Analisis Hubungan Produk Domestik Bruto dan Ekspor Indonesia dengan Pendekatan Threshold Vector Error Correction Model (TVECM)

SENATEK 2015| Malang, 17 Januari 2015 678

Analisis Hubungan Produk Domestik Bruto dan Ekspor

Indonesia dengan Pendekatan Threshold Vector Error Correction

Model (TVECM)

Gama Putra Danu Sohibien1_{, Brodjol Sutijo Suprih Ulama}2

12)_{Program Studi Statistika, Pascasarjana, ITS , Surabaya}

e-mail: 1) _{gamaputra.bps@gmail.com,}2)_{brodjol_su@statistika.its.id}

ABSTRAK

Salah satu faktor yang berpengaruh langsung terhadap PDB, adalah ekspor. Peningkatan ekspor mendorong negara-negara pengekspor untuk melakukan peningkatan produksi yang menciptakan kenaikan nilai PDB. Di sisi lain peningkatan PDB memungkinkan para produsen untuk meningkatkan ekspor barang produksinya. Pemodelan yang tepat untuk analisis hubungan kedua variabel tersebut diperlukan agar keberhasilan pembangunan ekonomi dapat dicapai. Salah satu pendekatan yang dapat digunakan untuk memodelkan kedua variabel tersebut, adalah dengan Threshold Vector Error Correction Model (TVECM). TVECM dapat digunakan untuk melakukan penyesuaian nonlinear agar hubungan antar variabel menuju keseimbangan jangka panjang. Dalam pemodelan ini, bentuk hubungan antar variabel dibagi lebih dari satu rezim berdasarkan nilai error correction term (ECT). Pemisahan daerah ini ditandai dengan suatu batas (threshold). Hasil uji Granger Causality menunjukan bahwa terdapat hubungan saling mempengaruhi antara PDB dan Ekspor. Hasil uji kointegrasi menunjukan bahwa terdapat keseimbangan jangka panjang antara PDB dan ekspor. Hasil penelitian menunjukan bahwa model TVECM lebih baik dari pada VECM dilihat dari nilai AIC. Nilai ambang (threshold) yang memisahkan antara rezim 1 dan 2 di TVECM adalah sebesar 50195,15. Kausalitas jangka panjang yang terjadi adalah dari PDB ke ekspor. Berdasarkan hasil TVECM di rezim 2 disimpulkan bahwa bila terjadi ketidakseimbangan di jangka pendek maka ekspor akan dikoreksi sebesar 67,279 persen dari ketidakseimbangan yang terjadi pada periode sebelumnya agar keseimbangan jangka panjang antara PDB dan ekspor terjadi lagi.

Kata kunci: PDB, Ekspor, Kointegrasi, VECM, TVECM.

Pendahuluan

Salah satu indikator untuk menilai keberhasilan pembangunan suatu negara, adalah dari pertumbuhan ekonomi. Pertumbuhan ekonomi yang tinggi dan berkelanjutan merupakan syarat yang diperlukan bagi proses pembangunan ekonomi. Pertumbuhan ekonomi yang tinggi bertujuan untuk mempercepat pencapaian tingkat kesejahteraan hidup yang tinggi bagi penduduknya. Selain itu dengan tingkat pertumbuhan yang tinggi juga dimaksudkan untuk mengejar ketertinggalan dari negara lain. Pertumbuhan ekonomi dapat dihitung dari perubahan relatif Produk Domestik Bruto (PDB). Hal ini berarti salah satu indikator adanya peningkatan pendapatan suatu negara dapat dilihat dari PDB, karena PDB digunakan untuk mengetahui kinerja suatu perekonomian. Salah satu faktor yang berpengaruh langsung terhadap pertumbuhan ekonomi, adalah perdagangan luar negeri melalui ekspor. Ekspor merupakan arus keluar sejumlah barang dan jasa dari suatu negara ke pasar internasional. Menurut Bhagwati (1988), ekspor dapat membantu meningkatkan PDB dan peningkatan PDB itu sendiri nantinya dapat mendorong ekspor, sehingga PDB dan ekspor dapat memiliki hubungan yang saling mendukung.

