ANALISIS KAUSALITAS ANTARA INFLASI DAN TINGKAT PENGANGGURAN TERBUKA (STUDI KASUS INDONESIA: 1980 M12 s.d.

2010) Muhammad Fajar1

I. 1.1

PENDAHULUAN Latar Belakang

Semua Negara di dunia ini selalu dan pasti menghadapi masalah pengangguran dan inflasi. Kondisi yang full employment merupakan kondisi ideal yang dinginkan oleh semua Negara, tapi kondisi tersebut terlalu banyak rintangan untuk mencapainya. Untuk mewujudkan kondisi ideal untuk perekonomian Pemerintah Indonesia menggunakan kebijakan fiskal dan moneter. Pemerintah di satu sisi menginginkan agar tingkat pengangguran rendah tetapi tidak juga membuat tingkat inflasi bertambah tinggi. Oleh karena itu, penulis ingin membahas hubungan antara inflasi dan tingkat pengangguran sehingga dapat diperoleh mekanisme kerja kedua variable tersebut dalam ranah ekonomi makro dan pada akhirnya diperoleh pertimbangan untuk mengambil kebijakan tersebut dalam mengatasi masalah pengangguran dan inflasi. 1.2 Masalah Penelitian

Pertanyaan dalam penelitian yang timbul berkaitan dengan uraian latar belakang di atas adalah sebagai berikut: apakah eksistensi hubungan antara inflasi dan tingkat pengangguran terbuka memang secara empiris ada atau tidak untuk kasus Indonesia?. Jika ada, apakah inflasi yang mempengaruhi tingkat pengangguran terbuka atau sebaliknya, atau bahkan saling mempengaruhi. Dan apakah jika memang terjadi adanya hubungan antar kedua variabel tersebut itu berlaku untuk keseimbangan jangka panjang saja. 1.3 Tujuan Penelitian

Tujuan dari penelitian ini adalah menguji eksisitensi hubungan antara inflasi dan tingkat pengangguran terbuka di Indonesia selama periode 1980 M12 - 2010. 1.4 Hipotesis Penelitian

Hipotesis dalam penelitian ini adalah inflasi mempengaruhi tingkat pengangguran terbuka.

Alumnus Sekolah Tinggi Ilmu Statistik Jakarta

II.

PENELITIAN TERDAHULU

Penelitian yang membahas hubungan antara inflasi dan tingkat pengangguran di Indonesia telah dilakukan oleh akademisi dengan metode yang berbeda. Berikut adalah beberapa kesimpulan dari penelitian dari dalam negeri yang telah dilakukan: Purnama Cahya Sari Silalahi (2006) Metode: Regresi liniear dan double log Kesimpulan: tidak ada hubungan antara inflasi dan tingkat pengangguran di Indonesia periode 1986 2005. Jonathan Sinuhaji (2006) Metode: Uji kausalitas Engel Granger dan regresi linear. Kesimpulan: Bahwa inflasi berpengaruh positif terhadap tingkat pengangguran sebesar 0,28. Irdam Ahmad (2007) Metode: Uji kausalitas Engel Granger, uji kointegrasi dan ECM Engel Granger. Kesimpulan: terjadi keseimbangan jangka panjang antara inflasi dan tingkat pengangguran dan inflasi berpengaruh posisitif terhadap tingkat pengangguran. Sri Mulyati (2009) Metode: uji kausalitas Engel Granger, regresi linear, dan uji chow breakpoint. Kesimpulan: tidak ada hubungan antara inflasi dan tingkat pengangguran serta krisis ekonomi 1997-1998 tidak berpengaruh terhadap tingkat pengangguran. METODOLOGI PENELITIAN Metode Pengumpulan Data

III. 3.1

Data: 1. Interpolasi2 dari data tingkat pengangguran terbuka (berasal dari Badan Pusat Statistik) dari level tahunan menjadi level bulanan, hal ini dilakukan untuk mengikuti level data inflasi IHK (selanjutmya kita sebut saja inflasi) year on year yang bulanan. 2. Interpolasi dari data inflasi year on year (berasal dari Badan Pusat Statistik) level tahunan dari periode 1980 1991 menjadi level bulanan dengan data berdasar inflasi year on year level tahunan periode 1980 sedangkan data inflasi year on year level bulanan periode 1992-2010 sudah tersedia. Untuk pengolahan data dan analisis, penulis menggunakan software Eviews 5.1 dan JMulti 4.23.

