Malim Muhammad
Universitas Muhammadiyah Purwokerto
malim.muhammad@gmail.com
Abstrak
Pada persamaan regresi linier sederhana dimana variabel dependen dan variabel
independen tidak stasioner pada mean dan variansi, tetapi apabila diregresikan
kombinasi liniernya menjadi stasioner. Jika variabel error stasioner, maka variabel
dependen dan variabel independen disebut regresi terkointegrasi. Bila variabel
dependen dan variabel independen tidak stasioner tetapi saling berkointegrasi, maka
dapat disimpulkan bahwa ada hubungan kesetimbangan (equilibrium) jangka jangka
panjang antara kedua variabel tersebut. Dalam jangka pendek ada kemungkinan
terjadi ketidaksetimbangan (disequilibrium) dan untuk mengatasinya digunakan
model koreksi kesalahan (Error Correction Model). Tujuan penelitian ini adalah
menerapkan uji kointegrasi untuk melihat apakah terdapat hubungan kesetimbangan
(equilibrium) jangka panjang data runtun waktu antara Tingkat Inflasi (variabel
dependen) dengan BI rate (variabel independen). Penelitian ini menggunakan data
runtun waktu bulanan dari September 2008 sampai September 2013. Pengolahan
data dilakukan dengan menggunakan program Eviews versi 7. Berdasarkan hasil
yang diperoleh dapat disimpulkan bahwa data Tingkat Inflasi dan BI rate tidak
stasioner dan mempunyai hubungan kesetimbangan (equilibrium) jangka panjang
(berkointegrasi). Dalam jangka pendek terjadi ketidaksetimbangan (disekuilibrium),
sehingga digunakan model koreksi kesalahan (Error Correction Model atau
disingkat ECM). Dengan menggunakan ECM masalah regresi lancung akan hilang.
Karena variabel dependen dan variabel independen berkointegrasi mengakibatkan
error kesetimbangan (equilibrium) akan stasioner, sehingga Tingkat Inflasi
(variabel dependen) dengan BI rate (variabel independen) pada model ECM menjadi
stasioner.
Kata kunci : Unit Root, Regresi Lancung, Kointegrasi, dan Error Correction Model
1. Pendahuluan
Uji Kointegrasi merupakan salah satu metode untuk mengindikasikan
kemungkinan adanya hubungan kesetimbangan (equilibrium) jangka panjang antara
variabel dependen dan variabel independen. Namun, walaupun terdapat
kesetimbangan jangka panjang akan tetapi dalam jangka pendek mungkin saja
keduanya tidak mencapai kesetimbangan. Pada regresi linier Y Xe
t 0 1 t t
dimana variabel Yt dan Xt tidak stasioner pada mean dan variansi, tetapi apabila
diregresikan kombinasi liniernya menjadi stasioner. Kointegrasi juga dapat
menyebabkan terjadinya semu/regresi lancung (spurious regression). Kointegrasi
mudah terjadi pada data time series yang melibatkan jangka waktu yang lama.
Regresi lancung dapat terjadi apabila antara variabel dependen Yt dan variabel
independen Xt dengan 1 0 . Namun, estimator Ordinary Least Square (OLS)
2. Tinjauan Pustaka
Analisis regresi merupakan suatu analisis yang menggambarkan hubungan antara
dua variabel atau lebih. Ada dua jenis variabel pada analisis regresi yaitu variabel
dependen (tak bebas) adalah variabel yang dipengaruhi oleh variabel lainnya,
dinotasikan dengan Y dan variabel independen (bebas) adalah variabel yang tidak
dipengaruhi oleh variabel lainnya, dinotasikan dengan X. Berdasarkan banyaknya
variabel independen, regresi linier dibagi menjadi dua macam yaitu regresi linier
sederhana dan regresi linier berganda. Regresi linier sederhana adalah model regresi
dengan satu variabel independen, sedangkan regresi linier berganda adalah model
regresi dengan variabel independen lebih dari satu. Persamaan regresi linier
sederhana yaitu Y X dan persamaan regresi linier berganda yaitu
t t
et
Yt 1 X1 2 X 2 ... t Xt et .
Ada beberapa metode yang dapat digunakan dalam membentuk fungsi regresi.
Namun demikian, dari sekian banyak metode, yang paling umum digunakan adalah
metode kuadrat terkecil biasa (Ordinary Least Squares = OLS).
