3.1 Ruang Lingkup Penelitian
Ruang lingkup penelitian ini adalah perkembangan permintaan uang di Indonesia dengan pendekatan stok penyangga selama kurun waktu tahun 1999:4 – 2006:4 dan faktor-faktor yang mempengaruhinya.
3.2 Jenis dan Sumber Data Penelitian
Penelitian ini menggunakan data sekunder. Data sekunder bersumber dari Bank Indonesia (BI) dan Badan Pusat Statistik (BPS). Adapun data yang diperlukan adalah data uang kartal (M1), pendapatan nasional (proksi Produk Domestik Bruto berlaku), suku bunga deposito 3 bulan dan inflasi.
3.3 Model Analisis
Model analisis yang digunakan dalam penelitian ini adalah model hasil penurunan model dinamik yang dihasilkan pada persamaan (2.12). yaitu :
dM1Dt = α1 dGDPt + α2 dINRt + α3 dINFt + α4εt (3.1) Berdasarkan persamaan (3.1) lebih lanjut dapat dikemukakan ciri khas dari model koreksi kesalahan, dimana koefisien error correction model (ECT) = α4 harus signifikan secara statistik.
dimana:
dM1Dt = perubahan permintaan uang M1 (Rp Milyar) dGDPt = perubahan Produk Domestik Bruto (Rp Milyar)
dINRt = perubahan tingkat suku bunga depostito 3 bulan (Persen) dINFt = perubahan inflasi (Persen)
αi = koefisien regresi
εt = error term [M1Dt – M1D*t]
Apabila terdapat hubungan yang simultan antar variabel yang diamati, variabel-variabel tersebut diperlakukan sama, sehingga tidak ada lagi variabel endogen dan eksogen. Pernyataan ini merupakan jiwa dari vector autoregressive (VAR) model. (Enders, 2004)
Dengan mengidentifikasikan variabel permintaan uang M1 (M1D), Produk Domestik Bruto (GDP), suku bunga deposito (INR) dan inflasi (INF) dari suatu model ekonomi makro, dimana keempat variabel tersebut adalah variabel endogen dalam persamaan simultan. Keempat variabel saling mempengaruhi satu sama lain sehingga aplikasi model VAR dapat dilakukan sebagai berikut:
M1Dt = α1 + β1j M1Dt-j + λ1jGDPt-j + γ1jINRt-j + ω1jINFt-j + ε1 (3.2A) GDPt = α2 + β2j GDPt-j + λ2jM1Dt-j + γ2jINRt-j + ω2jINFt-j + ε2 (3.2B)
INRt = α3 + β3j INRt-j + λ3jM1Dt-j + γ3jGDPt-j + ω3jINFt-j + ε3 (3.2C) INFt = α4 + β4j INFt-j + λ4jM1Dt-j + γ4jGDPt-j + ω4jINRt-j + ε4 (3.2D) dimana εt adalah disturbance term error yang disebut sebagai impulse or innovation or shock dalam studi vector autoregressive (VAR). Masalah yang muncul adalah penentuan panjang lag-time untuk mencapai stabilitas model. Pengujian stabilitas model VAR menggunakan root of Characteristic Polynomial, dimana root dan modulus lebih kecil dari satu. (Enders, 2004)
3.4 Definisi Operasional
Untuk memudahkan pemahaman terhadap istilah dan variabel yang digunakan dalam penelitian ini maka perlu diberikan definisi operasional sebagai berikut:
1. Variabel tak bebas adalah jumlah uang kartal dan giral (M1D) riil yang dipegang masyarakat.
2. Variabel pendapatan nasional diproksi dengan Produk Domestik Bruto (PDB) dengan harga konstan.
3. Variabel suku bunga diukur dengan suku bunga deposito 3 bulan.
4. Variabel inflasi adalah kenaikan harga umum secara terus menerus dan persisten dari suatu perekonomian. Ada beberapa indicator inflasi yang dapat digunakan yaitu: Perubahan Indeks harga konsumen (IHK). Perubahan Indeks Harga Perdagangan besar (IHPB), dan Perubahan Deflator PDB. Inflasi yang digunakan dalam penelitian ini yaitu berdasarkan pada Indeks Harga Konsumen yang diperoleh dengan formula:
Dalam penelitian ini penulis membatasi ruang lingkup permintaan uang dipengaruhi oleh Produk Domestik Bruto (PDB), tingkat suku bunga dan inflasi.