Interpolasi yang digunakan adalah interpolasi kubik seperti yang dianjurkan Eviews

3.2

Metode Analisis

3.2.1 Stasioneritas Data Series Stasioneritas sangat diperlukan dalam analisis time series agar tidak terjadi spurious pada analisis. Karena pada periode penelitian terjadi dua shock krisis, maka penulis merekomendasikan uji Philip-Perron untuk memeriksa stasioneritas dan alat uji ini mampu merespon adanya shock yang terjadi. Prosedur pengujian akar unit dengan menggunakan uji Philips-Perron adalah sebagai berikut: 1. Misal terdapat persamaan: , Dimana adalah koefisien otoregresif, adalah white noise term3. Jika nilai = 1, maka memiliki sebuah akar unit (unit root). Dalam ekonometrika, suatu time series yang memiliki akar unit disebut random walk time series. Apabila dinyatakan dalam bentuk hipotesis, menjadi: Ho : = 1, berarti data mengandung akar unit (nonstasioner) H1 : < 1, berarti data tidak mengandung akar unit (stasioner) Jika data asli dari suatu series sudah stasioner, maka data tersebut berintegrasi pada order 0 atau dilambangkan I(0) tetapi bila data asli nonstasioner maka harus didifference4-kan sehingga diperoleh data yang stasioner pada order d ( I(d) ). 2. Persamaan di atas dapat juga dinyatakan dalam bentuk turunan pertama (first difference), sebagai berikut: , Sehingga hipotesis yang diuji mempunyai bentuk: Ho : = 1, berarti data mengandung akar unit (non stasioner) H1 : < 1, berarti data tidak mengandung akar unit (stasioner) 3. Untuk mengetahui ada atau tidaknya akar unit, lakukan penghitungan nilai statistik uji Philips-Perron berdasarkan uji t-statistik yang disesuaikan:

adalah standar eror dari persamaan (3). nerupakan estimasi yang konsisten dari varians eror pada persamaan , dihitung dengan rumus :
3 4

Kondisi dimana mempunyai mean sama dengan nol, varians konstan, dan kovarians sama dengan nol. Membuat deret angka baru yang terdiri dari perbedaan angka antara periode yang berturut-turut dengan rumus: .

Dimana k adalah banyaknya variabel independen dan T adalah banyaknya observasi. diestimasi dari persamaan:

adalah sampel otokovariansi ke-j dari residual berikut:

yang dirumuskan sebagai

l adalah koefisien Newey-West bandwisth, K merupakan fungsi kernel yang dapat dirumuskan sebagai berikut: , jika = 0 , lainnya Selanjutnya nilai statistik Philips-Perron, yaitu dibandingkan dengan nilai kritis tabel Mc Kinnon. Jika nilai statistik Philips-Perron lebih negatif dari nilai kritis tabel Mc Kinnon atau nilai probabilitas statistik Philips-Perron kurang dari level signifikansi () sebesar 0.05; maka Ho ditolak sehingga dapat disimpulkan bahwa data time series telah stasioner. 3.2.2 Lag Optimum Penentuan lag optimum diperlukan karena alat analisis time series sangat sensitif terhadap lag time yang digunakan pada model. Penulis merekomendasikan criteria selection lag pada Schwarz Information Criterion, hal ini didasarkan karena adanya shock krisis ekonomi 1998 dan krisis global 2008 serta sampel yang digunakan sebanyak 361 observasi. Schwarc Information Criterion:

Dimana:

M adalah banyaknya persamaan pada Vector Autoregressive (VAR), SSR adalah Sum Square Of Residual dari VAR pada persamaan (14) dan (15) dan k adalah banyak parameter.

3.2.3 Uji Kausalitas Engel Granger Uji kausalitas pertama kali dikemukakan oleh Engel dan Granger, sehingga uji ini dinamakan Engel-Granger Causality Test. Hubungan kausalitas adalah hubungan jangka pendek antara kelompok tetentu dengan menggunakan pendekatan ekonometrik yang mencakup hubungan timbal balik (Granger dalam Juliyanto, 2004). Hubungan kausalitas dapat terjadi antar dua variabel, jika suatu variabel y, yaitu inflasi dipengaruhi oleh variabel x, yaitu tingkat pengangguran terbuka dengan menggunakan lag. Uji kausalitas Granger bertujuan untuk melihat pengaruh masa lalu dari suatu variabel terhadap kondisi variabel lain pada masa sekarang. Dengan kata lain, uji kausalitas Granger dapat digunakan untuk melihat apakah peramalan y dapat lebih akurat dengan memasukan lag variabel x. Bentuk umum dari model kausalitas Granger, adalah sebagai berikut:
yt
11 ,1

yt

11 , 2

yt
p

........

