PEMODELAN HARGA MINYAK DUNIA DAN JUMLAH UANG YANG BEREDAR TERHADAP INFLASI DI INDONESIA MENGGUNAKAN
AUTOREGRESSIVE DISTRIBUTED LAG (ARDL)
Arisman Adnan, Elisabella, Bustami, Ando Fahda Aulia Program Studi S1 Statistika
Jurusan Matematika
Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Riau Kampus Bina Widya, Pekanbaru 28293
[email protected] ABSTRACT
The most common economic problem in every country is inflation. Inflation can be defined as a condition where the price of an item and or service increases in general and is sustainable, which causes the price of other goods to also change. Indonesia is an oil importing country because oil products from Indonesia do not meet people's demands. If world oil prices increase, it will affect the economy in Indonesia. Money supply in a country can also effect on inflation. This research was conducted to model inflation using the variables of world oil prices and money supply in Indonesia. This study uses the Autoregressive Distributed Lag (ARDL) model. In ARDL modeling the data must be stationary and not cointegrated between variables. After testing the variables, we found that there is no cointegration among the variables. Variables that significantly effects are inflation in the previous month and inflation in the previous two months. The form of the model obtained is = 0.003163 + 1.165771 𝑌𝑡−1 − 0.221558 𝑌𝑡−2.
Keywords: Autoregressive Distributed Lag, ARDL, Cointegration.
ABSTRAK
Permasalahan ekonomi yang sangat umum di setiap negara adalah inflasi. Inflasi dapat didefinisikan sebagai kondisi dimana harga dari suatu barang dan atau jasa mengalami peningkatan secara umum dan berkelanjutan yang membuat harga barang yang lainnya juga mengalami perubahan. Indonesia adalah negara pengimpor minyak karena hasil minyak dari Indonesia tidak memenuhi permintaan masyarakat. Apabila harga minyak dunia meningkay, maka akan berpengaruh terhadap perekonomian di Indonesia.
Peredaran uang di suatu negara juga dapat memicu terjadinya inflasi. Penelitian ini dilakukan untuk memodelkan inflasi dengan menggunakan variabel harga minyak dunia dan peredaran uang di Indonesia. Penelitian ini menggunakan model Autoregressive Distributed Lag (ARDL). Pada pemodelan ARDL data harus stasioner dan tidak berkointegrasi antar variabel. Hasil analisis yang diperoleh adalah variabel tidak memiliki kointegrasi dan hasil pemodelan menunjukkan variabel berpengaruh secara signifikan terhadap inflasi. Variabel yang berpengaruh secara signifikan adalah inflasi pada satu bulan sebelumnya dan inflasi pada dua bulan sebelumnya. Bentuk model yang didapatkan adalah 𝑌 = 0.003163 + 1.165771 𝑌𝑡−1 − 0.221558 𝑌𝑡−2.
Kata Kunci: ARDL, Autoregressive Distributed Lag, Kointegrasi.
1. PENDAHULUAN
Pertumbuhan ekonomi di suatu negara dipengaruhi oleh kestabilan perekonomian.
Pertumbuhan dan kestabilan ekonomi hampir menjadi permasalahan di setiap negara maju dan negara berkembang. Salah satu masalah moneter disetiap negara adalah masalah inflasi. Inflasi dapat disebut sebagai suatu keadaan dimana terjadinya kenaikan harga secara luas dan berkelanjutan (kontinu). Inflasi dapat terjadi jika kenaikan pada harga meluas atau mempengaruhi kenaikan harga pada barang-barang lain (Boediono, 2018).
Salah satu yang menyebabkan inflasi adalah peredaran uang pada masyarakat (Bank Indonesia, 2017). Jika nilai uang yang diedarkan di negara melampaui total uang yang diminta, maka mengakibatkan kenaikan pada harga barang dan jasa hingga jumlah uang yang beredar setara dengan permintaan uang (Suparmono, 2018). Hal lain yang menyebabkan inflasi adalah harga minyak bumi di pasar dunia (Sukirno, 2006). Jika terjadi peningkatan harga minyak bumi yang tinggi akan berpengaruh terhadap negara produsen dan negara konsumen.
