56
Penelitian ini difokuskan pada variabel dependen utang luar negeri Indonesia dan variabel independen, yaitu defisit transaksi berjalan dan inflasi. Bahan analisa dikumpulkan dari jurnal-jurnal, buku-buku yang berkaitan serta melalui situs internet (studi pustaka) dan data sekunder dari instansi yang berkaitan dengan penelitian ini yaitu Bank Indonesia dan Badan Pusat Statistik. Data yang digunakan dalam penelitian ini adalah data sekunder berupa data kuartal dari tahun 2008-2016. Penelitian ini untuk ruang lingkup studi kasus di Indonesia.
B. Jenis dan Sumber Data
Data ialah serangkaian bukti-bukti, fakta-fakta, sesuatu yang secara pasti diketahui atau serangkaian informasi yang ada di sekitar kita. Selain itu, data juga dapat didefinisikan sebagai sekumpulan informasi yang diperlukan untuk mengambil keputusan.1
Data yang digunakan dalam penelitian ini adalah data kuantitatif yang merupakan data statistik berbentuk angka-angka. Data kuantitatif adalah data yang diukur dalam skala numerik (angka) yang dibedakan menjadi data interval dan data rasio.2
1
Mudrajad Kuncoro, Metode Riset Untuk Bisnis dan Ekonomi, (Jakarta: Erlangga, 2003), h. 124
2
Data yang akan dipakai dalam penelitian ini berupa data sekunder. Data sekunder yang akan digunakan ialah data deret waktu kuartal (time
series) dari 2008-2016 yang merupakan data utang luar negeri Indonesia, defisit transaksi berjalan dan inflasi . Semua data ini diperoleh dari
instansi-instansi terkait, yaitu Statistik Ekonomi dan Keuangan Indonesia (SEKI) dan Badan Pusat Statistik serta buku-buku terkait judul penelitian, jurnal yang memuat artikel-artikel terkait penelitian, internet, dan sumber lainnya yang terkait.
C. Metode Pengumpulan Data
Pengumpulan data merupakan hal yang harus dilakukan dalam penyusunan penelitian, karena dengan pengumpulan data kita dapat memperoleh hasil yang sesuai dengan tujuan penelitian. Data dalam penelitian ini diperoleh melalui studi pustaka sebagai metode pengumpulan data. Periode data yang digunakan adalah data sekunder kuartal dari tahun 2008-2016 yang bersumber dari Statistik Ekonomi dan Keuangan Indonesia (SEKI) yang dipublikasikan Bank Indonesia dan data yang dipulikasikan oleh Badan Pusat Statistik. Dan sebagai bahan pendukung digunakan buku referensi, jurnal, surat kabar eletronik, dan beberapa situs resmi yang terkait dengan objek penelitian utang luar negeri dan variabel yang mempengaruhinya.
D. Definisi Operasional Variabel Penelitian
Variabel-variabel yang menjadi objek dalam penelitian ini adalah:
1. Variabel Bebas (Independent Variabel)
Variabel bebas adalah variabel yang mempengaruhi atau menjadi sebab perubahan-perubahan atau timbulnya variabel terikat. Variabel bebas dalam penelitian ini berupa:
Defisit transaksi Berjalan (X1)
Defisit transaksi berjalan adalah selisih antara ekspor dan impor. Jika impor lebih besar dari pada ekspor maka akan menyebabkan defisit transaksi berjalan.
Inflasi (X2)
Inflasi merupakan suatu keadaan di mana terjadi kenaikan harga-harga secara tajam (absolute) yang berlangsung terus-menerus dalam jangka waktu cukup lama.
