Bab 4
Transcript of Bab 4
4.3 Hasil Analisis Data
4.3.1 Perhitungan Rata-Rata, Maksimum, dan MinimumMasing-Masing
Variabel
Perhitungan rata-rata, maksimum, dan minimum masing-masing variabel
dalam penelitian, dimaksudkan untuk memberikan gambaran umum mengenai data
penelitian yang digunakan. Berikut disajikan dalam tabel 4.1 sebagai gambaran
umum data.
Tabel 4.1 : Nilai Rata-Rata, Maksimum dan Minimum Masing-Masing Variabel
Y DEP PUAB SEC CR INV CONS INF Rata-rata 11.92064 13.89547 7.588153 11.23786 13.40933 8.567334 12.57439 8.882361 Median 11.91747 13.89276 6.410500 11.37598 13.43101 8.546023 12.55124 7.185000 Maximum 12.08848 14.33062 19.40600 11.97321 14.08990 11.17715 14.83183 18.38000 Minimum 11.76537 13.58743 2.722000 10.45545 12.78852 7.056261 12.28485 4.600000 Std. Dev. 0.096910 0.222931 3.402104 0.446921 0.363794 0.922053 0.318114 3.776064 Observasi 72 72 72 72 72 72 72 72
Sumber: lampiran B, diolah.
Dari tabel 4.1 diketahui bahwa Produk Domestik Regional Bruto di Indonesia
mempunyai rata-rata 11.92064 dengan nilai terendah 11.76537 dan nilai tertinggi
12.08848 Variabel deposito (DEP) mempunyai rata-rata 13.89547 dengan nilai
terendah 13.58743 dan nilai tertinggi 14.33062. Variabel Pasar Uang Antar Bank
(PUAB) mempunyai rata-rata 7,588153 dengan nilai terendah 2,722 dan nilai
tertinggi 19,406. Variabel Surat Berharga Perbankan (SEC) mempunyai rata-rata
11.23786 dengan nilai terendah 10.45545 dan nilai tertinggi 11.97321. Variabel
Kredit (CR) mempunyai rata-rata 13.40933 dengan nilai terendah 12.78852 dan nilai
tertinggi 14.08990. Variabel Investasi (INV) mempunyai rata-rata 8.567334 dengan
nilai terendah 7.056261 dan nilai tertinggi 11.17715. Variabel Konsumsi (CONS)
mempunyai rata-rata 12.57439 dengan nilai terendah 12.28485 dan nilai tertinggi
14.83183. Variabel Inflasi (INF) mempunyai rata-rata 8.882361 dengan nilai terendah
4.6 dan nilai tertinggi 18.38. Dari delapan variabel yang mempunyai nilai standar
deviasi terendah adalah variabel Y yaitu sebesar 0.096910 kemudian diikuti oleh
variabel DEP, variabel CONS, variabel CR, variabel SEC, Variabel INV, Variabel
PUAB, Variabel INF mempunyai nilai standar deviasi tertinggi yaitu sebesar
3.776064. Standar deviasi yang tinggi menunjukkan bahwa variabel yang digunakan
mengalami perkembangan fluktuatif.
4.3.2 Uji Stasioneritas Data
Secara kuantitatif uji stasioneritas data dapat dilakukan dengan unit root test
(uji akar-akar unit). Uji akar-akar unit bertujuan untuk mengamati koefisien tertentu
dari otoregresif mempunyai nilai satu atau tidak. Prosedur pengujian akar-akar unit
yang biasa digunakan adalah uji DF dan ADF (Dickey Fuller and Augmented Dickey
Fuller Test) (Insukindro, 1992:261).
Tabel 4.2 menunjukkan bahwa enam variabel tidak stasioner pada derajat nol
karena variabel memiliki ADF lebih besar dari nilai kritisnya untuk α = 5 %, yaitu
variabel Y, DEP, PUAB, SEC, CR, INF sedangkan variabel INV, CONS stasioner
pada derajat nol karena nilai kritisnya lebih besar daripada ADF statistik.