Beberapa faktor yang juga mempengaruhi inflasi yaitu nilai tukar, pengeluaran pemerintah, penerimaan pajak, dan lainnya. Penggunaan variabel pada penelitian ini berpengaruh terhadap inflasi adalah harga minyak dunia dan jumlah peredaran uang.
Inflasi periode sebelumnya juga dapat menjadi pengaruh terhadap inflasi masa sekarang. Untuk mendapatkan model dari peredaran uang dan hargaaminyak dunia terhadap inflasi dapat menggunakan analisis regresi deret waktu. Model regresi deret waktu menggunakan pengaruh variabel independen (𝑋) terhadap variabel dependen (𝑌) pada jangka waktu dan periode yang sama, serta menggunakan periode waktu sebelumnya. Waktu yang diperlukan (𝑋) dalam mempengaruhi (𝑌) disebut lag (Sarwoko, 2005).
Angka variabel yang digunakan untuk mendefinisikan masa kini dan masa lampau (lag) dari variabel dependen, sebagai satu variabel penjelas disebut sebagai model Autoregressive Distributed Lag (ARDL). Model regresi biasanya tidak memperhitungkan pengaruh waktu, tetapi pada model ARDL perlu memperhitungkan waktu. Oleh karena itu, pada penelitian.ini menggunakan metode model Autoregressive Distributed Lag (ARDL).
Pembahasan tentang harga minyak dunia dan uang yang beredar telah dibahas oleh beberapa peneliti seperti Dawood dan Anjelia (2017), Septiawan, Hidayat dan Sulasmiyati (2016), dan Nizar (2012). Penelitian oleh Dawood dan Anjelia (2017) menggunakan Vector Error Corection Model (VECM) yang bertujuan untuk melakukan pengujian terhadap variabel pertumbuhan ekonomi yang menggunakan PDB sebagai ukuran terbaik dari kinerja.perekonomian, suku bunga, jumlah uang yang beredar, dan harga minyak dunia yang berpengaruh terhadap inflasi Indonesia yang berawal dari tahun 1995 hingga 2016. Hasil dari penelitian ini menunjukkan pertumbuhan ekonomi, jumlah peredaran uang, suku bunga, dan harga minyak dunia berpengaruh terhadap inflasi. Pertumbuhan ekonomi serta suku bunga berpengaruh secara positif dan signifikan terhadap inflasi juga memberikan kontribusi besar terhadap inflasi, sedangkan variabel lainnya tida berpengaruh secara.signifikan terhadap inflasi.
Penelitian lain tentang inflasi menggunakan ARDL juga dilakukan oleh Tulak et al (2017). Hasil dari penelitian ini yaitu tidak terjadi kointegrasi antar variabel. Model ARDL yang dihasilkan menjelaskan bahwa variabel harga bahan makanan memiliki pengaruh yang signifikan terhadap inflasi di Kota Palu.
Penelitian dengan metode ARDL pernah dilakukan oleh Apriyanto (2014) tentang harga saham. Penelitian tersebut menyatakan bahwa antar variabel tidak terdapat kointegrasi dan variabel harga saham dari dua hari sebelumnya, kurs dollar pada dua hari sebelumnya serta kurs yen pada hari tersebut berpengaruh secara signifikan terhadap harga saham.
Penelitian lainnya dengan ARDL dilakukan oleh Fenski et al (2018) menghasilkan penelitian bahwa tidak ada kointegrasi antar variabel. Penelitian ini menunjukkan pengangguran terbuka di Provinsi Lampung dipengaruhi secara signifikan oleh presentase penduduk yaitu sebesar 0.24% untuk jangka pendek dan 0.02% untuk jangka panjang.
Berdasarkan uraian diatas, penelitian ini menggunakan Autoregressive Distributed Lag pada data inflasi, peredaran uang, dan harga minyak dunia dari Januari 2003 – Desember 2020. ). Penelitian ini dilakukan untuk mengetahui penerapan metode Autoregressive Distributed Lag (ARDL) pada analisis model harga minyak dunia dan jumlah uang yang beredar terhadap inflasi di Indonesia.
