Jenis dan Sumber Data
Data yang digunakan dalam penelitian ini adalah data sekunder yang bersifat kuantitatif. Data diperoleh dari berbagai macam sumber, yaitu beberapa penerbitan World Bank,International Monetary Fund, Bank Indonesia seperti Statistik Ekonomi dan Keuangan Indonesia (SEKI). Selain itu, sebagian data juga diperoleh dari berbagai penerbitan Badan Pusat Statistik (BPS), halaman situs Presiden RI dan beberapa Jurnal Internasional maupun nasional. Data-data yang digunakan dalam penelitan adalah GDP riil, Tingkat Inflasi, Jumlah Uang Beredar (M2), Kurs riil dan Indeks Harga Perdagangan Besar Amerika Serikat. Data yang digunakan merupakan data statistik per-quartalan periode Januari 2002 sampai Desember 2012.
Metode Analisis Data
Metode analisis yang digunakan untuk mendukung dan mencapai tujuan penelitian ini adalah analisis deskriptif dan analisis ekonometrika.
Analisis Deskriptif
Analisis deskriptif adalah analisis yang digunakan untuk memberikan gambaran umum tentang data yang telah diperoleh. Analisis deskriptif dapat dilakukan dengan menggunakan bantuan grafik, tabel dan diagram. Dalam penelitian ini, analisis deskriptif dilakukan untuk mengetahui gambaran umum mengenai perkembangan laju inflasi yang terjadi di Indonesia selama kurun waktu 2002-2012, mengenai perkembangan variabel jumlah uang beredar di masyarakat dan nilai tukar dolar Amerika Serikat terhadap rupiah dalam kurun waktu yang sama.
Analisis Ekonometrika
Metode analisis ekonometrika yang digunakan dalam penelitian ini adalah
Vector Autoregression (VAR) jika data yang digunakan adalah stasioner dan tidak terdapat kointegrasi, atau Vector Error Correction Model (VECM) jika data yang digunakan kemudian diketahui stasioner dan terdapat kointegrasi. Analisis data dengan menggunakan pendekatan model VAR dan VECM mencakup tiga alat analisis utama yaitu Granger causality test, impuls response function (IRF), dan
forecast error variance decomposition (FEVD). Adapun perangkat lunak yang digunakan untuk proses pengolahan adalah Eviews 6.
Pengolahan Data
Berikut adalah tahapan-tahapan dalam pengolahan data menggunakan perangkat lunak Eviews 6 dengan metode VAR/VECM :
Uji Stasioneritas Data
Estimasi model ekonometrik time series akan menghasilkan kesimpulan yang tidak berarti, ketika data yang digunakan mengandung akar unit (tidak stasioner). Data yang mengandung akar unit (tidak stasioner) jika dimasukan dalam pengolahan stastistik maka akan memberikan hasil estimasi yang spurious yang ditandai oleh tingginya koefisien determinasi, R2 dan t-statistik signifikan, tetapi penafsiran hubungannya tidak memiliki arti secara ekonomi.
Augmented dickey-fuller test (ADF test) merupakan prosedur standar, untuk menyelidiki adanya akar unit pada data time series. Uji akar unit ADF memerlukan estimasi regresi :
∑ ...(5) Dalam persamaan seperti ini hipotesis yang digunakan adalah :
H0: β = 0 (mengandung akar unit-series tidak stasioner)
H1: β < 0 (tidak mengandung akar unit-series stasioner)
Jika nilai statistik ADF secara absolut lebih kecil dibandingkan nilai kritis
MacKinnon, maka H0 diterima. Dengan kata lain, Yt mengandung satu akar unit atau data tidak stasioner. Data time series yang belum stasioner pada tingkat level dapat dijadikan stasioner, melalui proses diferensiasi agar data menjadi stasioner.
Uji Akar-akar Unit
Uji stasioneritas akan dilakukan dengan metode ADF. Hasil series stasioner akan berujung pada penggunaan VAR dengan metode standar. Sementara series nonstasioner akan berimplikasi pada dua pilihan yaitu VAR dalam bentuk differens atau VECM.
Uji Stabilitas VAR
Uji stabilitas VAR dilakukan dengan menghitung akar-akar dari fungsi polinomial atau dikenal dengan roots of characteristic polinomial. Jika semua akar dari fungsi polinomial tersebut berada di dalam unit circle atau jika nilai absolutnya <1 maka model VAR tersebut dianggap stabil sehingga Impuls Response Function (IRF) dan Forecast Error Variance Decomposition (FEVD) yang dihasilkan dianggap valid.
Pengujian Lag Optimal
Penentuan jumlah lag optimal yang digunakan merupakan langkah penting yang harus dilakukan dalam menggunakan model VAR maupun VECM. Untuk penentuan panjang lag optimal dapat digunakan beberapa kriteria yaitu dengan menggunakan Akaike Information Criterion (AIC), Schwarz Criterion (SC), Final Prediction Error (FPE), dan Hannan-Quinn Information Criterion (HQ). Pengujian panjang lag optimal berguna untuk menghilangkan masalah autokorelasi dalam sistem VAR maupun VECM. Dalam penelitian ini digunakan semua kriteria informasi untuk menentukan lag optimal. Model diestimasi dengan lag yang berbeda-beda lalu dibandingkan nilai kriterianya. Lag optimum yang dipilih berdasarkan nilai kriteria yang terkecil.
