BAB III METODOLOGI PENELITIAN
C. Metode Analisis Data
Penelitian ini menggunakan data kuantitatif, yaitu dimana data yang digunakan dalam penelitian berbentuk angka. Dengan menggunakan pendekatan kuantitatif diharapkan dapat dijelaskan hubungan antara variabel bebas dengan variabel terikat yakni ISSI. Variabel-variabel tersebut disusun menjadi sebuah model yang diestimasikan menggunakan alat analisis regresi dengan metode Vector Error Correction Model (VECM). Alasan pemilihan metode VECM adalah karena VECM
mengestimasi hubungan jangka pendek dan jangka panjang dari dua variabel atau lebih.
Langkah pertama pembentukan model VAR/VECM adalah melakukan uji stasioneritas data, jika stasioner pada tingkat level maka kita mempunyai model VAR biasa (unrestricted VAR). Jika data tidak stasioner pada level tetapi stasioner pada proses differensiasi data, harus di uji apakah data mempunyai hubungan dalam jangka panjang atau tidak, dengan melakukan uji kointegrasi. Bila terdapat kointegrasi maka modelnya adalah Vector Error Correction Model (VECM) yang merupakan model yang terrestriksi (restricted VAR). Restricted VAR bisa terjadi karena adanya kointegrasi yang menunjukkan hubungan jangka panjang antar variabel di dalam sistem VAR. Bila data stasioner pada proses differensi, tetapi variabel tidak terkointegrasi, disebut dengan model VAR data differenssi (VAR in difference) (Hamja, 2014).
1. Uji Stasioneritas Data
Langkah pertama yang dilakukan dalam mengestimasi model adalah melakukan uji stasioneritas pada setiap variabel yang digunakan dalam model. Langkah ini penting dilakukan untuk menghindari masalah regresi lancing (spurious regression). Uji stasioneritas ini dilakukan pada tingkat level dan first difference. Alasannya adalah karena data time-series pada umumnya tidak stasioner (mengandung unit root) pada level, sehingga perlu dilakukan pengujian selanjutnya pada tingkat first difference. Uji
stasioneritas pada penelitian ini menggunakan Augmented Dickey-
Fuller (ADF) test. Jika ADF test statistic lebih kecil secara actual
daripada Mac Kinnon test critical values, hal ini berarti bahwa data stasioner. Critical Value (taraf nyata) yang digunakan pada penelitian ini adalah 5% (Firdaus, 2020)
2. Uji Lag Optimal
Setelah dilakukan uji ADF sebagaimana telah dikemukakan diatas maka hal yang paling menentukan dalam uji stasioneritas adalah penentuan lag. Lag dalam sebuah sistem VAR merupakan hal yang penting, berguna unutk menunjukkan berapa lama reaksi suatu variabel terhadap variabel lainnya serta menghilangkan masalah autokolerasi dalam sebuah sistem VAR. Pengujian panjang lag diidentifikasi berdasarkan kriteria Akaike Information
Criterion (AIC), Schwarz Criterion (SC) dan Hanan-Quinn (HQ)
yang terkecil (Basuki & Prawoto, 2017).
3. Uji Stabilitas VAR
Langkah berikutnya adalah menguji stabilitas VAR atau VAR stability condition check. Uji stabilitas VAR dilakukan dengan menghitung akar-akar dari fungsi polynomial atau dikenal dengan roots of characteristic polynomial.
Stabilitas VAR perlu diuji karena jika hasil estimasi stabilitas VAR tidak stabil maka analisis IRF dan FEVD menjadi
tidak valid. Stabilitas model VAR dapat dilihat pada nilai modulus < 1 dapat dikatakan stabil dan sebaliknya jika nilai modulus > 1 dapat dikatakan tidak stabil (Firdaus, 2020).
