METODOLOGI PENELITIAN
C. Metode Pengumpulan Data
Data yang digunakan dalam penelitian ini merupakan data sekunder (data yang diperoleh bukan dari sumber aslinya) yang dipublikasikan oleh Badan Pusat Statistik Provinsi Bangka Belitung, PT Timah, dan London Metal Exchange Tin. D. Metode Analisis Data
Metode analisis yang digunakan dalam penelitian ini adalah metode kuantitatif. Metode kuantitatif dilakukan menggunakan analisis data time series
32
dengan model analisis VECM (Vector Error Correction Model)dan Uji Granger Causalitydengan pengolahan data menggunakan software Eviews 9.
Model analisis VECM merupakan metode turunan dari VAR. VAR digunakan untuk mengetahui keterkaitan antar variabel dan kontribusi dari tiap variabel terhadap perubahan dari variabel yang lainnya. Menurut Widarjono (2007; 372) VAR merupakan salah satu model yang mampu menganalisa hubungan saling ketergantungan variabel time series. Model VAR menganggap semua variabel ekonomi adalah saling tergantung dengan yang lain.
Dengan penggunaan VAR ada 2 hal yang harus diperhatikan, yaitu :
1. Tidak adanya perbedaan antara variabel endogen dan eksogen. Semua variabel baik endogen maupun eksogen yang dipercaya saling berhubungan seharusnya dimasukkan di dalam model.
2. Untuk melihat hubungan antara variabel di dalam VAR akan membutuhkan sejumlah kelambanan dari variabel yang ada. Kelambanan ini diperlukan untuk menangkap efek dari variabel tersebut terhadap variabel yang lain di dalam model.
Model VECM merupakan model VAR yang teristriksi (restricted VAR) karena bentuk data yang tidak stasioner namun terkointegrasi. Data yang memiliki hubungan kointegrasi menunjukkan adanya hubungan jangka panjang antar variabel. Ajija, dkk, (2011:163) mengatakan bahwa VECM merupakan model analisis yang dapat digunakan untuk mengetahui tingkah laku jangka pendek dari suatu variabel terhadap jangka panjangnya, akibat adanya shock yang permanen (Kostov dan Lingard, 2000). Spesifikasi dari VECM merestriksi hubungan jangka panjang variabel-variabel endogen agar konvergen ke dalam hubungan kointegrasinya, namun tetap membiarkan keberadaan dinamisasi jangka pendek (Basuki, 2016).
Dalam metode VECM untuk melihat apakah terdapat hubungan jangka panjang atau jangka pendek dengan melihat perbandingan nilai t-statistik hasil estimasi terhadap nilai t-tabel. Jika t-statistik lebih besar daripada nilai t-tabel,
33
maka dapat dikatakan bahwa terdapat hubungan jangka panjang atau jangka pendek (Ajija, dkk, 2011:163). Menurut Santosa (2013:86) dalam penelitian Subhi (2014) Adanya hubungan jangka panjang atau jangka pendek menunjukkan bahwa variabel independen mempengaruhi variabel dependennya.
Tahap awal analisis adalah melakukan proses pembentukan model VAR dan VECM, proses ini merupakan rangkaian yang akan menentukan model manakah yang digunakan, secara ringkas alur proses pembentukan model VAR dan VECM sesuai pada Gambar 3.1.
Gambar 3.1. Diagram Alur Pembentukan Model VAR dan VECM
Sumber : Widarjono (2007;374), diolah
Langkah pertama dari pembentukan model VAR dan VECM ialah melakukan uji stasioneritas data. Jika data stasioner pada tingkat level, maka dapat didapatkan model VAR biasa (unrestricted VAR). Namun, jika data tidak
Ya Tidak
Tidak
Ya Data Time series
Uji Stasioner Data
Stasioner? Diferensi Data
Model VAR biasa
Uji Kointegrasi Data
Model VAR in difference Terjadi Kointegrasi?
Lag Length
Estimasi dan Analisis
Model VECM
34
stasioner pada level tetapi stasioner pada proses diferensi data, maka dilakukan pengujian untuk melihat apakah data mempunyai hubungan dalam jangka panjang atau tidak dengan melakukan uji kointegrasi. Apabila terdapat kointegrasi maka model yang kita punyai adalah model Vector Error Correction Model (VECM).
