METODE PENELITIAN
3.6 Tahapan Pengolahan Data
Berikut adalah tahapan analisis pengolahan data dalam penelitian ini Uji stasionaritas
Uji lag optimal
Uji stabilitas VAR
Uji kointegrasi
IV. HASIL DAN PEMBAHASAN 4.1. Uji Pra Estimasi
4.1.1. Uji Akar Unit (Unit Root Test)
Pada penerapan analisis regresi linier, asumsi-asumsi dasar yang telah ditentukan harus dipenuhi. Salah satu asumsi dasar regresi linier klasik yang sering diabaikan adalah asumsi stasioneritas yang merupakan dasar berpijaknya ekonometrika (Insukindro,1991). Pengabaian terhadap adanya asumsi stasioneritas menyebabkan regresi lancung (spurious regression).
Data variabel ekonomi banyak menggunakan data time series, oleh karena itu data ini sering menimbulkan permasalahan terkait dengan kestasioneritasan data. Dalam statistik dan ekonometrik, uji akar unit digunakan untuk menguji adanya anggapan bahwa sebuah data time series tidak stasioner. Uji yang biasa digunakan adalah Uji Augmented Dickey–Fuller. Uji lain yang serupa yaitu Uji Phillips–Perron. Keduanya mengindikasikan keberadaan akar unit sebagai hipotesis null. Perlu diketahui bahwa data yang dikatakan stasioner adalah data yang bersifat flat, tidak mengandung komponen trend, dengan keragaman yang konstan, serta tidak terdapat fluktuasi periodik. Data stasioner adalah data yang menyebar pada rataan dan simpangan baku tertentu. Hampir 95 persen data-data ekonomi tidak stasioner. Olehkarena itu harus dilakukan pengujian terlebih dahulu terhadap kestasioneran data tersebut. Dalam penelitian ini uji yang digunakan adalah Uji Augmented Dickey-Fuller (ADF) melalui uji akar unit. Model yang mengandung akar unit akan menimbulkan ketidakvalidan serta menghasilkan
spurious regression atau regresi palsu (Firdaus, 2011).
Regresi palsu/lancung (spurious regression) merupakan data yang memiliki R2 tinggi, t-statistik dan f-statistik yang signifikan tetapi memiliki dw yang relative kecil yaitu kurang dari 0,5 (< 0,5). Regresi tersebut terlihat bagus namun pada kenyataannya tidak, dan hasilnya tidak dapat diinterpretasikan secara ekonomi. Regresi lancung terjadi ketika hasil regresi menunjukkan hubungan yang signifikan antarvariabel padahal hal tersebut tidak lain adalah hubungan
contemporaneous dan tidak memiliki makna kausal (Harris, 1995: 14).
Dalam Uji Augmented Dickey-Fuller (ADF), jika nilai ADF lebih kecil dari Mc Kinnon Critical Value maka dapat disimpulkan bahwa data tersebut
stasioner, sementara jika nilai ADF lebih besar dari Mc kinnon Critical Value berarti data tersebut tidak stasioner. Perlu diketahui bahwa dalam penelitian ini nilai kritis Mc Kinnon yang digunakan adalah pada taraf nyata 5 persen. Jika data berdasarkan uji ADF tidak stasioner maka solusinya adalah dengan proses diferensiasi.
Berikut hasil uji akar unit setiap variabel pada tingkat level dalam penelitian ini.
Tabel 4.1 Uji Akar Unit Pada Tingkat Level
Variabel Nilai ADF Nilai Kritis Mc Kinnon Keterangan
1% 5% 10% G -5.692273 -4.33933 -3.587527 -3.229230 Stasioner GW -3.484692 -3.699871 -2.976263 -2.627420 Stasioner INV -2.463660 -3.699871 -2.976263 -2.627420 Tidak Stasioner ER -1.390764 -3.699871 -2.976263 -2.627420 Tidak Stasioner INF -5.446965 -3.699871 -2.976263 -2.627420 Stasioner TR -1.655848 -3.699871 -2.976263 -2.627420 Tidak stasioner NE -0.823032 -3.699871 -2.976263 -2.627420 Tidak Stasioner Sumber: data diolah
Berdasarkan hasil pengujian akar unit pada tingkat level dapat diketahui bahwa dengan menggunakan taraf nyata lima persen terdapa empat variable yang tidak stasioner, antara lain investasi (INV),nilai tukar (ER), penerimaan pajak (TR), ekspor bersih (NE) sementara variable lainnya (belanja pemerintah (G), pertumbuhan ekonomi/PDB (GW), inflasi (INF)) stasioner pada tingkat level.
