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 …%.