ANALISIS VAR (VECTOR AUTO REGRESSIVE) TERHADAP

KORELASI ANTARA PERTUMBUHAN EKONOMI DAERAH

DENGAN INVESTASI DAERAH DI DKI JAKARTA, 1983-2006

MINIPAPER

Disusun untuk memenuhi tugas akhir asistensi matakuliah Ekonometrika 2

Disusun oleh :

Amalia Shalihah (0806348596)

Dea Nuriry Sadat (0806348665)

Khairunnisa Rangkuti (0806317735)

Puji Lestari Anugrah (0806464362)

Rachmanina Listya (0806348886)

Dosen: Arie Damayanti/N. Haidy Pasai

Asisten: Rahmasari Istiandari

Fakultas Ekonomi Universitas Indonesia

2010

Daftar Isi
I. Pendahuluan

II. Landasan Teori

III. Data

IV. Pengolahan dan Analisis Data

V. Kesimpulan

I. Pendahuluan
 Setiap negara di seluruh dunia tentu memiliki ibukota sebagai pusat pemerintahan,
bahkan dibeberapa negara seperti Indonesia, ibukota negara adalah juga pusat
perekonomian. Daerah Khusus Ibukota (DKI) Jakarta adalah salah satu kota di Indonesia
yang perekonomiannya terus tumbuh melebihi provinsi-provinsi lain di Indonesia, hal ini
dapat dilihat dari pertumbuhan Produk Domestik Regional Bruto DKI Jakarta yang
mencapai 295,3 triliun pada tahun 2005. Kontribusi terbesar datang dari sektor keuangan,
persewaan dan jasa perusahaan yang mencapai Rp. 90,9 triliun atau 30,8% dari total PDRB
diikuti sektor perdagangan, hotel dan restoran serta sektor industri pengolahan dengan nilai
untuk masing-masing sektor tersebut sebesar Rp. 63,5 triliun (21,5%) dan Rp 51,2 triliun
(17,3%) (Portal Indonesia, 2010).
Sebagai pusat perekonomian, DKI Jakarta adalah lahan investasi yang terus tumbuh.
Fakta bahwa Jakarta adalah kota berpenduduk paling padat tidak hanya di Indonesia, tapi
juga di Asia Tenggara membuat Jakarta semakin menjanjikan bagi para investor untuk
menanamkan modalnya. DKI Jakarta terdiri dari 43 kecamatan dan 265 kelurahan. Wilayah
ini dihuni penduduk sejumlah 9.041.605 jiwa (data tahun 2005) dengan kepadatan
penduduk mencapai 13.668 jiwa per km². Wilayahnya sebagian besar digunakan untuk
pemukiman yang mencapai 43.788,57 ha serta daerah industri seluas 4.417,87 ha (Portal
Indonesia, 2010).
Seperti halnya Produk Domestik Bruto dalam suatu negara, produk Domestik
Regional Bruto dapat didefinisikan sebagai nilai akhir barang dan jasa berdasarkan haraga
yang berlaku yang diproduksi oleh suatu daerah dalam satu periode tertentu. Adapun
pertumbuhan ekonomi dapat dilihat dari pertumbuhan angka PDRB dari tahun ke tahun.
1
Pertumbuhan ekonomi dipengaruhi oleh berbagai variabel diantaranya yaitu pertumbuhan
persediaan modal, pertumbuhan angkatan kerja, kemajuan teknologi dan sebagaiya.
Pertumbuhan ekonomi yang tinggi diharapkan akan meningkatkan kesejahteraan (welfare)
masyarakat sebagai pelaku ekonomi (Mankiw, 2007).
Dalam minipaper ini, tim penyusun mencoba berfokus pada akumulasi kapital2
sebagai salah satu variabel yang berpengaruh terhadap pertumbuhan ekonomi yang
diperlihatkan melalui data peningkatan PDRB DKI Jakarta sejak tahun 1983 sampai tahun
2006. Hipotesis yang digunakan yaitu bahwa keduanya saling mempengaruhi. Dengan
adanya akumulasi kapital, peningkatan PDRB akan terjadi. Sebaliknya, PDRB yang tinggi
akan mendorong adanya akumulasi kapital, baik pemerintah maupun swasta, karena daerah
1
Pertumbuhan (gt) = {(GDPt – GDPt-1) / GDP t-1} x 100% (Mankiw, 2007)
2
Data yang digunakan yaitu Gross Capital Formation
dengan PDRB yang cukup tinggi diasumsikan memiliki infrastruktur yang baik sehingga
mendorong terjadinya investasi (akumulasi kapital). Hal ini akan terus terjadi secara timbal
balik karena adanya interaksi yang saling mempengaruhi tersebut.
Dengan hipotesis ini, tim penyusun akan menganalisis korelasi antara PDRB
Provinsi DKI Jakarta dengan Gross Capital Formation (GCF) DKI Jakarta sejak tahaun
1983 sampai tahun 2006 dengan menggunakan metode Vector Auto Regressive (VAR).
Vector Auto Regression (VAR) merupakan alat analisis atau metode statistik yang bisa
digunakan baik untuk memproyeksikan sistem variabel-variabel runtut waktu maupun
untuk menganalisis dampak dinamis dari faktor gangguan yang terdapat dalam sistem
variabel tersebut. Selain itu, VAR Analysis juga merupakan alat analisis yang sangat
berguna dalam memahami adanya hubungan timbal balik antara variabel-variabel ekonomi
(Hadi, 2003).
Diharapkan melalui minipaper ini, pemahaman tim penyusun terhadap VAR tidak
hanya secara teoritis tetapi juga secara aplikatif. Secara khusus, fokus masalah yang
dibahas dalam minipaper ini yaitu :