Penelitian mengenai analisis hubungan antara ekspor dan PDB di Indonesia sudah banyak

dilakukan, diantaranya dengan menggunakan pendekatan kointegrasi dan Vector Error

Correction Model (VECM). Pendekatan kointegrasi berkaitan erat dengan pengujian terhadap kemungkinan adanya hubungan keseimbangan jangka panjang diantara variabel-variabel ekonomi. VECM merupakan model yang dikembangkan oleh Engel dan Granger untuk

SENATEK 2015| Malang, 17 Januari 2015 679

mengatasi masalah variabel-variabel yang saling berkointegrasi atau memiliki hubungan keseimbangan jangka panjang namun dalam jangka pendek tidak ada keseimbangan (disequilibrium).

Hubungan antara penyimpangan dan dinamika jangka pendek pada model VECM diasumsikan linear. Granger dan Terasvirta (1993) menyatakan bahwa hubungan antar variabel ekonomi biasanya tidak linear. Balke dan Fomby (1997) menyatakan bahwa besarnya penyesuaian terhadap keseimbangan jangka panjang dapat berbeda di berbagai keadaan ekonomi. Hal ini berlawanan dengan VECM dimana penyimpangan dikoreksi dengan cara yang sama baik pada saat penyimpangan meningkat ataupun menurun. Sehingga, bila pola hubungan antara penyimpangan dan dinamika jangka pendek adalah nonlinear maka model VECM tidak

tepat untuk menggambarkan hubungan jangka pendek antar variabel. Konsep threshold

kointegrasi seperti yang diperkenalkan oleh Balke dan Fomby (1997) telah menarik perhatian para praktisi dalam mengungkap pola penyesuaian nonlinear harga relatif dan variabel lain. Ide dasar dari model threshold kointegrasi, adalah model dibentuk lebih dari satu rezim model time series yang dibagi berdasarkan nilai error correction term (ECT). Dengan kata lain efek threshold

pada model VECM tergantung pada besarnya ketidakseimbangan terhadap sistem jangka panjang. Model yang digunakan untuk melakukan penyesuaian nonlinear terhadap ketidakseimbangan yang terjadi di jangka pendeknya disebut sebagai Threshold Vector Error Correction Model (TVECM).

Berdasarkan gambaran mengenai keterkaitan antara ekspor dan PDB, maka analisis mengenai hubungan antara kedua variabel tersebut menarik untuk diteliti. Dalam penelitian ini akan dilakukan analisis mengenai hubungan antara ekspor dan PDB di Indonesia dengan

pendekatan TVECM.

Metode Penelitian

Metode analisis yang digunakan dalam penelitian ini, adalah Threshold Vector Error Correction Model (TVECM). Adapun langkah-langkah yang akan dilakukan untuk mencapai tujuan penelitian adalah sebagai berikut:

1. Melakukan uji kausalitas granger dimana lag optimum yang digunakan ditentukan dari kriteria Akaike’s information criterion (AIC), Schwarz information criterion (SIC), Hannan-Quinn Criterion (HQ), dan Final Prediction Error (FPE).

2. Jika tidak terdapat hubungan kausalitas antara PDB dan ekspor maka dilanjutkan pada pemodelan ARIMA.

3. Jika terdapat hubungan kausalitas antara PDB dan ekspor maka ada dua kemungkinan, yaitu:

 Dilanjutkan pengujian kointegrasi bila kedua variabel belum stasioner dan terintegrasi pada derajat yang sama

 Dilanjutkan pada pemodelan Vector Autoregressin (VAR) jika kedua variabel sudah stasioner atau belum stasioner namun terintegrasi pada derajat yang berbeda

4. Bila terdapat kointegrasi maka dilanjutkan pada pemodelan VECM, jika tidak terdapat kointegrasi maka dilanjutkan pada pemodelan VAR.

