Myanmar BD Percentage of
GDP CA Percentage of
GDP ER end of period
Kuartalan 1990:1-2010:4 Data kuartalan BD dan
CA merupakan
hasil interpolasi data tahunan
dengan menggunakan
metode cubic match last World
Economic Outlook Juni
2011, IMF
Vietnam BD
National Currency
CA National
Currency ER end of period
Y sebagai pembagi dengan tahun dasar
tahun 2005 Kuartalan 1990:1-2010:4
Data kuartalan BD, CA, dan Y merupakan hasil
interpolasi data tahunan dengan
menggunakan metode cubic match last
World Economic
Outlook Juni 2011, IMF
Penelitian dilakukan untuk meneliti hubungan jangan panjang dan hubungan timbal balik antara defisit transaksi berjalan terhadap defisit anggaran
pemerintah dan investasi di wilayah ASEAN. Penelitian dilakukan dengan menggunakan metode Vertor Auto Regressive Vector Error Correction Model
VECM yang digunakan untuk menilai perilaku jangka panjang antar variabel dan hubungan timbal balik antar variabel-variabel tersebut. Variabel yang akan
diteliti hubungannya adalah: defisit current account, defisit fiskal, dan nilai tukar.
3.2 Metode Analisis
Penelitian ini dilakukan untuk mengetahui hubungan jangka panjang antara current account dan keseimbangan fiskal serta investasi di negara-negara
ASEAN. Analisis kuantitatif yang digunakan adalah metode VARVECM, tahapan-tahapan yang perlu dilakukan dalam melakukan analisis data dengan
menggunakan VARVECM diringkas dalam Gambar 3.1. Pada penelitian ini, pengolahan data dilakukan dengan menggunakan Microsoft Office Excel 2007 dan
E-Views 6.
Sumber: Nugrahaeni, 2011
Gambar 3.1. Tahapan Analisis VARVECM
3.2.1. Vector Auto Regressive VAR
Model Vector Auto Regressive VAR dikembangkan oleh Sims 1980. Model ini berguna untuk menentukan tingkat eksogenitas suatu variabel-variabel
ekonomi yang saling berkaitan dalam suatu sistem ekonomi. Spesifikasi model dalam VAR mencakup pemilihan variabel dan banyaknya selang yang digunakan
dalam model. Variabel yang digunakan dalam VAR dipilih berdasarkan terori ekonomi yang relevan. Pemilihan selang optimal dilakukan dengan menggunakan
berbagai kriteria seperti Akaike Information Criteria AIC atau Schwarz Criteria SC Arsana, 2010.
Metode VAR merupakan model yang menyerupai model persamaan simultan, pada model VAR seluruh variabel endogen diestimasi
bersamaan akan tetapi setiap variabel endogen dijelaskan oleh lag-nya atau nilai dan nilai lag dari variabel endogen lainnya dalam model. Pada umumnya tidak
terdapat variabel eksogen dalam model ini Gujarati, 2006 Model VAR secara matematis dapat dituliskan sebagai berikut Pasaribu,
2003:
t t
k 1
i i
t i
t
BX Z
A Z
· Dengan:
Z
t
= vektor dari variabel-variabel endogen sebanyak m X
t
= vektor dari variabel-variabel eksogen sebanyak d termasuk di dalamnya konstanta intercept.
A
1
, ... , A
p
, dan B = matriks-matriks koefisien yang akan diestimasi
t
= vektor dari residual-residual yang secara kontemporer berkorelasi tetapi tidak berkorelasi dengan nilai-nilai lag mereka sendiri dan juga tidak berkorelasi
dengan seluruh variabel yang ada dalam sisi kanan persamaan di atas. Misalkan terdapat dua persamaan bivariat:
Y
t
= b
10
-b
12
z
t
+γ
11
y
t-1
+ γ
12
Z
t-1
+ Ɛ
yt
........................................................ 3.1 Z
t
= b
20
-b
21
z
t
+γ
21
y
t-1
+ γ
22
Z
t-1
+ Ɛ
zt
........................................................ 3.2 Dimana diasumsikan bahwa:
1. Y
t
dan Z
t
stasioner 2.