1. Uji Stasioneritas
Sekumpulan data dinyatakan stasioner jika nilai rata-rata dan varian dari data time series tersebut tidak mengalami perubahan secara sistematik sepanjang waktu, atau sebagian ahli menyatakan rata-rata dan variannya konstan (Nachrowi dan Usman, 2006;340).
Uji Stasioneritas merupakan langkah pertama yang dilakukan dalam pembentukan model VAR yang bertujuan untuk mengetahui apakah data stasioner pada level atau stasioner pada pembedaan (in differences) pada derajat tertentu. Jika data stasioner pada level, maka model yang digunakan adalah model VAR biasa, namun jika salah satu variabel dari data tidak ada yang stasioner pada level, maka wajib dilakukan uji kointegrasi untuk melihat model apa yang sebaiknya digunakan, model VAR biasa atau VECM.
Uji stasionaritas dapat dilakukan dengan menggunakan uji unit root Augmented Dickey-Fuller (ADF) maupun Phillips-Perron (PP). Uji ADF dan PP menggunakan panjang kelambanan dengan menggunakan kriteria Aaike Information Criterion (AIC) maupun Schwarz Information Criteria.
Pengujian unit root ADF dapat dilakukan dengan menggunakan perangkat lunak Eviews, dan hasil dari t-statistic dibandingkan dengan nilai t MacKinnon Critical Value atau nilai kritis absolut pada tabel MacKinnon. Lalu, berdasarkan hasil:
jika t-statistic <Test Critical Value = data tidak stasioner jika t-statistic >Test Critical Value = data stasioner
jika nilai probability> tingkat level (1%, 5%, 10%) = data tidak stasioner jika nilai probability< tingkat level (1%, 5%, 10%) = data stasioner
35
Jika dari hasil uji ADF ternyata data tidak stasioner maka data dapat distasionerkan dengan cara melakukan diferensi dan jika data tidak stasioner pada level namun stasioner pada proses diferensi data maka selanjutnya dilakukan uji kointegritas data.
2. Uji Lag Length
Basuki dan Prawoto (2016) menjelaskan bahwa estimasi dalam penentuan model VAR maupun VECM sangat peka terhadap panjang lag yang digunakan. Ketika melakukan pengujian Lag Length maka akan diperoleh lag optimal yang akan digunakan. Penggunaan lag optimal sangat penting karena akan menghasilkan suatu estimasi yang efektif. Lag yang terlalu sedikit akan menimbulkan masalah bias spesifikasi, sedangkan jika terlalu banyak maka akan menghabiskan degree of freedom (Ariefianto, 2012).
Terdapat dua cara untuk menentukan lag optimal. Pertama, dengan melakukan uji retriksi koefisien yang merupakan generasi dari uji retriski pada persamaan regresi tunggal (Wald test). Cara lain adalah dengan menggunakan kreteria informasi. Prosedur pemilihan kriteria informasi dapat dilakukan sebagai berikut:
1) Dengan menggunakan lag maksimal.
Lag maksimal terkait dengan jumlah observasi (T). Rumus yang digunakan dalam menetukan lag maksimal adalah 𝑇1/3.
2) Dengan cara menghitung nilai statistik kriteria informasi.
Lag yang memiliki nilai statistik kriteria informasi yang kecil maka lag tersebut merupakan lag optimal.
3) Terdapat beberapa statistik informasi multvariance, di antaranya Akaike Information Criterion (AIC), SchwarzInformation Criterion (SIC), dan Hannan Quinnon (HQ).
3. Uji Kointegritas Data
Uji kointegritas data dilakukan jika hasil uji stasioneritas data membuktikan bahwa data yang digunakan tidak stasioner. Uji kointegritas
36
bertujuan untuk mengetahui apakah data mempunyai hubungan jangka panjang (terkointegrasi). Suatu variabel dikatakan memiliki hubungan jangka panjang apabila variabel-variabel yang digunakan dalam model berkointegrasi, dan sebaliknya. Dari kointegritas yang terjadi antar variabel dapat juga dilihat apakah variabel tersebut terdapat hubungan saling mempengaruhi. dan uji ini juga dilakukan untuk menentukan model mana yang akan diestimasi, apakah menggunakan VAR biasa atau VECM (Vector Error Correction Model).