5. Melakukan pengujian signifikansi keberadaan threshold dengan Lagrange Multiplier Test

(LM test)

6. Membuat model TVECM

Vector Error Correction Model (VECM)

VECM merupakan model VAR yang dibuat ketika antar variabel saling berkointegrasi. Enders (2004) menyatakan bahwa variabel-variabel dalam VECM adalah variabel-variabel turunan

SENATEK 2015| Malang, 17 Januari 2015 680

pertama dalam model VAR yang dibedakan oleh error correction term atau dengan kata lain variabel dalam VECM merupakan variabel yang terkointegrasi pada order pertama [I(1)]. Hubungan dinamis jangka pendek dari suatu variabel di dalam sistem dipengaruhi oleh

penyimpangan dari keseimbangan jangka panjang yang dikenal sebagai cointegration term atau

error correction term. Untuk membahas model VECM ini, misalkan kita mempunyai hubungan jangka panjang atau keseimbangan untuk dua variabel sebagai berikut:

t

t Y

Y _{0 1 2} ^

1   (1)

Jika Y1t berada pada titik keseimbangan terhadap Y2t maka keseimbangan antara variabel Y1t

dan Y2t pada persamaan (1) terpenuhi. Namun dalam sistem ekonomi pada umumnya

keseimbangan jarang sekali ditemui. Bila Y1t mempunyai nilai yang berbeda dengan nilai keseimbangannya maka perbedaan antara sisi kiri dan sisi kanan pada persamaan (1) adalah sebesar

t

t Y

Y

ECT  1 01 2 (2)

Nilai

ECT

_{ini disebut sebagai kesalahan ketidakseimbangan (disequilibrium error). Bentuk}

umum VECM yang memasukan variabel perubahan sampai dengan lag ke-p, adalah sebagai berikut: y t p i i t i p i i t i t t y t

a

a

Y

Y

a

Y

a

Y

Y

_1, 1 2 , 12 1 1 , 11 1 2 1 0 1 1 1 10 1





(









)



















      (3) t y p i i t i p i i t i t t y t a a Y Y a Y a Y Y _2, 1 2 , 22 1 1 , 21 1 2 1 0 1 1 2 20 2   ( 







)    









      (4)

Threshold Vector Error Correction Model (TVECM)

Keberadaan threshold dalam model membentuk model VECM (2.25) menjadi sebagai berikut:

t

Δy = (5)

Dimana:

A1dan A2, adalah matriks koefisien dalam kedua rezim

A1 = A2 ketika tidak ada threshold γ, adalah parameter threshold.

Model (5) dapat juga dituliskan menjadi sebagai berikut:

1t 1 t T 1 t A y ( β ) Δy  _ d (



, γ) + A₂Ty_t1( β)d_2t(



, γ) + ut (6) Dimana: t

d

₁ (



, γ) = I (

W

t₁

(



)

≤ γ) t

d

₂ (



, γ) = I (

W

t₁

(



)

> γ)

Dan I(.) menunjukan fungsi indikator.

Model (6) memiliki 2 rezim yang didefinisikan oleh nilai error-correction term. Koefisien matriks A1 dan A2 menentukan dinamika kedua rezim tersebut. Model (6) memungkinkan semua

koefisien (kecuali vektor kointegrasi β) untuk berganti diantara kedua rezim. Efek threshold ada

jika 0P



Wt1



1_. Besarnya nilai γ ditentukan dengan batasan

dimana , adalah sebuah parameter trimming.

t 1 t T 1 y ( β ) u A   , jika

W

t1

(



)

≤ γ t 1 t T 2 y ( β ) u A _  , jika

W

_t1

(



)

> γ

SENATEK 2015| Malang, 17 Januari 2015 681

Hasil dan Pembahasan

Langkah pertama yang dilakukan adalah menentukan panjang lag optimum yang akan digunakan pada uji kausalitas granger, VECM, dan TVECM. Pada penelitian ini pengolahan uji panjang lag optimum dilakukan dengan menggunakan software evewes 8.0. Hasil uji panjang lag optimium dari 4 kriteria (AIC, SIC, HQ, dan FPE) dapat dilihat pada tabel 1.