Ɛ
yt
dan Ɛ
zt
adalah white noise
3
disturbance dengan standar deviasi masing- masing σ
y
dan σ
z
. 3. {
Ɛ
yt
} dan { Ɛ
zt
tidak berkorelasi. Persamaan 3.1 dan Persamaan 3.2 bukan merupakan reduce form selama Y
t
memiliki efek kontemporer terhadap z
t
dan sebaliknya Z
t
memiliki efek kontemporer terhadap Y
t
. Sehingga persamaan-persamaan tersebut dapat diubah ke dalam bentuk matriks:
1 12
21 1
= 10
20 +
ɣ
11
ɣ
12
ɣ
21
ɣ
22
−
1
−
1 +
Ɛ Ɛ
Atau Β
xt
= Γ + Γ
1
X
t-1
+ Ɛ
t
Dimana B=
1 12
21 1
,
=
, Γ =
10 20
Γ1= ɣ
11
ɣ
12
ɣ
21
ɣ
22
, Ɛ
=
Ɛ Ɛ
3
White noise adalah residual yang memiliki rata-rata 0, varians yang konstan, dan non otokorelasi serial.
Perkalian matrik-matrik tersebut terhadap B
-1
dapat menghasilkan model VAR dalam bentuk standar yaitu:
X
t
= A +A
1
X
t-1
+e
t
3.3 Dimana:
A
o
= B
-1
Γ A
1
= B
-1
Γ
1
e
t
= B
-1
Ɛ
t
Untuk mempermudah dalam pemberian notasi, maka persamaan 3.3 dapat ditulis ulang menjadi:
y
t
= a
10
-a
11
y
t-1
+a
12
z
t-1
+ e
1t
3.4a z
t
= a
20
-b
21
y
t-1
+ a
22
z
t-1
+ e
2t
3.4b Menurut Djalal 2006, beberapa keunggulan dari VAR antara lain:
1. Model VAR sederhana dan tidak perlu membedakan variabel endogen dan eksogen karena seluruh variabel pada model VAR dianggap sebagai
variabel endogen. 2. Cara estimasi VAR mudah yaitu dengan menggunakan Ordinary Least
Square OLS pada setiap persamaan secara terpisah. 3. Peramalan menggunakan VAR lebih baik dibandingkan menggunakan
persamaan simultan yang lebih kompleks dalam beberapa hal. Sedangkan beberapa kelemahan model VAR adalah:
1. Model Var lebih bersifat ateoritik karena tidak memanfaatkan informasi atau teori terdahulu.
2. Tidak mempermasalahkan perbedaan variabel eksogen dan variabel endogen sehingga menyebabkan implikasi kebijakan yang kuran tepat.
3. Seluruh variabel VAR harus stasioner, jika tidak stasioner maka harus distasionerkan terlebih dahulu.
Model VAR pada penelitian kali ini adalah : BD=
∑ ɑ
+ ∑
+
+ ∑
+
Ɣ
+
Ɛ
t
CA= ∑
ɑ +
∑
+
+ ∑
+
Ɣ
+
Ɛ
t
ER= ∑
ɑ +
∑
+
+ ∑
+
Ɣ
+
Ɛ
t
Dengan: BD=Anggaran Pemerintah
CA=Current Account ER= Nilai Tukar
Ɛ
t
= error term
3.2.2. Vector Error Correction Model VECM
Dengan model VAR, seluruh variabel harus memenuhi syarat stasioneritas, jika syarat itu terpenuhi, maka model tersebut hanya dapat melihat isu jangka
pendek. Untuk memperoleh isu jangka panjang dan jangka pendek, pendekatan alternatifnya adalah model VECM Vector Error Correction Model Ilham dan
Siregar, 2010 Menurut Ward dan Siregar 2000, rumus umum model VECM adalah:
∆y
t
= ∑
Γ
i
∆
Yt
−
1 +
µ
0 +
µ
tt +
ɑβ
′
yt
−
1 +
Ɛ
t
Dimana:
∆Y
t
=Y
t
-Y
t-1
Γ
i
= matriks koefisien regresi µ
1
= vektor koefisien regresi β’ = vektor kointegrasi
k-1 = ordo VECM µ
= vektor intersep a
= matrik loading y
t
= variabel in level Ɛ
t
= vektor sisaan Hasil pendugaan VECM digunakan untuk memperoleh informasi dalam
jangka pendek dan jangka panjang dengan tingkat perubahan tertentu dengan analisis Impulse Response Function dan Variance Decomposition.