Tabel 4.2 : Uji Akar – Akar Unit ADF
Variabel ADF Statistik Nilai Kritis SDF Keterangan
YDEPPUABSECCRINVCONSINF
2.860350 1.139549-1.051560-1.694346-0.145723-4.660656**-6.443909**-1.716781
-2.902953-2.904848-2.904198-2.902953-2.903566-2.902953-2.902953-2.902953
Tidak StasionerTidak StasionerTidak StasionerTidak StasionerTidak StasionerStasionerStasionerTidak Stasioner
Keterangan : ADF stat> nilai kritis ADF = tidak stasioner; ADF stat<nilai kritis ADF=stasioner;signifikan pada **) =1%.Sumber: lampiran C, diolah.
Bila data yang diamati pada uji akar-akar uni tidak stasioner, maka langkah
selanjutnya yaitu melakukan uji derajat integrasi. Uji ini dilakukan sebagai
konsekuensi dari tidak terpenuhinya asumsi stasioneritas pada derajat nol atau I(0).
Pada uji ini data dideferensiasikan pada derajat tertentu sampai semua data menjadi
stasioner pada derjat yang sama. Uji ini untuk mengetahui pada derajat atau
diferensiasi ke berapa data yang diamati stasioner.
Hasil uji derajat integrasi pada tabel 4.3 menunjukkan bahwa setelah
dilakukan uji derajat integrasi, maka semua data telah stasioner pada derajat satu atau
I(1) karena semua variabel yang diamati mempunyai nilai ADF yang lebih kecil
daripada nilai kritisnya pada α = 5 %.
Tabel 4.3 : Uji Derajat Integrasi
Variabel ADF Statistik Nilai Kritis SDF Keterangan
YDEPPUABSECCRINVCONSINF
-7.274763**-8.273356**-9.302132**-9.444408**-13.50283**-8.499041**-9.872843**-7.232137**
-2.903566-2.904848-2.904198-2.903566-2.903566-2.904848-2.904198-2.903566
Stasioner Stasioner StasionerStasionerStasioner Stasioner StasionerStasioner
Keterangan : ADF stat> nilai kritis ADF = tidak stasioner; ADF stat<nilai kritis ADF=stasioner;signifikan pada **) =5%.Sumber: lampiran D, diolah.
4.3.3 Uji Kausalitas Granger
Uji Kausalitas Granger dugunakan untuk mengetahui hubungan antara
variabel satu dengan variabel lainnya saling mempengaruhi. Berkaitan dengan uji ini,
tahap awal yang harus dilakukan adalah menentukan panjang lag optimal dengan
menggunakan kriterian likehood Ratio (LR) kemudian mengestimasinya. Penggunaan
lag optimum pada uji kausalitas Granger adalah satu karena data stasioner pada
tingkat first difference. Setelah di dapat hasil uji kausalitas Granger, maka untuk
menentukan signifikan tidaknya antar variabel adalah dengan membandingkan F
hitung dengan F tabel. Jika F hitung lebih besar dari F tabel maka signifikan,
begitupun sebaliknya.
Tabel 4.4 : Uji Kausalitas Granger
Variabel F-Statistic Probability DEP does not Granger Cause Y 0.05669 0.81252 Y does not Granger Cause DEP 54.9973 2.5E-10 PUAB does not Granger Cause Y 1.47099 0.22939 Y does not Granger Cause PUAB 22.6702 1.0E-05 SEC does not Granger Cause Y 7.15910 0.00934 Y does not Granger Cause SEC 0.21329 0.64567 CR does not Granger Cause Y 0.07535 0.78454 Y does not Granger Cause CR 21.9003 1.4E-05 INV does not Granger Cause Y 0.87708 0.35232 Y does not Granger Cause INV 26.9965 2.0E-06 CONS does not Granger Cause Y 0.00014 0.99074 Y does not Granger Cause CONS 14.6696 0.00028** INF does not Granger Cause Y 1.59797 0.21051 Y does not Granger Cause INF 0.58161 0.44832
Keterangan: signifikan pada ***) α=1%Sumber : Lampiran E, diolah.