4. Uji Kointegrasi
Tujuan dari uji kointegrasi pada penelitian ini yaitu menentukan apakah grup dari variabel yang tidak stasioner pada tingkat level tersebut memenuhi persyaratan proses integrasi, yaitu dimana semua variabel telah stasioner pada derajat yang sama yaitu derajat 1, I(1).
Metode yang dapat digunakan dalam menguji keberadaan kointegrasi ini adalah metode Johanes Cointegration. Kriteria pengujian kointegrasi pada penelitian ini didasarkan pada trace
statictic. Jika nilai trace statictic lebih besar daripada critical value
5% maka hipotesis alternatif yang menyatakan jumlah kointegrasi diterima sehingga dapat dapat diketahui berapa jumlah persamaan yang terkointegrasi dalam sistem.
Dalam analisis VAR/VECM, kointegrasi dilakukan untuk mengetahui keberadaan hubungan antar variable, khususnya dalam jangka panjang. Jika terdapat kointegrasi pada variable-variabel yang digunakan di dalam model, maka tahapan VECM dapat dilanjutkan. Namun jika tidak terbukti, maka VECM tidak bisa dilanjutkan (Basuki & Prawoto, 2017).
5. Uji Kausalitas Granger
Analisis Kausalitas Granger dilakukan untuk mengetahui apakah suatu variabel endogen dapat diperlakukan sebagai variabel eksogen atau apakah ada hubungan sebab akibat antar variabel. Hal ini bermula dari ketidaktahuan keterpengaruhan antar variabel. Jika ada dua variabel x dan y, maka apakah x menyebabkan y atau y menyebabkan x atau berlaku keduanya atau tidak ada hubungan keduanya. Variabel x menyebabkan variabel y artinya berapa banyak nilai x pada periode sekarang dapat dijelaskan oleh nilai y pada periode sebelumnya dan nilai x pada periode sebelumnya. Uji ini dapat mengindikasikan apakah suatu variabel mempunyai hubungan dua arah atau hanya satu arah saja.
Pada uji kausalitas Granger menggunakan VAR Pairwise
Granger Causality Test dan menggunakan taraf nyata 5% (Basuki
& Prawoto, 2017).
6. Estimasi VECM
VECM merupakan bentuk VAR yang terestriksi karena keberadaan bentuk data yang tidak stasioner namun terkointegrasi. VECM sering disebut sebagai desain VAR bagi series nonstasioner yang meiliki hubungan kointegrasi. Spesifikasi VECM merestriksi hubungan jangka panjang variabel-variabel endogen agar konvergen kedalam hubungan kointegrasinya, namun tetap
memberikan keberadaan dinamisasi jangka pendek (Basuki & Prawoto, 2017).
7. Uji Impulse Response Function (IRF)
Impulse Response Function (IRF) adalah metode yang
digunakan untuk menentukan bagaimana respon suatu variabel endogen terhadap guncangan (shock) variabel tertentu. IRF juga digunakan untuk melihat guncangan dari satu variabel lain dan berapa lama pengaruh tersebut terjadi. Melalui IRF, respon sebuah perubahan independen sebesar satu standar deviasi dapat ditinjau. IRF menelusuri dampak gangguan sebesar satu standar kesalahan
(standard error) sebagai inovasi pada sesuatu variabel endogen
terhadap variabel endogen yang lain. Suatu inovasi pada satu variabel, secara langsung akan berdampak pada variabel yang bersangkutan, kemudian dilanjutkan kesemua variabel endogen yang lain melalui struktur dinamik dari VAR/VECM (Basuki & Prawoto, 2017).
8. Uji Forecast Error Variance Decomposition
Forecast Error Variance Decomposition (FEVD) atau
dekomposisi ragam kesalahan peramalan menguraikan inovasi pada suatu variable terhadap komponen-komponen variabel yang lain dalam VAR. Informasi yang disampaikan dalam FEVD adalah proporsi pergerakan secara berurutan yang diakibatkan oleh guncangan sendiri dan variabel lain (Basuki & Prawoto, 2017).