analisis vector error correction model …digilib.unila.ac.id/29087/12/skripsi tanpa bab...
TRANSCRIPT
ANALISIS VECTOR ERROR CORRECTION MODEL (VECM)
TERHADAP DATA KURS, BI RATE DAN INFLASI DI
INDONESIA PADA BULAN JULI 2005 – JULI 2016
(Skripsi)
Oleh
CITRA ALAM PUSPITA
JURUSAN MATEMATIKA
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
UNIVERSITAS LAMPUNG
2017
ABSTRAK
ANALISIS VECTOR ERROR CORRECTION MODEL (VECM)
TERHADAP DATA KURS, BI RATE DAN INFLASI DI INDONESIA
PADA BULAN JULI 2005 – JULI 2016
Oleh
CITRA ALAM PUSPITA
Pada umumnya model ekonometrika time series merupakan model struktural
karena didasarkan atas teori ekonomi yang telah ada. Model VAR merupakan
model non struktural karena bersifat ateori. VECM berbeda dengan VAR dimana
VECM dapat digunakan untuk memodelkan data time series yang terkointegrasi
dan tidak stasioner. Tujuan dari penelitian ini adalah untuk menganalisis data time
series dngan menggunakan VECM pada data kurs BI rate, dan inflasi di Indonesia
pada bulan Juli 2005 hingga Juli 2016. Model yang diperoleh untuk data tersebut
adalah model VEC(3,1).
Kata Kunci : Stasioner, Kointegrasi, VAR, VECM
ABSTRACT
ANALYSIS VECTOR ERROR CORRECTION MODEL (VECM) ON
DATA RATE OF EXCHANGE, BI RATE DAN INFLATION IN
INDONESIA ON JULY 2005 – JULY 2016
By
CITRA ALAM PUSPITA
Generally econometrics model time series is structural model because base on
previously teory. VAR model is not structural model because atheory. VECM
different with VAR which is VECM can use for modeling cointegration time
series data and not stasioner. This research for analysis time series data using
VECM on data rate of exchange, BI Rate and Inflantion in Indonesia on July 2005
until July 2016. Result of model for the data is VECM(3,1).
Keywords : Stasioner, Cointegration, VAR, VECM
ANALISIS VECTOR ERROR CORRECTION MODEL (VECM)
TERHADAP DATA KURS, BI RATE DAN INFLASI DI INDONESIA
PADA BULAN JULI 2005 – JULI 2016
Oleh
Citra Alam Puspita
Skripsi
Sebagai Salah Satu Syarat untuk Memperoleh Gelar
SARJANA SAINS
Pada
Jurusan Matematika
Fakultas Matematika dan Ilmu Pengetahuan Alam
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
UNIVERSITAS LAMPUNG
BANDAR LAMPUNG
2017
Judul Skripsi
Nama Mahasiswa
Jurusan
rakultas
: ANALISIS VECTOR ERROR CORRECTION MODEL(VECM) TERHADAP DATA KURS, BI RATE DAN
INFLASI Dl INDONESIA PADA BIJLAN JULI 2005JULI 2016
. Citra Aam Puspita
: 1317031020
: Matematika
: Matematika dan Ilmu Pengetahuan Alam
MENYETUJUI
1. Komisi Pembimbing
Prof. Drs. Mustofa UsmanwN.A., Ph.DNIP. 19570101 198404 1 001
Drs. Muslim Ansori, SSI M.SiNP. 19720227 1998021 001
2. Ketua Jurusan Matematika
Dra. W , MA, Ph.D
NIP. 19631108 1 8902 2 001
MENGESAHKAN
1, Tim Penguji
Ketua : Prof. Drs. Mustofa Usman, MX, Ph.D.
Sekretaris . Drs. Muslim Ansori, S.Si., M.SL
PengujiBulan Pembimbing : Warsono, M.sc., Ph.D
tas Maternatika dan Ilmu Pengetahuan Alam
arsito, S.Si., D.E.A.7?h.D.. 19710212 1995121 001
Tanggal Lulus Ujian Skripsi : 12 Oktober 2017
PERNYATAAN SKRIPSI MAHASISWA
Saya yang bertanda tangan di bawah ini:
Nama : Citra Alam Puspita
Nomor Pokok Mahasiswa : 1317031020
Judul : ANALISIS VECTOR ERROR
CORRECTION MODEL (VECM)
TERHADAP DATA KURS, BI RATE
DAN INFLASI DI INDONESIA PADA
BULAN JULI 2005 - JULI 2016
Jurusan . Matematika
Dengan ini menyatakan bahwa skripsi ini adalah hasil pekerjaan saya sendiri dan
semua tulisan yang tertuang dałam skripsi ini telah mengikuti kaidah karya
penulisan ilmiah Universitas Lampung.
Bandar Lampung, Oktober 2017
Penulis,
85AEF72503
Citra Alam PuspitaNPM. 1317031020
RIWAYAT HIDUP
Penulis bernama lengkap Citra Alam Puspita, anak kedua dari dua bersaudara
yang dilahirkan di Jakarta pada tanggal 18 Februari 1995 oleh pasangan Bapak
Mukhlasin dan Ibu Farida.
Menempuh pendidikan di Taman Kanak-Kanak (TK) 02 Yapindo pada tahun
2000 - 2001, Sekolah Dasar (SD) diselesaikan di SD 02 Yapindo pada tahun
2001-2007, kemudian bersekolah di SMP Yapindo pada tahun 2007-2010, dan
bersekolah di SMA Muhammadiyah 1 Metro pada tahun 2010-2013.
Pada tahun 2013 penulis terdaftar sebagai mahasiswi S1 Matematika Fakultas
Matematika dan Ilmu Pengetahuan Alam Universitas Lampung melalui Jalur
SNMPTN undangan. Selama menjadi mahasiswa, penulis pernah aktif di beberapa
organisasi kampus seperti, Himpunan Mahasiswa Jurusan Matematika
(HIMATIKA) FMIPA Unila 2014/2015 sebagai Anggota Kaderisasi dan
Kepemimpinan dan HIMATIKA FMIPA Unila 2015/2016 sebagai Anggota
Kaderisasi dan Kepemimpinan.