Dalam tabel 4.4 berdasarkan uji kausalitas Granger menunjukkan bahwa pada
lag 1 variabel-variabel yang digunakan yaitu Y berpengaruh signifikan terhadap
CONS karena probabilitas lebih kecil daripada nilai kritisnya yaitu α= 1 %,
sedangkan variabel DEP, PUAB, SEC, INV, CR, INF tidak signifikan berpengaruh
terhadap Y.
4.3.4 Uji Kointegrasi Johansen
Berdasarkan uji akar-akar unit diketahui bahwa semua data tidak stasioner
pada derajat nol kecuali variabel INV dan CONS, sementara hasil uji derajat integrasi
pada diferensi pertama terlihat bahwa variabel-variabel yang digunakan telah
stasioner pada derajat kepercayaan 5%. Dengan demikian dapat dijelaskan bahwa
seluruh variabel dalam penelitian ini telah stasioner pada derajat integrasi yang sama.
Setelah mengetahui karakteristik masing-masing data yang akan digunakan dalam
penelitian, maka hubungan jangka panjang dari model analisis dapat diketahui
melalui uji kointegrasi Johansen. Hubungan saling mempengaruhi dapat di lihat dari
kointegrasi yang terjadi antar variabel itu sendiri. Jika terdapat kointegrasi antar
variabel maka hubungan saling mempengaruhi berjalan secara menyeluruh dan
informasi yang tersebar secara paralel.
Prosedur uji kointegrasi Johansen dilakukan dengan menguji restriksi yang
ditentukan oleh kointegrasi pada model VAR. Oleh karena itu, langkah pertama
dalam melakukan uji kointegrasi Johansen adalah dengan menentukan terlebih dahulu
model VAR. Sebelum mangaplikasikan model VAR maka perlu ditentukan terlebih
dahulu panjang lag optimal. Pemilihan lag optimal disajikan pada tabel 4.5.
Tabel 4.5 Pemilihan Lag Optimal
Lag LogL LR FPE AIC SC HQ0 -97.4874 NA 3.38e-09 3.196587 3.461999 3.3014641 354.9844 781.5421 2.64e-14 -8.57528 -6.186570* -7.631392 465.6987 164.3940 6.96e-15 -9.99087 -5.478854 -8.207963 563.8072 121.8924 3.09e-15 -11.0245 -4.389143 -8.402534 670.2073 106.4001 1.37e-15 -12.3093 -3.550693 -8.848375 789.6240 90.46720 6.31e-16 -13.9886 -3.106685 -9.68864
6 961.1696 88.37201* 1.36e-16* -17.24757* -4.242343 -12.10858*Keterangan : tanda* = lag optimumLR : sequential modified LR test statistic FPE : Final prediction errorAIC : Akaike information criterionSC : Schwarz information criterionHQ : Hannan-Quinn information criterionSumber : Lampiran F, diolah.
Pemilihan lag optimal pada model dilakukan dengan menggunakan criteria
informasi sequential modified Likelihood Ratio test statistic, menunjukkan bahwa lag
optimal untuk model VAR atau VECM pada lag dua. Setelah menentukan panjang
lag optimal, maka langkah selanjutnya adalah melakukan uji kointegrasi Johansen
berdasarkan model yang dipilih. Hasil uji kointegrasi Johansen terhadap variabel-
variabel dilakukan dengan asumsi ada tidaknya komponen trend deterministik (seperti
intercept dan trend) dalam model maupun rank. Pengujian ini dilakukan dari model
yang restriktif dan membandingkan nilai trace statistic terhadap nilai kritisnya dan
berhenti pada saat pertama hipotesis nol tidak ditolak. tabel 4.6 adalah hasil uji rank
kointegrasi dan komponen deterministik.