2. AUTOREGRESSIVE DISTRIBUTED LAG
Model Autoregressive Distributed Lag (ARDL) merupakan analisis model regresi deret waktu yang menggunakan nilai variabel yang menjelaskan baik nilai masa sekarang atau nilai masa lalu (lag) dari variabel tak bebas sebagai salah satu variabel penjelas (Gujarati, 2003). Apabila variabel bebas dan variabel tidak bebas tidak stasioner, maka analisis regresi tidak dapat digunakan pada variabel memiliki akar unit. Jika variabel- variabel tersebut berkointegrasi maka analisis regresi dapat digunakan. Apabila semua variabel tidak stasioner namun terdapat kointegrasi, model yang tepat untuk digunakan adalah Error Correction Model (ECM), sedangkan jika variabel terikat dan variabel bebas tidak stasioner dan tidak berkointegrasi, model yang digunakan adalah model ARDL pada variabel yang sudah stasioner (Rosadi, 2011).
Model ARDL pada keadaan 𝑌𝑡 dan 𝑋𝑡 yang tidak stasioner dan tidak memiliki kointegrasi adalah:
𝑌𝑡= 𝛽0+ 𝜙1𝑌𝑡−1+ ⋯ + 𝜙𝑝𝑌𝑡−𝑝+ 𝛽0𝑋𝑡+ 𝛽1𝑋𝑡−1+ ⋯ + 𝛽𝑞𝑋𝑡−𝑞+ 𝜀𝑡. (1) Sebelum dilakukan pemodelan ARDL, langkah pertama yang perlu dilakukan adalah melakukan uji stasioneritas. Uji stasioneritas data deret waktu ada dua macam, yaitu stasioneritas pada variansi dan stasioneritas pada rata-rata (Wei, 2006).
Stasioneritas pada variansi adalah kondisi dimana variansi pada data konstan atau data tidak berfluktuasi terlalu besar dari.waktu ke waktu. Apabila data belum stasioner pada variansi, dapat dilakukan perbaikan terhadap data dengan melakukan transformasi Box- Cox dengan transformasi sebagai berikut:
𝑊𝑖 = {
𝑌𝑖(𝜆)− 1
𝜆 , 𝜆 ≠ 0 𝑙𝑛 𝑌𝑖 , 𝜆 = 0
. (2)
Memaksimalkan nilai 𝜆 sama dengan meminimumkan nilai 𝜎2. Data dianggap telah stasioner pada variansi jika nilai 𝜆 mendekati 1 dan masuk dalam selang kepercayaan 1 − 𝛼%.
Stasioner pada rata-rata apabila kondisi di mana rata-rata pada data dalam keadaan konstan dari waktu ke waktu atau tidak terpengaruh oleh waktu pengamatan.
Stasioneritas pada rata-rata diperiksa dengan Augmented Dickey-Fuller Test (ADF). Uji ADF dapat dijelaskan dari model di bawah ini:
𝑌𝑡= 𝛼𝑦𝑡−1+ 𝑒𝑡. (3)
Uji kointergrasi adalah suatu pengujian yang bertujuan untuk mengetahui adanya hubungan keseimbangan dalam jangka waktu yang panjang pada dua atau lebih variabel. Pada analisis ini metode yang digunakan untuk menguji kointegrasi adalah metode Bounds Testing Cointegration (Pesaran et al, 2001).
Hipotesis untuk uji kointegrasi adalah :
𝐻0: tidak ada hubungan jangka panjang (tidak terkointegrasi) 𝐻1: terdapat hubungan jangka panjang (terkointegrasi)
Uji kointegrasi menggunakan Bounds Testing Cointegration menggunakan nilai F- statistik untuk signifikansi bersama.
𝐹 =
𝐽𝐾𝑅⁄(𝑘−1)
𝐽𝐾𝐺⁄(𝑁−𝑘). (4)
Apabila nilai F-statistik lebih kecil dari nilai lower bound, maka dapat dikatakan data tidak terjadi kointegrasi. Jika nilai F-statistik lebih besar dari nilai upper bound, maka terjadi kointegrasi.
Pemilihan lag pada deret waktu dilakukan untuk memilih seberapa besar jumlah lag yang akan kita gunakan dalam penelitian tersebut, dengan demikian model yang akan diperoleh memiliki hasil yang baik. Penentuan lag optimum pada penelitian ini menggunakan Akaike Information Criterion (AIC) dengan melihat model yang memiliki nilai AIC terkecil.