3.2.3. Uji Praestimasi 3.2.3.1. Uji stasioneritas
Data deret waktu time series dikatakan stasioner apabila secara stokastik data menunjukkan pola yang konstan dari waktu ke waktu. Pengujian stasioneritas
data pada data time series diperlukan karena apabila pada data time series langsung dilakukan analisis tanpa diuji stasioneritasnya maka akan menghasilkan
hasil yang spurious karena dalam variabel tersebut sering mengandung unit root Verbeek, 2000.
Data bersifat stasioner pada nilai tengahnya apabila data tersebut berfluktuasi di sekitar suatu nilai tengah yang tetap dari waktu ke waktu. Uji akar
unit dapat dilakukan dengan menggunakan Augmented Dicky Fuller ADF Test . Pada tes ini, jika nilai ADF statistik lebih kecil daripada MacKinnon Critical
Value maka dapat disimpulkan bahwa series tersebut stasioner. Jika diketahui data tersebut tidak stasioner, maka dapat dilakukan differences non stasioner process.
Misalkan terdapat data deret waktu tunggal Yt: Y
t
= a +a
1
Z
t-1
+A
2
Z
t-2
+…+ a
p
Z
t-p
+ ɛ
t
Maka model pendiferensiannya dapat dituliskan sebagai: ∆Y
t
= a +
ɣZ
t-1
+A
2
Z
t-2
+…+ a
p
Z
t-p
+ ɛ
t
Hipotesis yang diuji adalah: H0:
ɣ=0 data bersifat tidak stasioner H1:
ɣ0 data bersifat stasioner Nilai
ɣ diduga melalui metode kuadrat terkecil dan menggunakan uji-t untuk pengujiannya. Jika nilai t
hit
nilai kritis dalam tabel Dickey Fuller, maka keputusan yang diambil adalah tolak H
yang berarti data bersifat stasioner.
3.2.3.2. Pemilihan Panjang Lag Optimal
Dalam VAR penentuan lag optimal sangat penting karena penentuan lag optimal berguna untuk menghilangkan masalah autokorelasi dalam sebuah sistem
VAR. Penentuan lag optimal juga berguna untuk menunjukkan berapa lama reaksi suatu variabel terhadap variabel lainnya Gustiani, et.al, 2010.
Untuk menetapkan besarnya lag yang optimal lag length criteria dapat dilakukan dengan menggunakan beberapa kriteria antara lain: Akaike Information
Criteria AIC, Schwarz Information Criterion SIC, Hannan Quinn Information Criterion HQ, dan Likelihood Ratio LR. Besarnya lag yang optimal ditentukan
oleh lag yang memiliki nilai kriteria terkecil diantara keempat kriteria tersebut. Jika terdapat kandidat lag yang berbeda-beda dari tiap kriteria, maka dapat
digunakan salah satu kriteria umumnya AIC dan SIC atau dengan membandingkan nilai Adjusted R
2
dari setiap kriteria. Selang optimal akan dipilih dari sistem VAR dengan selang tertentu yang menghasilkan nilai Adjusted R
2
terbesar pada variabel-variabel penting dalam sistem. Selain itu, stabilitas sistem VAR pun perlu diperhatikan dalam penentuan
lag. Stabilitas VAR dapat dilihat dari nilai inverse roots karakteristik AR polinomialnya. Hal ini dapat dilihat dari nilai modulus di tabel AR roots-nya, jika
seluruh nilai AR roots-nya di bawah satu, maka sistem tersebut stabil.
