Você está na página 1de 20

APLIKASI MODEL

VECM DALAM
EKONOMI
Time Series - 3SE3
Anggota 2

1 Alphin Pratama H. (16.8996)


Kelompok
2 Antonius Andri Geong
(16.9017)

3 Kirana Aulia As Zahra


(16.9225)

4 Larasati Widyaningrum
(16.9233)
Latar Belakang 3

Dilihat dari pengalaman yang sudah terjadi, krisis ekonomi terjadi saat memasuki tahun 1998 dan
keadaan itu diawali oleh terjadinya krisis keuangan pada pertengahan 1997. Akibatnya, harga kebutuhan pokok
juga naik tajam dan PHK terjadi dimana mana. Perubahan harga dari waktu ke waktu itu juga sangat
berpengaruh terhadap perekonomian Indonesia. Maka dari itu, IHK merupakan indikator penting terhadap pasar
keuangan. Perubahan harga barang dan jasa tersebut akan berimbas kepada perubahan PDB (Produk Domestik
Bruto). Tingkat PDB dapat mengukur pertumbuhan ekonomi suatu negara dan keseluruhan performa ekonomi
suatu negara dilihat dari tingkat pertumbuhan ekonomi. Berdasarkan data BPS, nilai PDB semakin naik tiap
tahunnya diikuti dengan naiknya nilai IHK. Hal itu harus diwaspadai kareana akan berdampak besar pada
perubahan harga barang dan jasa yang akan naik juga.
Dengan demikian, stabilitas ekonomi
4
Indonesia dapat dilihat dari beberapa faktor seperti
nilai tukar (kurs) mata uang, Indeks Harga
Konsumen (IHK), dan Produk Domestik Bruto
(PDB). Oleh karena itu, dalam penelitian kali ini,
digunakan Analisis Vector and Error Correction
Model (VECM) untuk melihat hubungan antara
nilai tukar, IHK, dan PDB. Metode tersebut
digunakan untuk memodelkan nilai tukar, IHK, dan
PDB di Indonesia sehingga dapat bermanfaat untuk
mengambil kebijakan mengenai kestabilan
ekonomi Indonesia serta peramalan yang baik
untuk ke depannya.
RUMUSAN MASALAH 5

Berdasarkan pemaparan di atas, pokok permasalahan yang


terjadi yaitu apakah terdapat hubungan keseimbangan
antar variabel makroekonomi (nilai tukar, IHK, dan PDB)
dengan menggunakan Vector and Error Correction Model
(VECM) dan melihat apakah antar variabel makroekonomi
berkointegrasi dan berkausalitas dengan menggunakan
metode cointegration dan causality antar variabel. Variabel
yang digunakan dalam peneltian ini yaitu : nilai tukar
dolar terhadap rupiah, Indeks Harga Konsumen (IHK), dan
Produk Domestik Bruto (PDB).
MODEL VAR DAN VECM 6
METODE PENERAPAN VECM PADA 7

EVIEWS
a. Uji Stasioneritas Data

b. Uji Panjang Lag Optimal


f. Model Empiris VAR/VECM

c. Uji Stabilitas Model VAR g. Analisis Impuls Response Function

d. Analisis Kausalitas Granger h. Analisis Variance Decomposition

e. Uji Kointegrasi
Spesifikasi, Estimasi dan Pemeriksaan 8

Model
c
Uji Stasioneritas Data

Nilai Kritis Level 1st Difference


Data
(α) Stat. ADF p-value Stat. ADF p-value

PDB 5% 1,4833 0,9991 -3,2169 0,0223

IHK 5% -2,3754 0,1533 -6,0246 0,0000

Nilai Tukar 5% 0,0850 0,9617 -5,4081 0,0000


9
Uji stabilitas VAR
Roots of Characteris tic Polynom ial
Endogenous variables : LOG(PDB) LOG(IHK)
LOG(NILAITUKAR)
Exogenous variables :
Berdasarkan hasil output diatas suatu sistem Lag s pecification: 1 4
Date: 11/18/18 Tim e: 21:10
VAR cukup stabil karena roots-nya memiliki Root Modulus

modulus lebih kecil dari asatu hanya 2 root 1.000000 1.000000


1.000000 1.000000
-0.004462 - 0.960760i 0.960770
yang nilai modulus lebih dari satu. -0.004462 + 0.960760i 0.960770
-0.929381 0.929381
0.706633 - 0.440194i 0.832527
0.706633 + 0.440194i 0.832527
0.119422 - 0.702362i 0.712443
0.119422 + 0.702362i 0.712443
-0.428411 - 0.554243i 0.700515
-0.428411 + 0.554243i 0.700515
0.416179 - 0.542193i 0.683505
0.416179 + 0.542193i 0.683505
-0.644534 0.644534
0.579340 0.579340

VEC s pecification im pos es 2 unit root(s ).