2. Variabel Terikat (Dependent Variabel)
Merupakan variabel yang diamati dan diukur untuk menentukan pengaruh yang disebabkan oleh variabel bebas.3 Variabel terikat adalah variabel yang dipengaruhi atau yang menjadi akibat karena adanya variabel bebas. Variabel terikat berupa:
Utang Luar Negeri (Y)
3 Ety Rochaeti dkk, Metodolologi Penelitian Bisnis dengan Aplikasi SPSS, (Jakarta: Mitra
Utang Luar negeri adalah seluruh pinjaman serta hibah konsensional resmi, baik dalam bentuk uang tunai maupun bentuk aktiva-aktiva lainnya, yang secara umum ditunjukkan untuk mengalihkan sejumlah sumber daya dari negera maju ke negara berkembang.4
E. Hipotesis Penelitian
Hipotesis merupakan jawaban sementara atas suatu persoalan yang masih perlu dibuktikan kebenarannya dan harus bersifat logis, jelas, dan dapat diuji. Hipotesis yang diajukan dalam penelitian ini adalah sebagai berikut:
1. Variabel Defisit Transaksi Berjalan
Ho = Diduga Defisit Transaksi Berjalan tidak berpengaruh secara signifikan terhadap Utang Luar Negeri
Ha = Diduga Defisit Transaksi Berjalan berpengaruh secara signifikan terhadap Utang Luar Negeri
2. Variabel Inflasi
Ho = Diduga Inflasi tidak berpengaruh secara signifikan terhadap Utang Luar Negeri
Ha = Diduga Inflasi berpengaruh secara signifikan terhadap Utang Luar Negeri
4 Michael P. Todaro, Ekonomi Pembangunan, Jilid ke-2, Edisi ke-6 (Jakarta: Erlangga, 1997),
F. Teknik Analisis Data
Penelitian ini menggunaka metode kuantitatif. Metode kuantitatif digunakan untuk pengujian model Vector Autoregresive (VAR) yang akan dipakai untuk mengetahui pengaruh defisit transaksi berjalan dan inflasi terhadap utang luar negeri. Untuk menjawab tujuan penelitian ini, maka penelitian ini menggunakan teknik analisis Vector Error Correction Model (VECM).
Alat analisis yang disediakan oleh VAR/VECM dilakukan melalui empat macam penggunaannya, yaitu:5
1. Forecasting: ekstrapolasi nilai saat ini dan nilai masa depan seluruh variabel dengan memanfaatkan seluruh informasi masa lalu dari variabel tersebut.
2. Impulse Respons Function (IRF): melacak respon saat ini dan masa depan dari setiap variabel akibat shock atau perubahan suatu variabel tertentu. 3. Forecast Error Variance Decomposition (FEVD): sebagai prediksi
kontribusi persentase varians setiap variabel terhadap perubahan suatu variabel tertentu.
4. Granger Causality Test: untuk mengetahui hubungan sebab akibat antar variabel.
5 Mustika Rini, “Obligasi Syariah (Sukuk) dan Indikator Makroekonomi Indonesia: Sebuah Analisis
Vector Error Correction Model (VECM)”, (Skripsi S1 Fakultas Ilmu Ekonomi, InstitutPertanian Bogor, 2012), h. 41
Langkah pertama yang harus dilakukan adalah pengumpulan data yang akan digunakan dalam penelitian. Adapun data yang dikumpulkan adalah data-data yang secara umum dianggap relevan dan mempunyai hubungan dengan penelitian yang akan dilakukan.
Langkah kedua adalah pengujian akar unit dari seluruh data yang sudah terkumpul. Seperti telah dijelaskan sebelumnya, pengujian akar unit ini biasanya dilakukan dengan uji Augmented Dickey-Fuller (ADF). Adapun tujuan dari pengujian akar unit ini adalah untuk menguji stasioneritas dan derajat integritas dari variabel tersebut. Jika seluruh data bersifat stasioner pada level, maka kita bisa langsung melakukan estimasi VAR terhadap data tersebut. Apabila data yang ada tidak stasioner pada levelnya maka akan dilakukan uji kointegrasi pada level dan apabila hasilnya terkointegrasi, maka dapat dilakukan estimasi terhadap data menggunakan estimasi VECM.
Untuk menganalisis data dalam penelitian ini menggunakan metode
Vector Auto Correction Model (VECM) dan alat analisisnya menggunakan software Eviews 7.
1. Vector Error Correction Model (VECM)
Vector error correction model (VECM) adalah VAR terestriksi
yang digunakan untuk variabel yang non stasioner tetapi memiliki potensi untuk terkointegrasi. Setelah dilakukan pengujian kointegrasi pada model yang digunakan maka dianjurkan untuk memasukkan persamaan kointegrasi ke dalam model yang
digunakan. Pada data time series kebanyakan memiliki tingkat stasioner pada first difference atau I (1). VECM kemudian memanfaatkan informasi restriksi kointegrasi tersebut ke dalam spesifikasinya. Oleh karena itu, VECM sering disebut sebagai desain VAR bagi series non stasioner yang memiliki hubungan kointegrasi. Dengan demikian, dalam VECM terdapat speed of
adjustment dari jangka pendek ke jangka panjang.
