METODOLOGI PENELITIAN
akan berkembang menjadi Vector Error Correction Model (VECM) jika data
terkointegrasi. Data yang digunakan merupakan data sekunder time series yang
2014:12 yang meliputi inflasi, nilai tukar, tingkat fee SBIS, arus modal masuk, net
export dan tingkat bagi hasil deposito mudharabah. Perangkat lunak yang
digunakan dalam penelitian ini adalah Microsoft Excel 2010 dan program Eviews
8.0.
49
50
sebanyak n, dimana masing-masing variabel dijelaskan oleh lag nya sendiri, nilai-
nilai masa kini dan masa lalu variabel endogen lainnya di dalam model (Ascarya
2012).
time series yang membahas semua variabel endogen karena tidak ada kepastian
bahwa variabel sebenarnya eksogen dan VAR sepenuhnya bertumpu pada data
untuk menceritakan apa yang sebenarnya terjadi (Ascarya 2012). Menurut Sims
dalam Ascarya (2012) jika ada simultanitas yang benar antar sejumlah variabel,
maka variabel-variabel itu harus diperlakukan berdasarkan pijakan yang sama dan
tidak boleh ada perbedaan a priori antara variabel endogen dan eksogen.
stasioneritas data. Jika data stasioner pada tingkat level maka model VAR yang
digunakan adalah model unrestricted VAR. Sedangkan jika data tidak stasioner
pada level tetapi stasioner pada proses diferensi data, maka langkah selanjutnya
adalah menguji apakah data mempunyai hubungan dalam jangka panjang atau
tidak dengan melakukan uji kointegrasi. Apabila tidak terdapat kointegrasi maka
model yang digunakan adalah model VAR pada first difference sedangkan jika
data terkointegrasi maka model yang digunakan adalah model VECM. Langkah
terakhir dari model ini adalah melakukan analisis IRF dan VD untuk interpretasi
Data Transformation
Data Exploration
(Natural Log)
High Low NO
Correlation YES Cointegration
Test Test
VECM
Between S-term L-term (K-1)
Error VAR First
Optimal Order Order
Difference
VAR Level
S-VAR S-term
Cointegration Rank
L-term L-term
SBIS melalui jalur nilai tukar terhadap inflasi maka akan di interpretasikan dari
hasil granger kausalitas yang menunjukan ada tidaknya hubungan antar variabel
diidentifikasi lewat dua hal, pertama lewat pengujian impulse response function
yang dapat memberikan gambaran interval (lag) dan respon suatu variabel
52
teori dengan tujuan agar mampu menangkap fenomena ekonomi dengan baik.
Dengan demikian VAR adalah model non struktural atau merupakan model
simultan dalam bangun modelnya. Ada dua hal yang harus diperhatikan dalam
model VAR yaitu: (1) tidak perlu membedakan antara variabel endogen dan
eksogen. Semua variabel baik endogen maupun eksogen yang dipercaya saling
berhubungan dimasukan di dalam model dan (2) untuk melihat hubungan antara
yang ada. Kelambanan variabel diperlukan untuk menangkap efek dari variabel
hubungan dengan variabel yang lain. Menurut Widarjono (2013) model umum
model persamaan VAR maka model penelitian ini adalah sebagai berikut
+ ai ∑INFt-k + e
dimana:
NX = Net Export
Model VAR diatas hanya ditampilkan sebagian, yaitu pada persamaan inflasinya
saja karena fokus dari penelitian ini adalah untuk menganalisis efektivitas jalur
order yang dilambangkan dengan “i” pada persamaan akan diestimasi lewat
1. Inflasi (INF), yaitu inflasi berdasarkan IHK yang dinyatakan dalam satuan
persen.