𝐴𝐼𝐶 = 𝑙𝑜𝑔 (∑𝜀𝑡2
𝑛 +2𝑘
𝑛). (5)
Setalah lag optimum diperoleh dilakukan pengujian parameter digunakan untuk membuktikan kebenaran model yang didapat dari model linear . Uji statistik ini dapat disebut sebagai uji signifikansi. Uji signifikansi model yang didapat terdiri dari uji F
(uji simultan) dan uji t (uji parsial). Uji simultan merupakan pengujian untuk mengetahui parameter dari model yang didapat bisa diterima atau tidak.
Hipotesis:
𝐻0 ∶ 𝛽0 = 𝛽1 = ⋯ = 𝛽𝑘
𝐻1 ∶ paling sedikit ada satu 𝛽𝑖 ≠ 0, dimana 𝑖 = 0,1,2, … , 𝑘
Uji parsial dilakukan untuk mengetahui apakah variabel bebas 𝑋 benar-benar memberikan kontribusi terhadap variabel terikat 𝑌. Hipotesis pada uji ini adalah:
𝐻0 ∶ 𝐵𝑗 = 0 (variabel bebas ke-i mempengaruhi variabel dependen)
𝐻1 ∶ 𝐵𝑗 ≠ 0, di mana 𝑗 = 0,1, … , 𝑘 (variabel bebas ke-i tidak mempengaruhi variabel dependen)
Statistik uji:
𝑡 = 𝛽̂1−𝛽𝑖
𝑆𝐸(𝛽̂1). (6)
Tolak 𝐻0, jika 𝑡ℎ𝑖𝑡𝑢𝑛𝑔 > 𝑡𝑡𝑎𝑏𝑒𝑙 atau 𝑝 − 𝑣𝑎𝑙𝑢𝑒 < 𝛼 maka variabel bebas 𝑋 secaraisignifikan memiliki kontribusi.terhadap variabel terikat 𝑌.
Setelah pengujian parameter dilakukan, selanjutnya dilakukan uji diagnostik untuk mengetahui model yang didapat telah memenuhi asumsi normalitas.
heteroskedastisitas, dan autokorelasi. Uji normalitas dilakukan untuk melihat galat pada model menyebar normal atau tidak. Untuk menguji kenormalan galat pada penelitian ini menggunakan uji Jarque-Bera.
Statistik uji:
𝐽𝐵 =𝑛
6(𝑆2 +(𝑐−3)2
4 ). (7)
Hipotesis:
𝐻0: galat tidak menyebar normal 𝐻1: galat menyebar normal
Jika nilai p-value pada Jarque-Bera statistik lebih besar dari taraf signifikansi, maka dapat disimpulkan bahwa galat pada model menyebar normal.
Metode yang digunakan untuk pengujian homoskedastisitas pada penelitian ini adalah uji Breusch Pagan (BP). Uji homokedastisitas BP bertujuan untuk mengetahui apakah ragam galat dari model regresi bergantung pada besaran nilai variabel
independent (Breusch & Pagan, 1979). Uji BP dengan mengansumsikan error variansi 𝑆𝑖2 sebagai berikut:
𝑆𝑖2 = 𝛽̂0+ 𝛽̂1𝑋1+ 𝛽̂2𝑋2+ ⋯ + 𝛽̂𝑛𝑋𝑛, (8) dengan 𝑆𝑖2 yaitu fungsi linear dari X. Jika 𝛽̂2 = 𝛽̂3… 𝛽̂𝑛 = 0, maka 𝑆𝑖2 = 𝛽̂1 yang merupakan konstanta, dengan demikian untuk menguji apakah 𝑆𝑖2 homogen dilakukan hipotesis bahwa 𝛽̂2 = 𝛽̂3… 𝛽̂𝑛 = 0. Hipotesis dalam uji Breusch-Pagan adalah sebagai berikut:
𝐻0: ragam galat antar pengamatan sama (homoskedastisitas) 𝐻1: ragam galat antar pengamatan berbeda (heteroskedastisitas)
Apabila nilai probabilitas F-statistik chi-square lebih besar dari taraf nyata, maka model ragam galat homogen terpenuhi.