G. Model Penelitian
Dalam penelitian ini akan mengkaji hubungan antara Utang Luar Negeri dengan Defisit Transaksi Berjalan dan Inflasi sehingga model persamaannya adalah sebagai berikut:
Bentuk umum VECM
H. Proses Penelitian
Langkah-langkah yang dilakukan dalam analisis VECM terdiri dari beberapa langkah, yaitu:
1. Uji Stasioneritas
Langkah awal dalam mengestimasi model VAR yaitu melalui uji stasioner. Hal ini dilakukan untuk memastikan bahwa data yang digunakan dalam penelitian ini adalah stasioner. Dalam data time series, stasioneritas merupakan salah satu konsep dasar karena terkait dengan model estimasi yang digunakan. Jika data stasioner, maka peneliti hanya
dapat mempelajari „perilaku‟ data pada suatu periode tertentu saja berdasarkan berbagai pertimbangan (yang tentu akan menjadi subjektif). Data time series yang bersifat stasioner akan berujung pada penggunaan VAR dengan metode standar. Sedangkan data time series yang bersifat tidak stasioner (non stasioner) akan berimplikasi pada dua pilihan VAR, yaitu data VAR dalam bentuk difference atau VECM.
Dalam sebuah penelitian bisa saja terjadi fenomena nonsense
regression (spurious regression) yang menggambarkan hubungan
variabel yang nampaknya signifikan secara statistik, namun sebenarnya tidak memiliki hubungan. Hal tersebut dapat dilihat dari nilai R2 yang
mendekati nol, serta nilai R2 yang lebih besar dari Durbin Watson
Statistic. Jika data time series tersebut tidak stasioner, maka hanya dapat dilakukan studi pada waktu bersangkutan. Inilah tujuan dilakukannya uji stasioneritas pada data time series.
Uji stasioneritas dapat dilakukan dengan beberapa metode, yaitu grafik, correlogram, maupun akar unit (unit root test) dengan menggunakan metode Augmented Dickey Fuller (ADF) test dan Philips
Perron (PP) test. Suatu data deret waktu dapat dikatakan stasioner jika
rata-rata dan variannya konstan sepanjang waktu yang diikuti dengan nilai kovarians antar dua periode waktu yang hanya bergantung pada jarak atau selang diantara keduanya.
Jika berdasarkan hasil uji stasioneritas dengan menggunakan uji ADF menunjukkan data dari semua variabel belum termasuk data stasioner pada level 1 (0), atau derajat integrasinya nol, maka yang harus dilakukan adalah mengujinya kembali dengan cara differencing data, yakni dengan mengurangi data tersebut dengan periode sebelumnya. Maka, proses differencing pertama ini diperoleh data selisish. Jika pada uji ADF yang kedua ini sudah dinyatakan stasioner, data tersebut terintegrasi pada derajat pertama (1) untuk seluruh variabel. Namun apabila masih belum stasioner juga, harus dilakukan proses differencing kedua. Hal ini dilakukan secara terus menerus sehingga mendapatkan data yang stasioner dan bisa diterapkan ke metode selanjutnya.
Langkah-langkah pengujian sebagai berikut: Hipotesis:
Ho = data tidak stasioner Ha = data stasioner
Apabila hasil uji Augmented Dicky-Fuller menyatakan bahwa: Nilai ADF statistik > nilai kritis maka data stasioner, Ho ditolak
2. Uji Lag Length
Uji lag length bertujuan untuk mengetahui lag optimal yang digunakan dalam model penelitian. Hal ini dikarenakan jika lag yang digunakan terlalu sedikit, maka residual dari regresi tidak akan menampilkan proses white noise sehingga model tidak dapat mengestimasi actual error secara tepat. Akibatnya standar kesalahan tidak diestimasi secara baik. Selain itu jika memasukkan lag terlalu banyak akan mengurangi kemampuan menolak Ho dan dapat mengurangi derajat kebebasan.6
3. Uji Causalitas Granger
Uji Causalitas Granger digunakan untuk mengetahui jenis suatu variabel, yang apakah variabel tersebut mempunyai hubungan dua arah atau hanya satu arah. Pada uji ini digunakan data time series karena untuk melihat pengaruh masa lalu terhadap kondisi saat ini. Sebelum dilakukan analisis kointegrasi, VAR dan VECM perlu dilakukan pengujian kausalitas antara variabel-variabel penelitian. Uji Kausalitas ini menggunakan metode Granger Causality. Jika terdapat hubungan kausalitas antara variabel penelitian, maka analisis regresi (OLS) tidak dapat dilakukan karena hasil estimasinya akan bias.
