bahan- bahan kepustakaan berupa buku-buku dan jurnal-jurnal yang berkaitan dengan penelitian ini. Teknik pengumpilan data yang digunakan adalah
melakukan pencatatan langsung berupa data runtun waktu time series dari tahun 1998-2009.
3.4 Pengolahan Data
Dalam melakukan pengolahan data, digunakan bantuan software utama pengolahan data yaitu EViews yang merupakan program untuk analisa statistika
dan ekonometrika. EViews merupakan softwere yang powerfull dalam menganalisis data time series. Disamping itu juga digunakan softwere aplikasi
Microsoft Excel 2007 sebagai softwere pembantu dalam mengolah data dan mengkonversi data dalam bentuk baku kedalam bentuk yang lebih representative
untuk digunakan pada softwere utama diatas.
3.5 Metode Analisis Data
Metode analisis yang digunakan dalam menganalisa data adalah model ekonometrika dengan model VAR Vector Autoregression. Siregar dan Irwan
2005 menjelaskan bahwa VAR merupakan suatu sistem persamaan yang memperlihatkan setiap variabel sebagai fungsi liner dan konstanta dan nilai lag
lampau dari variabel itu sendiri, serta nilai lag seluruh variabel lain yang ada dalam sistem. Sims berpendapat, jika memang terdapat hubungan yang simultan
antara variabel yang diamati, variabel- variabel tersebut perlu diperlakukan sama, sehingga tidak ada lagi variabel endogen dan eksogen. Model VAR dibangun
dengan pertimbangan meminimalkan pendekatan teori agar mampu menangkap
Universitas Sumatera Utara
fenomena ekonomi. Menurut Sims VAR hanya perlu memperhatikan dua hal, semua variabel ekonomi mempunyai saling ketergantungan antar yang lain dan
hubungan tersebut membutuhkan sejumlah kelambanan variabel yang ada. Dalam hal ini pengujian VAR dilakukan untuk mengetahui seberapa besar pengaruh
kebijakan moneter terhadap pertumbuhan ekonomi di Indonesia. Model VAR merupakan model yang tidak berdasarkan teori, tidak seperti persamaan simultan,
dalam persamaan simultan pemilihan variabel yang dimasukkan dalam persamaan memegang peranan penting dala mengidentifikasi model. Nachrowi :2006.
Para ahli ekonomi mengembangkan model VAR berdasarkan adanya hubungan antara variabel yang ada dalam satu system. Dalam penelitian ini
menganalisis antara kebijakan moneter dalam Suku bunga SBI terhadap PDB di Indonesia. Model hubungan antara variabel tersebut adalah sebagai berikut:
�
1 �
= �
01
+ ∑
�
�1 �
�−1
�
1 �−�
+ �
2 −�
+ �
�1
Dimana: �
1
= PDB �
2
= Suku bunga SBI � = intercept
e= vector variabel gangguan
3.6 Uji asumsi 3.6.1 Uji Stasioneritas data
Universitas Sumatera Utara
Model VAR adalah model persamaan regresi yang menggunakan data time series yang berkaitan dengan data stasionaritas antar variabel didalamnya. Dalam
estimasi model ekonomi dengan data time series adalah dengan menguji stationeritas pada data stationary stochastic difference hingga diperoleh suatu
data yang stasioner, yaitu data yang variannya tidak terlalu besar dan mempunyai kecenderungan untuk mendekati nilai rata-ratanya Enders dalam Ajijah et al.,
2011. Gujarati dalam ajijah et al., 2011 menjelaskan bentuk persamaan uji
stasioner dengan ADF dalam persamaan berikut : ∆Y
t
= α + γY
t-1
+ β∑ ∆Y
� �=1
t-i+1
+ e
t
Dimana : Yt = bentuk dari first difference
α = intercept
Y = variabel yang di uji stasioneritasnya P = panjang lag
e = error term Dalam persamaan tersebut, diketahui bahwa H
menunjukkan adanya unit root dan H
1
menunjukkan tidak adanya unit root. Jika dalam uji stasioneritas ini menunjukkan nilai ADF
statistik
yang lebih besar dari pada Mackinnon critical value, maka dapat diketahui bahwa data tersebut statisoner karena tidak mengandung
unit root. Sebaliknya, jika nilai ADF
Statistik
lebih kecil dari pada Mackinnon critical value, maka dapat disimpulkan bahwa data tersebut tidak stationer pada derajat
Universitas Sumatera Utara
level. Dengan demikian, differencing data untuk memperoleh data yang stasioner pada derajat yang sama di first difference harus dilakukan, yaitu dengan
mengurangi data tersebut dengan data periode sebelumnya. Jika data stasioner pada derajat level maka model VAR adalah unrestricted VAR model biasa dan
tidak perlu dilakukan uji kointegrasi. VAR bentuk level ini juga dikenal dengan nama VAR in level. Sebaliknya apabila data tidak stasioner pada derajat level
tetapi stasioner pada derajat difference, maka harus di uji apakah mempunyai hubungan dalam jangka panjang dengan menggunakan uji kointegrasi. Apabila
terdapat kointegrasi, maka model yang digunakan adalah Vector Error Correction Model VECM. VECM merupakan model yang terestriksi restricted VAR.