Uji autokorelasi berfungsi untuk mengetahui adanya korelasi antar variansi residual pada waktu 𝑡 dengan error pada waktu 𝑡 − 1. Metode yang digunakan untuk menguji autokorelasi pada penelitian ini adalah uji Durbin-Watson. Pengujian sebagai berikut:
𝑑 =∑𝑡=𝑁𝑡=2(𝑒𝑡𝑒𝑡−1)2
∑𝑡=𝑁𝑡=2𝑒𝑡2 . (9)
Hipotesis pada Durbin-Watson test sebagai berikut:
𝐻0: sisaan dalam model tidak mengandung autokorelasi 𝐻1: sisaan dalam model mengandung autokorelasi
Tolak 𝐻0 jika 𝑑𝐿 < 𝑑 atau 𝑑 > 4 − 𝑑𝐿, yang berarti terdapat autokorelasi. Terima 𝐻0 jika 𝑑𝑈 < 𝑑 < 4 − 𝑑𝑈, yang berarti tidak terdapat autokorelasi.
3. METODOLOGI PENELITIAN
Analisis dalam penelitian ini menggunakan data dari inflasi, harga minyak dunia, dan jumlah uang yang beredar di Indonesia. Data tersebut didapat dari website resmi Bank Indonesia dan BPS. Data yang akan dianalisis merupakan data bulanan dari Januari 2003 hingga Desember 2020. Analisis ini menggunakan variabel inflasi sebagai Y dan variabel harga minyak dunia, dan jumlah uang yang beredar di Indonesia 𝑋1 dan 𝑋2. Langkah-langkah dalam analisis adalah:
1. Melakukan plot pada data pada semua variabel.
2. Pengecekan stasioneritas pada data variabel dalam penelitian. Jika belum stasioner, maka dilakukan differencing pada ADF Test dan transformasi data Box-Cox sehingga data menjadi stasioner.
3. Melakukan uji kointegrasi pada data yang sudah stasioner, jika tidak terdapat kointegrasi model yang digunakan adalah model ARDL.
4. Menentukan panjang lag optimal dengan menggunakan AIC.
5. Melakukan pengujian signifikansi model melalui uji simultan dan uji parsial pada model yang terbentuk.
6. Melakukan uji asumsi.
7. Melakukan interpretasi.
4. ANALISIS AUTOREGRESSIVE DITRIBUTED LAG PADA DATA INFLASI DI INDONESIA
Analisis pada penelitian ini menggunakan data dari inflasi, harga minyak dunia, dan jumlah uang yang beredar di Indonesia. Data terdiri dari data bulanan dari Januari 2003 hingga Desember 2020 yaitu sebanyak 216 data. Dilakukan pemodelan ARDL terhadap data inflasi sebagai variabel Y, data harga minyak dunia sebagai variabel 𝑋1, dan data jumlah uang yang beredar sebagai variabel 𝑋2.
Langkah awal dalam analisis ini adalah mengecek kestasioneritasan data. Data harus stasioner, jika belum stasioner maka dilakukan differencing. Stasioneritas pada variansi disajikan pada tabel berikut.
Tabel 1. Hasil Box-cox Test
Variabel 𝜆 Keterangan Variabel 𝜆 Keterangan
INF 0.02385037 Non Stasioner LINF 1 Stasioner
HAR 0.3478858 Non Stasioner LHAR 0.97 Stasioner
JUB 0.2594738 Non Stasioner LJUB 0.99 Stasioner
Dari hasil pengecekan menggunakan box-cox data telah stasioner pada first difference.
Selanjutnya pengecekan stasioneritas terhadap rata-rata menggunakan ADF Test. Hasil dapat dilihat pada tabel berikut.
Tabel 2. Hasil ADF Test
Variabel p-value Keterangan Variabel Diff-1 Keterangan
LINF 0.0192 Stasioner
LHAR 0.0312 Stasioner
LJUB 1 Non Stasioner DLJUB 0 Stasioner
Berdasarkan hasil ADF Test, variabel LJUB belum stasioner terhadap level, maka perlu dilakukan differencing. Setelah dilakukan first differencing variabel DLJUB sudah stasioner. Untuk menguji kointegrasi menggunakan pendekatan Bound Test.