Tabel 1. Uji Panjang Lag Optimum

Lag AIC SIC HQ FPE

0 44.33149 44.38668 44.35376 6.14e+16 1 44.33091 44.49646 44.39770 6.13e+16 2 44.36521 44.64113 44.47653 6.35e+16 3 44.25722 44.64351 44.41307 5.70e+16 4 43.45153 43.94819* 43.65190 2.55e+16 5 43.35082* 43.95784 43.59571* 2.31e+16* 6 43.37655 44.09393 43.66597 2.37e+16 7 43.44667 44.27442 43.78062 2.55e+16 8 43.50417 44.44230 43.88265 2.71e+16

Dari empat kriteria yang digunakan, tiga diantaranya (AIC, HQ, dan FPE) menyimpulkan bahwa panjang lag optimum yang terpilih adalah 5. Dengan demikian panjang lag optimum yang digunakan adalah 5. Penentuan ini juga didukung dengan pendapat Venus Khim dan Liew

(2004) bahwa kriteria AIC dan FPE dapat meminimalkan terjadinya underestimate dan

memaksimalkan peluang untuk mendapatkan panjang lag yang sebenarnya untuk sampel kecil (T < 120).

Langkah selanjutnya adalah melakukan uji kausalitas granger. Uji kausalitas granger bertujan untuk melihat hubungan sebab akibat yang terjadi antara PDB dan ekspor apakah hubungan kausalitas yang terjadi satu arah, dua arah, atau tidak terjadi hubungan kausalitas. Selain itu dari uji kausalitas dapat diketahui variabel mana yang terjadi sebelum variabel lainnya atau

variabel mana yang bertindak sebagai leading indicator bagi variabel lainnya. Pada

pembentukan VECM diperlukan bentuk hubungan kausalitas dua arah antar variabel yang diteliti. Uji kausalitas granger yang dilakukan antara PDB dan ekspor dilakukan dengan hipotesis sebagai berikut:

 Ho: Ekspor tidak mempengaruhi PDB

H1: Ekspor mempengaruhi PDB

 Ho: PDB tidak mempengaruhi Ekspor

H1: PDB mempengaruhi Ekspor

Statistik uji yang digunakan adalah statistik uji F. Keputusan ditolak atau tidaknya hipotesis nol dapat dilakukan dengan melihat p-value. Jika p-value kurang dari taraf uji (α) yang digunakan, maka keputusannya tolak Ho.Berikut adalah hasil uji kausalitas granger yang

merupakan hasil olahan dengan menggunakan software evews 8.0.

Tabel 2. Hasil Uji Kausalitas Granger antara PDB dan Ekspor

Hipotesis Nol F-Statistic p-value

Ekspor tidak

mempengaruhi PDB 5.72845 0.0001

PDB tidak mempengaruhi

SENATEK 2015| Malang, 17 Januari 2015 682

Dari tabel di atas dapat dilihat bahwa besarnya p-value untuk hipotesis nol yang pertama adalah 0,0001 dan yang keduaadalah 0,0443. Kedua p-value tersebut bernilai kurang dari taraf uji yang digunakan (10 persen) sehingga keputusan untuk kedua hipotesis tersebut adalah tolak Ho. Karena ekspor mempengaruhi PDB dan begitu juga sebaliknya, maka hubungan kausalitas yang terjadi antara PDB dan ekspor adalah hubungan kausalitas dua arah (bilateral causality).

Setelah melakukan uji kausalitas granger, langkah selanjutnya adalah melakukan uji stasioneritas data dengan menggunakan metode philips-perron (PP). Hubungan keseimbangan jangka panjang mensyaratkan bahwa variabel-variabel yang diteliti belum stasioner dan terintegrasi pada derajat yang sama. Oleh karena itu sebelum melakukan pengujian kointegrasi perlu dilakukan uji stasioneritas data pada variabel yang akan diteliti. Berikut adalah hasil uji stasioneritas data PDB dan ekspor untuk data asli (order level) dan yang sudah dilakukan differencing.