Tabel 4.6 : Uji Rank Kointegrasi dan Komponen Deterministik
LR TestHipotesis
Nol Alternatif Model 1 Model 2 Model 3 Model 4
Trace Statistic
r=0 r=1 294.0615** 353.6555** 309.7907** 341.4290**r<=1 r=2 186.5636 213.3916 169.6842 190.0875r<=2 r=3 110.6413 136.2162 114.4523 130.0186r<=3 r=4 61.33529 82.93424 73.03225 87.21370r<=4 r=5 34.23376 52.92774 43.20022 52.76436r<=5 r=6 11.48854 27.65509 24.88059 30.90438r<=6 r=7 3.871901 9.391313 8.266896 12.90355r<=7 r=8 0.344622 3.525788 2.402659 5.853493
Maximum Eigenvalue
r=0 r=1 107.4978** 140.2639** 140.1065** 151.3416**r<=1 r=2 75.92233 77.17537 55.23191 60.06887r<=2 r=3 49.30602 53.28197 41.42003 42.80489r<=3 r=4 27.10153 30.00649 29.83203 34.44934r<=4 r=5 22.74522 25.27265 18.31963 21.85998r<=5 r=6 7.616639 18.26378 16.61370 18.00083r<=6 r=7 3.527279 5.865524 5.864238 7.050057r<=7 r=8 0.344622 3.525788 2.402659 5.853493
Sumber: lampiran G, diolahKeterangan: hipotesis nol ditolak pada **) =5%.
Pemilihan jumlah keterkaitan kointegrasi dalam sistem permodelan VAR atau
VECM dapat dilakukan dengan menggunakan kriteria trace statistic dan maximum
eigenvalue. Berdasarkan tabel 4.6 dengan menggunakan lag dua untuk Johansen
Cointegration Test, dari nilai trace statistic yang paling restriktif terlihat pada model
2 hipotesis nol tidak ditolak pertama kali pada rank = 4. Dengan demikian dapat
dikemukakan bahwa model 3 diasumsikan adanya intercept dalam keterkaitan jangka
panjang dan adanya trend linier dalam derajat nol, serta memiliki jumlah keterkaitan
kointegrasi dalam sistem permodelan VAR atau VECM adalah satu yang signifikan
pada derajat kepercayaan α = 5%.
4.3.5 Hasil Estimasi VECM
Berdasarkan hasil estimasi VECM, maka didapat persamaan penaksiran untuk
model keseimbangan jangka panjang adalah sebagai berikut :
Y = -129154.1 + 0.045674 DEPt + -1.202436 PUABt + -0.085788 SECt [ 8.07310] [-6.38511]*** [-4.52630]***
+ -0.091109 CRt + -0.034705 INVt + 0.021304 CONSt+ 197.1141 INFt
[-21.0369)*** [-0.16596]*** [ 16.8709] [ 2.90909]Keterangan : tanda () adalah nilai t statistik dan signifikan pada : ***) =1%
Berdasarkan hasil penaksiran jangka panjang pada persamaan 4.1, menunjukkan
signifikansi untuk variabel DEP, PUAB, SEC, CR, CONS dan INF, sedangkan
variabel INV tidak signifikan. Besarnya koefisien variabel Inflasi menunjukkan
bahwa INF mempunyai peranan sangat besar terhadap pertumbuhan ekonomi yaitu
sebesar 1,97%, sedangkan untuk variabel DEP sebesar 0,0005%, variable PUAB
sebesar 0,012%, SEC sebesar 0,0008%, CR 0,0009%, dan variabel CONS sebesar
0,0002%.