2. Nilai tukar (KURS) adalah nilai tukar Rupiah terhadap dolar AS (Rp/US$) atas
5. Net Export (NX) adalah selisih besaran ekspor dikurangi impor dalam jangka
6. Tingkat bagi hasil deposito mudharabah (RDEPO) adalah besaran tingkat bagi
hasil deposito mudharabah pada bank umum syariah dan unit usaha syariah
Data runut waktu (time series) umumnya bersifat stokastik atau memiliki
tren yang tidak stasioner, artinya data tersebut memiliki akar unit (unit root).
pertama yang harus dilakukan adalah pengujian stasioneritas data atau dikenal
dengan uji unit root test (Gujarati dalam Bayuni & Ascarya (2010)). Data yang
mengandung akar unit akan memberikan hasil estimasi yang semu (spurious)
karena tren data tersebut cenderung berfluktuasi tidak di sekitar rata-ratanya. Hasil
estimasi yang semu akan menggambarkan hubungan antar variabel yang terlihat
signifikan secara statistik padahal kenyataannya tidak. Untuk model VAR semua
variabel yang belum berbentuk persentase harus dirubah terlebih dahulu kedalam
Augmented Dickey-Fuller (ADF) pada derajat yang sama (level atau difference)
hingga diperoleh suatu data yang stasioner, yaitu data yang variansnya tidak
dengan nilai kritis Mac-Kinnon pada level 1%, 5% atau 10%. Apabila nilai mutlak
t-statistik ADF lebih besar dari nilai mutlak MacKinnon Critical Value maka data
telah stasioner pada taraf nyata yang telah ditentukan. Sementara jika hasil uji
56
ADF menunjukan hasil bahwa data tidak stasioner pada tingkat level maka harus
menentukan panjang lag optimal. Lag berguna untuk menunjukan berapa lama
reaksi suatu variabel terhadap variabel lainnya dan untuk menghilangkan masalah
autokorelasi dalam sebuah sistem (Firdaus 2011). Penentuan jumlah lag (ordo)
yang akan digunakan dalam model VAR dapat ditentukan berdasarkan kriteria
Criterion (HQ). Dalam tahapan ini pula dilakukan uji stabilitas model VAR.
Penentuan lag optimum dan uji stabilitas VAR dilakukan terlebih dahulu sebelum
Untuk menguji stabil atau tidaknya estimasi VAR yang telah dibentuk
memiliki modulus lebih kecil dari satu (Gujarati dalam Bayuni & Ascarya (2010).
57
antara variabel di dalam sistem VAR (Widarjono 2013). Terkadang suatu data
yang secara individu tidak stasioner, namun ketika dihubungkan secara linier data
tersebut menjadi stasioner. Hal inilah yang kemudian disebut bahwa data tersebut
variabel yang telah memenuhi persyaratan dimana semua variabel telah stasioner
pada derajat yang sama. Uji kointegrasi yang dilakukan dalam penelitian ini
adalah uji kointegrasi Johansen. Uji kointegrasi Johansen dapat dilihat sebagai
kointegrasi yang mungkin ada saat menggunakan lebih dari dua variabel.
Untuk mengetahui adanya kointegrasi dilihat dari nilai trace statistic yang
dibandingkan dengan nilai kritis. Apabila nilai trace statistic > nilai kritis, maka
model VAR uji Kausalitas Granger dilakukan untuk melihat arah hubungan
dibandingkan dengan nilai kritis. Nilai kritis yang digunakan dalam penelitian ini
adalah 5%. Apabila nilai probabilitasnya < 0.05 maka terdapat hubungan
endogen di dalam sistem VAR karena adanya guncangan (shock) atau perubahan
di dalam variabel gangguan (Widarjono 2013). Dengan analisis ini maka akan
dapat diketahui lamanya pengaruh guncangan satu variabel terhadap variabel lain
hingga pengaruh tersebut hilang dan mencapai keseimbangan kembali. Selain itu
IRF dapat mengukur kekuatan relatif dari berbagai guncangan dan menelusuri
perubahan suatu variabel dalam periode tertentu yang timbul dari perubahan
variabel yang sama dan variabel lainnya dalam periode sebelumya. Hal tersebut
dalam proporsi disebabkan oleh inovasi setiap variabel dalam sistem termasuk