1. Menentukan lag yang paling appropriate dalam menganalisis hubungan timbal

balik antara variable pendapatan daerah (PDRB) dengan investasi daerah (Gross
Capital Formation)

2. Menganalisis output Impulse Response Test dan Variance Decomposition

II. Landasan Teori

 Dalam minipaper ini, tim penyusun menggunakan dua landasan teori yaitu:
1. Teori Harrod-Domar
Dalam teori Harrod-Domar, dijelaskan adanya hubungan langsung antara besarnya
stok modal keseluruhan, K, dengan GNP, Y, yang diformulasikan sebagai rasio
modal/output (capital/output ratio, COR). Maka, semakin tinggi peningkatan stok modal,
semakin tinggi pula output yang dapat dihasilkan. Secara sederhana, teori Harrod-Domar
dapat dituliskan sebagai berikut: ΔY/Y = s/k
dimana:
• ΔY/Y adalah tingkat perubahan atau tingkat pertumbuhan GNP (yaitu, persentase
perubahan GNP);

• s adalah rasio tabungan nasional; dan

• k adalah rasio modal/output nasional.

Persamaan di atas menyatakan bahwa tingkat pertumbuhan GNP (ΔY/Y) ditentukan
bersama-sama oleh rasio tabungan nasional, s, dan rasio modal/output nasional, k. Persamaan
tersebut juga menyatakan bahwa tingkat pertumbuhan pendapatan nasional akan secara langsung
berkaitan dengan rasio tabungan artinya semakin banyak bagian dari GNP yang ditabung, dan
diinvestasikan, maka pertumbuhan GNP juga akan semakin besar dan sebaliknya lebih besar, k,
maka pertumbuhan GNP akan semakin kecil.

Sebenarnya logika dari persamaan di atas sangat sederhana. Agar bisa tumbuh, maka
perekonomian harus menabung dan menginvestasikan sebagian dari GNPnya. Lebih banyak yang
dapat ditabung dan kemudian ditanamkan, maka akan lebih cepat lagi perekonomian itu tumbuhnya.
Akan tetapi, tingkat pertumbuhan yang dapat dijangkau pada setiap tingkat tabungan dan investasi
tergantung kepada produktivitas investasi tersebut. Produktivitas investasi adalah banyaknya
tambahan output yang didapat dari suatu unit investasi dapat diukur dengan “inverse” rasio
kapital/output, k, karena inverse ini, 1/k, adalah rasio output/kapital atau output/investasi. Kemu-
dian, dengan mengalikan tingkat inverse baru s = I/Y, dengan produktivitasnya, 1/k, maka akan
didapat tingkat pertumbuhan pendapatan nasional atau GNP yang meningkat.