Dengan pendekatan SSE (Sum Squares Error) didapat ˆ ( X ' X )1 X ' y
OL
S
yang bersifat BLUE dengan
) dan 2
) ( X ' X )1.
E(ˆ
OL
S
Var(ˆ
OL
2.1 Regresi Lancung S
Regresi lancung biasanya terjadi pada data yang bersifat trend. Data variabel
dependen dan variabel independen sama-sama menunjukkan kecenderungan
meningkat dengan bertambahnya waktu. Data seperti ini tidak bersifat stasioner,
tetapi bila dianalisis secara bersama-sama akan bersifat stasioner. Biasanya pada
diferensi pertama akan bersifat stasioner. Regresi lancung dapat terjadi apabila
Yt dan variabel independen Xt
antara variabel dependen dengan 1 0 .
1
Namun, estimator Ordinary Least Square (OLS) akan menyatakan signifikan atau
1 0
uji statistik menyimpulkan dengan nilai koefisien determinasi yang relatif
R2
besar (Granger and Newbold, 1974). Sebagai acuan, (Gujarati, 2004) mengusulkan
untuk mewaspadai ketika nilai koefisien determinasi R2 lebih besar dibanding nilai
Durbin Watson.
Ada tidaknya regresi lancung dapat dilihat dari beberapa output analisis. Jadi, data
harus di analisis dulu untuk mengetahui apakah regresi yang terjadi bersifat lancung
atau tidak. Menurut (Wing Wahyu Winarno, 2009) ada empat ciri-ciri regresi
lancung sebagai berikut:
1. Memiliki koefisien determinasi (nilai F) tinggi.
2. Memiliki nilai R2 tinggi.
3. Memiliki nilai signifikansi (t) tinggi.
4. Memiliki nilai Durbin Watson rendah.
2.2 Kointegrasi
Dalam kasus regresi lancung (spurious regression) perlu diingat untuk tidak
melakukan analisis regresi diantara variabel-variabel runtun waktu dan Xt ketika
Yt
keduanya memiliki unit root, kecuali keadaan dimana Yt dan Xt berkointegrasi.
Kointegrasi terjadi apabila variabel independen dan variabel dependen sama-sama
merupakan suatu trend, sehingga masing-masing tidak stasioner. Namun apabila
keduanya diregresikan akan menyebabkan kombinasi liniernya menjadi stasioner.
Didefinisikan et sebagai residual dari suatu persamaan regresi linier sederhana
antara dan X , e Y Dalam keadaan dimana Y dan X
t t t t t
Yt sehingga Xt .
keduanya memiliki unit root (yakni masing-masing memiliki trend), maka et akan
mengandung unit root. Pada keadaan ini muncul kasus regresi lancung. Namun
seringkali terjadi dimana et tidak mengandung trend, nilainya tidak terlalu besar dan
meskipun dan X mengandung trend, nilainya tidak terlalu divergen antara satu
t
Yt
dengan yang lainnya (arah trendnya sama atau mengandung common trend atau co-
trend). Keadaan yang demikian ini sering disebut sebagai kasus dimana Yt dan X t
berkointegrasi. Dengan demikian, jika terjadi kointegrasi, maka masalah regresi
lancung akan hilang dan lebih lanjut terdapat hubungan kesetimbangan (equilibrium)
antara Yt dan X dalam bentuk arah trend yang sama. Pada keadaan dimana
t
et
regresi kointegrasi dan parameter dapat diinterpretasikan sebagai long-run
multiplier yang mengukur pengaruh jangka panjang (long-run effect) secara
permanen dari X t terhadap variabel Yt .
Definisi 2.2 (Engle and Granger, 1987)
Komponen-komponen dari vektor xt xt1, xt2 ,..., xtk ' dikatakan
berkointegrasi
dalam orde d,b atau ditulis xt ~ CI d , b apabila berlaku:
1. Semua komponen dari xt merupakan proses integrated order d, atau I (d)
2. Terdapat vektor α 1 , 2 ,..., k ( 0), sedemikian hingga
k
0.
i1
kointegrasi.