3.5 Metode dan Analisis Data
Metode yang digunakan dalam penelitian ini adalah metode kointegrasi dengan Error Correction Model (ECM). Digunakannya metode ini adalah untuk melihat hubungan maupun kestabilan dan perubahan struktur jangka panjang antara variabel-variabel ekonomi. Selain itu agar diperoleh suatu model kandidat yang baik, hasil estimasi dari ECM juga harus lolos dari berbagai uji diagnosisdan juga dilakukan metode vector autoregressive (VAR) untuk menguji hubungan antar variabel yang mengacu pada teori.
3.5.1 Uji Stasioneritas
Karena data yang digunakan dalam penelitian ini adalah data runtun waktu, maka mengharuskan kita menggunakan data yang stasioner. Dengan demikian dapat dimengerti mengapa stasioneritas menjadi masalah penting dalam analisis data time
series. Uji akar unit digunakan untuk mendeteksi apakah data yang digunakan dari
model autoregresif stasioner atau tidak. Uji ini berisi regresi dari diferensi pertama data runtut waktu terhadap lag variabel tersebut, lagged difference terms, konstanta dan trend.
Stasioner adalah apabila suatu data runtut waktu memiliki rata-rata dan memiliki kecenderungan bergerak menuju rata-rata (Kennedy, 2000). Oleh sebab itu,
kurva data stasioner terhadap waktu akan sering melewati sumbu horizontal dan autokorelasinya akan menurun dengan teratur untuk lag yang cukup besar. Sebaliknya data yang tidak stasioner, varians menjadi semakin besar bila jumlah data runtut waktu diperluas, tidak sering melewati sumbu horizontal dan autokorelasinya cenderung tidak menurun.
Uji akar unit model autoregresif dalam penelitian ini (Dickey dan Fuller, 1979, 1981) dengan nama Augmented Dickey-Fuller (ADF) test kemudian ditaksir dengan OLS (Ordinary Least Square) seperti persamaan berikut (model dengan intercept dan trend): t m i t i t t t Y Y Y =β +β +δ +α Δ +ε Δ −
∑
= − 1 1 1 2 1 (3.7)Dimana: m = panjang lag yang digunakan
Dari hasil persamaan diatas diperoleh nilai ADF statistik. Hasil ini kemudian dibandingkan dengan nilai kritis dari Mackinon. Jika nilai ADF statistic lebih kecil daripada nilai kritis Mackinnon pada derajat kepercayaan berarapun, maka dapat disimpulkan bahwa data tersebut adalah tidak stasioner. Solusi yang harus dilakukan, jika data yang diperoleh tidak stasioner adalah dengan menciptakan variabel baru dengan cara first difference, lalu dilakukan kembali uji akar-akar unit.
Pengujian ini dilakukan untuk mengetahui pada derajat atau order diferensi keberapa data yang diamati akan stasioner. Pengujian ini dilakukan bila pada uji akar-akar unit (langkah pertama diatas) dari data yang diamati tidak stasioner.
Uji kointegrasi bertujuan untuk mengetahui apakah seluruh variabel mempunyai hubungan keseimbangan jangka panjang (berkointegrasi) atau tidak. Jika berkointegrasi maka residual kointegrasi atau kesalahan ketidak seimbangannya adalah stasioner.