Disinilah hubungan timbal balik antara tingkat pendapatan nasional dan tingkat investasi
tersebut terjadi, oleh karena pendapatan nasional dan investasi tersebut saling mempengaruhi satu
sama lain (Hadi, 2003). Sebagaimana disebutkan sebelumnya, dapat dilakukan analogi antara output
nasional dengan output daerah dan investasi nasional dengan investasi daerah (disesuaikan dengan
data).
2. Model Solow

Dalam model pertumbuhan ekonominya, Solow menentukan fungsi produksi dan

konsumsi sebagai berikut :

• Fungsi Produksi:

Y = F (K,L)

Y/L = F (K/L, 1), dengan y = Y/L dan k = K/L, maka:

y = f (k), jumlah modal per pekerja menentukan jumlah output per pekerja

• Fungsi Konsumsi:

y=c+i à s =MPS, sehingga (1-s) = MPC dan c = (1-s)y

i=y–c à i = y – (1-s)y à i =sy à i = sf(k)

Model ini menunjukkan bahwa dalam jangka panjang, tingkat tabungan

perkonomian menunjukkan ukuran persediaan modal dan tingkat produksinya. Semakin
tinggi tingkat tabungan, semakin tinggi pula persediaan modal dan semakin tinggi tingkat
output (Mankiw,2007).
 III. Data

Data yang digunakan dalam analisis VAR ini adalah data PDRB (Produk Domestik
Regional Bruto) untuk mewakili tingkat pertumbuhan ekonomi atau pendapatan daerah
serta data GCF (Gross Capital Formation) untuk mewakili akumulasi modal atau investasi.
Keduanya berdasarkan harga yang berlaku. Studi ini menggunakan data tahunan secara
runtut dari tahun 1983 sampai tahun 2006 dengan sumber data yang digunakan yaitu
laporan dari BPS (Badan Pusat Statistik). Berikut data yang kami peroleh (dalam juta
Rupiah):

Gross Capital
Tahun PDRB
Formation
1983 8347899 3062970
1984 10211464 3635735
1985 11262641 4079210
1986 12680184 4909483
1987 14787032 6238818
1988 16796033 7119692
1989 19783936 9343941
1990 22830244 10438531
1991 26355150 10392384
1992 30923646 11833776
1993 51106459 25377549
1994 58785331 26612796
1995* 69988210 31700975
1996* 82070224 37497037
1997 96651258 40043318
1998 138563783 47665709
1999 164309041 61367885
2000 189075400 72380966
2001* 263691915 83737964
2002 299967604 72644539
2003 334331300 109110205
2004 375561523 115006202
2005* 433860252 139007948
2006* 501584807 157768831

*) angka estimasi

Sumber : Laporan BPS (1994, 1997, 2001, 2004, 2007)

 IV. Pengolahan dan Analisis Data

Dalam melakukan analisis VAR, terdapat beberapa tahap3 yang harus dilakukan,
meliputi:

1. Unit Root Test

Sebelum melakukan analisis VAR, hasur dipastikan bahwa data time series yang
akan digunakan sudah stationer. Melalui unit root test dapat dianalisis apakah data yang
akan digunakan sudah stationer atau belum, dan pada level berapa data tersebut stasioner.
Apakah data yang kita punya tersebut stasioner di level dasar atau di level kedua, dan
seterusnya.

Berikut output yang yang diperoleh untuk variabel PDRB dan GCF:

a. Product Domestic Regional Bruto (PDRB)

Null Hypothesis: D(PDRB,2) has a unit root

Exogenous: Constant, Linear Trend
Lag Length: 0 (Automatic based on SIC, MAXLAG=0)
t-Statistic Prob.*
Augmented Dickey-Fuller test statistic -6.850166 0.0001
Test critical values: 1% level -4.467895
5% level -3.644963
10% level -3.261452
*MacKinnon (1996) one-sided p-values.

