III. METODE PENULISAN
3.3. Metode Analisis Data
Persamaan (3.3) menggambarkan diferensial inflasi yang didefinisikan sebagai perbedaan antara inflasi individual dengan rata-rata inflasi kelompok negara pada saat t. merupakan koefisien konvergensi. Konvergensi dikatakan dapat tercapai apabila diferensial inflasi semakin lama menjadi semakin kecil (Ben-David, 1996). Dalam hal ini, nilai tetha harus lebih kecil dari pada satu. Sebaliknya nilai tetha yang lebih besar dari pada satu mengindikasikan divergensi diferensial inflasi. Untuk memperoleh koefisien konvergensi, dilakukan estimasi persamaan (3.3) atau dikenal dengan Dickey and Fuller Test.
Diferensial inflasi diasumsikan menurun secara kontinyu sejalan dengan waktu sesuai dengan besaran:
d, = d e
r adalah tingkat konvergensi, dapat dihitung dengan menggunakan koefisien konvergensi (tetha) yang merupakan hasil estimasi dari persamaan (3.3).
= ln (ϕ)
Untuk mengatasi masalah serial korelasi data, Augmented Dickey Fuller test dapat dilakukan.
dimana: d, = π, − π dan
∆d, = d, − d,
Untuk melihat terjadinya konvergensi inflasi di negara-negara ASEAN+6, maka model yang akan digunakan dalam penelitian ini sebagai berikut:
∗ = ϕ ∗ + ∆ + + ………. ( 3.5)
∗ = Inflasi suatu negara dikurangi inflasi kawasan pada tahun t ∗ = Lag Inflasi suatu negara dikurangi inflasi kawasan pada tahun t
∆ = Lag Perubahan Nominal Effective Exchange Rate (NEER) (Peningkatan Mengindikasikan Apresiasi).
= Suku Bunga Nominal = Error term
ϕ = Koefisien konvergensi
konvergensi inflasi dapat terjadi apabila nilai koefisien dari tetha kurang dari satu. Model penelitian (3.5) juga akan memberikan informasi apakah variabel suku bunga nominal dan nilai tukar efektif nominal dapat membantu dan berpengaruh nyata dalam pembentukan konvergensi inflasi di negara-negara ASEAN+6. 3.2.2. Model Faktor-Faktor yang Memengaruhi Inflasi
Salah satu langkah dalam penelitian ini adalah menentukan model atau persamaan untuk mengestimasi faktor-faktor apa saja yang memengaruhi tingkat inflasi di negara-negara ASEAN+6. Andersson, Masuch, dan Schiffbauer (2009) telah membuat model persamaan untuk mengetahui perbedaan inflasi dan tingkat harga di Uni Eropa, model yang digunakan sebagai berikut:
= + ( − ) + d ∆ + + ………. ( 3.6) = λ + ( − ) + ( − ̅ ) + ………… ( 3.7)
dimana,
= Output Riil = Output Potensial
∆ = Lag Perubahan Nominal Effective Exchange Rate (NEER) = Respon Faktor Permintaan
= Tingkat Inflasi
λ = Derajat Persistensi Inflasi = Tingkat Harga Komparatif
̅ = Tingkat Harga Komparatif Jangka Panjang = Shock Permintaan
= Shock Penawaran
Andersson et al. (2009) mendapat suatu persamaan bentuk penurunan inflasi dengan mengkombinasikan (3.6) dan (3.7)
= + ( − ) + + ∆ + ( −
̅ ) + ………( 3.8)
∝ adalah fungsi dari parameter vektor d dan b, dimana λ , − adalah fungsi dari d dan b.
adalah kombinasi dari guncangan penawaran dan permintaan. Dengan asumsi lebih lanjut bahwa tingkat harga jangka panjang adalah sama di negara- negara dalam suatu kawasan ( ̅it = ̅). Maka diperoleh persamaan bentuk pengurangan sebagai berikut:
= + + + ( − ) + + ∆ + + ………. ( 3.9)
Untuk menganalisis faktor-faktor yang memengaruhi tingkat inflasi di negara-negara ASEAN+6, maka model penelitian ini akan mengacu pada penelitian-penelitian terdahulu yang penulis gunakan sebagai acuan. Model penelitian secara umum mengacu pada model penelitian Andersson et al. (2009) dan Honohan et al. (2003). Dalam penelitian ini, penulis akan menambahkan variabel suku bunga sebagai salah satu faktor yang memengaruhi inflasi di kawasan ASEAN+6. Gul dan Ekinci (2006) terdapat hubungan positif antara suku bunga nominal dan tingkat inflasi dan peningkatan suku bunga nominal dapat memengaruhi biaya pinjaman yang pada akhirnya akan meningkatkan inflasi. Selain itu, penelitian yang dilakukan Sasana (2004) dengan menggunakan kasus negara Filipina, didapatkan bahwa dalam jangka panjang tingkat suku bunga berkorelasi positif dan berpengaruh signifikan terhadap tingkat inflasi.
