70
selanjutnya adalah pengumpulan data yang terkait dengan penelitian ini, yaitu data Ekspor Neto, Inflasi, Penanaman Modal Asing dan Penanaman Modal
Dalam Negeri dan Pertumbuhan Ekonomi —yang dilihat dari data Produk
Domestik Bruto — di Indonesia pada periode 2000-2012.
B. Metode Penentuan Sampel
Populasi penelitian ini berupa data dari pertumbuhan ekonomi, PMA, PMDN, Inflasi dan Ekspor Neto sedangkan sampel yang digunakan dalam
penelitian ini adalah pertumbuhan ekonomi, PMA, PMDN Inflasi dan Ekspor Neto di Indonesia selama periode 2000-2012.
Teknik penentuan sampel yang digunakan adalah judgement sampling. Judgement sampling adalah salah satu jenis purposive sampling selain quota
sampling, di mana peneliti memilih sampel berdasarkan penilaian terhadap beberapa karakteristik anggota sampel yang disesuaikan dengan maksud
penelitian. Mudrajad Kuncoro, 2009: 139.
C. Metode Pengumpulan Data
Data yang digunakan adalah data sekunder, di mana metode pengumpulan data tersebut antara lain didapat melalui:
1. Internet Data yang diperoleh dari internet yang berhubungan dengan tema
skripsi.
71
2. Studi Kepustakaan Studi kepustakaan adalah data yang peneliti peroleh dari jurnal,
buku-buku, dan bahan tertulis lainnya yang berhubungan dengan tema skripsi ini.
3. Sumber Data Semua data yang digunakan dalam penelitian ini merupakan data
sekunder yang diperoleh dari Bank Indonesia, Badan Koordinasi Penanaman Modaldan BPS. Data yang digunakan dalam penelitian ini
adalah: a. Pertumbuhan Ekonomi
Tingkat pertumbuhan ekonomi yang digunakan adalah data pertumbuhan Produk Domestik Bruto menurut harga konstan 2000di
Indonesia, berdasarkan data yang diperoleh dari publikasi BPS, Statistik Indonesia berbagai edisi. Data ini berupa data sekunder dalam
periode 2000 – 2012 time series.
b. PMDN dan PMA Data yang digunakan adalah data PMDN dan PMA yang
diperoleh dari publikasi BPS, Statistik Indonesia berbagai edisi, Bank Indonesia dan publikasi Badan Koordinasi Penanaman Modal berbagai
edisi. Data ini berupa data sekunder dalam periode 2000 – 2012 time
series .
72
c. Inflasi Data inflasi yang digunakan adalah data inflasi berdasarkan
harga konstan menurut tabel laporan Inflasi pada situs resmi Bank Indonesia. Data ini berupa data sekunder dalam periode 2000
– 2012 time series.
d. Ekspor Neto Data yang digunakan adalah olahan dari data Ekspor dan Impor
di Indonesia, berdasarkan data yang diperoleh dari publikasi BPS, Statistik Indonesia berbagai edisi. Data ini berupa data sekunder dalam
periode 2000 – 2012 time series.
D. Metode Analisis Data
VAR Vector Autoregressive merupakan regresi sederhana dari persamaan:
X
t
=
1
X
t-1
+
t
......................................................................
3.1 Di mana X
t
= vektor dari time series yang stasoner dan
t
= vektor pada time series yang white noise dengan matrik kovarian .
Model ekonometrika yang sering digunakan dalam analisis kebijakan makroekonomi dinamik dan stokastik adalah model VAR. Siregar dan Irawan
2005 menjelaskan bahwa VAR merupakan suatu sistem persamaan yang memperlihatkan setiap variabel sebagai fungsi linear dari konstanta dan nilai
73
lag lampau dari variabel itu sendiri, serta nilai lag dari variabel lain yang ada dalam sistem. Variabel penjelas dalam VAR meliputi nilai lag seluruh variabel
tak bebas dalam sistem VAR yang membutuhkan identifikasi retriksi untuk mencapai persamaan melalui interpretasi persamaanShochrul R. Ajija, dkk,
2011: 163. VAR dengan ordo p dan n buah variabel tak bebas pada periode t dapat
dimodelkan sebagai berikut:
Y
t
= A +A
1
Y
t-1
+ A
2
Y
t-2
+ … + A
p
Y
t-p
+
t
..........................3.2 Di mana:
Y
t
= Vektor variabel tak bebas Y
1,t
, Y
2,t
, Y
3,t
A = Vektor intersep berukuran n 1
A
1
= Matriks parameter berukuran n 1
i
= Vektor residual
1,t
,
2,t
,
3,t
berukuran n 1 Asumsi yang harus dipenuhi dalam analisis VAR adalah semua
variabel dependen bersifat stasioner, semua sisaan bersifat white noise, yaitu memiliki rataan nol, ragam konstan, dan di antara variabel tak bebas tidak ada
korelasi. Uji kestasioneran data dapat dilakukan melalui pengujian terhadap ada tidaknya unit root dalam variabel dengan uji Augmented Dickey Fuller
ADF, adanya unit root akan menghasilkan persamaan atau model regresi yang lancung. Pendekatan yang dilakukan untuk mengatasi persamaan regresi
lancung adalah dengan melakukan diferensiasi atas variabel endogen dan eksogennya, sehingga diperoleh variabel yang stasioner dengan derajat In.