Cara untuk menentukan model mana yang digunakan, yaitu :
Jika tidak terdapat kointegritas, maka model yang digunakan adalah VAR biasa
Jika terdapat kointegritas, maka model yang digunakan adalah VECM. Winarno (2009) berpendapat bahwa dua variabel yang tidak stasioner sebelum dideferensi namun stasioner pada tingkat diferensi pertama, besar kemungkinan akan terjadi kointegrasi, yang berarti terdapat hubungan jangka panjang di antara keduanya. Ada dua cara untuk menguji kointegrasi, yaitu :
1) Uji Cointegrating Regression Durbin Watson (DW) 2) Uji Johansen Cointegration Test.
Winarno (2009) menjelaskan bahwa jika nilai Trace Statistic atau nilai kritisnya lebih kecil dibandingkan nilai kritis pada tingkat keyakinan 5% maupun 1%, maka variabel-variabel tersebut tidak saling berkointegrasi. Dan jika Trace Statistic nya lebih besar dibandingkan nilai kritis maka variabel-variabel terkointegrasi.
4. Uji Kausalitas Engel-Granger
Adanya hubungan kointegrasi berarti membuktikan adanya hubungan jangka panjang, dan untuk menganalisis arah dari hubungan tersebut, perlu dilakukan tes kausalitas Granger. Uji kausalitas Granger menyimpulkan bahwa X penyebab granger Y, jika Y bisa diprediksi dari nilai masa lalu dan masa sekarang
37
X. Uji kausalitas Granger dilakukan untuk meneliti hubungan kausal antara variabel yang digunakan.
5. Estimasi dan Analisis VECM (Vector Error Correction Model)
Dari hasil estimasi model VAR, jika telah terbukti terdapat hubungan kointegrasi, maka model penelitian VECM yang digunakan. VECM merupakan model VAR yang direstriksi karena adanya kointegrasi yang menunjukkan adanya hubungan jangka panjang antara variabel di dalam sistem model VAR (Ansofino, 2016). VECM juga dapat digunakan untuk mengetahui tingkah laku jangka pendek dari suatu variabel terhadap nilai jangka panjangnya.
Perilaku dinamis dari model VECM dapat dilihat melalui respons dari setiap variabel endogen terhadap shock pada variabel tersebut maupun terhadap variabel endogen lainnya (Ajija, dkk, 2011:163) Ada dua cara untuk melihat kedinamisan model, yaitu Impulse Response Function dan Variance Decomposition. Hasil dari IRF dan VDC akan dapat dianalisis respon masing variabel terhadap kejutan variabel lainnya dan besar kontribusi masing-masing variabel kepada dekomposisi varian variabel lainnya(Julaihah dan Insukindro, 2004).
a. Analisis Impulse Response Function
Analisis Impulse Response merupakan hasil estimasi VAR dan VECM yang dapat digambarkan dengan grafik atau tabel, dengan melihat grafik atau tabel dapat dilihat seberapa besar respon suatu variabel ketika terjadi kejutan/guncangan (shock) sebesar satu standar deviasi (S.D) dari variabel-variabel lain di dalam model. b. Analisis Variance Decomposition
Analisis Variance Decomposition dilakukan untuk mengetahui variabel-variabel mana yang mempunya peran yang relatif penting dalam perubahan variabel itu sendiri maupun variabel lainnya. Dengan melihat hasil Variance Decomposition yang berupa grafik atau tabel, dapat memberikan gambaran varian sebuah variabel
38
akibat adanya kejutan variabel lainnya maupun terhadap dirinya sendiri.
Dengan melihat variabel yang bersifat eksogen (menjelaskan) akan dapat diketahui apakah kejutan masing-masing variabel sangat penting dalam membentuk variabel tersebut dan variabel lainnya, dengan kata lain analisis Variance Decomposition bermanfaat untuk mengetahui kejutan variabel mana yang paling mempengaruhi perubahan suatu variabel.