Tabel 3. Hasil Uji Stasioneritas Data untuk Order Level dan Order Difference Pertama dengan Metode Philips Perron (PP)

Order Variabel Level

Signifikan Hipotesis Nol

Nilai Kritis Statistik Uji PP Keputusan Level PDB 5% GDP tidak stasioner -3.456 0,137 Tidak Tolak Ho 10% GDP tidak stasioner -3.154 Tidak Tolak Ho

ekspor 5% EX tidak stasioner -3.456 -0.221 Tidak Tolak Ho

10% EX tidak stasioner -3,154 Tidak Tolak Ho

Difference Pertama PDB 5% GDP tidak stasioner -3.456 -11,758 Tolak Ho 10% GDP tidak stasioner -3.154 Tolak Ho

ekspor 5% EX tidak stasioner -3.456 -6,452 Tolak Ho

10% EX tidak stasioner -3,154 Tolak Ho

Dari tabel 3 dapat dilihat bahwa semua keputusan hipotesis untuk data pada order level adalah tidak tolak Ho baik dengan tingkat kesalahan 10 persen maupun 5 persen, yang artinya dengan tingkat kesalahan 10 persen maupun 5 persen kedua variabel tidak stasioner. Sedangkan hasil uji stasioneritas data pada order difference pertama semua keputusanynya adalah tolak Ho, yang artinya dengan tingkat kesalahan 10 persen atau 5 persen kedua variabel sudah stasioner. Dengan demikian dapat disimpulkan bahwa data PDB dan Ekspor terintegrasi pada order yang sama, yaitu order satu. Sehingga pengujian kointegrasi dapat dilakukan pada kedua variabel tersebut.

Langkah selanjutnya adalah melakukan uji kointegrasi. Uji ini dilakukan untuk melihat ada atau tidaknya hubungan keseimbangan jangka panjang antara variabel PDB dan ekspor. Hubungan keseimbangan jangka panjang diperlukan agar terhindar adanya masalah spurious regression yang diakibatkan oleh ketidakstasioneran yang terjadi pada data penelitian. Uji kointegrasi dilakukan pada suatu kombinasi linear dua atau lebih variabel yang stasioner. Walaupun secara parsial dua variabel tidak stasioner namun bila kombinasi linear antara dua variabel tersebut stasioner, maka dapat dikatakan kedua variabel tersebut berkointegrasi atau memiliki hubungan keseimbangan jangka panjang. Hasil pengujian kointegrasi dapat dilihat pada tabel berikut.

Table 4. Nilai Trace Statistic dan Probabilitas Pengujian Kointegrasi Hipotesis Nol Hipotesis Alternatif Eigenvalue Trace Statistic 0.1

Critical Value p-value

r = 0* r > 0 0.090360 15.15297 13.42878 0.0562

r ≤ 1* r > 1 0.064333 6.250586 2.705545 0.0124

SENATEK 2015| Malang, 17 Januari 2015 683

Dari tabel 4 dapat dilihat bahwa dengan tingkat kesalahan 10 persen terdapat setidaknya satu vektor kointegrasi. Hal ini dapat dilihat dari nilai trace stsatistic yang lebih besar dari

critical value, sehingga keputusannya adalah tolak Ho atau terdapat hubungan keseimbangan jangka panjang antara PDB dan ekspor di Indonesia. Model hubungan keseimbangan jangka panjang antara antara PDB dan ekspor, adalah sebegai berikut:

PDBt = 268313 + 0.8302Eksportet (7)

Perbandingan antara scatter plot data aktual dengan garis keseimbangan jangka panjang dapat dilihat di gambar 1 berikut:

600000 500000 400000 300000 200000 100000 0 800000 700000 600000 500000 400000 300000 200000 Y2 Y 1 y1 FITSCoint Variable

Gambar 1. Perbandingan antara Scatter Plot Data Aktual dengan Garis Keseimbangan Jangka Panjang Karena hasil uji kointegrasi menunjukan terdapat keseimbangan jangka panjang antara PDB dan ekspor, maka pembentukan VECM dapat dilakukan. VECM bertujuan untuk melihat dinamika hubungan jangka pendek antar variabel. Model ini dapat dijadikan solusi bagi variabel-variabel yang memiliki hubungan keseimbangan jangka panjang namun dalam jangka pendek tidak terjadi keseimbangan. Model ini melakukan koreksi bagi ketidakseimbangan yang terjadi di jangka pendek dengan memasukan penyesuaian. Hasil estimasi koefisien parameter VECM dapat dilihat di tabel 5.