11 , p

yt

12 ,1

xt

12 , 2

xt

.......

12 , p

xt

atau

yt
i 1

y 11 , i t
21 ,1
p

i i 1

12 , i

xt

e1 t
21 , p

(14)
yt
p 22 ,1 t 1

xt
xt

yt

21 , 2

yt

.......
xt e2 t

22 , 2

xt

........

22 , p

xt

atau

y 21 , i t
i 1

i i 1

22 , i

(15)

Bentuk matriks persamaan di atas, adalah:

yt xt
11 , p 21 , p 11 ,1 21 ,1 12 ,1 22 ,1

yt xt
p p

1 1

11 , 2 21 , 2

12 , 2 22 , 2

yt xt

2 2

......

12 , p 22 , p

yt xt

e1 t e2 t

(16)

x t i dan y t

adalah operasi kelambanan dari x t dan y t , sedangkan

dan

adalah

residual dan diasumsikan tidak berkorelasi. Statistik uji yang digunakan pada uji kausalitas Granger adalah statistik uji F, dengan rumus:
( RSS Fuji
R

RSS UR ) p

(17)
n 2 1t t 1

RSS

/( n

k)

dimana : RSS R

restricted residual sum of square =

RSS UR

unrestricted residual sum of square =

n 2 2t t 1

p n k
1t

= panjang lag = jumlah observasi = jumlah parameter yang diestimasi dalam unrestricted regression = residual dari model yang direstriksi = residual dari model yang tidak direstriksi

2t

Restricted residual sum of square ( RSS R ), adalah jumlah kuadrat residual dari model yang direstriksi. Misalkan variabel y adalah variabel tidak bebas, maka model yang direstriksi diperoleh dengan meregresikan variabel y dengan semua nilai lag y tanpa memasukan lag x sebagai variabel bebasnya. Bentuk model yang direstriksi, adalah sebagai berikut:
p

yt
i 1

yt

1t

(18)

Unrestricted residual sum of square ( RSS UR ), adalah jumlah kuadrat residual dari model yang tidak direstriksi. Misalkan variabel y adalah variabel tidak bebas, maka model yang tidak direstriksi diperoleh dengan meregresikan variabel y dengan semua nilai lag y dan nilai lag x sebagai variabel bebasnya. Bentuk model yang tidak direstriksi, adalah sebagai berikut:
p p i i 1

yt

yt

i i 1

xt

2t

(19)

Dua hipotesis yang digunakan pada uji kausalitas Granger, adalah: Ho:
12 ,1 12 , 2

.......... .

12 , p

0 (x tidak menyebabkan y)

H1: paling sedikit ada satu Ho:

21 ,1 21 , 2

12 , i

0 (x menyebabkan y)
0

.......... .

21 , p

(y tidak menyebabkan x)

H1: paling sedikit ada satu

21 , i

0 (y menyebabkan x)
(( 1 ); p , ( n k ))

Jika nilai Fuji lebih besar dari nilai Ftabel

maka Ho ditolak. Dari uji kausalitas

dapat diketahui variabel mana yang memiliki hubungan kausalitas dan variabel mana yang terjadi sebelum variabel lainnya. Asumsi pada uji Causality Engel-Granger, yakni sebagai berikut: 1. Bahwa variabel yang diuji harus stasioner.

2. 3. 4.

Penentuan lag optimum harus tepat. Residual dan dari persamaan (14) dan (15) harus stasioner. Residual dan dari persamaan (14) dan (15) harus tidak saling berkorelasi.