Augmented Dickey-Fuller Test Equation

Dependent Variable: D(PDRB,3)
Method: Least Squares
Date: 05/13/10 Time: 12:19
Sample(adjusted): 1986 2006
Included observations: 21 after adjusting endpoints
Variable Coefficient Std. Error t-Statistic Prob.
D(PDRB(-1),2) -1.446361 0.211143 -6.850166 0.0000
C -1882799. 8101436. -0.232403 0.8188
@TREND(1983) 481328.3 568291.1 0.846975 0.4081
R-squared 0.722775 Mean dependent var 487534.0
Adjusted R-squared 0.691972 S.D. dependent var 28228015
S.E. of regression 15666622 Akaike info criterion 36.10353
Sum squared resid 4.42E+15 Schwarz criterion 36.25274
Log likelihood -376.0870 F-statistic 23.46459
Durbin-Watson stat 2.463956 Prob(F-statistic) 0.000010
b. Gross Capital Formation (GCF)

3
Tahapan VAR: 1. Uji Akar Unit, 2. The lIkelihood Ratio Test, 3.The Granger Causality
Test, 4. The Impulse Respon Test, 5.The Cholenski Decomposition (Hadi, 2003)
Dalam buku Gujarati, Uji VAR langsung dilakukan dengan data yang stationer, output
didapatkan berupa Impulse Response Test dan Variance Decomposition
 Null Hypothesis: GCF has a unit root
Exogenous: Constant, Linear Trend
Lag Length: 0 (Automatic based on SIC, MAXLAG=0)
t-Statistic Prob.*
Augmented Dickey-Fuller test statistic -0.088649 0.9917
Test critical values: 1% level -4.416345
5% level -3.622033
10% level -3.248592
*MacKinnon (1996) one-sided p-values.

Augmented Dickey-Fuller Test Equation

Dependent Variable: D(GCF)
Method: Least Squares
Date: 05/13/10 Time: 12:30
Sample(adjusted): 1984 2006
Included observations: 23 after adjusting endpoints
Variable Coefficient Std. Error t-Statistic Prob.
GCF(-1) -0.010337 0.116602 -0.088649 0.9302
C -3487599. 4723329. -0.738377 0.4689
@TREND(1983) 886112.0 696620.2 1.272016 0.2180
R-squared 0.326209 Mean dependent var 6726342.
Adjusted R-squared 0.258830 S.D. dependent var 9848975.
S.E. of regression 8479102. Akaike info criterion 34.86521
Sum squared resid 1.44E+15 Schwarz criterion 35.01332
Log likelihood -397.9500 F-statistic 4.841408
Durbin-Watson stat 3.058107 Prob(F-statistic) 0.019286

Berdasarkan hasil unit root test, disimpulkan bahwa variabel PDRB stasioner pada
turunan keduanya (order 2 atau second difference). Sedangkan variabel GCF sudah
stationer pada data dasarnya (order 0 atau level). Keduanya dengan tingkat kepercayaan
99%.

2. VAR

Dengan menggunakan metode trial and error, berikut hasil estimasi VAR yang
diperoleh dengan lag 3, 4 dan 5.

Vector Autoregression Estimates

Date: 05/13/10 Time: 12:38
Sample(adjusted): 1988 2006
Included observations: 19 after adjusting
Endpoints
Standard errors in ( ) & t-statistics in [ ]
DDPDRB GCF
DDPDRB(-1) -0.574857 -0.281591
(0.29565) (0.13935)
[-1.94439] [-2.02074]

DDPDRB(-2) -0.622416 0.010231

(0.33551) (0.15814)
[-1.85516] [ 0.06470]
 DDPDRB(-3) 0.316605 -0.021608
(0.40533) (0.19105)
[ 0.78111] [-0.11310]