Tabel 5. Hasil Estimasi VECM

Variabel ΔPDBt ΔEksport ECTt-1 -0.03325 0.14055 (0.02720) (0.06708)* Konstanta 2880 3177 (1271)* (3133) 1  PDB_t 0.2155 -0.2644 (0.1058)* (0.2609) 1  Ekspor_t -0.17499 0.2918 (0.04900)* (0.1208)* 2  PDBt -0.00925 0.1373 (0.07445) (0.1836) 2  Ekspor_t -0.08210 -0.0528 (0.05368) (0.1324) 3  PDB_t -0.10999 0.1734 (0.07141) (0.1761) 3  Eksport 0.04672 -0.3368 (0.04855) (0.1197)* 4  PDBt 0.77281 -0.1071 (0.07150)* (0.1763) 4  Ekspor_t 0.00121 0.3545

SENATEK 2015| Malang, 17 Januari 2015 684 (0.04940) (0.1218)* 5  PDB_t -0.2190 0.4382 (0.1099)* (0.2711) 5  Eksport 0.01563 -0.1700 (0.05076) (0.1252)

Nilai di dalam kurung merupakan standar error r

* Notasi ketika hipotesis nol ditolak pada level signifikan 0.05 ECTt-1 = PDBt-1-268313-0.8302Ekspor_t1

Tabel 5 menunjukan bahwa ada satu koefisien Error Correction Term (ECTt-1) yang

signifikan di dalam model. ECTt-1 hanya signifikan pada persamaan ΔEksport. Hal ini

menunjukan bahwa terdapat hubungan keseimbangan jangka panjang antara PDB dan Ekspor Indonesia. Koefisien ECTt-1 lebih besar pada persamaan ΔEksport dibandingkan pada persamaan

ΔPDBt memiliki arti bahwa respon pada ekspor lebih besar dibandingkan PDB untuk menuju

keseimbangan jangka panjang ketika terjadi ketidakseimbangan pada jangka pendek. Koefisien ECTt-1 pada persamaan ΔEksport sebesar 0,14055 memiliki arti bahwa ekspor akan dikoreksi

sekitar 14,05 persen ketika ketidakseimbangan terjadi di jangka pendek. Koefisien lag untuk ΔPDB dan ΔEkspor menunjukan apakah dinamika jangka pendek PDB dan ekspor saat ini dipengaruhi oleh dinamika jangka pendek PDB dan ekspor pada beberapa periode sebelumnya. Tabel 5 menunjukan bahwa dinamika jangka pendek ekspor pada lag 1 (satu triwulan sebelumnya) mempengaruhi dinamika jangka pendek PDB saat ini. Namun dinamika jangka PDB beberapa peride yang lalu tidak mempengaruhi dinamika jangka pendek ekspor saat ini. Berdasarkan tabel 5 bentuk VECM dapat dituliskan sebagai berikut:

t e t ECT 1 5 -t 5 -t 4 -t 4 -t 3 -t 3 -t 2 -t 2 -t 1 -t 1 -t Ekspor 0156 . 0 PDB 219 . 0 Ekspor 0012 . 0 PDB 773 . 0 Ekspor 0467 . 0 PDB 110 . 0 Ekspor 0821 . 0 PDB 0093 . 0 Ekspor 175 . 0 PDB PDB 0.261 1 0332 . 0 2880                        _  (7) t e PDB t ECT 1 5 -t 5 -t 4 -t 4 -t 3 -t 3 -t 2 -t 2 -t 1 -t 1 -t Ekspor 170 . 0 PDB 438 . 0 Ekspor 355 . 0 PDB 107 . 0 Ekspor 337 . 0 PDB 173 . 0 Ekspor 053 . 0 PDB 137 . 0 Expor 292 . 0 Ekspor 0.264 1 141 . 0 3177                        _ 

Langkah selanjutnya adalah melakukan pengujian signifikansi keberadaan threshold. Uji ini bertujuan untuk melihat apakah pemodelan TVECM tepat dilakukan atau tidak. Hipotesis yang digunakan pada penelitian ini, adalah:

Ho: Model adalah linear VECM H1: Model adalah Threshold VECM

Pengujian signifikansi keberadaan threshold dilakukan dengan metode SupLM dimana p-value didapatkan dengan metode fixed regressor bootstrap. Banyaknya replikasi bootsrap yang digunakan adalah 1000 replikasi. Hasil pengujian terhadap threshold diperoleh nilai LM sebesar 36,19298 dengan asimtotic-fixed regressorp-value sebesar 0,009. Hasil pengujian ini menunjukan

bahwa keberadaan threshold pada pemodelan PDB dan ekspor Indonesia sudah tepat.