Berikut ini adalah model penelitian dengan memasukkan variabel suku bunga nominal, yang selanjutnya akan digunakan dalam penelitian ini:
= + ( − ) + + ∆ + + ……( 3.10)
dimana,
= Tingkat Inflasi
( − ) = Output gap
= General Government Final Consumption Expenditure
∆ = Lag perubahan Nominal Effective Exchange Rate (NEER), (Peningkatan Mengindikasikan Apresiasi).
= Suku Bunga Nominal = Error term
Adanya keterbatasan data menyebabkan persamaan atau model penelitian (3.10) tidak memasukkan variabel tingkat harga komparatif. Selanjutnya dari hasil estimasi akan dianalisis variabel-variabel mana saja yang memengaruhi inflasi di negara-negara ASEAN+6 pada periode 2000-2009. Metode analisis data yang digunakan untuk mengestimasi model penelitian ini secara umum akan menggunakan metode data panel dinamis (dynamic panel data) melalui pendekatan Generalized Method of Moment (GMM) yang mengacu pada metodologi Verbeek 2004 dan Baltagi 2005.
3.3. Metode Analisis Data
3.3.1. Metode Hodrick-Prescott Filter
Untuk memperkirakan output potensial, salah satu pendekatan yang dapat digunakan adalah metode Hodrick-Prescott (HP) Filter. Metode ini digunakan untuk melihat kecenderungan (trend) dari output dalam jangka panjang (Fauzi, 2007). Trend output (s) yang diperoleh dengan menggunakan HP filter dihasilkan dengan meminimkan kombinasi gap antara aktual output (y) dan trend output. Tingkat perubahan output diperoleh dengan:
( − ) + ( − )− ( − ) …………( 3.11)
dimana λ adalah tingkat smoothness dari trend. Kesulitan metode ini adalah dalam mengidentifikasi besarnya parameter λ. Namun dengan menggunakan Eviews 6 trend output ini dapat diperkirakan. Trend dari PDB riil diasumsikan sebagai PDB potensial. Dalam penelitian ini, untuk memperkirakan PDB potensial maka digunakan pendekatan HP filter.
3.3.2. Granger Causality Test pada data panel
Hubungan kausalitas (causality) adalah hubungan jangka pendek antara kelompok tertentu dengan menggunakan pendekatan ekonometrik yang mencakup juga hubungan timbal balik dan fungsi-fungsi yang muncul dari analisis spektrum, khususnya hubungan penuh antar spektrum dan hubungan partial antar spektrum. Dari pandangan ekonometrik, ide utama dari kausalitas adalah sebagai berikut. Pertama, jika X memengaruhi Y, berarti informasi masa lalu X dapat membantu dalam memprediksikan Y. Dengan kata lain, dengan menambah data masa lalu X ke regresi Y dengan data Y masa lalu maka dapat meningkatkan kekuatan penjelas (explanatory power) dari regresi. Kedua, data masa lalu Y tidak dapat membantu dalam memprediksikan X karena jika X dapat membantu dalam memprediksikan Y, dan Y dapat membantu memprediksikan X, maka kemungkinan besar terdapat variabel lain, katakan Z, yang memengaruhi X dan Y (Fauzi, 2007).
Pada tahun 1969, Granger memperkenalkan hubungan sebab akibat antara dua variabel yang saling berkaitan. Hubungan kausalitas dapat dibagi atas tiga kategori, yaitu hubungan kausalitas satu arah, hubungan kausalitas dua arah dan hubungan timbal balik. Dengan panjang lag optimal, p, maka prinsip kerja dari Granger Causality Test pada data panel didasarkan atas regresi model pooled sebagaimana diuraikan sebagai berikut:
Persamaan (3.12)
= + ( )+ … + ( )+ ( ) + … + ( )+
Persamaan (3.13)
Pada persamaan regresi model pooled pertama (3.12), X memengaruhi Y atau hubungan kausalitas satu arah dari X ke Y apabila koefisien βl tidak sama dengan nol (0). Hal yang sama juga untuk persamaan regresi model pooled kedua (3.13), Y memengaruhi X atau terdapat hubungan kausalitas satu arah dari Y ke X jika koefisien βl tidak sama dengan nol. Sementara apabila keduanya terjadi maka dikatakan terdapat hubungan timbal balik (feedback relationship) antara X dan Y atau terdapat hubungan kausalitas dua arah (bidirectional causality) antara X dan Y.
Dalam penelitian ini, Granger Causality Test dilakukan untuk menganalisis hubungan inflasi dengan variabel-variabel lain pada penelitian. Dengan menggunakan software eviews 6, hipotesis nol yang digunakan untuk hubungan dua variabel adalah X tidak memengaruhi Y dan Y tidak memengaruhi X. Dasar penolakan hipotesis nol dengan menggunakan kriteria probabilitas < 0.1 atau 10%.
Seluruh pengolahan data dalam penelitian ini akan dilakukan dengan bantuan program komputer STATA v10.0 dan Eviews 6. Pemilihan program ini dikarenakan ketersediaan tools untuk pengolahan data sekaligus pengujian asumsi dalam model data panel dinamis.