GCF(-1) -0.288647 0.639182

(0.62736) (0.29570)
[-0.46010] [ 2.16161]

GCF(-2) 1.297574 0.438521

(0.75981) (0.35812)
[ 1.70777] [ 1.22450]

GCF(-3) -0.978750 0.172706

(0.71186) (0.33553)
[-1.37492] [ 0.51473]

C 1027927. 2063430.
(5479745) (2582799)
[ 0.18759] [ 0.79891]
R-squared 0.585749 0.986679
Adj. R-squared 0.378623 0.980018
Sum sq. resids 2.32E+15 5.15E+14
S.E. equation 13892258 6547916.
F-statistic 2.827986 148.1363
Log likelihood -335.0843 -320.7928
Akaike AIC 36.00887 34.50450
Schwarz SC 36.35682 34.85245
Mean dependent 3453564. 56265803
S.D. dependent 17623623 46321781
Determinant Residual 7.30E+27
Covariance
Log Likelihood (d.f. adjusted) -663.4134
Akaike Information Criteria 71.30667
Schwarz Criteria 72.00258

Vector Autoregression Estimates

Date: 05/13/10 Time: 12:34
Sample(adjusted): 1989 2006
Included observations: 18 after adjusting
Endpoints
Standard errors in ( ) & t-statistics in [ ]
DDPDRB GCF
DDPDRB(-1) -0.436563 -0.094381
(0.29463) (0.17683)
[-1.48174] [-0.53373]

DDPDRB(-2) -1.043587 -0.036031

(0.29115) (0.17474)
[-3.58440] [-0.20620]

DDPDRB(-3) 0.056144 -0.004845

(0.33427) (0.20062)
[ 0.16796] [-0.02415]

DDPDRB(-4) -1.033895 -0.383947

(0.35827) (0.21503)
[-2.88578] [-1.78556]

GCF(-1) -0.275222 0.513253

 (0.50083) (0.30059)
[-0.54953] [ 1.70748]

GCF(-2) 2.032225 0.605249

(0.62327) (0.37408)
[ 3.26058] [ 1.61798]

GCF(-3) -2.447346 -0.535584

(0.83867) (0.50336)
[-2.91811] [-1.06402]

GCF(-4) 0.722395 0.799108

(0.76244) (0.45760)
[ 0.94748] [ 1.74629]

C 3502946. 2828776.
(4552552) (2732368)
[ 0.76945] [ 1.03528]
R-squared 0.817892 0.989858
Adj. R-squared 0.656019 0.980842
Sum sq. resids 1.02E+15 3.66E+14
S.E. equation 10623228 6375889.
F-statistic 5.052667 109.7959
Log likelihood -310.5165 -301.3272
Akaike AIC 35.50184 34.48080
Schwarz SC 35.94702 34.92598
Mean dependent 3650864. 58996142
S.D. dependent 18112954 46064666
Determinant Residual 4.46E+27
Covariance
Log Likelihood (d.f. adjusted) -624.0719
Akaike Information Criteria 71.34132
Schwarz Criteria 72.23169

Vector Autoregression Estimates

Date: 05/13/10 Time: 20:25
Sample(adjusted): 1990 2006
Included observations: 17 after adjusting
Endpoints
Standard errors in ( ) & t-statistics in [ ]
DDPDRB GCF
DDPDRB(-1) -0.276574 -0.234566
(0.37762) (0.21974)
[-0.73241] [-1.06746]

DDPDRB(-2) -1.129024 -0.120906

(0.45526) (0.26492)
[-2.47993] [-0.45638]

DDPDRB(-3) 0.225780 -0.338772

(0.69234) (0.40288)
[ 0.32611] [-0.84087]

DDPDRB(-4) -1.122391 -0.693319

(1.00817) (0.58666)
[-1.11330] [-1.18180]

DDPDRB(-5) 0.538244 -0.595457

(0.87296) (0.50799)
 [ 0.61657] [-1.17219]

GCF(-1) -0.012782 0.463447

(0.70314) (0.40917)
[-0.01818] [ 1.13266]