74
Kestasioneran data melalui pendiferensialan belum cukup, kita perlu mempertimbangkan keberadaan hubungan jangka panjang dan jangka pendek
dalam model. Pendeteksian keberadaan kointegrasi ini dapat dilakukan dengan metode Johansen atau Engel-Granger. Jika variabel-variabel tidak
terkointegrasi, maka dapat diterapkan VAR standar yang hasilnya akan identik dengan OLS, setelah memastikan variabel tersebut sudah stasioner pada
derajat ordo yang sama. Jika pengujian membuktikan terdapat vektor kointegrasi, maka dapat diterapkan ECM untuk single equation atau VECM
untuk system equation. Ciri-ciri VAR:
1. Bersifat ateori, artinya tidak berlandas teori dalam menentukan model regresi.
2. Memperlakukan semua variabel secara endogen tidak dibedakan independen atau dependen.
3. Perangkat estimasi yang digunakan adalah uji kasualitas Granger, estimasi VAR, fungsi IRF Impulse Response Function dan variance
decomposition .
4. Uji kausalitas Granger digunakan untuk melihat apakah terdapat hubungan antara variabel dan estimasi VAR digunakan untuk melihat apakah
variabel X mempengaruhi variabel Y, demikian pula sebaliknya. 5. IRF digunakan untuk melacak respons saat ini dan masa depan setiap
variabel akibat shock suatu variabel tertentu.
75
6. Variance Decomposition, memberikan informasi mengenai kontribusi persentase varians setiap variabel terhadap perubahan suatu variabel
tertentu.
Kelemahan VAR: 1. Model VAR merupakan model yang ateori atau tidak berdasarkan teori,
hal ini tidak seperti pada persamaan simultan yang variabel-variabelnya memiliki peranan penting dalam mengidentifikasi model.
2. Pada model VAR, penekanannya terletak pada peramalan sehingga model ini kurang cocok digunakan dalam menganalisis kebijakan.
3. Permasalahan yang besar dalam model VAR adalah pada pemilihan lag length
panjang lag yang tepat. Oleh karena semakin panjang lag, jumlah parameter yang akan bermasalah pada derajat bebas degrees of freedom
— df akan bertambah.
4. Variabel yang tergabung pada model VAR harus stasioner. Apabila tidak stasioner , perlu dilakukan transformasi bentuk data, misalnya melalui first
difference. 5. Sering ditemui kesulitan dalam menginterpretasi setiap koefisien pada
estimasi model VAR sehingga sebagian besar peneliti melakukan interpretasi pada estimasi fungsi IRF dan variance decompotition.
76
Langkah-langkah VAR: 1. Uji Stasioneritas Data Derajat Integrasi
Langkah pertama yang harus dilakukan dalam estimasi model ekonomi dengan data time series adalah dengan menguji stasioneritas pada
data atau disebut juga stationary stochastic process. Uji stasioneritas data ini dapat dilakukan dengan menggunakan Augmented Dickey Fuller
ADF pada derajat yang sama level atau different hingga diperoleh suatu data yang stasioner, yaitu data yang variansnya tidak terlalu besar dan
mempunyai kecenderungan untuk mendekati nilai rata-ratanya.Shochrul R. Ajija, dkk, 2011: 165.
Jika dalam uji stasioneritas ini menunjukkan nilai ADF
STATISTIK
yang lebih besar daripada Mackinnon critical value, maka dapat diketahui bahwa data tersebut stasioner karena tidak memgandung unit root.
