Penelitian ini merupakan penelitian data time series (bulanan) dengan menggunakan metode analisis data yakni model Error Correction Model (ECM). Penggunaan ECM dalam penelitian ini yaitu untuk menjelaskan perilaku jangka pendek dan jangka panjang dari dua variabel atau lebih dalam suatu model dari data time series.
Data time series biasanya tidak stasioner yang dapat mengakibatkan kurang baiknya model yang diestimasi (Ekananda, 2016). Oleh karena itu tahap awal sebelum melakukan analisis lebih lanjut yakni analisis jangka pendek dan jangka panjang perlu dilakukan yaitu pengujian stasioneritas suatu data yaitu dengan melakukan Uji Akar Unit atau Unit Root Test.
1. Uji Akar Unit (Unit Root Test)
38
Unit root test yang sangat populer dikenalkan oleh David Dickey dan Wayne Fuller. Oleh karena itu dalam penelitian ini digunakan unit root test dengan prosedur Augmented Dickey Fuller (ADF) Test. Pada ADF test mengasumsikan error term saling berkorelasi. Pengujian ADF mengoreksi higher order serial correlation dengan menambahkan lagged differenced pada sisi sebelan kanan variabel (Ekananda, 2016).
Syarat menggunakan model ECM yaitu seluruh variabel yang digunakan harus tidak stasioner pada tingkat level atau level series.
Langkah terpenting dalam unit root test adalah melakukan uji terhadap level series. Selanjutnya bila data yang diuji akar unit ternyata tidak stasioner pada level series maka langkah selanjutnya adalah melakukan uji derajat integrasi pada ditingkat berapa data menjadi stasioner, biasanya pada tingkar first difference atau second difference, dst.
MacKinnon (1991, 1996) mengestimasi respon hasil simulasi yang memungkinkan perhitungan critical values Dickey-Fuller dan p-values untuk arbitraty sampel (Ekananda, 2016). Perhitungan critical value MacKinnon yang lebih baru yang digunakan oleh e-views dalam membangun uji output. Data disebut stasioner apabila hasil nilai t-statistik ADF < MacKinnon critical value. Dan sebaliknya data tidak stasioner jika nilai t-statistik ADF > MacKinnon critical value.
2. Uji Kointegrasi
Menurut (Ekananda, 2016), pada dasarnya kointegrasi adalah bahwa sejumlah data time series yang dapat menyimpang dari rata-ratanya
39
dalam jangka pendek, namun untuk waktu yang lebih lama data menuju kondisi keseimbangan dalam jangka panjang. Teknik kointegrasi pertama kali diperkenalkan oleh Engle dan Granger dan dikembangkan oleh Johansen. Granger mencatat bahwa kombinasi linier dua atau lebih series yang stasioner disebut persamaan kointegrasi dan dapat diinterpretasikan sebagai hubungan jangka panjang diantara series, dimana deviasi dari kondisi equilibrium-nya adalah stasioner meskipun series tersebut bersifat non-stasioner.
Uji kointegrasi dapat dilakukan apabila data yang tidak stasioner telah menjadi data stasioner pada orde integrasi yang sama. Untuk melakukan uji kointegrasi Engle – Granger (EG), terlebih dahulu harus melakukan regresi persamaan jangka panjangnya dan kemudian mendapatkan residualnya. Untuk mengetahui residual dari persamaan stasioner atau tidak, dilakukannya ADF Test. Dari hasil estimasi, nilai probabilitas dari nilai stastistik ADF. Jika nilai probabilitasnya lebih kecil dari nilai kritisnya maka memiliki kointegrasi atau mempunyai hubungan jangka panjang, begitu pula sebaliknya.
3. Error Correction Model (ECM)
Model koreksi kesalahan atau ECM adalah teknik untuk mengoreksi ketidakseimbangan jangka pendek menuju pada keseimbangan jangka panjang (Nachrowi & Usman, 2006).
Model ECM dikatakan valid apabila variabel-variabel yang terkointegrasi didukung oleh koefisien ECT (Error Correction Term)
40
yang signifikan dan bertanda negatif. Koefisien regresi variabel ECT merupakan koefisien penyesuaian (coeficient of adjustment) yang menunjukkan besarnya ketidaksesuaian antara nilai aktual (actual) dengan nilai diinginkan (desired) yang akan dieliminasi dalam satu periode (Yuliadi, 2007).
Berikut adalah model regresi Error Correction Model yang digunakan dalam penelitian:
a. Persamaan Jangka Panjang:
Y = β0 + β1X1t + β2X2t + β3X3t + μt Atau
ULPt = β0 + β1INFt + β2KURSt + β3SBt + ɛt Keterangan:
β0 : konstanta
β1, β2, β3 : koefisien regresi jangka panjang ULNP : Utang Luar Negeri Pemerintah INF : Inflasi
KURS : Nilai Tukar Rupiah terhadap Dollar SB : Suku Bunga (BI Rate)
ɛt : Residual
b. Model Jangka Pendek sebagai berikut:
DULNPt = β0 + β1 DINFt + β2 DKURSt + β3 DSBt + β4 ECT(-1) Keterangan:
β0 : Intercept
41
β1, β2, β3 : Koefisien regresi
β4 : Koefisien error correction term
D : Perubahan
ULNP : Utang Luar Negeri Pemerintah
INF : Inflasi
KURS : Nilai Tukar Rupiah terhadap Dollar
t : Periode
Setelah melakukan uji kointegrasi, model penelitian memiliki keseimbangan jangka panjang dimana untuk jangka pendeknya terjadi ketidakseimbangan. Teknik untuk mengoreksi ketidakseimbangan jangka pendeke menuju keseimbangan jangka panjang disebut dengan Error Correction Model (ECM).