Langkah terakhir adalah melakukan pembentukan TVECM. Hasil pengolahan TVECM dengan menggunakan software R 3.1.0 dapat dilihat di tabel 6.

Tabel 6. Hasil Estimasi TVECM

Rezim 1 Rezim 2

Variabel ΔPDBt ΔEksport ΔPDBt ΔEksport

ECTt-1 0.0207 0.1691 -0.4394 -6.7279

(0.5963) (0.0671). (0.7330) (0.0278)*

SENATEK 2015| Malang, 17 Januari 2015 685 (0.0046)** (0.2361) (0.8671) (0.0440)* 1  PDB_{t (0.1457)} 0.1585 _(0.5936) -0.1347 _(0.9125) 0.3664 -14.6042 _(0.0636) 1  Ekspor_t -0.1479 0.2047 -0.8268 -17.0175 (0.0023)** (0.0644) (0.8599) (0.1225) 2  PDB_t 0.0261 -0.0643 -0.8442 -6.5706 (0.7234 ) (0.7090) (0.6457) (0.1279) 2  Eksport -0.0687 0.0160 0.7189 -10.4611 (0.1848) (0.8940) (0.7815) (0.0869). 3  PDB_{t (0.0281)*} -0.1605 _(0.3098) 0.1708 _(0.9382) 0.4034 -23.9190 _(0.0521). 3  Ekspor_{t (0.1364)} 0.0706 _(0.0075)** -0.3012 _(0.1998) 1.7940 _(0.1803) 4.3762 4  PDB_t 0.6938 0.0655 0.6472 -8.9278 (1.1e-14)*** (0.6938) (0.7633) (0.0782). 4  Ekspor_t 0.0162 0.2590 1.1274 36.4727 (0.7316) (0.0212)* (0.8777) (0.0358)* 5  PDBt -0.2219 0.1896 -0.0803 -0.4205 (0.0418)* (0.4502) (0.9347) (0.8541) 5  Ekspor_{t (0.8594)} 0.0085 _(0.5429) -0.0683 _(0.7186) -0.8215 _(0.1287) 8.1432

Nilai di dalam kurung merupakan standar error r

* Notasi ketika hipotesis nol ditolak pada level signifikan 0.05 ECTt-1 = PDBt-1-268313-0.830Ekspor_t1

Koefisien ECTt-1 menunjukan kecepatan penyesuaian suatu variabel pada saat menyimpang dari

nilai keseimbangan untuk kembali menuju keseimbangan . Dari tabel 6 ditunjukan bahwa nilai koefiseien ECTt-1 signifikan hanya pada model ΔEksport di rezim 2. Hal ini mengindikasikan perilaku

ekspor akan merespon ketidakseimbangan secara signifikan ketika besarnya penyimpangan (ECTt-1) sudah melewati nilai ambang batas tertentu. Nilai ambang batas ditunjukan oleh nilai

threshold yaitu sebesar 50195,15. Sedangkan pada rezim 1, penyimpangan yang terjadi antara PDB dan ekspor tidak direspon signifikan baik oleh PDB maupun ekspor. Besarnya koefisien ECTt-1 pada model ΔEksport di rezim 2 adalah -6.7279. Hal ini memiliki arti bahwa ketika terjadi

ketidakseimbangan (penyimpangan) yang melewati 50195,15 maka untuk kembali ke keseimbangan jangka panjang ekspor akan dikoreksi sebesar 67,279 persen dari besarnya ketidakseimbangan satu periode sebelumnya. Nilai koefisien ECTt-1 untuk ΔEksport lebih besar

dari ECTt-1 untuk model ΔPDBt memiliki arti bahwa respon dari ekspor lebih besar dari PDB jika

terjadi ketidakseimbangan. Selain itu, karena nilai ECTt-1 yang signifikan hanya di model

ΔEksport rezim 2 maka kausalitas jangka panjang yang terjadi, adalah dari PDB ke ekspor atau

dengan kata lain pada jangka panjang PDB mempengaruhi ekspor.