Pada tahun 2016 penulis melakukan Kerja Praktik (KP) di Bank Syariah Mandiri
Cabang Kdaton Bandar Lampung dan pada tahun yang sama penulis
melaksanakan Kuliah Kerja Nyata (KKN) di Desa Kediri Kecamatan Gadingrejo,
Kabupaten Pringsewu, Provinsi Lampung.
PERSEMBAHAN
Dengan mengucap puji dan syukur kehadirat Allah SWT kupersembahkan karya
kecil dan sederhana ini untuk :
Bapak dan Ibu tersayang yang selalu mendoakan, memberi semangat, dan telah
menjadi motivasi terbesar selama ini.
Mamas tersayang Banyu Gala Putra yang selalu mengikhlaskan hatinya,
memberikan kesempatan dan selalu menjadi alasan penulis untuk tetap
semangat.
Dosen Pembimbing dan Penguji yang sangat berjasa dan selalu masukkan dan
memberikan motivasi kepada penulis
Almamater Universitas Lampung
KATA INSPIRASI
“Maka nikmat Tuhanmu yang manakah yang kamu dustakan ?”
(Q.S. Ar-Rahman :13)
“Lihat segalanya lebih dekat, dan kau akan mengerti’
(Lebih Dekat – Sherina M)
SANWACANA
Dengan mengucapkan Alhamdulillah penulis panjatkan puji syukur kehadirat
Allah SWT atas rahmat dan karunia-Nya sehingga penulis dapat menyelesaikan
skripsi yang berjudul “ANALISIS VECTOR ERROR CORRECTION MODEL
(VECM) TERHADAP DATA KURS, BI RATE DAN INFLASI DI INDONESIA
PADA BULAN JULI 2005 – JULI 2016”. Skripsi ini disusun sebagai salah satu
syarat untuk memperoleh gelar Sarjana Sains (S.Si.) di Jurusan Matematika
Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Lampung.
Dengan ketulusan hati penulis ingin mengucapkan terima kasih banyak kepada :
1. Bapak Prof. Drs. Mustofa Usman, MA, Ph.D. selaku Dosen Pembimbing I,
terima kasih untuk bimbingan dan kesedian waktunya selama penyusunan
skripsi ini.
2. Bapak Drs Muslim Ansori, S.Si., M.Si. selaku Dosen Pembimbing II, terima
kasih untuk bantuan dan masukannya selama penyusunan skripsi.
3. Bapak Warsono, M.Sc, Ph.D. selaku Dosen Penguji, terima kasih atas
kesediannya untuk menguji, memberikan saran dan kritik yang membangun
dalam penyelesaian skripsi ini. Dan selaku Pembimbing Akademik, terima
kasih atas bimbingan dan pembelajarannya dalam menjalani perkuliahan.
4. Ibu Dra. Wamiliana, MA, Ph.D. selaku Ketua Jurusan Matematika Fakultas
Matematika dan Ilmu Pengetahuan Alam Universitas Lampung.
5. Bapak Prof. Warsito, S.Si., D.E.A., Ph.D., selaku Dekan FMIPA Universitas
Lampung.
6. Seluruh Dosen dan Karyawan Jurusan Matematika Fakultas Matematika dan
Ilmu Pengetahuan Alam Universitas Lampung.
7. Bapak dan Ibu tersayang yang selalu mengerti, menyemangati, dan
mengingatkan penulis untuk tetap semangat dalam menyelesaikan tugas akhir
serta doa yang selalu melimpah untuk keberhasilan penulis.
8. Mamas, Banyu Gala Putra kakakku tercinta yang dengan ikhlas memberikan
kesempatan, doa dan perhatian kepada penulis.
9. Sahabat-sahabat seperjuangan Matematika 2013
10. HIMATIKA FMIPA Universitas Lampung atas kebersamaannya selama ini.
11. Almamter tercinta Universitas Lampung.
12. Seluruh pihak yang telah membantu yang tidak dapat disebutkan satu
persatu.
Bandar Lampung, 2017
Penulis
Citra Alam Puspita
xii
DAFTAR ISI
Halaman
DAFTAR GAMBAR ................................................................................. xiv
DAFTAR TABEL ..................................................................................... xv
I. PENDAHULUAN
1.1. Latar Belakang ......................................................................... 1
1.2. Tujuan Penelitian...................................................................... 3
1.3. Manfaat Penelitian.................................................................... 4
II. TINJAUAN PUSTAKA
2.1 Data Runtun Waktu .................................................................. 5
2.2 Stasioner ................................................................................... 6
2.2.1 Stasioner pada Nilai Tengah ........................................ 7
2.2.2 Stasioner pada Ragam ................................................. 8
2.3 Kointegrasi ............................................................................... 9
2.4 Model VAR .............................................................................. 10
2.4.1 Vector Error Corection Model (VECM) ...................... 11
2.5 Panjang Lag OPtimal ............................................................... 12
2.6 Pengujian Residual ................................................................... 13
2.6.1 Uji Normalitas .............................................................. 13
2.6.2 Uji Stabilitas ................................................................ 14
2.7 Granger Kausalitas .................................................................. 16
III. METODOLOGI PENELITIAN
3.1 Waktu dan Tempat Penelitian .................................................. 18
3.2 Data Penelitian ......................................................................... 18
3.3 Metode Penelitian ..................................................................... 18
IV. HASIL DAN PEMBAHASAN
4.1 Identifikasi ................................................................................ 21
4.1.1 Uji Stasioner ................................................................. 21
4.1.2 Uji Kointgrasi .............................................................. 30
xiii
4.2 Estimasi Model ......................................................................... 31
4.2.1 Pendugaan Parameter Model VEC(3) ......................... 31
4.3 Pengujian Residual ................................................................... 38
4.3.1 Uji Normalitas ............................................................. 38
4.3.2 Uji Stabilitas Model .................................................... 39
4.4 Analisis Granger Kausalitas ..................................................... 40
4.5 Analisis FEDV ........................................................................ 42
V. KESIMPULAN
DAFTAR PUSTAKA
LAMPIRAN
xiv
DAFTAR GAMBAR
Gambar Halaman