Ada beberapa kemungkinan yang bisa terjadi dari hasil uji kausalitas Granger, yaitu: (Gujarati, 2003) 1. x mempengaruhi y atau undirectional causality from x to y ( x y ), dapat diidentifikasikan jika Ho yang pertama ditolak dan Ho yang kedua tidak ditolak. 2. y mempengaruhi x atau undirectional causality from y to x ( y x ), dapat diidentifikasikan jika Ho yang pertama tidak ditolak dan Ho yang kedua ditolak. y ), jika 3. x dan y saling mempengaruhi atau feedback atau bilateral causality ( x Ho yang pertama dan kedua ditolak. 4. x dan y tidak saling mempengaruhi atau independent ( x // y ), jika Ho yang pertama dan kedua tidak ditolak. 3.2.4 Uji Kointegrasi Engel Granger Cointegrating of two variabel telah didefinisikan secara formal dan dikembangkan oleh Engle dan Granger (1987). Dikatakan bahwa series Y t dan X t berkointegrasi pada derajat d,b dimana d b 0 dituliskan sebagai Y t , X t ~ CI (d,b) jika: Kedua series adalah berintegrasi pada derajat yang sama I(d) Terdapat kombinasi linier dari variabel-variabel yang berintegrasi I(d-b). Menurut Enders (2004) beberapa catatan penting mengenai definisi kointegrasi adalah: Semua variabel harus terintegrasi pada orde yang sama. Jika suatu variabel memiliki derajat integrasi yang berbeda, maka kedua variabel ini dikatakan tidak berkointegrasi. Jika X t memiliki n komponen, maka kemungkinan terdapat (n-1) vektor kointegrasi yang independen linier. Banyaknya vektor kointegrasi ini dikenal sebagai cointegrating rank. Penulis sedikit menambahkan catatan penting untuk kointegrasi, yakni adanya hubungan secara teori dan logis antar variabel variabel, baik secara langsung maupun tidak langsung. Dari uraian tentang definisi kointegrasi di atas, bisa dikatakan secara umum bahwa jika terdapat dua variabel yang stasioner pada derajat yang berbeda, maka variabel tersebut tidak mungkin berkointegrasi. Apabila series data stasioner pada derajat yang sama, maka data tersebut ada kemungkinan berkointegrasi. Bila data yang dipakai telah stasioner pada level atau I(0), maka residual yang terjadi kemungkinan besar akan stasioner, sehingga penggambaran hubungan jangka panjang (kointegrasi) menjadi kurang bermakna. Uji kointegrasi dapat digunakan untuk mengetahui apakah dua atau lebih variabel ekonomi atau variabel finansial memiliki hubungan keseimbangan jangka panjang. Menurut Gujarati (1995), jika dua variabel memiliki kointegrasi, maka regresi yang

dihasilkan tidak akan spurious dan hasil dari uji t dan F nya akan valid. Granger menyebutkan bahwa sebuah uji kointegrasi dapat dijadikan sebagai pengujian ulang untuk mendeteksi ada atau tidaknya spurious regresion, sehingga dapat menghindari masalah tersebut. Prosedur dua langkah Engel-Granger cocok digunakan bila dalam penelitian hanya terdapat dua variabel. Langkah- langkah metode Engel-Granger, yaitu: a. uji stasioneritas dari kedua variabel yang digunakan dan ketahui kedua variabel tersebut berintegrasi pada order yang sama. b. uji stasioneritas residual dari hasil regresi linear kedua variabel yang digunakan, jika residual dari kedua variabel tersebut stasioner pada level atau berintegrasi pada order 0, maka dapat dikatakan bahwa kedua variabel tersebut memiliki keseimbangan jangka panjang atau kointegrasi jangka panjang. Dimana: adalah parameter kointegrasi jika inflasi dan tingkat pengangguran terbuka terbukti mempunyai hubungan jangka panjang. 3.3 PROSEDUR ANALISIS Untuk mencapai tujuan penelitian, maka urutan langkah analisisnya sebagai berikut: Uji unit root masing-masing data variable untuk mengetahui stasioneritas. Jika series data pada level mempunyai unit root (non stasioner), maka lakukan pengujian data pada level first difference. Dengan menggunakan data stasioner lakukan pengujian kausalitas Engel Granger, setelah sebelumnya penentuan lag optimum (SIC) untuk uji tersebut. Kemudian periksa asumsi uji kausalitas Engel Granger, jika memenuhi syarat maka hasil uji kausalitas Engel Granger bisa digunakan. Periksa kriteria untuk kointegrasi (prosedur Engel Granger), jika memenuhi kriteria maka lakukan pengujian kointegrasi. Jika tidak memenuhi syarat pengujian kointegrasi, maka dapat disimpulkan tidak terjadi kointegrasi antar variable tersebut. ANALISIS DAN PEMBAHASAN Stasioneritas Data

1.

