memberikan arah hubungan dan besarnya pengaruh antar variabel endogen karena menunjukkan pengaruh satu standar deviasi shock variabel endogen terhadap variabel endogen lainnya maupun variabel itu sendiri. Dengan demikian shock atas suatu variabel dengan datangnya informasi baru akan mepengaruhi variabel itu sendiri dan variabel- variabel lainnya dalam sistem.

Di dalam analisis Impulse Respon Function (IRF) ini Inovasi diintepretasikan sebagai “goncangan kebijakan” atau sering juga disebut kebijakan. Secara statis, respon terhadap kebijakan dirumuskan sebagai sebuah model linier vektor stokastik x yang diformulasikan sebagai berikut (Sims, 1980b:257) :

Dari persamaan diatas dapat dijelaskan bahwa e t = X t – E(X t , X t-1 , X t-2 , kemudian memilih matriks tringular B, sehingga menghasilkan Be t yaitu sebuah kovarian diagonal matriks dan B juga mempunyai diagonalnya sendiri, oleh karena

itu A perlu dipindah menjadi C = AB 1 dan e menjadi f = Be, sehingga persamaannya menjadi:

koefisien C adalah respons terhadap kebijakan atau inovasi (responses to innovations ).

perpustakaan.uns.ac.id digilib.uns.ac.id

f) Analisis Forecast Error Decomposition of Variance(FEVD)

Menurut (Enders,1995:311) menjelaskan bahwa Forecast Error Decomposition of Variance (FEDV) menunjukkan kepada kita proporsi dalam sebuah urutan dampak goncangan terhadap dirinya sendiri maupun goncangan terhadap variabel lain. Dekomposisi varians merinci varians dari error peramalan (forecast) menjadi komponen-komponen yang dapat dihubungkan dengan setiap variabel endogen dalam model.

Melalui analisis FEDV akan diketahui informasi mengenai proporsi dari pergerakan pengaruh goncangan suatu variabel terhadap variabel itu sendiri dan variabel lainnya, baik yang tejadi pada saat ini maupun pada waktu yang akan datang. Dengan kata lain, analisis ini mampu memprediksi kontribusi atau peran prosentase varian setiap variabel karena adanya perubahan variabel tertentu. Sedangkan analisis sebelumnya yaitu IRF lebih ditekankan untuk melacak dampak goncangan dari satu variabel endogen terhadap variabel laainnya dalam model VAR.

Sementara itu, formulasi dekomposisi varians adalah matriks varians- kovarians dari x t – E(X t | X t-1 ,X t-2 , .....), dengan k adalah periode masa yang akan

datang dari peramalan x, sehingga dapat dirumuskan sebagai berikut (Sims,1980b:257) :

(3.34)

perpustakaan.uns.ac.id digilib.uns.ac.id