1. Plot time series BI Rate Juli 2005 – Juli 2016 ................................... 21
2. Plot time series Inflasi Juli 2005 – Juli 2016 ..................................... 22
3. Plot time series Kurs Juli 2005 – Juli 2016 ....................................... 22
4. Garfik ACF BI Rate ........................................................................... 23
5. Garfik ACF Inflasi ............................................................................. 23
6. Garfik ACF Kurs ............................................................................... 24
7. Plot time series BI Rate setelah transformasi dan differencing ........ 26
8. Plot time series Inflasi setelah transformasi dan differencing .......... 26
9. Plot time series Kurs setelah transformasi dan differencing ............. 27
10. Grafik ACF data BI Rate transformasi dan setelah differencing ...... 27
11. Grafik ACF data Inflasi transformasi dan setelah differencing ....... 28
12. Grafik ACF data Kurs transformasi dan setelah differencing .......... 28
13. Histrogram residual dan nilai Jarque-Bera Test of Normality ...... 38
14. Grafik Grangger Kausaliti Antar Variabel ........................................ 46
xv
DAFTAR TABEL
Tabel Halaman
1. Output untuk uji akar unit BI Rate ....................................................... 24
2. Output untuk uji akar unit Inflasi ......................................................... 25
3. Output untuk uji akar unit Kurs ........................................................... 25
4. Output untuk uji akar unit BI Rate setelah differencing ...................... 28
5. Output untuk uji akar unit Inflasi setelah differencing ........................ 29
6. Output untuk uji akar unit Kurs setelah differencing ........................... 29
7. Output uji kointegrasi menggunakan uji johansen ............................... 30
8. VAR Lag Order Selection Criteria ...................................................... 31
9. Pendugaan parameter Long-Run (𝛽) ................................................... 36
10. Pendugaan koefisien adjustment (𝛼) .................................................. 37
11. Pendugaan parameter Π. ...................................................................... 37
12. Pendugaan koefisien AR pada lag terdiferensi (𝛤ΔYt−1) ................... 37
13. Akar-akar karakteristik polinomial AR ............................................... 39
14. Uji Granger Kausalitas ........................................................................ 40
15. Variance Decomposition Kurs ............................................................ 42
16. Variance Decomposition BI Rate ........................................................ 43
17. Variance Decomposition Inflasi........................................................... 44
I. PENDAHULUAN
1.1 Latar Belakang
Analisis runtun waktu adalah suatu metode kuantitatif untuk menentukan pola
data masa lalu yang telah dikumpulkan secara teratur. Data runtun waktu (time
series) adalah sekumpulan data berupa angka yang didapat dalam suatu periode
waktu tertentu. Data deret waktu biasanya berupa data tahunan, semesteran,
triwulan, bulanan, mingguan, harian, dan seterusnya. Data time series yang
memiliki dua atau lebih variabel disebut multivariate time series. Model
multivariate time series melibatkan beberapa variabel yang tidak hanya berturut
namun juga saling berkorelasi (Montgomery, Jennings, and Kulahci, 2008).
Time series selalu digunakan dalam bidang ekonometrik. Awalnya, Jan Tinbergen
(1939) membangun model ekonometrik pertama untuk Amerika Serikat dan
kemudian memulai program penelitian ilmiah ekonometrik secara empiris
(Kirchgassner and Wolters, 2007). Pada umumnya model ekonometrika time
series merupakan model struktural karena didasarkan atas teori ekonomi yang
telah ada. Pada tahun 1980 Christopher A.Sims memperkenalkan model VAR
sebagai alternatif dalam analisis ekonomi makro.
2
Model VAR merupakan model non struktural karena bersifat ateori. Model VAR
memiliki struktur model yang lebih sederhana dengan jumlah variabel yang
minimalis dimana semua variabelnya adalah variabel endogen dengan variabel
independennya adalah lag.
Model VAR didesain untuk variabel stasioner yang tidak mengandung trend .
Trend stokastik dalam data mengindikasikan bahwa ada komponen long-run
(jangka panjang) dan short-run (jangka pendek) dalam data time series. Penelitian
tentang trend stokastik dalam variabel ekonomi terus berkembang, sehingga pada
tahun 1981, Granger mengembangkan konsep kointegrasi. Pada tahun 1987,
Engle bersama Granger mengembangkan konsep kointegrasi dan koreksi error
(error correction). Kemudian, pada tahun 1990, Johansen dan Juselius
mengembangkan konsep VECM.
VECM berbeda dengan VAR dimana VECM dapat digunakan untuk
memodelkan data time series yang terkointegrasi dan tidak stasioner. VECM
sering disebut sebagai bentuk VAR terestriksi .
Pada penelitian ini, akan dikaji veriabel ekonomi kurs, inflasi, dan BI Rate pada
periode waktu tertentu. Kurs (exchange rate) adalah harga sebuah mata uang dari
sutu negara yang diukur atau dinyatakan dalam mata uang lainnya. Kurs
memainkan peranan penting dalam keputusan-keputusan pembelanjaan, karena
kurs memungkinkan kita menerjemahkan harga-harga dari berbagai negara ke
dalam satu bahasa yang sama. Kurs dapat pula disebut sebagai perbandingan nilai.
3
Dalam pertukaran dua mata uang yang berbeda, maka akan terdapat perbandingan
nilai/harga antara kedua mata uang tersebut. Perbandingan nilai inilah yang
disebut dengan kurs. Adapun faktor-faktor yang mempengaruhi nilai kurs antara
lain yaitu tingkat inflasi dan suku bunga bank. Secara sederhana inflasi diartikan
sebagai meningkatnya harga-harga secara umum dan terus menerus. Kenaikan
harga dari satu atau dua barang saja tidak dapat disebut inflasi kecuali bila
kenaikan itu meluas (atau mengakibatkan kenaikan harga) pada barang lainnya.