Tabel 3. Hasil Bounds Testing Cointegration
F-Statistic 2.7329
Lower Bound 3.1
Upper Bound 3.87
p-value 0.01385
Hasilaujimkointegrasi menunjukkan nilaiaF-statistic sebesar 2.7329. NilaiwF- statistic ini lebih kecil dari nilai terendah (lower bound) pada selangakepercayaan 95%, maka dapat disimpulkan maka 𝐻0 diterima, yang artinya tidakaterdapat kointegrasiwpada variabel-variabel dalam model yang diuji.
Pada regresi deret waktu ARDL perlu dilakukan pemilihan jumlah lag untuk mendapatkan model. Pemilihan lag optimum dilakukan untuk mendapatkan jumlah lag yang optimal, sehingga memperoleh hasil model yang lebih baik
Gambar 1. Hasil AIC Test
Lag yang akan.dipilih adalah dengan melihat model.yang memiliki nilai AIC terkecil. Dari Gambar 1 diperoleh bahwa model terbaik untuk ARDL adalah (2,0,0) karena memiliki nilai AIC terendah yaitu -6.3365. Panjang lag (2,0,0) menunjukkan nilai masa lalu dari variabel Y yaitu 2 periode sebelumnya, variabel 𝑋1 dan 𝑋2 tidak menggunakan nilai masa lalu, tetapi masa sekarang.
Karena data pada inflasi, harga minyak dunia, dan jumlah uang yang beredar telah stasioner dan tidak terdapat kointegrasi maka pemodelan ARDL dengan panjang lag (2,0,0) adalah sebagai berikut:
𝐼𝑁𝐹 = 0.000380 + 1.152452𝐿𝐼𝑁𝐹𝑡−1− 0.212045𝐿𝐼𝑁𝐹𝑡−2+ 4.83 − 0.5LHAR
− 6.29E − 10DLJUB
Sebelum menggunakan model yang didapat, perlu dilakukan kelayakan parameter dengan uji diagnosis untuk mengetahui model ARDL yang diestimasi sudah cocok dan sempurna. Pada uji diagnosis, langkah pertama yang perlu dilakukan yaitu uji simultan dengan ANOVA seperti pada Tabel 4.
Tabel 4. ANOVA untuk uji simultan
Residual error 0.1319
F-Statistic 9.361
p-value 0.00000056
Berdasarkan tabel 4 nilai F-statistics sebesar 9.361 dengan nilai p-valuemsebesar 0.00000056. Seperti yang disajikan pada 2.6.1, karena nilai 𝑝 − 𝑣𝑎𝑙𝑢𝑒 < 𝛼(0.05), maka 𝐻0 ditolak. Diperoleh kesimpulan bahwa paling sedikit satu variabel (JUB dan atau harga minyak) berpengaruh signifikan atau berpengaruh nyata terhadap inflasi.
Selanjutnya dilakukan uji parsial yang hasilnya dapat dilihat dalam Tabel 5 berikut:
Tabel 5. Hasil Uji Parsial
Variabel Coefficient Std. Error t-Statistic Prob.*
LINF(-1) 1.152452 0.067308 17.12218 0.0000*
LINF(-2) -0.212045 0.067279 -3.151722 0.0019*
LHAR 4.83E-0.5 2.85E-05 1.695623 0.0914 DL(JUB) -6.29E-10 2.53E-09 -0.248768 0.8038
C 0.000380 0.002199 0.172594 0.8631
*Signifikan
Dari Tabel 5 tersebut dapat dilihat bahwa variabel LINF(-1) dan LINF(-2) memiliki nilai probabilitas kurang dari taraf signifikan 0.05. Dapat disimpulkan variabel 𝐿𝐼𝑁𝐹𝑡−1 dan 𝐿𝐼𝑁𝐹𝑡−2 memberikan kontribusi secara signifikan terhadap variabel terikat. Model ARDL yang didapat setelah dilakukan pengujian parameter yaitu:
𝐼𝑁𝐹 = 0.003163 + 1.165771 𝐿𝐼𝑁𝐹𝑡−1 − 0.221558 𝐿𝐼𝑁𝐹𝑡−2
Setelah model sudah didapat, langkah selanjutnya yaitu menguji kelayakan model yang didapat dengan melakukan uji diagnostik. Pengujian diagnostik yang pertama adalah uji normalitas. Uji normalitas pada analisis ini menggunakan Jarque- Bera Test. Nilai statistik probabilitas pada Jarque-Bera lebih kecil dari taraf signifikansi, maka galat pada model tidak menyebar normal. Namun apabila dilihat dari sebaran data menggunakan box-plot, terlihat bahwa nilai tengah dari data residual berada di tengah (atau plot simetris). Hal ini menandakan bahwa secara subjektif, data galat menyebar normal.