Apabila tidak terdapat kointegrasi, maka model yang digunakan adalah VAR in difference.
3.6.2 Penentuan Lag Length
Permasalahan yang terjadi dalam uji stasioneritas adalah penentuan lag optimal. Haris dalam Ajijah et al., 2011 menjelaskan bahwa jika lag yang
digunakan dalam uji stasioneritas terlalu sedikit, maka residual dari regresi tidak akan menampilkan proses white noise sehingga model tidak dapat mengestimasi
actual error secara tepat. Akibatnya, Y dan error term tidak diestimasi dengan baik. Namun jika memasukkan terlalu banyak lag, maka dapat mengurangi
kemampuan menolak H karena tambahan parameter yang terlalu bamyak akan
mengurangi derajat bebas. Selanjutnya, berikut adalah kriteria yang digunakan untuk mengetahui jumlah lag optimal yang digunakan dalam uji stasioneritas.
Universitas Sumatera Utara
Akaike Information Criterion AIC : -2 �
1 �
� + 2k + T
Schwarz Criterion SC : -2
�
1 �
� + k
log �
�
Hannan-Quinn Criterion HQ : -2
�
1 �
� + 2k log �
log T �
�
Dimana : 1
= nilai fungsi log likelihood yang sama jumlahnya dengan -
� 2
1 + log2π + log
�
�′′ �′ �
� ; e’’ e’ merupakan sum of squared residual T = jumlah observasi
K = parameter yang diestimasi Dalam penentuan lag optimal dengan menggunakan kriteria informasi
tersebut, dipilih kriteria yang mempunyai final prediction error correction FPE atau jumlah dari AIC, SC, dan HQ yang paling kecil diantara berbagai lag yang
diajukan. Namun, kriteria-kriteria tersebut pada dasarnya mengindikasi goodness of fit dari model yang diteliti sehingga sebaiknya hanya digunakan sebagai pilihan
alternatif dari Likehood Ratio test LR test, lag yang optimal adalah lag yang mendapatkan hasil LR test sequential modified LR test statistic yang tertinggi.
3.7 Uji Kausalitas Granger
Metode yang digunakan untuk menganalisis hubungan kausalitas antar variabel yang diamati adalah dengan Uji Kausalitas Granger. Dalam penelitian
ini Uji Kausalitas Granger digunakan untuk melihat hubungan diantara variabel- variabel pertumbuhan ekonomi dan kebijakan moneter.
Persamaannya adalah sebagai berikut:
Universitas Sumatera Utara
Y t = α + ∑ �1
� �=1
Y
t-1
+ ∑
��
� �=1
I
t-i
+ µ
1t
It = α + ∑ �1
� �=1
I
-1
+ ∑
��
� �=1
Y
t-i
+ µ
2
Dari persamaan diatas dapat dilihat adanya empat kemungkinan hasil yang berbeda, yaitu :
1. Adanya pengaruh tidak langsung dari PDB Y terhadap Suku Bunga SBI I
jika: ∑
�
� �=1
i
≠ 0; ∑ �
� �=1
i = 0 2.
Adanya pengaruh tidak langsung dari Suku Bunga SBI I terhadap PDB Y jika:
∑ �
� �=1
i
= 0; ∑
�
� �=1
i ≠ 0
3. Adanya hubungan timbal balik antara Suku bunga SBI I dengan PDB Y
jika: ∑
�
� �=1
i
≠ 0; ∑ �
� �=1
i ≠ 0
4. Tidak adanya hubungan antara PDB Y dengan Suku Bunga SBI I jika:
∑ �
� �=1
i
= 0; ∑
�
� �=1
i = 0 Hipotesisnya secara matematis adalah sebagai berikut:
� ��� � � ��� �
�
0 Apabila terjadi kenaikan
�
1
Suku bunga SBI maka Y PDB akan mengalami kenaikan cateries paribus.
Secara umum, suatu persamaan Granger dapat diinterprestasikan sebagai berikut Gujarati dalam ajijah et al., 2011.
1. Unidirectional causality dari variabel dependen ke variabel independen. Hal ini
terjadi ketika koefisien lag variabel dependen secara statistik signifikan
Universitas Sumatera Utara
berbeda dengan nol, sedangkan koefisien lag seluruh variabel independen sama dengan nol.
2. Feedbackbilateral causality jika koefisien lag seluruh variabel secara statistik
signifikan berbeda dengan no. 3.
Independence jika koefisien lag seluruh variabel secara statistik sama dengan nol.
3.8 Estimasi VAR