Uji Kointegrasi (Johannsen Cointegration Test)
Uji kointegrasi bertujuan untuk menetukan apakah variabel-variabel yang tidak stasioner terkointegrasi atau tidak. Konsep kointegrasi dikemukakan oleh Engle dan Granger (1987) sebagai kombinasi linier dari dua atau lebih variabel yang tidak stasioner akan menghasilkan variabel yang stasioner. Kombinasi linier ini dikenal dengan istilah persamaan kointegrasi dan dapat diinterpretasikan sebagai hubungan keseimbangan jangka panjang di antara variabel.
Jika trace statistic>critical value, persamaan tersebut terkointegrasi. Dengan demikian H0 = nonkointegrasi dengan hipotesis alternatifnya H1 = kointegrasi. Jika trace statistic>critical value, kita tolak H0 atau terima H1 yang artinya terjadi kointegrasi. Setelah jumlah persamaan yang terkointegrasi telah diketahui maka tahapan analisis dilanjutkan dengan analisis Vector Error Correction Model
(VECM)
Vector Error Correction Model (VECM)
Vector Error Correction Model (VECM) adalah VAR terestriksi yang digunakan untuk variabel yang nonstasioner tetapi memiliki potensi untuk terkointegrasi. Dalam VECM terdapat speed of adjustment dari jangka pendek ke jangka panjang. Menurut Firdaus (2011) model VECM secara umum adalah sebagai berikut :
∏ ∑
...(6) Di mana :
= vektor yang berisi variabel yang dianalisis dalam penelitian = vektor intercept
= vektor koefisien regresi t = time trend
∏ = αx β’ dimana b’ mengandung persamaan kointegrasi jangka
panjang
= variabel in-level
Tx = matriks koefisien regresi k-1 = ordo VECM dari VAR k = lag
ε = error term
Impuls Response Function (IRF)
Suatu metode yang digunakan untuk menentukan respons suatu variabel endogen terhadap suatu shock tertentu. Hal ini dikarenakan shock variabel misalnya ke-i tidak hanya berpengaruh terhadap variabel ke-i itu saja, tetapi ditransmisikan kepada semua variabel endogen lainnya melalui struktur dinamis atau struktur lag dalam VECM. Atau dengan kata lain IRF mengukur pengaruh suatu shock pada suatu waktu kepada inovasi variabel endogen pada saat tersebut dan di masa yang akan datang.
Sementara itu, IRF bertujuan untuk mengisolasi suatu guncangan agar lebih spesifik, yang artinya suatu variabel dapat dipengaruhi oleh shock atau guncangan tertentu. Apabila suatu variabel tidak dapat dipengaruhi oleh shock, maka shock spesifik tersebut tidak dapat diketahui melainkan shock secara umum.
Variance Decomposition
Metode yang dapat dilakukan untuk melihat bagaimana perubahan suatu variabel yang ditunjukkan oleh perubahan error variance dipengaruhi oleh variabel-variabel lainnya adala FEVD. Metode ini mencirikan suatu struktur dinamis dalam model VAR/VECM. Dalam metode ini dapat dilihat kekuatan dan kelemahan masing-masing variabel mempengaruhi variabel lainnya dalam kurun waktu yang panjang.
FEVD merinci ragam dari peramalan galat menjadi komponen-komponen yang dapat dihubungkan dengan setiap variabel endogen dalam model. Dengan menghitung persentase kuadrat prediksi galat k-tahap ke depan dari sebuah varabel akibat inovasi dalam varabel-variabel lain maka akan dapat dilihat seberapa besar perbedaan antara error variance sebelum dan sesudah terjadinya
shock yang berasal dari dirinya sendiri maupun dari variabel lain. Jadi melalui FEVD dapat diketahui secara pasti faktor-faktor yang mempengaruhi fluktuasi dari variabel tertentu.
Model Penelitian
Model penelitian yang digunakan dalam penelitian ini merujuk kepada model penelitian Akinbobola (2012) :
LN_Pt= α0+ α1LN_Mt+α2LN_Yt+α3LN_Et+α4LN_Pf+µt...(7) Dimana :
α = konstanta
LN_Pt = Inflation
LN_Mt = Growth in Money Supply
LN_Yt = Growth in Real Output
LN_Et = Exchange Rate
LN_Pf = Foreign Price
µt = error
Merujuk dari model penelitian pada persamaan 7, sehingga terbentuklah model penelitian yang digunakan dalam penelitian ini, yaitu :
LN_INF = α0+ α1LN_M2+α2LN_GDP+α3LN_RER+α4LN_PPI+µt...(8) Dimana :
α = konstanta
LN_INF = Inflasi (indeks)
LN_M2 = Pertumbuhan Uang Beredar (M2) (rupiah) LN_GDP = Pertumbuhan Ekonomi (GDP rill) (rupiah) LN_RER = Real Exchange Rate (Rp/US$)
LN_PPI = Indeks Perdagangan Besar Amerika Serikat (indeks)
µt = error