Sebaliknya, jika nilai ADF
STATISTIK
yang lebih kecil daripada Mackinnon critical value
, maka dapat disimpulkan data tersebut tidak stasioner pada derajat level. Dengan demikian, differencing data untuk memperoleh data
yang stasioner pada derajat yang sama di first differentI1 harus dilakukan, yaitu dengan mengurangi data tersebut dengan data periode
sebelumnya.Differencing data ini dalam pengertian ekonominya adalah untuk melihat pertumbuhan suatu variabel dari satu periode dengan
periode sebelumnya.
77
2. Penentuan Lag Length Salah satu permasalahan yang terjadi dalam uji stasioneritas adalah
penentuan lag optimal. Haris 1995: 65 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. Namun demikian, jika
memasukkan terlalu banyak lag, maka dapat mengurangi kemampuan untuk menolak H
karena tambahan parameter yang terlalu banyak akan mengurangi derajat bebasShochrul R. Ajija, dkk, 2011: 166.
Selanjutnya untuk mengetahui jumlah lag optimal yang digunakan dalam uji stasioneritas, berikut adalah kriteria yang digunakan:
Akaike Information Criterion AIC
: .......3.3
Schwarz Information Criterion SIC
: .........3.4
Hannan-Quinn Information Criterion HQ :
...3.5 Di mana:
1 = Nilai fungsi log likelihood yang jumlahnya dengan 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
78
correction FPE atau jumlah dari AIC, SIC dan HQ yang paling kecil di
antara berbagai lag yang diajukan.
3. Uji Kausalitas Granger Metode yang digunakan untuk menganalisa hubungan kausalitas
antar variabel yang diamati adalah dengan Uji Kausalitas Granger. Dalam penelitian ini, uji kausalitas Granger digunakan untuk melihat arah
hubungan di antara variabel-variabel. Secara umum, suatu persamaan Granger dapat diinterpretasikan
sebagai berikut: a. Unindirectional causality dari variabel dependen ke variabel
independen. Hal ini terjadi ketika koefisien lag variabel dependen secara statistik signifikan berbeda dengan nol, sedangkan koefisien lag
seluruh variabel independen sama dengan nol. Dalam ilmu ekonomi ketergantungan suatu variabel Y variabel tak bebas atas variabel lain
X variabel yang menjelaskan jarang bersifat seketika. Sangat sering, Y bereaksi terhadap X dengan suatu selang waktu. Selang waktu
seperti itu disebut suatu lag. Gujarati, 1999: 234. b. Feedbackbilaterall causality jika koefisien lag seluruh variabel, baik
variabel dependen maupun independen secara statistik signifikan berbeda dengan nol.
79
c. Independence jika koefisien lag seluruh variabel, baik variabel dependen maupun independen secara statistik tidak berbeda dengan
nol.
4. Estimasi VAR Dalam estimasi VAR, model VAR yang digunakan adalah:
Selanjutnya, dari hasil estimasi VAR, untuk melihat apakah variabel Y mempengaruhi X dan demikian pula sebaliknya, kita dapat
mengetahuinya dengan cara membandingkan nilai t-statistichasil estimasi dengan t-table. Jika nilai t-statisticlebih besar daripada nilai t-tablenya,
maka dapat dikatakan bahwa variabel Y memengaruhi X.
5. IRF Impulse Response Function IRF menggambarkan ekspektasi k-periode ke depan dari kesalahan
prediksi suatu variabel akibat inovasi dari variabel yang lain. Dengan demikian, lamanya pengaruh dari shockatau guncangan suatu variabel
terhadap variabel lain sampai pengaruhnya hilang atau kembali ke titik keseimbangan dapat dilihat atau diketahui. IRF menunjukkan pola dinamis
dari suatu variabel yang terkenapengaruh guncangan ekonomi dan melihat
80
seberapa besar pengaruh yang dirasakan oleh variabel tersebut berdampak pada variabel lain.
6. Variance Decomposition Variance decomposition
atau disebut juga forecast error variance decomposition
merupakan perangkat pada model VAR yang akan memisahkan variasi dari sejumlah variabel yang diestimasi menjadi
komponen-komponen shock atau menjadi variabel innovation, dengan asumsi bahwa variabel-variabel innovation tidak saling berkorelasi.
Kemudian, variance decomposition akan memberikan informasi mengenai proporsi dari pergerakan pengaruh shock pada sebuah variabel terhadap
shock variabel lainnya pada periode saat ini dan periode yang akan datang.
Shochrul R. Ajija, dkk, 2011: 168.
E. Operasional Variabel Penelitian