Definisi kointegrasi ini menjadi penting karena dengan konsep ini dapat diamati
hubungan equilibrium jangka panjang (long-run equilibrium) dari variabel-variabel
yang tidak stasioner (karena mengandung trend). Sebagai contoh, ambil d 1,b 1
, yakni semua variabel yang diamati adalah poses integrated order
k
C 1 , maka
terdapat vektor α hingga kombinasi linier
α'x t i akan bersifat
xti
i 1
persamaan regresi antara Y dan X, yaitu et1 Yt1 atau secara umum
Xt1
0
dari Yt 1 akan berada diatas equilibrium X t 1 . Karena nilai 0 , maka
et 1
akan bernilai negatif. Demikian juga halnya dengan Yt . Dengan kata lain, Jika Y
pada periode waktu t-1 berada di atas nilai equilibriumnya, maka nilainya akan turun
pada periode waktu berikutnya (waktu ke t), sehingga nilai error equilibrium et
dalam model akan terkoreksi (fakta ini yang menyebabkan model ini disebut Error
Correction Model). Pada et 1 0 akan terjadi hal sebaliknya, yakni nilai dari Yt 1
akan berada dibawah nilai equilibriumnya dan et 1 da akan bernilai
0 n Yt
positif, menyebabkan naiknya nilai Y dari periode waktu ke t.
Model ECM tidak akan mengalami masalah regresi lancung. Karena Y dan X
mengandung unit root, maka dan Xt masing-masing akan stasioner. Lebih
Yt
lanjut, karena Y dan X berkointegrasi, maka error equilibrium akan stasioner
sehingga variabel dependen dan semua variabel independen didalam model ECM
akan stasioner. Dengan demikian, metode OLS dan inferensi terhadap koefisien
dengan uji t dapat diinterpretasikan seperti dalam model regresi biasa. Satu-satunya
hal yang perlu diperhatikan adalah adanya variabel error yang tidak terobservasi
et1 .
Berba gai metode telah dikemukakan di dalam literatur untuk estimasi model
ECM, berikut diberikan estimasi model ECM dengan teknik estimasi dua langkah:
1. Estimasi persamaan regresi antara dan Xt dan residual pada langkah ini
Yt
sama dengan nilai residual pada langkah 2 pada pengujian kointegrasi.
2. Estimasi persamaan ECM, Y e X antara Y dan
t t 1 0 t
t
X dengan menggunakan residual dari langkah pertama.
Secara umum bentuk model ECM antara Yt dan Xt yang berkointegrasi
diberikan oleh persamaan berikut:
K
Yt 0 1t 1et 1 1,i X t i 2,i Yt i 1,t
i0 i0
K
X t 0 2t 2 et 1 1,i Yt i 2,i X t i 2,t
Dalam studi kasus ini akan dilihat pengaruh antara Tingkat Inflasi dengan BI
rate. Diasumsikan bahwa Tingkat Inflasi dipengaruhi oleh BI rate, dengan terjadi
kenaikan suku bunga bank, maka perusahaan melakukan peminjaman uang dari
Bank akan terbebani oleh tingginya tingkat suku bunga ketika membayar
utangnya, sehingga untuk menutupi beban tersebut, maka perusahaan
menyiapkan dana yang salah satunya dengan cara menaikan harga barang/jasa.
Singkatnya, hal inilah yang menyebabkan terjadinya Inflasi. Pengolahan data
dilakukan dengan menggunakan program Eviews versi 7 dan buku acuan
(Rosadi, 2011).
Selanjutnya data Inflasi dan BI rate diperoleh dari
http://www.bi.go.id/id/moneter/bi-rate/data/Default.aspx dan
http://www.bi.go.id/id/moneter/ Tingkat Inflasi /data/Default.aspx yakni data
bulan September 2008 sampai September 2013, yang dapat dilihat pada grafik di
bawah ini:
.14
.12
.10
.08
.06
.04
.02
III IV I II III IV I II III IV I II III IV I II III IV I II III
2008 2009 2010 2011 2012 2013
TINGKAT_INFLASI BI_RATE
Dari hasil di atas disimpulkan bahwa, Ho diterima karena statistik uji ADF (-
2.699446) > Nilai kritis ADF pada 5% (-3.487845) dan juga nilai prob
(0.2407) > 0.05. Dengan demikian, data Tingkat Inflasi mengandung unit root
dengan kata lain data tidak stationer.
Dari hasil di atas disimpulkan bahwa, Ho diterima karena statistik uji ADF (-
3.148284) > Nilai kritis ADF pada (-3.487845) dan juga nilai prob
5%
(0.1051) > 0.05. Dengan demikian data BI rate mengandung unit root dengan kata
lain data tidak stationer.
