Analisis Analisis METODE PENELITIAN

3.6.1 Uji Stasioneritas Data

Data ekonomi time series pada umumnya bersifat stokastik atau memiliki tren yang tidak stasioner artinya data tersebut mengandung akar unit. Untuk dapat mengestimasi suatu model mengunakan data tersebut maka langkah pertama yang haru dilakukan masalah uji stasioneritas data atau dikenal dengan unit root test. Apabila data yang digunakan mengandung akar unit maka akan sulit untuk mengestimasi suatu model dengan menggunakan data tersebut karena tren data tersebut cenderung berfluktuasi tidak disekitar nilai rata-ratanya. Maka dapat disimpulkan bahwa data yang stasioner akan mempunyai kecenderungan untuk mendekati nilai rata-ratanya dan berfluktuasi di sekitar nilai rata-ratanya Gujarati, 2003. Uji akar unit akan dilakukan dalam penelitian ini dengan menggunakan Augmented Dickey Fuller ADF. Cara yang dapat digunakan untuk menguji akar unit adalah metode Dickey- Fuller DF. Misalkan model persamaan time series sebagai berikut Pasaribu, 2003 : dimana ρ adalah parameter yang akan diestimasi dan ε diasumsikan white noise dimana variabel yang digunakan tersebut memiliki mean dan varian yang konstan dan kovarian sama dengan nol. Jika , maka y adalah variabel yang tidak stasioner, dan varian dari y akan meningkat sejalan dengan peningkatan waktu dan cenderung untuk tak berhingga. Jika , maka y adalah variabel yang stasioner. Karena itu, hipotesis trend stationarity dapat dievaluasi dengan menguji apakah nilai absolut dari ρ betul-betul lebih kecil dari satu. Pengujian umum terhadap hipotesis di atas adalah H : dan hipotesis alternatif H 1 : . t t t y y ε ρ + = −1 9 1 ≥ ρ 1 ρ 1 = ρ 1 ρ Kemudian dengan mengurangi kedua sisi persamaan 9 dengan y t-1 didapat persamaan: dimana Δ mengindikasikan perbedaan pertama, sedangkan α=ρ-1, sehingga hipotesis nol menjadi H : α=0, sedangkan hipotesis alternatif menjadi H 1 : α1. Sedangkan model umum dari ADF yang digunakan dalam penelitian ini adalah sebagai berikut Pasaribu, 2003 : Jika nilai t-statistik ADF lebih kecil daripada t-statistik kritis MacKinnon maka keputusannya adalah menolak H yang menyatakan bahwa data tidak stasioner atau dengan kata lain data bersifat stasioner.

3.6.2 Penentuan Lag Optimal

Tahap kedua yang harus dilakukan dalam membentuk model VAR yang baik adalah menentukan panjang lag ordo optimal. Penentuan lag optimal dapat diidentifikasi dengan menggunakan Akaike Info Criterion AIC, Schwarz Criterion SC, Hannan-Quinn Criterion HQ, dan sebagainya. Dalam penelitian ini akan digunakan kriteria SC. Besarnya lag optimal ditentukan oleh lag yang memiliki kriteria SC terkecil. Mengacu pada Widyanti dalam Hanie 2006, perhitungan SC adalah sebagai berikut : t p t p t t t trend c y c y k y ε α + + Δ + + Δ + + = Δ − − − ... 2 1 1 t t t y y ε α + = Δ −1 10 11 1 log − + = T T q q AIC SC 12 dimana q merupakan jumlah variabel, T adalah jumlah observasi, dan AIC merupakan Akaike Information Criteria dengan perhitungan sebagai berikut Syabran dalam Hanie, 2006: dengan merupakan jumlah residual kuadrat, N adalah jumlah sampel, dan k adalah jumlah variabel.

3.6.3 Uji Kointegrasi

Uji kointegrasi bertujuan untuk menentukan apakah variabel-variabel yang tidak stasioner mengalami kointegasi atau tidak. Konsep kointegrasi dikemukakan oleh Engle dan Granger pada tahun 1987 sebagai fenomena dimana kombinasi linear dari dua atau lebih variabel yang tidak stasioner akan menjadi stasioner. Kombinasi linear ini dikenal dengan nama persamaan kointegrasi dan dapat diinterpretasikan sebagai hubungan keseimbangan jangka panjang diantara variabel. Untuk menguji apakah kombinasi variabel yang tidak stasioner mengalami kointegrasi, pengujian yang dapat dilakukan adalah uji kointegrasi Engle-Granger, uji kointegrasi Johansen, maupun uji kointegrasi Durbin-Watson. Pengujian ini dilakukan dalam rangka memperoleh hubungan jangka panjang antara variabel yang telah memenuhi persyaratan dalam proses integrasi dimana semua variabel telah stasioner pada derajat yang sama yaitu pada first difference. Salah satu uji kointegrasi yang akan digunakan dalam penelitian ini adalah uji kointegrasi Johansen. Dengan H = non- kointegrasi, dan H 1 = kointegrasi. Jika t-trace statistics t-mac-kinnon maka tolak H yang artinya persamaan tersebut terkointegrasi. N K N AIC t 2 log 2 + = ∑ ε 13 2 ∑ t ε

3.7 Analisis

Impulse Response Function IRF Analisis impuls respon adalah metode yang digunakan untuk menentukan respon suatu variabel endogen terhadap guncangan shock variabel tertentu. IRF juga digunakan untuk melihat guncangan dari satu variabel yang lain dan berapa lama pengaruh tersebut terjadi. IRF dalam penelitian ini dilakukan untuk mengetahui respon dinamik variabel permintaan uang baik pada konvensional maupun pada Islam terhadap guncangan variabel PDB, inflasi yang diharapkan, suku bunga, dan return syariah untuk permintaan uang pada Islam.