Untuk membandingkan kebaikan antara model VECM dan TVECM maka kriteria yang bisa digunakan adalah AIC (Akaike Information Criterion). Besarnya AIC untuk model VECM adalah sebesar 3534,976 sedangkan AIC untuk model TVECM adalah sebesar 3504,423. Karena AIC model TVECM lebih kecil dari model VECM maka dapat dikatakan bahwa model TVECM lebih baik dibandingkan model VECM.

Kesimpulan

Berdasarkan uji kointegrasi disimpulkan bahwa PDB dan ekspor Indonesia memiliki hubungan keseimbangan jangka panjang pada level signifikan 10 persen. Berdasarkan pengujian signifikansi

threshold dapat disimpulkan bahwa pemodelan ekspor dan PDB Indonesia dengan metode TVECM sudah tepat. Selain itu hasil pengujian kebaikan model dengan kriteria AIC juga menunjukan bahwa model TVECM lebih baik dari pada model VECM. Nilai ambang (threshold) yang memisahkan antara rezim 1 dan 2 di TVECM adalah sebesar 50195,15. Nilai koefisien ECTt-1 model ΔEksport lebih besar dari

model ΔPDBt memiliki arti bahwa respon dari ekspor lebih besar dari pada PDB ketika terjadi

ketidakseimbangan yang melewati batas threshold. Karena koefisien ECTt-1 hanya signifikan

pada model ΔEksport maka kausalitas jangka panjang yang terjadi adalah dari PDB ke ekspor

SENATEK 2015| Malang, 17 Januari 2015 686

Sehingga untuk meningkatkan ekspor maka penting bagi pemerintah untuk dapat memacu pertumbuhan ekonomi. Berdasarkan hasil TVECM di rezim 2 dapat disimpulkan bahwa bila terjadi ketidakseimbangan di jangka pendek maka ekspor akan dikoreksi sebesar 67,279 persen dari ketidakseimbangan yang terjadi pada periode sebelumnya agar keseimbangan jangka panjang antara PDB dan ekspor terjadi lagi.

Daftar Pustaka

1. Bhagwati, J.(1978), ‘Foreign Trade Regimes and Economic Development: Anatomy and

Consequences of Exchange Control Regime’, Working Paper Series, NBER, New York

2. Binh, Phung (2011), “Energy Consumption and Economic Growth in Vietnam: Threshold Cointegration and Causality Analysis”, International Journal of Energy Economics and Policy, Vol.1, pp. 1-17

3. Enders, W. (2004), Applied Econometric Time Series 2nd Edition., John Wiley & Sons Inc, New York.

4. Engle, R.F dan Yoo, B.Y. (1987), “Forecasting and Testing in Co-Integrated Systems”, Journal of Econometrics, Vol. 35, pp. 143-159.

5. Granger, C.W.J. (1969),” Investigating Causal Relations by Econometric Models and Cross-Spectral Methods”, Econometrica, pp.428-438

6. Iqbal, Hameed, dan Devi (2012), “ Relationship between Export and Economic Growth of Pakistan”, Europan Journal of Social Sciences, Vol.32, pp 453-460

7. Khan, Malik, dan Hasan, (1995), “ Export, Growth, and Causality: An Application of Co-integration and Error-Correction Modelling”, The Pakistan Development Review 34:4, Part III (Winter 1995), pp. 1001-1012

8. Kim, V. Dan Liew, S. (2004), “Which Lag Length Selection Criteria Should We Employ?”,

Economic Bulletin, Vol.3, pp. 1-9

9. Mehrara dan Firouzjaee (2011), “ Granger Causality Relationship between Export Growth and

GDP Growth in Developing Countries: Panel Cointegration Approach”, International Journal

of Humanities and Social Science, Vol 1, pp. 223- 231

10.Mishra (2011), “Dynamics of Relationship between Exports and Economic Growth in India”,

International Journal of Economic Science and Applied Research, Vol. 4, pp. 53-70

11.Silaghi (2009), “Exports-Economic Growth Causality: Evidence from CEE Countries”,