Sedangkan suku bunga adalah imbal jasa atas pinjaman uang. Imbal jasa cipal.
Persentase dari pokok utang yang dibayarkan sebagai imbal jasa ( bunga ) dalam
suatu periode tertentu.
Berdasarkan uraian diatas, maka dilakukannya analisis model VECM pada data
Nilai Tukar Dollar terhadap Rupiah (kurs), BI Rate , dan Nilai Inflasi Indonesia
menurut bulan pada periode Juli 2005 sampai dengan Juli 2016.
1.2 Tujuan Penelitian
Tujuan dari penelitian ini adalah menganalisis data time series dengan model
VEC (3,1) pada data Kurs, BI Rate, dan Inflasi di Indonesia pada bulan juli 2005
– Juli 2016.
4
1.3 Manfaat Penelitian
Manfaat dari penelitian ini adalah dapat menganalisis data time series dengan
model VEC (3,1) pada data Kurs, BI Rate, dan Inflasi di Indonesia pada bulan juli
2005 – Juli 2016
II. TINJAUAN PUSTAKA
2.1 Data Runtun Waktu
Model ekonomi menunjukan hubungan variabel-variabel yang pasti, masalah
selanjutnya adalah untuk menemukan himpunan data yang dapat kita gunakan untuk
melihat jika hubungan tersebut ada atau tidak. Suatu observasi dari proses
membangkitkan data adalah satu himpunan dari nilai-nilai untuk semua variabel-
variabel di dalam hubungan yang kita harapkan untuk dipelajari. Suatu sampel, atau
himpunan data, adalah koleksi dari banyak observasi dari proses membangkitkan data
yang sama. Ada dua jenis-jenis dasar dari sampel, ditambah satu tipe yang ke-tiga
yaitu kombinasi dari keduanya (Schmidt, 2005)
1. Sampel Deret Waktu adalah sampel yang mengandung observasi-
observasi pada satu objek ekonomi pada periode-periode waktu yang
berbeda. Contohnya: Tingkat suku bunga dan Produk Domestik Bruto
(PDB) pada ekonomi U.S untuk setiap kuarter dari tahun 1960 sampai
1999.
2. Sampel Cross-section adalah sampel yang mengandung observasi-
observasi dari banyak objek ekonomi yang berbeda yang diambil pada
satu titik waktu. Contohnya: Kemampuan kerja dari banyaknya
perusahaan penerbangan pada tahun 1997.
6
3. Sampel Panel/Longitudinal adalah sampel yang mengandung
observasi-observasi pada banyak objek ekonomi untuk beberapa
periode waktu. Contohnya: Sampel dari delapan perusahaan
penerbangan yang berada dalam waktu lima tahun.
2.2 Stasioner
Dasar dari analisis deret waktu adalah kestasioneran atau stasioneritas. Model
stasioner di diasumsikan sebagai proses yang tetap dalam kestimbangan atau
kestabilan statistik dengan sifat probabilistik yang tidak berubah dari waktu ke
waktu, dengan kata lain nilai tengah (rata-rata) dan ragam konstan (Box and
Jenkins, 2016). Data dikatakan stasioner jika memenuhi tiga kriteria, yaitu nilai
tengah (rata-rata) dan ragam konstan dari waktu ke waktu, serta peragam anatar
dua data deret waktu hanya bergantung pada dari periode waktu (lag) pada dua
periode waktu (lag).
Setiap data deret waktu merupakan suatu data dari hasil proses stokastik. Proses
stokastik memiliki rata-rata yang terbatas dan varians-kovarians yang stasioner
jika untuk semua t dan t-s, secara statistik dinyatakan sebagai berikut:
E(Yt) = E(Yt-s) = µ, rata-rata Y konstan (2.1)
E(Yt - µ)2 = E(Yt-s - µ)2 = 𝜎𝑧2, ragam Y konstan (2.2)
E[(Yt - µ) (Yt-s - µ)] = E[(Yt-j - µ) (Yt-j-s - µ)]=𝛾𝑠 (2.3)
(Enders, 2015)
7
Terdapat dua perilaku stasioneritas data, yaitu stasioneritas data dalam nilai
tengah (rata-rata) dan stasioneritas data dalam ragam (varians). Pada umumnya
data deret waktu tidak stasioner hal ini dikarenakan adanya perilaku data antar
waktu yang menimbulkan kedinamisan. Oleh karena itu, diperlukan langkah-
langkah dalam menangani data yang tidak stasioner.
2.2.1 Stasioner pada Nilai Tengah
Data deret waktu dikatakan stasioner pada nilai tengah (rata-rata atau mean)
apabila data berfluktuasi pada sekitar suatu nilai tengah yang tetap dari waktu ke
waktu selama pengamatan. Data deret waktu yang tidak stasioner pada nilai
tengah diatasi dengan differensiasi sedemikian sehingga menjadi stasioer pada
nilai tengah. Proses differensiasi merupakan proses mencari selisih antar data satu
periode dengan periodesebelumnya secara berurutan. Proses differensiasi dapat
dilakukan hingga beberapa periode sampai daa stasioner. Diferensiasi pertama
dinotasikan sebagai berikut:
∇𝑌𝑡 = Yt – Yt-1
= Yt – BYt
= (1 – B)Yt (2.4)
Dengan ∇𝑌𝑡 merupakan data setelah dilakukan diferensiasi tingkat pertama, B
merupakan operator yang didefinisikan dengan BtZt =zt-i. Jika diferensiasi pertama
belum memberikan hasil yang stasioner pada nilai tengah maka dilakukan
diferensiasi pada periode selanjutnya dari hasil diferensiasi pertama untuk semua
t.