3.2.2.3. Uji Kointegrasi
Uji Kointegrasi bertujuan untuk memastikan apakah variabel yang digunakan dan telah sistem persamaan mempunyai hubungan jangka panjang
Ilham dan Siregar, 2007. Kointegrasi adalah suatu hubungan jangka panjangn antara variabel-variabel yang meski secara individual tidak stasioner tetapi
kombinasi linier antara variabel tersebut dapat menjadi stasioner Thomas, 1997. Adanya hubungan kointegrasi dalam sebuah sistem persamaan menandakan
bahwa dalam sistem tersebut terdapat error correction model yang mengambarkan adanya dinamisasi dalam jangka pendek secara konsisten dengan
hubungan jangka panjangnya Verbeek, 2002. Beberapa cara untuk melakukan uji kointegrasi antara lain: Eangle
Granger Cointegration Test, Johansen Cointegration Test, dan Cointegrating Regression Durbin Watson CRDW. Kointegrasi dapat dilihat dari rank
kointegrasi. Rank kointegrasi r adalah jumlah dari seluruh hubungan kontegrasi Johansen, 1995. Nilai r dapat diuji dengan uji Johansen.
Hipotesis yang diuji adalah: H0: rank
≤r H1: rankr
Jika rank kointegrasi labih besar dari nol, maka terdapat kointegrasi sehingga model yang digunakan adalah Vector Error Corecction Model VECM.
Jika rank kointegrasi sama dengan nol, maka model yang digunakan adalah model VAR dengan pedifferensian sampai lag ke-d.
3.2.4. Analisis Model VARVECM
VAR menyediakan alat analisa bagi keempat hal tersebut melalui empat macam penggunaannya, seperti Forecasting untuk ekstrapolasi nilai saat ini dan
masa depan seluruh variabel dengan memanfaatkan seluruh informasi masa lalu variabel, Impulse Response Functions IRF untuk melacak respon saat ini dan
masa depan setiap variabel akibat perubahan atau shock suatu variabel tertentu, Forecast Error Decomposition of Variance FEDVs untuk memprediksi
kontribusi persentase varians setiap variabel terhadap perubahan suatu variabel tertentu, dan Granger Causality Test yang digunakan untuk mengetahui hubungan
sebab akibat antar variabel.
3.2.4.1. Uji Kausalitas
Pada umumnya, uji kausalitas satu variabel dengan variabel lainnya adalah dengan menggunakan uji kausalitas bivariat Granger Bivariate Granger
Causality. Uji kausalitas bivariat Granger dilakukan untuk melihat hubungan sebab akibat di antara variabel-variabel yang digunakan dalam analisis.
Hubungan kausalitas antara satu variabel dengan variabel lainnya dapat diketahui dengan membandingkan probabilitas dengan nilai kritis yang digunakan dimana
hipotesis nol adalah tidak terdapat hubungan kausalitas dan hipotesis alternatifnya adalah terdapat hubungan kausalitas. Selain itu pula uji kausalitas
pada VARVECM juga dapat menggunakan uji Block Exogeneity Wald Test.
3.2.4.2. Impuls Response Function IRF
Impulse response function IRF menunjukkan arah hubungan dan besarnya pengaruh suatu variabel endogen terhadap berbagai variabel endogen
lainnya yang ada dalam suatu sistem dinamis VAR. IRF dapat digunakan untuk meneliti pengaruh satu standar deviasi kejutan dari satu inovasi terhadap nilai
variabel endogen saat ini atau untuk waktu yang akan datang Arianto, et. al, 2010. Hasil IRF sensitif terhadap pengurutan ordering variabel yang digunakan
dalam perhitungan. Pengurutan variabel yang didasarkan faktorisasi cholesky dapat dilakukan dengan menempatkan secara variabel yang memiliki nilai
prediksi terhadap variabel lainnya. Peletakan variabel dilakukan berdasarkan nilai
matriks korelasi yaitu dari yang memiliki korelasi yang paling tinggi hingga yang paling rendah.
3.2.4.3. Variance Decomposition VDC
Variance Decomposition atau Cholesky Decomposition memisahkan varian yang ada dalam variabel endogen menjadi komponen- komponen kejutan
pada berbagai variabel endogen lainnya dalam struktur dinamis VAR. VDC digunakan untuk menyusun perkiraan error variance suatu variabel, yaitu
seberapa besar perbedaan antara variance sebelum dan sesudah diberi kejutan, baik kejutan yang berasal dari variabel itu sendiri maupun kejutan dari variabel
lainnya. Oleh karena itu, VDC digunakan untuk mengkaji pengaruh relatif suatu variabel terhadap variabel lainnya Arianto, et. al, 2010.
IV. GAMBARAN UMUM ANGGARAN PEMERINTAH, CURRENT