Gambar 2. Hasil Sebaran Data
Selanjutnya menguji kehomogenan galat menggunakan Breusch-Pagan Test didapatkan nilai probabilitas sebesar 0.469. Nilai statistik tersebut lebih besar dari taraf signifikansi, maka dapat disimpulkan bahwa ragam galat antar pengamatan sama.
Langkah terakhir yaitu menguji autokorelasi dengan menggunakan Durbin Watson Test. Nilai 𝑑 yang diperoleh adalah 1.9538, maka model terbebas dari masalah autokorelasi. Pengujian diagnostik (galat menyebar normal, galat homogen, dan tidak terjadi autokorelasi) pada model sudah terpenuhi, maka model tersebut layak digunakan.
5. KESIMPULAN
Dalam penelitian ini tidak terjadi kointegrasi antar variabel inflasi, harga minyak dunia, dan jumlah uang yang beredar, dengan demikian model yang tepat untuk digunakan pada penelitian ini adalah Autoregressive Distributed Lag (ARDL) terhadap data yang sudah stasioner. Model ARDL yang terbentuk adalah:
𝐼𝑁𝐹 = 0.003163 + 1.165771 𝐿𝐼𝑁𝐹𝑡−1 − 0.221558 𝐿𝐼𝑁𝐹𝑡−2
Koefisien variabel 𝐿𝐼𝑁𝐹𝑡−1 berpengaruh signifikan positif terhadap inflasi sebesar - 1.165, artinya jika terjadi kenaikan sebesar satu persen dari inflasi satu bulan sebelumnya akan meningkatkan nilai inflasi sebesar 1.165. Koefisien variabel 𝐿𝐼𝑁𝐹𝑡−2 berpengaruh signifikan positif terhadap inflasi sebesar 0.221, artinya jika terjadi kenaikan sebesar 1 persen dari inflasi dua bulan sebelumnya akan mengurangi nilai inflasi sebesar 0.221.
DAFTAR PUSTAKA
Apriyanto, D. (2014). Penerapan Autoregressive Distributed Lag (ARDL) untuk pemodelan harga saham PT. Astra Internasional TBK. Jurnal Mahasiswa Statistik, 24(8), 385-388.
Boediono. (2018). Ekonomi Makro. Yogyakarta: BPFE.
Dawood, T., & Anjelia, E. (2017). Analisis pertumbuhan ekonomi, suku bunga, jumlah uang beredar, harga minyak dunia dan inflasi di Indonesia. Jurnal Ilmiah Mahasiswa (JIM), 2(4), 554-556.
Fenski, M., Nusyirwan, & Sutrisno, A. (2018). Penerapan metode Autoregressive Distributed Lag (ARDL) dalam memodelkan presentase penduduk miskin terhadap tingkat pengangguran terbuka di Provinsi Lampung Periode 2011-2017. Prosiding Seminar Nasional Metode Kuantitatif 2018, 95-104.
Gujarati, D. (2003). Basic Econometrics. New York: The McGraw-Hill Companies.
Rosadi, D. (2011). Ekonometrika dan analisis runtun waktu terapan dengan EViews.
Yogyakarta: ANDI.
Sarwoko. (2005). Dasar-dasar ekonometrika. Yogyakarta: ANDI.
Sukirno. (2006). Makroekonomi teori pengantar. Jakarta: PT. RajaGrafindo Persada.
Suparmono. (2018). Pengantar ekonomi makro. Yogyakarta: UPP STIM YKPN.
Tulak, D., Junaidi, & Iut T. (2017). Penerapan Autoregressive Distributed lag (ARDL) dalam memodelkan pengaruh Indeks Harga Konsumen (IHK) kelompok bahan makanan dan kelompok bahan makanan jadi terhadap inflasi di Kota Palu. Natural Science: Journal of Science and Technology, 6(3), 313-320.
Wei, W., 2006, Time series univariate and multivariate methods second edition.
Canada: Addison Wesley Publishing Company, Inc.