8
Kemudian diferensiasi tingkat dua didefinisikan sebagai berikut:
∇2𝑌𝑡 = ∇Yt – ∇Yt-1
= (Yt –Yt-1) – (Yt-1 – Yt-2)
= (Yt – 2Yt-1 +Yt-2)
= (Yt – 2BYt + B2Yt)
= Yt (1- 2B + B2)
= (1 – B)2 Yt (2.5)
Deret yang dihasilkan diatas disebut dengan diferensiasi kedua dari Yt, sehingga
diferensiasi d kali dinyatakan sebagai berikut:
∇d𝑌𝑡 = ∇d−1Yt – ∇d−1Yt-1
∇d𝑌 = ∇d−1Yt – ∇d−1BYt
∇d𝑌𝑡 = ∇d−1Yt (1 – B)
∇d𝑌𝑡 = (1 − B)d−1 (1 – B) Yt
∇d𝑌𝑡 = (1 − B)d Yt (2.6)
(Pankratz, 1991).
2.2.2 Stasioner pada Ragam
Data deret waktu dikatakan stasioner pada ragam apabila data tersebut
berfluktuasi dengan variansi yang tetap dari waktu ke waktu.
Dengan kata lain nilai ragamnya konstan untuk semua t. Ragam yang tidak
stasioner menyebabkan data menjadi tidak stasioner pada ragamnya. Modifikasi
9
dilakukan agar data stasioner pada ragam dengan melakukan transformasi pada
data deret waktu (Pankratz, 1991).
Dua modifikasi yang dapat dilakukan adalah pertama, jika standar deviasi dari
data deret waktu proporsional terhadap data aslinya maka digunakan logaritma
asli (ln) sedemikian sehingga deret yang baru memiliki varians yang konstan.
Kedua, jika ragam dari data deret waktu proporsional terhadap data aslinya maka
digunakan akar kuadrat untuk memperoleh variansi yang konstan.
Transformasi tersebut merupakan anggota dari transformasi box-cox. Dengan
transformasi ini, suatu series Yt yang baru dapat didefinisikan sebagai berikut:
𝑌𝑡′ =
𝑌𝑡𝜆− 1
𝜆 (2.7)
Dengan λ merupakan parameter transformasi Box-Cox dan Yt merupakan nilai
deret waktu pada waktu ke-t. Perlu dicatat bahwa Yt tidak boleh negatif. Jika nilai
Yt negatif, maka kita tambahkan suatu konstanta pada Yt sehingga nilainya
bernilai positif (Pankratz, 1991).
2.3 Kointegrasi
Jika dua variabel yang 𝐼(1) dapat dibentuk kombinasi linear, maka kombinasi
linearnya juga 𝐼(1). Lebih umum, jika variabel-variabel dengan order-order diferensi
dari integrasi dapat dikombinasi, kombinasi tersebut akan memiliki order integrasi
10
sama dengan integrasi tertingginya. Jika 𝑋𝑖,𝑡~𝐼(𝑑𝑖) untuk 𝑖 = 1, 2, 3, . . . , 𝑘 jadi ada
variabel sebanyak 𝑘 masing-masing memiliki integrase dengan order 𝑑𝑖, dan
misalkan:
𝑌 = ∑ 𝛼𝑖𝑘𝑖=1 𝑋𝑖,𝑡 (2.8)
Maka, 𝑌𝑡 = 𝐼(𝑚𝑎𝑥 𝑑𝑖). 𝑌𝑡 pada konteks ini adalah kombinasi linear dari varibel 𝑋𝑖
sebanyak 𝑖 = 1, 2, 3, . . . , 𝑘.
Misalkan 𝑤𝑡 adalah 𝑘 × 1 vektor dari variabel-variabel, maka komponen-komponen
dari 𝑤𝑡 terintegrasi dengan order (𝑑, 𝑏) jika: (1) semua komponen-komponen 𝑤𝑡
adalah 𝐼(𝑑), (2) terdapat sedikitnya satu vektor dari koefisien-koefisien 𝛼 sehingga
𝛼′𝑤𝑡~ 𝐼(𝑑 − 𝑏). Pada konteks ini, suatu himpuanan variabel-varabel didefinisikan
terkointegrasi jika kombinasi linear dari mereka stasioner.
Suatu hubungan kointegrasi juga dapat dipandang sebagai hubungan jangka panjang
atau fenomena titik keseimbangan. (Brooks, 2008).
2.4 Model VAR
Untuk menganalisis secara kuantitatif data time series dengan melibatkan lebih
dari satu variabel (multivariate time series) digunakan metode Vector
Autoregressive (VAR). Metode VAR memperlakukan semua variabel secara
simetris. Satu vektor berisi lebih dari dua variabel dan pada sisi kanan terdapat
nilai lag (lagged value) dari variabel tak bebas sebagai representasi dari sifat
11
autoregresive dalam model. Model VAR(p) dapat ditulis dalam persamaan
berikut:
𝑌𝑡 = ∑ ∅𝑖𝑌𝑡−𝑖𝑝𝑖=1 + 𝜀𝑡 (2.9)
dimana:
𝑌𝑡 = elemen vektor observasi pada waktu 𝑡 berukuran 𝑛 × 1
∅𝑖 = matriks berukuran 𝑛 × 𝑛 yang merupakan koefisien dari vektor 𝑦𝑡−1, untuk
𝑖 = 1,2, … 𝑝
𝑝 = panjang lag
𝜀𝑡 = vektor dari shock terhadap masing-masing variabel berukuran 𝑛 × 1
Apabila data yang digunakan stasioner pada tingkat differencing yang sama dan
terdapat kointegrasi, maka model VAR akan dikombinasikan dengan model
koreksi kesalahan menjadi Vector Error Correction Model (VECM) (Asteriou and
Hall, 2007).
2.4.1 Vector Error Correction Model (VECM)
Vector Autoregressive (VAR) merupakan salah satu bentuk khusus dari sistem
persamaan simultan. Model VAR dapat diterapkan apabila semua variabel yang
digunakan stasioner, akan tetapi jika variabel di dalam vektor 𝑌𝑡 tidak stasioner
maka model yang digunakan adalah Vector Error Correction Model (VECM)
dengan syarat terdapat satu atau lebih hubungan kointegrasi antar variabelnya.
