BAB III

METODOLOGI PENELITIAN

3.1 Metode Penelitian

3.1.1 Ruang Lingkup Penelitian

Analisis data akan menggunakan model Vector Autoregression (VAR) dan

akan berkembang menjadi Vector Error Correction Model (VECM) jika data

terkointegrasi. Data yang digunakan merupakan data sekunder time series yang

didapat dari publikasi lembaga-lembaga kredibel terkait seperti Bank Indonesia,

Otoritas Jasa Keuangan (OJK) dan Badan Pusat Statistik (BPS).

Data yang digunakan merupakan data bulanan periode tahun 2008:4 –

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

3.1.2 Teknik Pengolahan Data

VAR merupakan sistem n persamaan dengan jumlah variabel endogen

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).

Dalam konteks ekonometri modern, VAR dianggap sebagai multivariate

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.

Langkah pertama pembentukan metode VAR adalah melakukan uji

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

hasil estimasi (Widarjono 2013).

 51

Proses analisis VAR dapat dipahami lewat skema 3.1 berikut:

Data Transformation
Data Exploration
(Natural Log)

Stationary at NO Unit Root YES Stationary at first

level [l (0)] Test difference [l (1)]

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

Granger and Innovation Accounting: IRF & FEVD

Sumber: (Ascarya 2012)

Gambar 3.1 Skema Proses Analisis VAR

Untuk menjawab tujuan penelitian pertama yaitu identifikasi pengaruh

SBIS melalui jalur nilai tukar terhadap inflasi maka akan di interpretasikan dari

hasil granger kausalitas yang menunjukan ada tidaknya hubungan antar variabel

di dalam model penelitian. Sedangkan efektivitas MTKM sendiri dapat

diidentifikasi lewat dua hal, pertama lewat pengujian impulse response function

yang dapat memberikan gambaran interval (lag) dan respon suatu variabel
 52

terhadap guncangan variabel lain. Kedua melalui pengujian variance

decomposition untuk mengetahui sejauh mana sebuah variabel dapat menjelaskan

variabilitas variabel lain.

3.1.3 Model Penelitian

Model VAR dibangun dengan pertimbangan meminimalkan pendekatan

teori dengan tujuan agar mampu menangkap fenomena ekonomi dengan baik.

Dengan demikian VAR adalah model non struktural atau merupakan model

ateoritis (Widarjono 2013).

VAR yang dikembangkan oleh Sim berbeda dengan model persamaan

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

variabel di dalam VAR maka dibutuhkan sejumlah kelambanan (lag) variabel

yang ada. Kelambanan variabel diperlukan untuk menangkap efek dari variabel

tersebut terhadap variabel yang lain di dalam model.

Model VAR menganggap bahwa semua variabel ekonomi memiliki

hubungan dengan variabel yang lain. Menurut Widarjono (2013) model umum

persamaan VAR dengan n variabel endogen bisa ditulis sebagai berikut:

Y1t = β01 + ∑ i1 Y1t-i + ∑ i1 Y2t-i + ... + ∑ i1 Ynt-i + e1t

 53

Ynt = β01 + ∑ in Y1t-i + ∑ in Y2t-i + ... + ∑ in Ynt-i + ent

Jika variabel-variabel yang digunakan dalam penelitian ini dimasukan dalam

model persamaan VAR maka model penelitian ini adalah sebagai berikut

INF = C +ai ∑ SBISt-k + ai ∑RDEPOt-k + ai ∑CAPINt-k + ai ∑KURSt-k + ai ∑NXt-k

+ ai ∑INFt-k + e

dimana:

INF = Inflasi berdasarkan IHK

SBIS = Tingkat fee SBIS

RDEPO = Tingkat bagi hasil deposito Mudharabah BUS

KURS = Nilai tukar Rupiah terhadap dollar Amerika

NX = Net Export

CAPIN = Aliran modal yang masuk ke dalam negeri

Model VAR diatas hanya ditampilkan sebagian, yaitu pada persamaan inflasinya

saja karena fokus dari penelitian ini adalah untuk menganalisis efektivitas jalur

transmisi kebijakan moneter syariah dengan sasaran tunggal inflasi. Penentuan

order yang dilambangkan dengan “i” pada persamaan akan diestimasi lewat

penentuan lag length.

 54

3.1.4 Operasional Variabel

Definisi operasional dari variabel-variabel yang digunakan dalam

penelitian ini adalah sebagai berikut:

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

dasar kurs tengah Bank Indonesia.

3. Sertifikat Bank Indonesia Syariah (SBIS) merupakan instrumen moneter

berupa tingkat fee SBIS dalam satuan persen.

4. Capital Inflow (CAPIN) menunjukan jumlah aliran modal yang masuk ke

Indonesia yang dinyatakan dalam satuan juta US$.

5. Net Export (NX) adalah selisih besaran ekspor dikurangi impor dalam jangka

waktu bulanan dan dinyatakan dalam satuan juta US$.