Data yang tidak stasioner dapat mengakibatkan regresi lancung (spurious
regression) apabila diregresi. Untuk menjadikan data yang tidak stasioner
menjadi data stasioner maka melakukan diferensiasi data. Pada tingkat diferensiasi pertama (first diffrerence) umumnya data sudah stasioner. Berikut hasil uji akar unit setiap variabel pada tingkat diferensiasi pertama.
Tabel 4.2 Uji Akar Unit Pada Tingkat Diferensiasi Pertama
Variabel Nilai ADF Nilai Kritis Mc Kinnon Keterangan
1% 5% 10% G -6.616552 -4.374307 -3.603202 -3.238054 Stasioner GW -6.494443 -3.711457 -2.981038 -2.629906 Stasioner INV -4.703183 -3.711457 -2.981038 -2.629906 Stasioner ER -5.314595 -3.711457 -2.981038 -2.629906 Stasioner INF -6.284779 -3.724070 -2.986225 -2.632604 Stasioner TR -6.284779 -3.711457 -2.981038 -2.629906 Stasioner NE -5.922290 -3.724070 -2.986225 -2.632604 Stasioner Sumber: data diolah
Berdasarkan hasil uji akar-akar unit pada tabel 4.2, diketahui bahwa seluruh data telah stasioner. Dengan kata lain bahwa seluruh variabel stasioner pada tingkat diferensiasi pertama (first diffrence). Hal itu dapat diketahui karena nilai ADF lebih kecil dari nilai Mc Kinnon.
4.1.2. Uji Lag Optimal
Langkah penting yang harus dilakukan dalam menggunakan model VAR adalah penentuan jumlah lag optimal yang digunakan dalam model. Penentuan lag optimal merupakan tahap penting karena variabel independen yang digunakan adalah lag dari variabel dependen dan juga variabel independennya. Selain hal tersebut penentuan lag optimal penting karena berkaitan dengan keakuratan informasi yang dihasilkan oleh estimasi model VAR. Pengujian panjang lag yang optimal dapat memanfaatkan beberapa informasi yaitu dengan menggunakan
Akaike Information Criterion (AIC), Schwarz Criterion (SC) dan Hanan-Quinn Criterion (HQ).
Tabel 4.3 Hasil Uji Lag Optimal
Lag LR FPE AIC SC HQ
0 NA 0.074544 17.26850 17.60722 17.36604
1 246.3622* 4.24e-06 7.350941 10.06069* 8.131250 2 61.93655 1.77e-06* 5.489577* 10.57035 6.952656* Sumber: data diolah
Tabel 4.3 memperlihatkan hasil tingkat lag optimal berdasarkan berbagai kriteria. Dalam tabel tersebut menunjukkan bahwa nilai SC pada lag 1 merupakan yang terkecil atau minimum, sehingga lag optimal untuk variabel-variabel yang ingin diestimasi adalah satu.
4.1.3. Uji Stabilitas VAR
Sebelum analisis berupa proses innovation accounting dilaksanakan, dilakukan terlebih dahulu pengujian stabilitas terhadap data. Sistem VAR pada lag optimal harus stabil. Hal ini merupakan syarat yang harus dipenuhi oleh model dinamik seperti VAR. Sistem VAR yang tidak stabil akan membuat hasil
Impulse Response Function (IRF) dan Forecast Error Variance Decomposition
(FEVD) tidak valid. Uji stabilitas berdasarkan modulus atau unit lingkaran akan diterapkan untuk menentukan apakah sistem VAR tersebut stabil pada lag optimal. Stabilitas sistem VAR dikatakan stabil jika seluruh akar unitnya memiliki modulus lebih kecil dari satu dan semuanya terletak didalam unit lingkaran. Tabel 4.4 Hasil Uji Stabilitas VAR
Root Modulus 0.949791 0.949791 0.674162 – 0.294734i 0.735774 0.674162 + 0.294734i 0.735774 0.679999 0.679999 -0.251726 – 0.260855i 0.362507 -0.251726 + 0.260855i 0.362507 0.143282 0.143282
Sumber: data diolah
Tabel 4.4 memperlihatkan bahwa model VAR yang digunakan dalam penelitian ini stabil pada lag optimalnya, yaitu pada lag satu karena nilai modulus dari seluruh roots memiliki nilai kurang dari satu. Dengan demikian peramalan menggunakan Impulse Response Function (IRF) dan Forever Error Variance
Decomposition (FEVD) yang akan dihasilkan dianggap valid.