Tabel 4.7: Spesifikasi Vector Error Correction Model
Error Correction:
D(Y) D(DEP) D(PUAB) D(SEC) D(CR) D(INV) D(CONS) D(INF)
CointEq1 0.001560 0.523060 -0.012158 -0.249459 1.041296 -0.012167 -3.767.846 2.05E-06
(0.00119) (0.40066) (0.01536) (0.07421) (0.36473) (0.01179) (0.46085) (1.1E-05)
[ 1.30842] [ 1.30549] [-0.79139] [-3.36156] [ 2.85494] [-1.03159] [-8.17589] [ 0.19422]
D(Y(-1)) 0.254769 3.693610 -0.574830 -2.834.780 -1.383.771 0.539254 -1.469.471 -0.000623
(0.13931) (46.7993) (1.79441) (8.66802) (42.6027) (1.37761) (53.8293) (0.00123)
[ 1.82884] [ 0.07892] [-0.32034] [-0.32704] [-0.03248] [ 0.39144] [-2.72987] [-0.50588]
D(DEP(-1)) 0.000320 -0.581013 0.001623 0.000170 0.008639 -0.003620 -0.111825 -1.95E-06
(0.00040) (0.13318) (0.00511) (0.02467) (0.12124) (0.00392) (0.15319) (3.5E-06)
[ 0.80693] [-4.36248] [ 0.31785] [ 0.00689] [ 0.07125] [-0.92339] [-0.72997] [-0.55661]
D(PUAB(-1)) 0.015572 -3.111.628 -0.690773 1.339178 -9.626.130 0.278662 -0.907802 -0.000151
(0.01416) (4.75763) (0.18242) (0.88119) (4.33100) (0.14005) (5.47230) (0.00013)
[ 1.09959] [-0.65403] [-3.78672] [ 1.51973] [-2.22261] [ 1.98975] [-0.16589] [-1.20513]
D(SEC(-1)) 0.006137 0.707973 -0.057429 -0.623187 0.331049 -0.020924 -5.365.667 1.59E-05
(0.00280) (0.94154) (0.03610) (0.17439) (0.85712) (0.02772) (1.08298) (2.5E-05)
[ 2.18968] [ 0.75193] [-1.59077] [-3.57353] [ 0.38624] [-0.75495] [-4.95454] [ 0.64238]
D(CR(-1)) 1.49E-05 -0.045304 0.002403 0.098516 -0.997541 0.010786 0.508668 -4.33E-06
(0.00058) (0.19595) (0.00751) (0.03629) (0.17838) (0.00577) (0.22538) (5.2E-06)
[ 0.02555] [-0.23120] [ 0.31983] [ 2.71445] [-5.59229] [ 1.86991] [ 2.25690] [-0.83966]
D(INV(-1)) 0.000342 -0.979593 0.045660 -1.096.242 4.439223 -0.374032 -1.282.769 -4.07E-06
(0.01288) (4.32633) (0.16588) (0.80131) (3.93838) (0.12735) (4.97621) (0.00011)
[ 0.02658] [-0.22643] [ 0.27525] [-1.36806] [ 1.12717] [-2.93698] [-2.57780] [-0.03574]
D(CONS(-1)) -0.000124 -0.021315 4.08E-06 0.007010 -0.040667 -0.000430 -0.009184 1.39E-06
(8.6E-05) (0.02895) (0.00111) (0.00536) (0.02635) (0.00085) (0.03330) (7.6E-07)
[-1.44255] [-0.73631] [ 0.00368] [ 1.30740] [-1.54314] [-0.50446] [-0.27581] [ 1.82999]
D(INF(-1)) 15.77824 5747.491 -6.797.326 250.5707 -3.320.993 92.66927 3917.220 0.222512
(15.8995) (5341.38) (204.803) (989.313) (4862.41) (157.232) (6143.74) (0.14045)
[ 0.99237] [ 1.07603] [-0.33190] [ 0.25328] [-0.68299] [ 0.58938] [ 0.63760] [ 1.58428]
C 336.1650 23284.67 -1.521.203 -4.356.647 45353.65 -2.482.520 -156014.6 -0.392714
(111.839) (37571.8) (1440.60) (6958.92) (34202.7) (1105.98) (43215.6) (0.98794)
[ 3.00580] [ 0.61974] [-1.05595] [-0.62605] [ 1.32603] [-2.24463] [-3.61014] [-0.39751]
Keterangan: tanda [] adalah nilai t statistikSumber: Lampiran H, diolah.