10
Uji Kointegrasi Johansen
Uji Kointegrasi (Trace)
Summary untuk penentuan asumsi Trend Deterministic
Hipotesis Nilai Nilai Kritis α = p- Keputusan
Trace Statistic
Data Trend : None None Linear Linear Quadratic r Eigen 5% value
No Intercept Intercept Intercept Intercept Intercept Trace
Rank
No Trend No Trend No Trend Trend Trend Tidak 0,011 Tolak H0
0,4343 40,4893 35,0109
Akaike Information Criteria ada 8

0 -10,67507 -10,67507 -10,88652 -10,88652 -11,00062 0,308 Gagal tolak


1 0,1926 12,0028 18,3977
9 H0
1 -10,90966 -10,98617 -11,06609 -11,20699 -11,33035*
0,253 Gagal tolak
2 -10,78279 -11,02249 -11,01180 -11,20870 -11,30429 2 0,0257 1,3060 3,8414
1 H0
3 -10,58344 -10,79277 -10,79277 -11,09041 -11,09041
Maximum Eigen Value
Schwarz Criteria
Hipotesis Nilai Max-Eigen Nilai Kritis α = p- Keputusan
0 -9,298418 -9,298418 -9,395142 -9,395142 -9,394521
r Eigen Statistic 5% value
1 -9,303564 -9,341828 -9,345273 -9,447929 -9,494809*
Tidak 0,013 Tolak H0
2 -8,947249 -9,110472 -9,061541 -9,181953 -9,239303 0,4343 28,4865 24,2520
ada 0
3 -8,518454 -8,613065 -8,613065 -8,795980 -8,795980 0,336 Gagal tolak
1 0,1926 10,6968 17,1476
2 H0
0,253 Gagal tolak
2 0,0257 1,3060 3,8414
1 H0
11
Estimasi dan Pemeriksaan Model

Persamaan 1

∆𝑃𝐷𝐵𝑡
= 0,0779 + 0,2867∆𝐸𝐶𝑇𝑡−1 − 0,4785∆𝑃𝐷𝐵𝑡−1 − 0,5108∆𝑃𝐷𝐵𝑡−2 − 0,2995∆𝑃𝐷𝐵𝑡−3 + 0,5749∆𝑃𝐷𝐵𝑡−4 − 0,1267∆𝐼𝐻𝐾𝑡−1 − 0,0737∆𝐼𝐻𝐾𝑡−2 − 0,0334∆𝐼𝐻𝐾𝑡−3
− 0,0536∆𝐼𝐻𝐾𝑡−4 − 0,2825∆𝑁𝑖𝑙𝑎𝑖 𝑇𝑢𝑘𝑎𝑟𝑡−1 − 0,3413∆𝑁𝑖𝑙𝑎𝑖 𝑇𝑢𝑘𝑎𝑟𝑡−2 − 0,2011∆𝑁𝑖𝑙𝑎𝑖 𝑇𝑢𝑘𝑎𝑟𝑡−3 − 0,0920∆𝑁𝑖𝑙𝑎𝑖 𝑇𝑢𝑘𝑎𝑟𝑡−4 − 0,0006𝑡

Persamaan 2

∆𝐼𝐻𝐾𝑡
= 0,1162 − 0,9309𝐸𝐶𝑇𝑡−1 − 1,009∆𝑃𝐷𝐵𝑡−1 − 0,4349∆𝑃𝐷𝐵𝑡−2 − 0,5829∆𝑃𝐷𝐵𝑡−3 − 1,0319∆𝑃𝐷𝐵𝑡−4 + 0,3534∆𝐼𝐻𝐾𝑡−1 + 0,0382∆𝐼𝐻𝐾𝑡−2 + 0,0765∆𝐼𝐻𝐾𝑡−3
+ 0,1760∆𝐼𝐻𝐾𝑡−4 + 0,4414∆𝑁𝑖𝑙𝑎𝑖 𝑇𝑢𝑘𝑎𝑟𝑡−1 + 0,3354∆𝑁𝑖𝑙𝑎𝑖 𝑇𝑢𝑘𝑎𝑟𝑡−2 + 0,2318∆𝑁𝑖𝑙𝑎𝑖 𝑇𝑢𝑘𝑎𝑟𝑡−3 − 0,2183∆𝑁𝑖𝑙𝑎𝑖 𝑇𝑢𝑘𝑎𝑟𝑡−4 − 0,0017𝑡