VECM adalah VAR terbatas yang dirancang untuk digunakan pada data non-
stasioner yang diketahui memiliki hubungan kointegrasi (Enders, 2015).
VECM adalah salah satu dari beberapa model time series yang secara langsung
memperkirakan tingkat dimana suatu variabel kembali kepada tingkat setimbang
12
setelah perubahan pada variabel lain. VECM berguna untuk memperkirakan efek
jangka pendek keduanya dan jangka panjang dari satu time series lainnya.
Menurut Robert dan Granger (1987), VECM adalah model VAR terbatas yang
dirancang untuk digunakan pada series tidak stasioner yang diketahui memiliki
hubungan kointegrasi. VECM yang memiliki hubungan kointegrasi dibangun ke
dalam spesifikasi sehingga membatasi perilaku jangka panjang dari variabel
endogen.
Bentuk umum VECM(p) dengan rank kointegrasi 𝑟 ≤ 𝑘 adalah sebagai berikut:
∇Yt = ΠYt−1 + ∑ Γip−1i=1 ∇Yt−i + εt (2.10)
dimana:
∇ = operator differencing
Yt−1 = vektor peubah endogen dengan lag ke-1berukuran 𝑛 × 1
εt = vektor residual berukuran 𝑛 × 1
Π = matriks koefisien kointegrasi (Π = 𝛼𝛽′ ; 𝛼 = vektor adjustment ,matriks
ukuran (𝑛 × 1) dan 𝛽 = vektor kointegrasi (long-run parameter) matriks
(𝑛 × 1))
Γi = matriks berukuran (𝑛 × 𝑛) koefisien variabel endogen ke-i
2.5 Panjang Lag Optimal
Panjang lag variabel yang optimal sangat diperlukan untuk menangkap pengaruh
dari setiap variabel terhadap variabel lain di dalam sistem VAR. Menentukan
panjang lag (order 𝑝) yaitu dengan menggunakan kriteria informasi yang tersedia.
Panjang lag yang terpilih dapat dilihat melalui nilai paling minimum dari masing-
13
masing kriteria. Beberapa informasi kriteria yang digunakan adalah sebagai
berikut:
(i) Akaike Information Criterion (AIC)
AIC T ln | | 2 N
(ii) Bayesian Criterion of Gideon Schwarz
SC T ln | | N ln T
Dimana:
| | = determinan dari residual varian/covarian matriks
N = jumlah parameter yang diestimasi
T = jumlah observasi
(Enders, 2004).
Hal yang harus diperhatikan dalam menentukan panjang lag optimal adalah
semakin panjang jumlah lag yang dipergunakan maka semakin banyak jumlah
parameter yang harus diestimasi dan semakin sedikit derajat kebebasannya. Jika
jumlah lag (p) terlalu sedikit maka model akan miss specification, sementara
apabila lag (p) terlalu banyak maka derajat kebebasan semakin besar.
2.6 Pengujian Residual
2.6.1 Uji Normalitas
Uji normalitas residual adalah uji untuk mengetahui kenormalan residual pada
suatu data. Tujuan dilakukannya uji ini adalah untuk mengetahui apakah residual
pada data tersebut berdistribusi normal atau tidak. Uji normalitas dilakukan
14
dengan Jarque-Bera (JB) Test of Normality. Uji ini menggunakan ukuran
skewness dan kurtosis. Dalam aplikasinya nilai Jarque-Bera (JB) dibandingkan
dengan nilai chi-square (𝜒2) pada derajat kebebasan 2.
Jarque-Bera Test dinamakan sesuai dengan penemunya yaitu Carlos Jarque dan
Anil K. Bera. Perhitungan JB adalah sebagai berikut:
𝐽𝐵 =𝑛
6(𝑆2 +
(𝐾 − 3)2
4)
dimana:
𝑛 = Jumlah sampel
𝑆 = Expected Skewness =1
𝑛∑ (𝑌𝑖−�̅�)3𝑛
𝑖=1
(1
𝑛∑ (𝑌𝑖−�̅�)2𝑛
𝑖=1 )3/2
𝐾 = Expected Excess Kurtosis =1
𝑛∑ (𝑌−�̅�)4𝑛
𝑖=1
(1
𝑛∑ (𝑌𝑖−�̅�)2𝑛
𝑖=1 )2
Jarque-Bera (JB) yang digunakan dalam uji normalitas pada variabel residual
perhitungannya dilakukan dengan menambahkan indikator banyaknya variabel
bebas atau prediktor, seperti berikut:
𝐽𝐵 =𝑛 − 𝑘
6(𝑆2 +
(𝐾 − 3)2
4)
dimana:
𝑘 = Jumlah variabel bebas
2.6.2 Uji Stabilitas
Stabilitas sistem VAR dilihat dari inverse roots karakteristik AR polinomialnya.
Suatu sistem VAR dikatakan stabil (stasioner, baik dalam rata-rata dan juga
15
ragam) jika seluruh roots-nya memiliki modulus lebih kecil dari satu dan
semuanya terletak di dalam unit circle.
Berikut uraian menurut Lutkepohl (2005) bahwa model VAR(p) pada persamaan
(2.9) dapat dituliskan:
𝑌𝑡 = 𝑐 + ∅1𝑌𝑡−1 + ⋯ + ∅𝑝𝑌𝑡−𝑝 + 𝜀𝑡 (2.11)
Jika mekanisme ini dimulai pada waktu tertentu, misalnya saat 𝑡 = 1, maka akan
mendapatkan:
𝑌1 = 𝑐 + ∅1𝑌0 + 𝜀1 ,
𝑌2 = 𝑐 + ∅1𝑌1 + 𝜀2
= 𝑐 + ∅1(𝑐 + ∅1𝑌0 + 𝜀1) + 𝜀2
= (𝐼𝐾 + ∅1)𝑐 + ∅12𝑌0 + ∅1𝜀1 + 𝜀2
⋮ (2.12)
𝑌𝑡 = (𝐼𝐾 + ∅1 + ⋯ + ∅1𝑡−1)𝑐 + ∅1
𝑡𝑌0 + ∑ ∅1𝑖𝜀𝑡−𝑖
𝑡−1
𝑖=0
⋮
Oleh karena itu, vektor (𝑌1, … , 𝑌𝑡) ditentukan oleh (𝑌0, 𝑌, … , 𝑌𝑡) dan distribusi
bersama dari (𝑌1, … , 𝑌𝑡) ditentukan oleh distribusi bersama dari (𝑌0, 𝑌1, … , 𝑌𝑡).