3.8 Analisis

Forecasting Error Variance Decomposition FEVD Analisis dekomposisi varian atau dikenal dengan Forecasting Error Variance Decomposition FEVD digunakan untuk menghitung dan menganalisis seberapa besar pengaruh acak guncangan dari variabel tertentu terhadap variabel endogen. FEVD menghasilkan informasi mengenai relatif pentingnya masing-masing inovasi acak atau seberapa kuat komposisi dari peranan variabel tertentu terhadap variabel lainnya dalam model VAR. Peramalan dekomposisi varian dalam penelitian ini untuk melihat seberapa besar inovasi dari variabel PDB, suku bunga dan inflasi yang diharapkan dalam menjelaskan permintaan uang konvensional sebagai variabel endogen. Serta melihat seberapa besar inovasi dari variabel PDB, inflasi yang diharapkan, dan return syariah dalam menjelasakan permintaan uang Islam sebagai variabel endogen.

3.9 Model Penelitian

Model yang digunakan dalam penelitian ini adalah sebagai berikut : Untuk melihat seberapa pentingnya variabel VAR tersebut dapat diukur dari jumlah koefisien estimasi, yang dilihat dari FEVD dan IRF. Misalnya FEVD dari permintaan M1 konvensional yang mengukur respon M1 terhadap guncangan dari variabel VAR dalam model. Jika sebagian besar variasi dari M1 dapat dijelaskan oleh nilai permintaan M1 itu sendiri, maka dapat disimpulkan bahwa lag dari variabel lain tidak dominan dalam menjelaskan variasi dari permintaan M1. ⎥ ⎥ ⎥ ⎥ ⎦ ⎤ ⎢ ⎢ ⎢ ⎢ ⎣ ⎡ + ⎥ ⎥ ⎥ ⎥ ⎦ ⎤ ⎢ ⎢ ⎢ ⎢ ⎣ ⎡ ⎥ ⎥ ⎥ ⎥ ⎦ ⎤ ⎢ ⎢ ⎢ ⎢ ⎣ ⎡ = ⎥ ⎥ ⎥ ⎥ ⎦ ⎤ ⎢ ⎢ ⎢ ⎢ ⎣ ⎡ − − − − t t t t i t i t i t i t t t t t idep lpdbr r lm L a L a L a L a L a L a L a L a L a L a L a L a L a L a L a L a r lpdbr r lm 4 3 2 1 44 43 24 41 34 33 23 31 24 23 22 21 14 13 12 11 inf 1 inf 1 ε ε ε ε 14 ⎥ ⎥ ⎥ ⎥ ⎦ ⎤ ⎢ ⎢ ⎢ ⎢ ⎣ ⎡ + ⎥ ⎥ ⎥ ⎥ ⎦ ⎤ ⎢ ⎢ ⎢ ⎢ ⎣ ⎡ ⎥ ⎥ ⎥ ⎥ ⎦ ⎤ ⎢ ⎢ ⎢ ⎢ ⎣ ⎡ = ⎥ ⎥ ⎥ ⎥ ⎦ ⎤ ⎢ ⎢ ⎢ ⎢ ⎣ ⎡ − − − − t t t t i t i t i t i t t t t t idep lpdbr r lm L a L a L a L a L a L a L a L a L a L a L a L a L a L a L a L a r lpdbr r lm 4 3 2 1 44 43 42 41 34 33 32 31 24 23 22 21 14 13 12 11 inf 2 inf 2 ε ε ε ε 15 ⎥ ⎥ ⎥ ⎥ ⎦ ⎤ ⎢ ⎢ ⎢ ⎢ ⎣ ⎡ + ⎥ ⎥ ⎥ ⎥ ⎦ ⎤ ⎢ ⎢ ⎢ ⎢ ⎣ ⎡ ⎥ ⎥ ⎥ ⎥ ⎦ ⎤ ⎢ ⎢ ⎢ ⎢ ⎣ ⎡ = ⎥ ⎥ ⎥ ⎥ ⎦ ⎤ ⎢ ⎢ ⎢ ⎢ ⎣ ⎡ − − − − t t t t i t i t i t i t t t t t rs lpdbr islr lm L a L a L a L a L a L a L a L a L a L a L a L a L a L a L a L a rs lpdbr islr lm 4 3 2 1 44 43 42 41 34 33 32 31 24 23 22 21 14 13 12 11 inf 1 inf 1 ε ε ε ε 16 ⎥ ⎥ ⎥ ⎥ ⎦ ⎤ ⎢ ⎢ ⎢ ⎢ ⎣ ⎡ + ⎥ ⎥ ⎥ ⎥ ⎦ ⎤ ⎢ ⎢ ⎢ ⎢ ⎣ ⎡ ⎥ ⎥ ⎥ ⎥ ⎦ ⎤ ⎢ ⎢ ⎢ ⎢ ⎣ ⎡ = ⎥ ⎥ ⎥ ⎥ ⎦ ⎤ ⎢ ⎢ ⎢ ⎢ ⎣ ⎡ − − − − t t t t i t i t i t i t t t t t rs lpdbr islr lm L a L a L a L a L a L a L a L a L a L a L a L a L a L a L a L a rs lpdbr islr lm 4 3 2 1 44 43 42 41 34 33 32 31 24 23 22 21 14 13 12 11 inf 2 inf 2 ε ε ε ε 17