4. Uji Kointegrasi
Uji Kointegrasi bertujuan untuk menentukan variabel-variabel yang tidak stasioner terkointegrasi atau tidak. Menurut Engle dan Granger 1987 dalam
Firdaus 2011, konsep kointegrasi merupakan kombinasi linier dari dua atau lebih variabel yang tidak stasioner akan menghasilkan variabel yang stasioner.
Kombinasi linier ini dikenal dengan istilah persamaan kointegrasi dan dapat diinterpretasikan sebagai hubungan keseimbangan jangka panjang diantara
variabel. Jika trace statistic critical value maka persamaan tersebut terkointegrasi. Uji kointegrasi dapat dilakukan dengan metode Johansen
Cointegration Test. Setelah jumlah persamaan yang terkointegrasi telah diketahui maka tahapan analisis selanjutnya yaitu analisis Vector Error Corection Model
VECM Firdaus, 2011. 5.
Vector Error Corection Model VECM Engle dan Granger 1987 dalam Widarjono 2013 menyatakan bahwa data
time series seringkali tidak stasioner pada tingkat level atau non stasioneritas data, tetapi kombinasi linier antara dua atau lebih data non stasioner menjadi stasioner.
Data time series yang tidak stasioner disebut terkointegrasi. Model VECM digunakan dalam model VAR non struktural apabila data time series tidak
stasioner pada level, tetapi stasioner pada data diferensi dan terkointegrasi sehingga menunjukkan adanya hubungan teoritis antar variabel.
Model VECM ini disebut model VAR yang terestriksi restricted VAR. Spesifikasi VECM merestriksi hubungan perilaku jangka panjang antar variabel
yang ada agar konvergen dalam hubungan kointegrasi namun tetap membiarkan perubahan-perubahan dinamis dalam jangka pendek. Terminologi kointegrasi ini
disebut koreksi kesalahan error correction karena bila terjadi deviasi terhadap keseimbangan jangka panjang akan dikoreksi secara bertahap melalui penyesuain
parsial jangka pendek secara bertahap. Spesifikasi model VECM secara umum dalam bentuk persamaan menurut Enders 2004 adalah:
Yt = μ
0x
+ μ
1xt
+ Π
x
Y
t-1
+ Σ
k
Y
t-i
+ ε
t
5 dimana:
ΔYt = vektor yang berisi variabel dalam penelitian μ
0x
= vektor intercept
μ
1x
= vektor koefisien regresi t
= tren waktu Π
x
= α
x
β’ dimana β’ mengandung persamaan kointegrasi jangka panjang Y
t-I
= variabel in-level Γ
= matriks koefisien regresi k-1
= ordo VECM dari VAR ε
t
= error term 6.
Analisis Impulse Response Function IRF Secara individual koefisien dalam model VAR sulit diinterpretasikan maka
digunakan analisis impulse response. Analisis IRF digunakan untuk menentukan respon dari suatu variabel endogen terhadap guncangan atau perubahan dalam
variabel error Widarjono, 2013. Juanda dan Junaidi 2012 menjelaskan bahwa model VAR dapat digunakan untuk melihat dampak perubahan dari satu variabel
dalam sistem terhadap variabel lainnya secara dinamis. Caranya melalui pemberian guncangan pada salah satu variabel endogen. Guncangan yang
diberikan biasanya sebesar satu standar deviasi dari variabel tersebut. 7.
Analisis Forecast Error Variance Decomposition FEVD Analisis FEVD mencirikan suatu struktur dinamis dalam model
VARVECM. Analisis FEVD dalam model VAR bertujuan untuk memprediksi kontribusi persentase varian setiap variabel karena adanya perubahan variabel
tertentu dalam sistem VAR. Dalam analisis ini dapat dilihat kekuatan dan kelemahan masing-masing variabel mempengaruhi variabel lainnya dalam kurun
waktu tertentu. Pada analisis FEVD digunakan untuk menggambarkan relatif pentingnya setiap variabel dalam sistem VARVECM karena adanya guncangan
Juanda dan Junaidi, 2012.
2.7 Kausalitas Granger
Analisis regresi berhubungan dengan keterkaitan antara variabel satu dengan variabel lain, tapi hal tersebut belum tentu membuktikan adanya kausalitas.
Dengan kata lain, adanya hubungan antara variabel belum tentu membuktikan adanya kausalitas. Uji kausalitas Granger dapat mengindikasikan apakah suatu
variabel mempunyai hubungan dua arah atau hanya satu arah saja dengan memasukan unsur waktu. Adanya hubungan dua arah atau satu arah tersebut dapat
dilihat dengan membandingkan probabilitas dengan nilai kritis yang digunakan. Jika hasil uji kausalitas Granger menunjukkan probabilitas nilai kritis maka
terdapat hubungan kausalitas yaitu saling menyebabkan Gujarati, 2003.