Dari persamaan VAR(1) pada (2.9) dan (2.12) maka akan didapatkan:
𝑌𝑡 = 𝑐 + ∅1𝑌𝑡−1 + 𝜀𝑡
= (𝐼𝐾 + ∅1 + ⋯ + ∅1𝑗)𝑐 + ∅1
𝑗+1𝑌𝑡−𝑗−1 + ∑ ∅1𝑖𝜀𝑡−𝑖
𝑗𝑖=0 (2.13)
16
Jika semua nilai eigen dari ∅1 memiliki modulus kurang dari 1 maka model 𝑦𝑡
merupakan proses stokastik yang didefinisikan dengan:
𝑌𝑡 = 𝜇 + ∑ ∅1𝑖∞
𝑖=0 𝜀𝑡−𝑖 , 𝑡 = ⋯ − 1,0,1, … (2.14)
dimana:
𝑌𝑡 = elemen vektor 𝑦 pada waktu 𝑡 berukuran 𝑛 × 1
∅𝑖 = matriks berukuran 𝑛 × 𝑛 yang merupakan koefisien dari vektor 𝑦𝑡−𝑖,
untuk 𝑖 = 1,2, … 𝑝
𝜇 = (𝐼𝐾 − ∅1)−1𝑣
Berdasarkan Rule (7) Appendix A.6 menurut Luthkepol (2005), dikatakan bahwa
”semua nilai eigen pada matriks 𝐴 berukuran (𝑚 × 𝑚) mempunyai modulus
kurang dari satu jika dan hanya jika 𝑑𝑒𝑡 (𝐼𝑚 − 𝐴𝑧) ≠ 0 untuk |𝑧| ≤ 1,
maka polinomial dari 𝑑𝑒𝑡 (𝐼𝑚 − 𝐴𝑧) tidak memiliki roots yang berada pada unit
circle.”
Maka persamaan 𝑦𝑡 dikatakan stabil jika:
det (𝐼𝐾𝑝 − ∅𝑧) ≠ 0 untuk |𝑧| ≤ 1
Definisi yang diberikan dari karakteristik polinomial pada matriks, kita sebut
sebagai karakteristik polinomial dari proses VAR(p), sehingga persamaan (2.11)
dikatakan stabil jika:
det(𝐼𝐾𝑝 − ∅𝑧) = det (𝐼𝐾 − ∅1𝑧 − ⋯ − ∅𝑝𝑧𝑝) (2.15)
2.7 Granger Kausalitas
Adanya kointegrasi mengindikasikan hubungan jangka panjang antar variabel-
variabel. Bahkan ketika variabel – variabel tersebut tidak berkointegrasi dalam
17
hubungan jangka panjang, variabel –variabel tersebut masih memungkinkan
memiliki hubungan jangka pendek. Dalam rangka memahami kesaling
tergantungan diantara variabel, digunakannlah Granger Causality Test.
Granger Causality Test didasarkan pada uji F yang berusaha untuk menentukan
jika ada perubahan dalam satu variabel dikarenakan adanya perubahan variabel
lainnya. Suatu variabel X dikatakan “Granger Cause” variabel Y, jika nilai
sebelumnya dari X dapat memprediksi nilai Y saat ini.
VAR Model:
𝑌𝑡 = 𝑐 + ∑ ∅𝑖𝑌𝑡−𝑖𝑝𝑖=1 + 𝜀𝑡 (2.16)
Jika semua koefisien ∅ pada lag nilai dari 𝑦 signifikan pada persamaan (2.16),
maka ‘X Granger Causal Y’. Jika X Granger Causal Y dan tidak sebaliknya,
maka disebut dengan causality tidak langsung. Jika causality terdapat pada
keduanya, dari X ke Y dan dari Y ke X, maka disebut dengan causality dua arah
(Brooks, 2008).
Setelah mengestimasi VAR, restriksi yang mengikuti hipotesis yang telah di uji
pada Granger Causality Test:
𝐻0: 𝛼1 = 𝛼2 = . . . = 𝛼𝑝 = 0 (“X bukan Granger Causal Y”)
𝐻𝐴: 𝑎𝑡 𝑙𝑒𝑎𝑠𝑡 𝑜𝑛𝑒 𝑜𝑓 𝛼 − 𝑐𝑜𝑒𝑓𝑓𝑖𝑐𝑖𝑒𝑛𝑡𝑠 ≠ 0(“X Granger Causal Y”)
Statistik uji mengikutin distribusi 𝑋2, dengan p derajat bebas dibawah hipotesis
nol. P adalah jumlah lag optimal.
III. METODOLOGI PENELITIAN
3.1 Waktu dan Tempat Penelitian
Penelitian ini dilakukan pada semester genap tahun akademik 2016/2017,
bertempat di Jurusan Matematika Fakultas Matematika dan Ilmu Pengetahuan
Alam Universitas Lampung.
3.2 Data Penelitian
Data yang digunakan diperoleh dari http://bi.go.id// tentang nilai tukar dollar
terhadap rupiah (kurs), suku bunga bank indonesia (BI-Rate) , dan inflasi
Indonesia dari bulan Juli 2005 – Juli 2016 sebanyak 133 data.
3.3 Metode Penelitian
Langkah-langkah yang dilakukan pada penelitian ini adalah sebagai berikut:
1. Identifikasi
a. Melakukan uji stasioner
Menguji kestasioneran pada data dapat dilakukan dengan melihat plot time
series, grafik Autocorrelation Function (ACF) dan unit root test.