Dari hasil di atas disimpulkan bahwa, Ho ditolak karena statistik uji ADF (-
2.071971) < Nilai kritis ADF pada 5% (-1.946447). Dengan demikian
residual tidak mengandung unit root dengan kata lain data stationer. Dengan
demikian, diperoleh persamaan regresi kointegrasi:
Tingkat Inflasi 0.069866 1.895044BI
rate
Karena C memiliki probabilitas paling tinggi (0.7401) > 0.05 (berarti C tidak
signifikan), maka dilakukan pengujian ulang tanpa menggunakan C. Diperoleh:
Tampak bahwa probabilitas dari variabel dbi_rate (0.0000) < 0.05, berarti
variabel dbi_rate telah signifikan. Dengan demikian, diperoleh persamaan
estimasi ECM , yakni:
(Tingkat Inflasi) 2.017778(BI rate)
5. Penutup
5.1 Kesimpulan.
Uji Kointegrasi merupakan salah satu metode untuk mengindikasikan
kemungkinan adanya hubungan kesetimbangan (equilibrium) jangka panjang antara
variabel dependen dan variabel independen. Namun, walaupun terdapat
kesetimbangan jangka panjang akan tetapi dalam jangka pendek mungkin saja
keduanya tidak mencapai kesetimbangan. Regresi lancung biasanya terjadi pada data
yang bersifat trend. Data variabel dependen dan variabel independen sama-sama
menunjukkan kecenderungan meningkat dengan bertambahnya waktu. Data seperti
ini tidak bersifat stasioner, tetapi bila dianalisis secara bersama-sama akan bersifat
stasioner. Biasanya pada diferensi pertama akan bersifat stasioner.
Dalam kasus regresi lancung (spurious regression) perlu diingat untuk tidak
melakukan analisis regresi diantara variabel-variabel runtun waktu dan Xt ketika
Yt
keduanya memiliki unit root, kecuali keadaan dimana Yt dan Xt berkointegrasi.
Kointegrasi terjadi apabila variabel independen dan variabel dependen sama-sama
merupakan suatu trend, sehingga masing-masing tidak stasioner. Namun apabila
keduanya diregresikan akan menyebabkan kombinasi liniernya menjadi stasioner.
Untuk mengatasinya digunakan model koreksi kesalahan (Error Correction
Model). Tujuan penelitian ini adalah menerapkan uji kointegrasi untuk melihat
apakah terdapat hubungan kesetimbangan jangka panjang data runtun waktu antara
Tingkat Inflasi (variabel dependen) dengan BI rate (variabel independen).
5.2 Saran
Penyusun juga memberikan beberapa saran untuk penelitian lebih lanjut
1. Uji kointegrasi menjadi sangat penting karena dengan konsep ini dapat
diamati hubungan equilibrium jangka panjang (long-run equilibrium) dari
variabel-variabel yang tidak stasioner (karena mengandung trend).
2. Untuk para peneliti berikutnya yang sejenis dengan penelitian ini masih bisa
menggunakan uji Johansen terhadap data yang berkointegrasi untuk
dikembangkan.
6. Daftar Pustaka
[1] Engle, R.F. and Granger, C.W.J., Cointegration and Error Correction
Representation, Estimation and Testing, Econometrica, 55, 251-276. (1987)
[2] Granger, C.W.J., and Newbold, P., Spurious Regressions in Econometrics,
Journal of Econometrics, 2, 111-120. (1974)
[3] Gujarati, Damodar, Basic Econometrics, Fourth Edition, New York: McGraw
Hill International Edition. (2004)
[4 ]Johansen, S. Statistical Analysis of Cointegration Vectors, Journal of Economic
Dynamics and Control, 12, 231-254. (1988)
[5] Purwanto, Joko. Analisis Data Panel Model Dinamik. Tesis, tidak
dipublikasikan. Universitas Gadjah Mada. (2006)
[6] Rosadi, Dedi, Ekonometrika dan Analisis Runtun Waktu Terapan Dengan
Eviews, Yogyakarta: Penerbit ANDI. (2011)
[7] Winarno, Wing Wahyu, Analisis Ekonometrika dan Statistika dengan Eviews,
Yogyakarta: STIM YKPN. (2009)
http://www.bi.go.id/id/moneter/bi-rate/data/Default.aspx
http://www.bi.go.id/id/moneter/ Tingkat Inflasi /data/Default.aspx