2.8 Penelitian Terdahulu
Penelitian mengenai pengaruh fluktuasi harga terhadap inflasi telah dilakukan oleh beberapa peneliti sebelumnya, diantaranya Prastowo et al. 2008,
Rahmah 2013, Christanty 2013 dan Hasanah 2014. Persamaan dengan penelitian ini adalah kesamaan topik penelitian, yaitu pengaruh harga komoditas
pertanian dan dampaknya terhadap inflasi. Perbedaan penelitian ini dengan penelitian terdahulu yaitu fokus komoditas pangan yang diteliti yaitu beras,
jagung, cabai merah keriting, bawang merah, daging sapi murni, daging ayam ras dan telur ayam ras.
Penelitian menggunakan metode Vector Autoregression VAR telah dilakukan oleh beberapa peneliti sebelumnya, diantarnya oleh Respati 2005 dan
Busnita 2014. Persamaan dengan penelitian ini yaitu alat analisis yang digunakan yaitu VAR. Beda penelitiannya yaitu metode VAR pada penelitian ini
lebih difokuskan pada respon inflasi akibat fluktuasi harga. Adapun penelitian mengenai analisis kausalitas Granger telah dilakukan peneliti sebelumnya, salah
satunya oleh Maryana 2011. Perbedaan dengan penelitian ini yaitu analisis kausalitas Granger lebih difokuskan untuk melihat keterkaitan inflasi antar
wilayah sekitar Provinsi Banten. Tinjauan penelitian terdahulu dapat dilihat pada Tabel 2.1.
24 Tabel 2.1 Matriks penelitian terdahulu
No. PenelitiJudul Penelitian
Tujuan Metode
Hasil 1. Nama:
Nugroho Joko
Prastowo, Tri
Yanuarti, Yoni
Depari Tahun: 2008
Judul: Pengaruh distribusi dalam
pembentukan harga komoditas
dan implikasinya
terhadap inflasi 1. Memperoleh
gambaran mengenai
mekanisme pembentukan harga dan pola
distribusi dari
komoditas pangan, khususnya komoditas
beras, gula pasir, minyak goreng, daging sapi dan cabe merah
2. Mengidentifikasi pengaruh
distribusi dalam pembentukan harga komoditas pangan tersebut
dan dampkanya terhadap inflasi 1. Data yang digunakan dalam
penelitian ini adalah data sekunder dan data primer yang
diperoleh dengan
metode survei
2. Metode analisis
yang digunakan
adalah analisis
deskriptif, analisis kuantitatif dan analisis survei
1. Komoditas pangan mempunyai peranan yang penting karena sumbangannya yang cukup signifikan dalam
pembentukan inflasi 2. Tekanan gejolak harga kelompok komoditas pangan
lebih dipicu oleh supply shocks 3. Gejolak
harga kelompok
komoditas pangan
cenderung meningkat pada periode setelah krisis seiring dengan berkurangnya peran pemerintah
dalam pengendalian harga komoditas 4. Semakin cepat rusakbusuk suatu komoditas tingkat
fluktuasi harganya semakin tinggi 5. Manajemen stok atas suatu komoditas dapat
mengurangi tekanan gejolak harga 6. Pola produksi yang tidak dipengaruhi oleh faktor
musiman dan pola distribusi yang bersifat lokal mengurangi fluktuasi harga
7. Dampak faktor distribusi yang sangat berbahaya terhadap
inflasi adalah
peningkatan biaya
transportasi 2. Nama:
Lia Nur
Alia Rahmah
Tahun: 2013 Judul: Analisis fluktuasi
harga komoditas pangan
dan pengaruhnya
terhadap inflasi
Jawa Barat 1. Menjelaskan
perkembangan harga komoditas pangan di Jawa
Barat 2. Menganalisis
kecenderungan harga komoditas pangan di Jawa
Barat di masa mendatang 3. Menganalisis fluktuasi harga
komoditas pangan
terhadap inflasi di Jawa Barat
1. Data yang
digunakan merupakan data sekunder time
series bulanan 2009-2012 2. Analisis
data dilakukan
dengan analisis
deskriptif, ARIMA dan VAR
1. Perkembangan harga komoditas pangan bersifat positif dengan tren cenderung naik
2. Perubahan harga ketiga komoditas pangan, yaitu beras, gula pasir dan kedelai berpengaruh nyata
terhadap perubahan inflasi di Jawa Barat