Berdasarkan hasil penaksiran reduce form (VECM) pada tabel 4.7 dilihat dari
goodnest of fit dari masing-masing model persamaan terlihat variabel CONS
mempunyai R2 yang tertinggi diikuti oleh variabel INF, PUAB, DEP, Y, CR, INV,
sedangkan nilai R2 yang terendah adalah variabel SEC sebesar 0,091%. Respon
penyesuaian dinamis perkembangan jangka pendek terhadap keseimbangan jangka
panjang pada masing-masing persamaan dapat dilihat dari signifikansi parameter
error correcting term. Variabel ……… merespon secara signifikan dua kondisi
keseimbangan jangka panjang, sedangkan variabel ….. hanya merespon satu kondisi
keseimbangan.
Dalam jangka panjang ….. secara signifikan hanya merespon ……. , …..
merespon perkembangan ….., …. hanya merespon …… Estimasi model VECM juga
dapat dilihat perilaku dinamisnya yaitu impulse response dan variance
decomposition. Sebelum mengaplikasikan dan menganalisis model VECM maka
perlu ditentukan panjang lag. Lag optimal dalam model VECM menggunakan kriteria
sequential modified likelihood ratio (LR) test statistic adalah lag ….
a. Impulse Respon Function
Impulse Respon adalah respon variabel endogen akibat adanya akibat adanya
kejutan dari variabel endogen yang lain. Dengan menggunakan analisis Impulse
Respon dapat disimulasikan dampak perubahan salah satu variabel bebas terhadap
fluktuasi variabel terikatnya pada masa yang akan datang. Seluruh Impulse Respon
disajikan pada gambar 4.8.
GAMBAR 4.8
Pada gambar 4.8 (a) terlihat bahwa ……………….. Pada gambar 4.8 (b)
menunjukkan bahwa ……………………. Pada gambar 4.8 (c) menunjukkan
………………….. Gambar 4.8 (d) menunjukkan …………………………
b. Variance Decomposition
Setelah menganalisis perilaku dinamis melalui Impulse Respon, selanjutnya
akan dilihat karakteristik model melalui Variance Decomposition. Tabel 4.8
menunjukkan Variance Decomposition dari model …… Pertama, kontribusi …..
dalam menjelaskan inovasi ……. sendiri sekitar 100% yang dicapai dalam jangka
pendek. Dalam jangka panjang kemampuan …… dalam menjelaskan inovasi …..
sendiri semakin berkurang sekitar …%. Kedua, kontribusi ….. dalam menjelaskan
inovasi …… sampai ,,,% dicapai dalam jangka panjang. Ketiga, kontribusi …. dalam
menjelaskna inovasi …. sampai …% dicapai dalam jangka panjang. Keempat,
kontribusi ….. dalam menjelaskan inovasi ….. sampai …% dicapai dalam jangka
panjang.
TABEL 4.8
4.3.6 Uji Diagnosik VECM
Berdasarkan hasil penaksiran model VECM dengan lag … sebagaimana yang
terlihat pada lampiran …, maka dilakukan beberapa uji diagnosik terhadap model
adalah sebagai berikut :
a. autokorelasi;
Berdasarkan hasil uji diagnosik melalui uji asumsi klasik autokorelasi, terlihat
bahwa model terbebas adanya serial autokorelasi yang ditunjukkan dengan nilai
probabilitas LM (Lagrange Multiplier) hitung sebesar …. pada lag … hipotesis nol
ditolak karena tingkat signifikansi α = 5% yaitu …..
b. heteroskedastisitas;
Berdasarkan hasil uji heteroskedastisitas pada model VECM, terlihat bahwa
model terbebas dari adanya heteroskedastisitas. Hal ini ditunjukkan dengan nilai
probabilitas Chi-Squares pada lampiran … sebesar …., maka hipotesis nol ditolak
karena tingkat signifikansi α lebih besar dari …% yaitu sebesar …%.
c. uji normalitas
Berdasarkan hasil uji normalitas pada model VECM, terlihat bahwa model
tidak terbebas dari adanya heteroskedastisitas. Hal ini ditunjukkan dengan nilai
probabilitas Chi-Squares pada lampiran … sebesar …., maka hipotesis nol ditolak
karena tingkat signifikansi α lebih besar dari …% yaitu sebesar …%.