2. 3. 4.

IV. 4.1

Dari hasil pengujian unit root pada level signifikansi lima persen (lampiran no.1) menunjukkan bahwa data inflasi telah stasioner pada level, artinya data inflasi terintegrasi pada order nol. Sedangkan data tingkat pengangguran terbuka stasioner pada level first difference, artinya data tingkat pengangguran terbuka (TPT) terintegrasi pada order satu. Ternyata kedua variabel tersebut tidak terintegrasi pada order yang sama.

4.2 Uji Kausalitas Engel Granger Hasil penentuan lag optimum berdasarkan SIC (lampiran no.2) adalah tiga, sehingga hasil lag tersebut digunakan untuk pengujian Engel Granger Test. Hasil pengujian Engel Granger memberikan hasil dibawah ini:
Pairwise Granger Causality Tests Date: 09/23/11 Time: 23:51 Sample: 1980M12 2010M12 Lags: 3 Null Hypothesis: DTPT does not Granger Cause INFLASI INFLASI does not Granger Cause DTPT Obs 357 F-Statistic 1.94081 1.15800 Probability 0.12267 0.32575

Sebelum hasil tersebut diinterpretasikan terlebih dahulu kita periksa stasioneritas dan kolinearitas residual dari kedua persamaan yang digunakan untuk pengujian Engel Granger. Hasil pengujian residual menyimpulkan bahwa residual telah stasioner pada level (lihat lampiran no.4) dan lemahnya korelasi antar residual pada dari lag ke-1 s.d. 12 yang berarti dapat disimpulkan tidak terjadi kolinearitas pada residual (lihat lampiran no.3) sehingga hasil pengujian Engel Granger valid digunakan. Berdasarkan hasil pengujian Engel Granger pada level signifikansi lima persen dapat disimpulkan bahwa tidak ada hubungan kausalitas antara inflasi dengan tingkat pengangguran terbuka. Hal tersebut dapat dijelaskan bahwa: 1. Inflasi di Indonesia masih merupakan fenomena moneter (fajar, 2010). 2. Kenaikan harga-harga yang terjadi bukanlah karena meningkatnya permintaan agregat yang membuat produsen meningkatkan produktivitasnya dengan menambah tenaga kerja untuk memenuhi permintaan tersebut melainkan terjadinya kenaikan biaya produksi, misalnya BBM sehingga produsen dalam kondisi seperti itu tidak mungkin melakukan penambahan tenaga kerja. 3. Pertumbuhan ekonomi yang tidak dapat menyerap tenaga kerja karena tidak cukup tersedianya lapangan kerja. 4.3 Pengujian Kointegrasi Berdasarkan hasil pengujian unit root (lampiran no.1) dapat disimpulkan inflasi berintegrasi pada data level, yakni I(0). Sedangkan tingkat pengangguran terbuka berintegrasi pada first difference, yakni I(1). Artinya kedua variabel terintegrasi pada order yang tidak sama sehingga tidak memenuhi syarat terjadinya kointegrasi pada kedua variabel tersebut. Walaupun dipaksakan untuk diuji kointegrasi Engel Granger, maka hasilnya tidak valid. Hal tersebut menyiratkan bahwa tidak terjadi keseimbangan jangka panjang antara inflasi dengan tingkat pengangguran terbuka.

V.

KESIMPULAN

Dari hasil pembahasan dan analisis sebelumnya, dapat ditarik beberapa kesimpulan, yaitu: 1. Tidak ada hubungan kausalitas antara inflasi dan tingkat pengangguran terbuka di Indonesia selama periode 1980 M12 2010. Hal tersebut dapat dijelaskan bahwa: Tidak ada hubungan kausalitas antara inflasi dengan tingkat pengangguran terbuka. Inflasi di Indonesia masih merupakan fenomena moneter (fajar, 2010). Kenaikan harga-harga yang terjadi bukanlah karena meningkatnya permintaan agregat yang membuat produsen meningkatkan produktivitasnya dengan menambah tenaga kerja untuk memenuhi permintaan tersebut melainkan terjadinya kenaikan biaya produksi, misalnya kenaikan harga BBM sehingga membuat biaya produksi menjadi naik akibatnya produsen dalam kondisi seperti itu tidak mungkin melakukan penambahan tenaga kerja. Pertumbuhan ekonomi yang tidak dapat menyerap tenaga kerja karena tidak cukup tersedianya lapangan kerja. 2. Tidak terjadi keseimbangan jangka panjang antara inflasi dan tingkat pengangguran terbuka di Indonesia.