4. Uji Hipotesis
a. Uji Koefisien Determinasi
Uji koefisien determinasi (R2) yaitu sebagai persen variasi variabel terikat yang dijelaskan atau diperhitungkan oleh variabel bebas. Ciri-ciri koefisien determinasi sebagai berikut:
1) Jika nilai R2 = 0 berarti tidak ada pengaruh variabel bebas (X) terhadap variabel terikat (Y).
2) Jika nilai R2 = 1 berarti turun atau naiknya variabel terikat (Y) 100% dipengaruhi oleh variabel bebas (X).
42
3) Jika nilai 0 < R2 < 1 berarti besarnya pengaruh variabel bebas (X) terhadap naik turunnya variabel terikat (Y) yaitu sesuai dengan R2 itu sendiri dan sisanya berasal dari faktor lain.
b. Uji T Statistik
Uji statistik t diperuntukkan untuk menjelaskan seberapa besar pengaruh satu variabel bebas terhadap variabel terikat (Kuncoro, 2009). Terdapat dua kriteria dalam pengambilan keputusan:
1) Berdasarkan Probabilitas;
• Probabilitas < 0,05 maka H0 ditolak
• Probabilitas > 0,05 maka H0 diterima
2) Berdasarkan perbandingan t-statistik dengan t-tabel;
• t-hitung < t-tabel maka H0 diterima dan secara parsial variabel independen tidak berpengaruh terhadap variabel dependen.
• t-hitung > t-tabel maka H0 ditolak dan secara parsial variabel independen berpengaruh terhadap variabel dependen.
c. Uji Statistik F
Uji statistik F digunakan untuk melihat apakah semua variabel bebas secara bersama-sama terhadap variabel terikat. Hipotesis yang dibentuk yaitu:
H0 = semua variabel independen secara simultan tidak berpengaruh terhadap variabel dependen
43
H1 = semua variabel independen secara simultan berpengaruh terhadap variabel independen
Kriteria untuk pengambilan keputusan yaitu sebagai berikut:
1) Berdasarkan Probabilitas;
• Probabilitas < 0,05 maka H1 diterima
• Probabilitas > 0,05 maka H1 ditolak 2) Berdasarkan F-hitung dengan F-tabel;
• F-hitung > F-tabel maka H0 ditolak dimana seluruh variabel independen secara bersama-sama berpengaruh terhadap variabel dependen.
• F-hitung < F-tabel maka H0 diterima dimana seluruh variabel independen secara bersama-sama tidak berpengaruh terhadap variabel dependen.
3. Uji Asumsi Klasik
Uji asumsi klasik bertujuan untuk mendapatkan hasil estimasi yang valid yang meliputi uji normalitas, uji autokorelasi, uji multikolinearitas, dan uji heterskedastisitas.
a. Uji Normalitas
Uji normalitas ini digunakan untuk mengetahui apakah resiudal berdistribusi normal atau tidak. Pengujian terhadap residual terdistribusi normal atau tidak yaitu dengan menggunakan
Jarque-44
Bera Test. Pengambilan keputusan uji normalitas ini dengan membandingkan nilai probabilitas Jarque-Bera (α = 5%);
• Probabilitas Jarque-Bera > 0,05 maka residual terdistribusi normal.
• Probabilitas Jarque-Bera < 0,05 maka residual tidak terdistribusi normal.
b. Uji Autokorelasi
Uji autokorelasi yang digunakan dalam penelitian ini adalah uji Breusch Godfrey. Pengambilan keputusan uji autokorelasi ini dengan membandingkan probabilitas Chi-square;
• Prob. Chi-square > 0,05 maka tidak terjadi autokorelasi.
• Prob. Chi-square < 0,05 maka terjadi permasalahan autokorelasi.
c. Uji Multikolinearitas
Uji multikolinearitas adalah untuk mengetahui adanya hubungan linear antara variabel independen. Cara mendeteksi multikolinearitas ini yaitu dengan melihat nilai Variance Inflation Factors (VIF).
Kriteria pada VIF;
• Jika VIF < 10 maka tidak terjadi mulikolinearitas
• Jika VIF > 10 maka terjadinya multikolinearitas d. Uji Heteroskedastisitas
Heteroskedastisitas terjadi bila variabel pengganggu atau residual tidak mempunyai varian yang sama terhadap semua observasi.
45
Metode yang digunakan untuk mengetahui masalah heteroskedastisitas adalah dengan uji white. Dengan melihat nilai probabilitas Chi-square;
• Jika Prob. Chi-square > 0,05 maka tidak terdapat masalah heteroskedastisitas
• Jika Prob. Chi-square < 0,05 maka terdapat masalah heteroskedastisitas.
46 BAB IV
HASIL DAN PEMBAHASAN