6. Tingkat bagi hasil deposito mudharabah (RDEPO) adalah besaran tingkat bagi

hasil deposito mudharabah pada bank umum syariah dan unit usaha syariah

dengan jangka waktu 1 bulan yang dinyatakan dalam persen.

 55

3.2 Metode Pengujian

3.2.1 Uji Stasioneritas Data

Data runut waktu (time series) umumnya bersifat stokastik atau memiliki

tren yang tidak stasioner, artinya data tersebut memiliki akar unit (unit root).

Untuk dapat mengestimasi suatu model menggunakan data tersebut, langkah

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

bentuk logaritma natural atau ln.

Uji stasioneritas dalam penelitian ini dilakukan dengan menggunakan

Augmented Dickey-Fuller (ADF) pada derajat yang sama (level atau difference)

hingga diperoleh suatu data yang stasioner, yaitu data yang variansnya tidak

terlalu besar dan mempunyai kecenderungan untuk mendekati rata-rata. Uji

stasioneritas data menggunakan ADF melihat nilai t-statistik yang dibandingkan

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

dilakukan pengujian kembali data di tingkat difference.

3.2.2 Pemilihan Lag Optimum

Tahap selanjutnya setelah melakukan uji stasioneritas data adalah

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

Akaike Information Criterion (AIC), Schwarz Information Criterion (SIC), Final

Prediction Error (FPE), Likelihood Ratio (LR), dan Hannan-Quin Information

Criterion (HQ). Dalam tahapan ini pula dilakukan uji stabilitas model VAR.

Penentuan lag optimum dan uji stabilitas VAR dilakukan terlebih dahulu sebelum

melalui tahap uji kointegrasi (Bayuni & Ascarya 2010).

3.2.3 Uji Stabilitas

Untuk menguji stabil atau tidaknya estimasi VAR yang telah dibentuk

maka dilakukan pengecekan kondisi VAR stability berupa roots of characteristics

polynomial. Suatu sistem VAR dikatakan stabil apabila seluruh roots-nya

memiliki modulus lebih kecil dari satu (Gujarati dalam Bayuni & Ascarya (2010).
 57

3.2.4 Uji Kointegrasi

Sebagaimana dinyatakan oleh Engle-Granger (1983) keberadaan variabel

nonstasioner menyebabkan kemungkinan besar adanya hubungan jangka panjang

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

terkointegrasi. Pengujian kointegrasi dapat dilakukan dengan uji kointegrasi

Engle-Granger, uji kointegrasi Johansen dan uji kointegrasi Durbin-Watson.

Pengujian ini dilakukan untuk memperoleh hubungan jangka panjang antar

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

generalisasi multivariat dari tes ADF. Generalisasi dapat diartikan sebagai

pemeriksaan akar unit untuk variabel-variabel yang dikombinasikan secara linier.

Uji kointegrasi ini dan strategi estimasi yang digunakan – kemungkinan

maksimum (maximum likelihood) – membuatnya dapat mengestimasi seluruh

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

dapat disimpulkan bahwa variabel-variabel tersebut terkointegrasi. Jika setelah

variabel terbukti terkointegrasi maka model yang digunakan selanjutnya akan

berkembang menjadi model Vector Error Correction Model (VECM).

 58

3.2.5 Uji Kausalitas Granger

Kausalitas Granger mengukur kekuatan hubungan antar variabel dan bisa

menunjukan hubungan sebab akibat antar variabel (Widarjono 2013). Di dalam

model VAR uji Kausalitas Granger dilakukan untuk melihat arah hubungan

kausalitas di antara variabel-variabel yang ada di dalam model sehingga dapat

diketahui variabel yang dipengaruhi beserta variabel yang mempengaruhinya.

Kriteria dalam penentuan kausalitas dilihat dari nilai probabilitas yang

dibandingkan dengan nilai kritis. Nilai kritis yang digunakan dalam penelitian ini

adalah 5%. Apabila nilai probabilitasnya < 0.05 maka terdapat hubungan

kausalitas diantara variabel.

3.2.6 Analisis Impulse Response Function

Analisis Impulse Response Function (IRF) melacak respon dari variabel

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

pola dan arah transmisi guncangan.

 59

3.2.7 Analisis Variance Decomposition

Analisis Variance Decomposition (VD) memberikan rincian tentang

perubahan suatu variabel dalam periode tertentu yang timbul dari perubahan

variabel yang sama dan variabel lainnya dalam periode sebelumya. Hal tersebut

dilakukan dengan membagi varians dari kesalahan perkiraan variabel tertentu ke

dalam proporsi disebabkan oleh inovasi setiap variabel dalam sistem termasuk

dirinya sendiri. Analisis ini menggambarkan seberapa pentingnya setiap variabel

di dalam sistem VAR karena adanya shock. VD berguna untuk memprediksi

kontribusi presentase varian setiap variabel karena adanya perubahan variabel

tertentu di dalam sistem VAR (Widarjono 2013).