DAFTAR PUSTAKA

Ahmad, Irdam. 2007. Hubungan Antara Inflasi Dengan Tingkat Pengangguran; Pengujian Kurva Philips Dengan Data Indonesia, 1976 2006. Jurnal Ekubank, Vol.1 Edisi Maret 2007. Asghar, Zahid dan Irun Abid. Performance og Lag Length Selection Criteria In Three Different Situations. Pakistan: University Islamabad. Enders, Walter. 2004. Applied Econometrics Time Series. Second Edition. New York: John Wiley & Son, Inc. Fajar, Muhammad. 2010. Studi Empiris Efek Fisher Di Indonesia (1992 2010). Serui. Green, William H. 2003. Econometric Analysis.Fifth Edition. New York: Prentice Hall. Khim, venus dan Sen Liew. 2004. Which Lag Length Selection Criteria Should We Employ. Economics Bulletin 3: 1 9. Mulyati, Sri. 2009. Analisis Hubungan Inflasi Dan Pengangguran Di Indonesia Periode 1985 2008: Pendekatan Kurva Philips [skripsi]. Bogor: IPB. Silalahi, Purnama Cahya Sari. 2006. Hubungan Antara Perubahan Tingkat Upah Dan Tingkat Pengangguran Di Indonesia Periode 1986 2005 [skripsi]. Jakarta: STIS. Sinuhaji, Jonathan. 2006. Analisis Hubungan Tingkat Inflasi Dengan Pengangguran Di Indonesia[tesis]. Medan: Universitas Sumatera Utara.

LAMPIRAN 1. a. Pengujian Unit Root Variabel Inflasi

Null Hypothesis: INFLASI has a unit root Exogenous: Constant Bandwidth: 13 (Newey-West using Bartlett kernel) Adj. t-Stat Phillips-Perron test statistic Test critical values: 1% level 5% level 10% level *MacKinnon (1996) one-sided p-values. -3.837179 -3.448312 -2.869351 -2.570999 Prob.* 0.0028

Residual variance (no correction) HAC corrected variance (Bartlett kernel)

4.880673 21.82597

Phillips-Perron Test Equation Dependent Variabel: D(INFLASI) Method: Least Squares Date: 09/25/11 Time: 08:20 Sample (adjusted): 1981M01 2010M12 Included observations: 360 after adjustments Variabel INFLASI(-1) C R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood Durbin-Watson stat Coefficient -0.018992 0.165772 0.010052 0.007287 2.215387 1757.042 -796.1688 0.544697 Std. Error 0.009961 0.159436 t-Statistic -1.906609 1.039740 Prob. 0.0574 0.2992 -0.041222 2.223503 4.434271 4.455861 3.635158 0.057372

Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion F-statistic Prob(F-statistic)

b.

Tingkat Pengangguran Terbuka (TPT)

Null Hypothesis: TPT has a unit root Exogenous: Constant, Linear Trend Bandwidth: 15 (Newey-West using Bartlett kernel) Adj. t-Stat Phillips-Perron test statistic Test critical values: 1% level 5% level 10% level *MacKinnon (1996) one-sided p-values. -1.160074 -3.983755 -3.422356 -3.134036 Prob.* 0.9160

Residual variance (no correction) HAC corrected variance (Bartlett kernel)

0.004600 0.047796

Phillips-Perron Test Equation Dependent Variabel: D(TPT) Method: Least Squares Date: 09/25/11 Time: 08:23 Sample (adjusted): 1981M01 2010M12 Included observations: 360 after adjustments Variabel TPT(-1) C @TREND(1980M12) R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood Durbin-Watson stat Coefficient 0.002221 0.024827 -0.000115 0.009523 0.003974 0.068107 1.655963 457.8919 0.026137 Std. Error 0.002709 0.007348 7.78E-05 t-Statistic 0.820061 3.378902 -1.472361 Prob. 0.4127 0.0008 0.1418 0.015694 0.068243 -2.527177 -2.494793 1.716170 0.181233

Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion F-statistic Prob(F-statistic)

Null Hypothesis: D(TPT) has a unit root Exogenous: Constant Bandwidth: 14 (Newey-West using Bartlett kernel) Adj. t-Stat Phillips-Perron test statistic Test critical values: 1% level 5% level 10% level *MacKinnon (1996) one-sided p-values. -3.565456 -3.448363 -2.869374 -2.571011 Prob.* 0.0069

Residual variance (no correction) HAC corrected variance (Bartlett kernel)

0.000119 0.000651

Phillips-Perron Test Equation Dependent Variabel: D(TPT,2) Method: Least Squares Date: 09/25/11 Time: 08:24 Sample (adjusted): 1981M02 2010M12 Included observations: 359 after adjustments Variabel D(TPT(-1)) C R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood Durbin-Watson stat Coefficient -0.013295 -0.000115 0.006836 0.004054 0.010957 0.042858 1112.060 0.242068 Std. Error 0.008481 0.000594 t-Statistic -1.567610 -0.193623 Prob. 0.1179 0.8466 -0.000326 0.010979 -6.184178 -6.162544 2.457401 0.117858

Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion F-statistic Prob(F-statistic)

2.

Penentuan Lag Optimum untuk Uji Kausalitas Engel Granger

*** Tue, 20 Sep 2011 15:17:28 *** OPTIMAL ENDOGENOUS LAGS FROM INFORMATION CRITERIA endogenous variabels: Inflasi TPT_d1 deterministic variabels: CONST sample range: [1982 M8, 2010 M12], T = 341 optimal number of lags (searched up to 10 lags of levels): Akaike Info Criterion : 9 Final Prediction Error : 9 Hannan-Quinn Criterion : 9 Schwarz Criterion : 3 3. a. Uji Residual dari VAR pada Uji Kausalitas Engel Granger Stasioneritas Residual

Null Hypothesis: U1 has a unit root Exogenous: Constant Bandwidth: 10 (Newey-West using Bartlett kernel) Adj. t-Stat Phillips-Perron test statistic Test critical values: 1% level 5% level 10% level *MacKinnon (1996) one-sided p-values. -18.97620 -3.448998 -2.869653 -2.571161 Prob.* 0.0000

Residual variance (no correction) HAC corrected variance (Bartlett kernel)

2.231269 2.331574

Phillips-Perron Test Equation Dependent Variabel: D(U1) Method: Least Squares Date: 09/25/11 Time: 08:32 Sample (adjusted): 1982M02 2010M12 Included observations: 347 after adjustments Variabel U1(-1) C R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood Durbin-Watson stat Coefficient -1.021587 0.000210 0.510790 0.509372 1.498067 774.2502 -631.6176 2.008044 Std. Error 0.053826 0.080420 t-Statistic -18.97944 0.002614 Prob. 0.0000 0.9979 0.000568 2.138726 3.651975 3.674161 360.2191 0.000000

Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion F-statistic Prob(F-statistic)

Null Hypothesis: U2 has a unit root Exogenous: Constant Bandwidth: 11 (Newey-West using Bartlett kernel) Adj. t-Stat Phillips-Perron test statistic Test critical values: 1% level 5% level 10% level *MacKinnon (1996) one-sided p-values. -19.36933 -3.448998 -2.869653 -2.571161 Prob.* 0.0000

Residual variance (no correction) HAC corrected variance (Bartlett kernel)

2.28E-05 4.04E-05

Phillips-Perron Test Equation Dependent Variabel: D(U2) Method: Least Squares Date: 09/25/11 Time: 08:32 Sample (adjusted): 1982M02 2010M12 Included observations: 347 after adjustments Variabel U2(-1) C R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood Durbin-Watson stat Coefficient -0.996458 3.05E-05 0.501682 0.500238 0.004787 0.007907 1362.224 1.970310 Std. Error 0.053467 0.000257 t-Statistic -18.63678 0.118791 Prob. 0.0000 0.9055 2.58E-05 0.006772 -7.839907 -7.817721 347.3296 0.000000

Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion F-statistic Prob(F-statistic)

b.

Kolinearitas Residual

4.

Grafik Series Data

TPT
12

10

0 1985 1990 1995 2000 2005 2010

INFLASI
100

80

60

40

20

-20 1985 1990 1995 2000 2005 2010