6
4. Uji Kointegrasi
Dalam analisis VAR/VECM, kointegrasi digunakan untuk mengetahui keberadaan hubungan jangka panjang antara variabel-variabel yang tidak stasioner. Kointegrasi berarti meskipun secara individu tidak stasioner, namun kombinasi linier dari dua atau lebih variabel-variabel tersebut dapat menjadi stasioner. Artinya, kombinasi dari variabel-variabel yang tidak stasioner menghasilkan residual yang stasioner.
Maka, seluruh variabel tersebut bergerak bersama menuju sebuah keseimbangan jangka panjang. Penggunaan uji kointegrasi syaratnya adalah hasil uji stasioneritas untuk setiap variabel menunjukkan derajat integrasi yang sama. Penentuan panjang lag optimum menjadi unsur penting dalam hal ini, karena hasil pengujian kointegrasi dapat sensitif terhadap lag yang dipilih. Pengujian kointegrasi dapat menggunakan metode kointegrasi Johansen. Dalam uji kointegrasi dari Johansen, analisis peubah bukanlah semata hanya melihat hasil dari sistem persamaan VAR tersebut yang biasanya digunakan analisis Impuls
Response Functioni (IRF) dan Variance Decomposition (VD) melainkan
sebagai batu loncatan di dalam proses pengujian kointegrasi dimana selanjutnya harus dilakukan tahap reparametrisasi dari model VAR menjadi VECM.
Penilaian pada uji Johansen di penelitian ini adalah jika nilai
pada tingkat keyakinan 5%, maka tidak terjadi kointegrasi antar variabel. Begitu pula sebaliknya jika nilai trace statistic dan nilai maks eigen lebih besar dibandingkan nilai kritis pada tingkat keyakinan 5% maka terjadi kointegrasi antar variabel Langkah-langkah pengujian sebagai berikut:
Hipotesis:
Ho : tidak terdapat hubungan kointegrasi antar variabel Ha : terdapat hubungan kointegrasi antar variabel Pengambilan keputusan dilakukan dengan kriteria: Trace Statistic > Critical Value Ho ditolak
Trace Statistic < Critical Value Ho di terima
5. Estimasi VECM
Berdasarkan tujuan analisis VECM yaitu untuk mengetahui tingkah laku jangka pendek dari suatu variabel terhadap jangka panjangnya, akibat adanya shock (perubahan) yang permanen, maka estimasi yang dapat digunakan sebagai bentuk dari persamaan sebelumnya dengan membaca hasil olahan data. Dimana, jika nilai t-statistik hasil estimasi lebih besar dari pada nilai t-tabelnya, maka dapat dikatakan terdapat hubungan jangka panjang atau jangka pendek. Sedangkan, jika nilai statistik hasil estimasi lebih kecil dari pada nilai
t-tabelnya, maka dapat dikatakan tidak terdapat hubungan jangka panjang atau jangka pendek.7
6. Analisis Impulse Response Function (IRF)
Teknik Impulse Response Function (IRF) yaitu penulusuran pengaruh guncangan sebesar satu standar deviasi yang dialami oleh satu peubah di dalam sistem terhadap nilai-nilai peubah saat ini dan beberapa periode mendatang.
Guncangan (shock) ini diberikan pada salah satu peubah endogen dan biasanya sebesar satu deviasi dari peubah tersebut (biasanya disebut
innovations). Hal ini dilakukan karena model VAR juga bisa digunakan
untuk melihat dampak perubahan dari satu peubah dalam sistem terhadap peubah lainnya dalam sistem secara dinamis. Tampilan output eviews untuk IRF adalah dalam bentuk grafik. Grafik ini menunjukkan respon atas guncangan yang diberikan. Apakah respon tersebut positif atau negatif.
7. Variance Decomposition
Analisis variance decomposition ini menggambarkan relatif pentingnya setiap variabel di dalam sistem VAR karena adanya shock. Variance decomposition berguna untuk memprediksi kontribusi persentase varian setiap variabel karena adanya perubahan variabel tertentu di dalam sistem VAR.
7
INPUT DATA DEFISIT TRANSAKSI BERJALAN INFLASI UJI STASIONERITAS
STASIONER TIDAK STASIONER
VAR LEVEL TIDAK STASIONER DIFERENSIASI DATA UJI KOINTEGRASI YA VECM VAR DIFFERENCE
IMPULSE RESPONSE FUNCTION
VARIANCE DECOMPOSITION UTANG LUAR
NEGERI INDONESIA