Persamaan 3

∆𝐼𝐻𝐾𝑡
= 0,0062 − 0,0404𝐸𝐶𝑇𝑡−1 + 0,2170∆𝑃𝐷𝐵𝑡−1 + 0,1511∆𝑃𝐷𝐵𝑡−2 − 0,2162∆𝑃𝐷𝐵𝑡−3 − 0,2932∆𝑃𝐷𝐵𝑡−4 − 0,2774∆𝐼𝐻𝐾𝑡−1 − 0,0870∆𝐼𝐻𝐾𝑡−2 + 0,1439∆𝐼𝐻𝐾𝑡−3
− 0,0547∆𝐼𝐻𝐾𝑡−4 + 0,3464∆𝑁𝑖𝑙𝑎𝑖 𝑇𝑢𝑘𝑎𝑟𝑡−1 − 0,0768∆𝑁𝑖𝑙𝑎𝑖 𝑇𝑢𝑘𝑎𝑟𝑡−2 − 0,0881∆𝑁𝑖𝑙𝑎𝑖 𝑇𝑢𝑘𝑎𝑟𝑡−3 − 0,1221∆𝑁𝑖𝑙𝑎𝑖 𝑇𝑢𝑘𝑎𝑟𝑡−4 + 0,0003𝑡

𝐸𝐶𝑇𝑡−1 = −24,2917 + 𝑃𝐷𝐵𝑡−1 + 0,9195𝐼𝐻𝐾𝑡−1 + 0,6907𝑁𝑖𝑙𝑎𝑖 𝑡𝑢𝑘𝑎𝑟𝑡−1 − 0,0337𝑡


12
Uji Kausalitas Granger
Peramalan dan Analisis Struktural 13

Bagian ini akan membahas tentang peramalan dan analisis struktur peramalan dari model
𝑉𝐸𝐶𝑀. Sebelum membahas tentang hasil peramalan (lihat Tabel 12) akan dibahas terlebih dahulu
tentang analisis struktural yang mencakup analisis Impulse-Response dan dekomposisi variansi.
Response to Cholesky One S.D. (d.f. adjusted) Innovations
Analisis Impulse – Response Response of LOG(PDB) to LOG(PDB) Response of LOG(PDB) to LOG(IHK) Response of LOG(PDB) to LOG(NILAITUKAR)
14
.02 .02 .02

.01 .01 .01

.00 .00 .00

-.01 -.01 -.01

1 2 3 4 5 6 7 8 9 10 1 2 3 4 5 6 7 8 9 10 1 2 3 4 5 6 7 8 9 10

Response of LOG(IHK) to LOG(PDB) Response of LOG(IHK) to LOG(IHK) Response of LOG(IHK) to LOG(NILAITUKAR)

.04 .04 .04

.02 .02 .02

.00 .00 .00

-.02 -.02 -.02

1 2 3 4 5 6 7 8 9 10 1 2 3 4 5 6 7 8 9 10 1 2 3 4 5 6 7 8 9 10

Response of LOG(NILAITUKAR) to LOG(PDB) Response of LOG(NILAITUKAR) to LOG(IHK) Response of LOG(NILAITUKAR) to LOG( NILAITUKAR)

.04 .04 .04

.03 .03 .03

.02 .02 .02

.01 .01 .01

.00 .00 .00

1 2 3 4 5 6 7 8 9 10 1 2 3 4 5 6 7 8 9 10 1 2 3 4 5 6 7 8 9 10

Gambar 9. Analisis Impulse-Response


Dekomposisi Variansi
15

Gambar 11. Dekomposisi Variasi : IHK

Gambar 10. Dekomposisi Variasi : PDB

Gambar 12. Dekomposisi Variasi : Nilai Tukar


16

HASIL RAMALAN
Dynamic Forecast 152 17,000
17
148 16,000

15,000
144
14,000
140
13,000
136
12,000
132
11,000
128
10,000

124 9,000

120 8,000
05 06 07 08 09 10 11 12 13 14 15 16 17 18 19 05 06 07 08 09 10 11 12 13 14 15 16 17 18 19

IHK_F NILAITUKAR_F

Gambar 13. Dynamic Forecast : IHK Gambar 14. Dynamic Forecast : Nilai Tukar

4,000,000

3,500,000

3,000,000

2,500,000

2,000,000

1,500,000

1,000,000

500,000
05 06 07 08 09 10 11 12 13 14 15 16 17 18 19

PDB_F

Gambar 15. Dynamic Forecast : PDB


18
Berdasarkan gambar di atas, maka
dapat diperoleh nilai R𝑀𝑆𝐸, MAE,
dan 𝑀𝐴𝑃𝐸 dari masing-masing
variabel seperti yang diperlihatkan
pada output berikut. Pada Gambar
dapat dilihat bahwa IHK
mempunyai RMSE dan MAE
terkecil. Ini artinya bahwa
peramalan dinamis dengan
menggunakan model 𝑉𝐸𝐶𝑀 lebih
akurat jika diterapkan pada IHK.
19

Secara umum juga, kedua metode tersebut memperlihatkan hasil forecast menurun untuk
IHK, sedangkan nilai tukar rupiah terhadap dollar meningkat (menandakan nilai rupiah melemah) dan
nilai PDB juga meningkat.
KESIMPULAN 20

Berdasarkan perhitungan diatas bahwa model VECM yang sudah terbentuk menjadi 3
persamaan tersebut variabel IHK lebih baik untuk dibuat forecasting dibandingkan dengan variabel
lainnya.