4.1.4. Uji Kausalitas Granger
Analisis hubungan kausalitas dari setiap variabel dapat dilihat dari uji kausalitas granger. Dalam penelitian ini, uji kausalitas dilakukan dengan menggunakan Granger Causality Test dengan hipotesis awal (H0) tidak ada hubungan kausalitas dan hipotesis alternatifnya (H1) terdapat hubungan kausalitas. Kriteria penolakan H0 adalah dengan melihat nilai probabilitas yang lebih kecil dari nilai kritis yang ditantukan. Hasil uji kausalitas granger dalam penelitian ini dapat dilihat pada Tabel 4.5
Tabel 4.5 Hasil Uji Kausalitas Granger
Variabel Probabilytas does Not Granger Cause
G GW INV INF NE ER TR G 0.8518 0.7565 0.8459 0.0597 0.8034 0.0023* GW 0.0126* 0.4144 0.7826 0.7936 0.7283 0.3744 INV 0.2098 0.4285 0.3270 0.0516 0.0716 0.1625 INF 0.00001* 0.7325 0.3092 0.5594 0.4215 0.7795 NE 0.0710 0.8714 0.8795 0.8889 0.6334 0.5623 ER 0.2831 1.0000 0.07738 0.8064 0.0013* 0.9997 TR 0.0062* 0.6903 0.2183 0.8412 0.0019* 0.1997
Sumber: data diolah
Hasil Uji kausalitas pada Tabel 4.5 menunjukkan bahwa terdapat hubungan dua arah antara variabel TR dengan variabel G. Hipotesis nol yang menyatakan bahwa TR tidak mempengaruhi G, ditolak pada tingkat signifikansi lima persen ( tolak H0, pada α = 5%), demikian juga dengan sebaliknya. Hipotesis nol yang menyatakan bahwa G tidak mempengaruhi TR ditolak pada tingkat signifikasi lima persen. Artinya penerimaan pajak mempengaruhi pengeluaran/belanja pemerintah, sebaliknya pengeluaran pemerintah mempengaruhi penerimaan pajak.
Berdasarkan Tabel 4.5 juga diperoleh beberapa variabel yang memiliki hubungan satu arah dengan variabel lainnya pada tingkat signifikansi lima persen. Varibel yang memiliki hubungan satu arah tersebut antara lain variabel GW dengan variabel G, variabel INF dengan variabel G, variabel ER dengan variabel NE, dan variabel TR dengan Variabel NE.
4.1.5. Uji Kointegrasi
Salah satu asumsi yang harus dipenuhi dalam VAR atau VECM adalah semua variabel endogen dan variabel eksogen bersifat stasioner. Apabila variabel tidak stasioner, maka perlu dilakukan uji kointegrasi. Jika variabel yang tidak stasioner terkointegrasi, maka kombinasi linier antar variabel dalam sistem akan bersifat stasioner, sehingga dapat diperoleh persamaan yang stabil (Enders, 1995).
Pengujian kointegrasi dilakukan untuk memperoleh hubungan jangka panjang antar variabel yang telah memenuhi persyaratan selama proses integrasi yaitu dimana semua variabel telah stasioner pada derajat yang sama yaitu derajat satu I (1). Salah satu cara untuk menguji kointegrasi yaitu dengan menggunakan uji kointegrasi Johansen.
Dalam penelitian ini uji kointegrasinya menggunakan pendekatan Johansen dengan membandingkan antara trace statistic dengan critical value yang digunakan, yaitu lima persen. Jika trace statistic lebih besar dari critical value lima persen maka terdapat kointegrasi dalam sistem persamaan tersebut. Hasil uji kointegrasi berdasarkan trace test dapat dilihat pada Tabel 4.6
Tabel 4.6 Hasil Uji Kointegrasi Hyputhesized
No.of CE (s)
Eigenvalue Trace statistic 0.05 Critical Value Prob.**
None* 0.935471 213.9335 125.6154 0.0000 At most 1* 0.914792 142.6769 95.75336 0.0000 At most 2* 0.717396 78.64778 69.81889 0.0083 At most 3 0.513988 45.79138 47.85613 0.0772 At most 4 0.470493 27.03182 29.79707 0.1008 At most 5 0.248177 10.50081 15.49471 0.2442
Sumber: data diolah
Jika trace statistic lebih besar dari critical value lima persen,maka persamaan tersebut terkointegrasi. Dengan demikian H0 = non kointegrasi dengan hipotesis alternatifnya H1 = kointegrasi. Jika trace statistic lebih besar dari critical
value lima persen, maka tolak H0 atau terima H1 yang artinya terjadi kointegrasi. Dari tabel 4.6 dapat diketahui bahwa terdapat tiga persamaan yang terkointegrasi dalam penelitian ini. Karena terdapat persamaan yang terkointegrasi maka model yang akan digunakan adalah model Vector Error Correction Model (VECM),