Untuk melakukan pengujian kointegrasi harus diyakini terlebih dahulu bahwa variabel terkait dalam pendekatan ini mempunyai derajat integrasi yang sama atau tidak. Secara umum sebagian besar pengujian mengenai isu terkait lebih memusatkan perhatian pada variabel yang berintegrasi nol I(0) atau satu I(1). Dalam penelitian ini, uji statistik yang digunakan untuk menguji hipotesa nol yaitu tidak adanya kointegrasi adalah uji Engle-Granger atau uji Augmented Engle-Granger dan uji CRDW (Cointegration-Regression Durbin Watson). Untuk menghitung CRDW dan ADF ditaksir regresi kointegrasi berikut dengan OLS. Dari persamaan (3.1) yaitu:
dM1Dt = α1 dGDPt + α2 dINRt + α3 dINFt + α4εt (3.8) (i) Uji-Engle-Granger atau Uji Augmented Engle Granger
Dengan menggunakan DF atau ADF test dilakukan tahapan-tahapan sebagai berikut:
1) Estimasi model regresi 2) Hitung residual-nya
3) Apakah residualnya stasioner? Jika stasioner, berarti regresi tersebut merupakan regresi kointegrasi, atau variabel terikat dan bebas yang tidak stasioner tersebut terkointegrasi sehingga menghasilkan residual yang stasioner.
(ii) Uji Kointegrasi Durbin-Watson
Pengujian ini relatif sederhana, dengan tahapan sebagai berikut:
1) Hitung statistic Durbin-Watson (d). Mengingat d = 2(1-ρ), maka pada saat ρ
= 1, maka d = 0. Oleh karenanya hipotesis yang digunakan: H0: d =0
2) Bandingkan nilai dhitung dengan dtabel, dengan kriteria sebagai berikut:
dhitung > dtabel maka tolak H0 , yang berarti μt stasioner dan terjadi kointegrasi antar variabel.
3.5.3 Error Correction Mechanism
Dalam jangka panjang model permintaan uang M1 terhadap pendapatan nasional, suku bunga deposito 3 bulan dan inflasi merupakan regresi kointegrasi atau mengalami keseimbangan jangka panjang. Dalam jangka pendek, permintaan uang mungkin tidak mengalami keseimbangan atau disequilibrium. Oleh sebab itu
dua atau lebih variabel terkointegrasi maka hubungan dua atau lebih variabel tersebut dapat dijelaskan sebagai error correction mechanism (ECM).
Jika estimasi koefisien regresi komponen koreksi kesalahan tidak signifikan, maka hubungan keseimbangan seperti yang diinginkan oleh teori tidak dapat ditaksir dan dapat diduga akan adanya kemungkinan kesalahan spesifikasi. Kesalahan ini dapat terjadi antara lain karena kesalahan memilih variabel yang relevan, kesalahan bentuk fungsi, kesalahan membuat definisi operasional dan cara mengukurnya serta kesalahan pemilihan atau pengambilan sampel. Dengan sendirinya estimasi koefisien regresi koreksi kesalahan dapat dijadikan peringatan awal sebelum peneliti membahas lebih lanjut hasil penelitiannya.
3.5.4 Uji Signifikansi
Setelah dinyatakan model tersebut valid, lalu dilakukan uji asumsi klasik dengan uji autokorelasi. Autokorelasi dapat didefinisikan sebagai korelasi antara anggota serangkaian observasi yang diurutkan menurut waktu seperti data dalam time
series. Sehingga terdapat saling ketergantungan antara faktor penganggu yang
berhubungan dengan observasi yang dipengaruhi oleh unsur gangguan yang berhubungan dengan pengamatan lainnya. Oleh sebab itu masalah autokorelasi biasanya muncul dalam data runtut waktu (time series), meskipun tidak menutup kemungkinan terjadi dalam data cross sectional.
Uji untuk melihat autokorelasi dapat dilakukan dengan uji Durbin-Watson Test ataupun dengan uji Langrange Multiplier Test (LM Test). Namun uji D-W Test
tidak bisa diterapkan terhadap model regresi yang mempunyai kelambanan (lagged) dari variabel indenpenden. Oleh sebab itu, penelitian ini menggunakan uji LM Test. Dengan membandingkan nilai χ2
hitung terhadap χ2
tabel dinyatakan penilaian sebagai berikut:
1. Jika nilai χ2
hitung > χ2
tabel, maka hipotesisnya yang menyatakan bahwa tidak ada masalah autokorelasi dalam model empiris yang digunakan ditolak.
2. Jika nilai χ2
hitung < χ2
tabel, maka hipotesisnya yang menyatakan bahwa tidak ada masalah autokorelasi dalam model empiris yang digunakan tidak dapat ditolak.