Kestasioneran dibagi menjadi 2 yaitu stasioner dalam ragam dan
19
staioner dalam rata-rata. Pengeujian kestasioneran dalam ragam dapat
dilakukan dengan uji Box-Cox. Dan jika data tidak stasioner dalam ragam,
maka dilakukan transformasi pada data. Sedangkan pengujian kstasioneran
dalam rata-rata dilakukan dengan uji unit root. Dan jika data tidak stasioner
dalam rata-rata, maka dilakukan pembedaan (differencing).
b. Melakukan uji kointegrasi
Setelah dilakukan transformasi jika data tida stasioner dalam varian dan
pembedaan jika data tidak stasioner dalam rata-rata, maka besar
kemungkinan akan terjadi kointegrasi atau terdapat hubungan jangka
panjang antar variabelnya. Uji kointegrasi yang digunakan adalah uji
Johansen Cointegration. Jika nilai trace statistic lebih besar daripada
critical value maka diambil kesimpulan bahwa terdapat paling tidak dua
hubungan kointegrasi antar variabel. Selanjutnya, jika terbukti ada
hubungan kointegrasi antarvariabel maka model yang digunakan adalah
Vector Error Correction Model (VECM).
2. Estimasi model
a. Menentukan panjang lag optimal
Menentukan panjang lag optimal dengan melihat nilai minimum dari setiap
informasi kriteria yang digunakan.
b. Pendugaan parameter model VEC(p)
Pendugaan parameter model VEC(p) dilakukan menggunakan metode
Maximum Likelihood Estimation dengan membentuk matriks koefisien
20
kointegrasi (Π) kemudian membentuk matriks koefisien variabel
differencing (Γ) selanjutnya matriks koefisien (𝑐)
3. Pengujian residual
a. Uji normalitas
Pengujian normalitas residual pada penelitian ini dilakukan dengan Jarque-
Bera (JB) Test of Normality dengan kriteria terima H0 jika nilai JB Test <
𝜒2(0.05;2)
.
b. Uji stabilitas model
Uji stabilitas dilakukan untuk melihat apakah model yang digunakan stabil
atau tidak. Sebuah model dikatakan stabil jika akar unit karakteristik
polinomialnya mempunyai modulus ≤ 1 dan semuanya berada dalam unit
circle.
4. Analisis granger kausalitas
Uji granger kausalitas dilakukan untuk meihat seberapa berpengaruhnya nilai
variabel pada masa lalu dengan nilai variabel yang lain. Variabel X dikatakan
“grangre-cause” Y jika nilai chi-square < nilai sigifikan 5%.
V. KESIMPULAN
Berdasarkan hasil dan pembahasan dapat disimpulkan beberapa hal, diantaranya:
1. VECM (3) yang terbentuk untuk data BI Rate, Inflasi, dan Kurs yaitu:
[
Yt1Yt2Yt3
] = [−0.00384 0.04311 −0.02841
−0.00254 0.02856 −0.01882
−0.01688 0.18965 −0.12497
] [
Yt1−1Yt2−1Yt3−1
]
+ [0.24205 −0.09345 0.03629
−0.05243 0.54358 0.02611
−0.04636 1.42546 0.24422
] ∇ [Yt1−1Yt2−1Yt3−1
]
+ [−0.17034 −0.10746 0.02750
0.10789 0.08217 −0.00821
−0.17535 0.55931 −0.21188
] ∇ [
Yt1−2Yt2−2Yt3−2
] + [
ε1tε2tε3t
]
Dengan menggunakan model tersebut diketahui bahwa antara nilai BI Rate, Inflasi,
dan Kurs memiliki hubungan kointegrasi (jangka panjang) pada rank = 1.
2. Melalui grafik granger kausalias diketahui bahwa Inflasi mempengaruhi nilai Kurs
dan juga nilai BI Rate. BI Rate itu sendiri mempengaruhi nilai Kurs dan nilai Inflasi.
Dan terjadi hubungan langsung antara Inflasi dan BI Rate
Gambar 14. Grafik Grangger Kausaliti Antar Variabel
DAFTAR PUSTAKA
Asteriou, D. and Hall, S.G.2007. Applied Econometrics : A Modern Approach.
Revised Edition. Palgrave Macmillan, New York.
Brooks, Chris. 2008. Introductory: Econometrics for Finance, 2nd ed. New York:
Cambridge University Press.
Diakses tanggal 19 Februari 2017 pukul 11.13 WIB pada laman resmi
www.bi.go.id/id/moneter/bi-rate/data/Default.aspx.
Diakses tanggal 19 Februari 2017 pukul 11.14 WIB pada laman resmi
www.bi.go.id/id/moneter/inflasi/data/Default.aspx.
Diakses tanggal 19 Februari 2017 pukul 11.15 WIB pada laman resmi
www.bi.go.id/id/moneter/informasi-kurs/transaksi-bi/Default.aspx.
Endres, W. 2015. Applied Econometric Time Series. John Wiley and Sons
Interscience Publication, USA.
Endres, W. 2004. Applied Econometric Time Series. John Wiley and Sons
Interscience Publication, USA.
Kirchgassner, G. and Wolters, J. 2007. Introduction to Modern Time Series
Analysis. Springer, Berlin.
Lutkepohl, H. 2005. New Introduction to Multiple Time Series Analysis. Springer
Verlaag, Berlin.
Montgomery, D.C., Jennings, C.L., and Kulachi, M. 2008. Introduction Time
Series Analysis and Forecasting. John Wiley & Sons,Inc., Hoboken, New
Jersey
Pankratz, A. 1991. Forecasting with Dynamic Regression Models. John Wiley and
Sons, Inc., Canada
Schmidt, Stephen J. 2005. Econometrics. New York: The McGraw Hill
Companies.
Wei, W.W. 2006. Time Series Analysis : Univariate and Multivariate Methods
(2nd ed). Pearson, New York.