GCF(-2) 2.067861 0.820747

(0.94872) (0.55207)
[ 2.17963] [ 1.48667]

GCF(-3) -3.094925 -0.264644

(1.18056) (0.68698)
[-2.62158] [-0.38523]

GCF(-4) 1.871648 0.283757

(1.46316) (0.85143)
[ 1.27918] [ 0.33327]

GCF(-5) -1.025169 0.130662

(1.63988) (0.95426)
[-0.62515] [ 0.13692]

C 2458053. 2901003.
(6920537) (4027134)
[ 0.35518] [ 0.72036]
R-squared 0.848840 0.991480
Adj. R-squared 0.596908 0.977281
Sum sq. resids 8.42E+14 2.85E+14
S.E. equation 11845717 6893149.
F-statistic 3.369317 69.82511
Log likelihood -292.1567 -282.9523
Akaike AIC 35.66549 34.58262
Schwarz SC 36.20463 35.12176
Mean dependent 3808038. 61916860
S.D. dependent 18657748 45732132
Determinant Residual 5.73E+27
Covariance
Log Likelihood (d.f. adjusted) -591.5247
Akaike Information Criteria 72.17938
Schwarz Criteria 73.25765

Berdasarkan output yang diperoleh, nilai dari Akaike AIC dan Schwarz SC yang
paling kecil yaitu diperoleh dengan menggunakan lag empat. Ketika lag yang digunakan
hanya 3, nilai AIC dan SC yaitu 36 dan 36,36, sedangkan dengan lag 5, diperoleh AIC dan
SC 35,6 dan 36,2 (keduanya masih lebih besar dari nilai AIC dan SC lag 4 yaitu 35,5 dan
35,9). Jadi, untuk menganalisis output VAR digunakan lag 4.

Output VAR terdiri dari :

a. The Impulse Response Test

 The Impulse Response Test digunakan untuk melihat pengaruh kontemporer
(pada saat yang bersamaan) dari suatu variabel terhadap variabel yang lain
(Hadi, 2003). Adapun hasil output yang diperoleh yaitu :

Response of DDPDRB:
Period DDPDRB GCF
1 10623228 0.000000
2 -4927285. -1730725.
3 -6669630. 12646867
4 5002495. -14094297
5 -3656252. 840778.7
6 683615.6 3962659.
7 4881443. 1206041.
8 -1317883. -785098.6
9 -455218.3 3045902.
10 -1858597. -4432076.
Response of GCF:
Period DDPDRB GCF
1 1052168. 6288474.
2 -462600.0 3227576.
3 481668.2 5626002.
4 159260.0 341782.4
5 -2824883. 7760024.
6 107833.9 4787421.
7 1248963. 6274900.
8 -41797.54 7385951.
9 -231666.3 10914404
10 -922626.7 8750642.
Cholesky Ordering:
DDPDRB GCF

Dari uji yang dilakukan, dapat dilihat bahwa satu standar deviasi dari
PDRB sebesar 10623228 tidak membawa efek apapun terhadap variable GCF
(standar deviasinya sama dengan nol). Setelah satu periode, guncangan pada
variable PDRB (dapat dilihat dari standar deviasinya yang negatif)
menyebabkan standar deviasi dari GCF juga menjadi di bawah rata-ratanya.
Tapi di periode ketiga, ketika terjadi penurunan lagi di variable PDRB, standar deviasi PDRB
malah sudah naik menjadi di atas rata-ratanya.
Di lain pihak, satu standar deviasi dari variabel GCF sebesar 6288474 di atas rata-
ratanya menyebabkan peningkatan standar deviasi dari variabel PDRB menjadi 1052168.
Sedangkan pada period ke 2, standar deviasi sebesar 3227576 diatas rata-ratanya member
efek negative pada PDRB sebanyak 462600 di bawah rata-ratanya.

b. Variance Decomposition

The Cholenski Decomposition, atau biasa disebut juga Variance

Decomposition, merupakan susunan forecasting mengenai error variance dari suatu
variabel (Hadi, 2003). Dengan menggunan E-views, diperoleh output sebagai
berikut:

Variance Decomposition of DDPDRB:

Period S.E. DDPDRB GCF
1 10623228 100.0000 0.000000
2 11837504 97.86235 2.137646
3 18562158 52.71023 47.28977
4 23837531 36.36569 63.63431
5 24130955 37.78243 62.21757
6 24463707 36.83968 63.16032
7 24975107 39.16660 60.83340
8 25022174 39.29679 60.70321
9 25210988 38.74298 61.25702
10 25664988 37.90885 62.09115
Variance Decomposition of GCF:
Period S.E. DDPDRB GCF
1 6375889. 2.723258 97.27674
2 7161229. 2.576002 97.42400
3 9119601. 1.867398 98.13260
4 9127392. 1.894656 98.10534
5 12308827 6.308865 93.69114
6 13207508 5.486190 94.51381
7 14675576 5.167754 94.83225
8 16429442 4.123963 95.87604
9 19725731 2.874637 97.12536
10 21599292 2.580026 97.41997
Cholesky Ordering: DDPDRB GCF

Dari test yang dilakukan, dapat dilihat bahwa, untuk PDRB, terlihat pada periode
satu perkiraan error variance seluruhnya (100%) dijelaskan oleh variable PDRB itu sendiri.
Namun pada periode kedua, GCF sudah mempunyai pengaruh terhadap perkiraan error
variance walaupun hanya sekitar 2,14%. Pada periode-periode berikutnya pengaruh
variable GCF terhadap error variance dari PDRB mengalami fluktuasi tetapi masih dalam
rentang 50% (pada periode ke-10 sebesar 62%).

Adapun tabel variance decomposition untuk GCF terlihat bahwa, pada periode
prtama pun PDRB sudah berpengaruh terhadap perkiraan error variance dari GCF sebesar
2, 72%. Pada periode-periode selanjutnya pengaruh tersebut berfluktuasi namun pada
periode ke 10 turun hingga 2,58%.

3. The Granger Test Causality

Melalui granger test ini, tim penyusun ingin memperjelas atau mempertegas dan
memeriksa hubungan kausalitas antara kedua variabel; apakah variable kenaikan PDRB
menyebabkan kenaikan GCF, kenaikan GCF menyebabkan peningkatan PDRB, atau
keduanya memiliki hubungan timbal balik (saling menyebabkan).

Pairwise Granger Causality Tests

Date: 05/13/10 Time: 12:50
Sample: 1983 2006
Lags: 4
Null Hypothesis: Obs F-Statistic Probability
GCF does not Granger Cause DDPDRB 18 3.78302 0.04515
DDPDRB does not Granger Cause GCF 2.42033 0.12459

Dari hasil output dikami peroleh, dapat disimpulkan bahwa PDRB Granger cause
to variable GCF dan begitu juga sebaliknya. Ini semakin membuktikan hipotesis kami
bahwa memang ada pengaruh antara variable PDRB dengan GCF atau dengan kata lain,
ada hubungan antara pertumbuhan ekonomi atau peningkatan pendapatan daerah (PDRB)
dan akumulasi kapital atau investasi daerah (Gross Capital Formation) DKI Jakarta.

4. Forecasting

Untuk melakukan forecasting, persamaan yang digunakan yaitu:

System: UNTITLED
Estimation Method: Least Squares
Date: 05/14/10 Time: 13:31
Sample: 1989 2006
Included observations: 18
Total system (balanced) observations 36
Coefficient Std. Error t-Statistic Prob.
C(1) -0.436563 0.294629 -1.481738 0.1557
C(2) -1.043587 0.291147 -3.584399 0.0021
C(3) 0.056144 0.334269 0.167959 0.8685
C(4) -1.033895 0.358272 -2.885780 0.0098
C(5) -0.275222 0.500832 -0.549529 0.5894
C(6) 2.032225 0.623272 3.260575 0.0043
C(7) -2.447346 0.838674 -2.918112 0.0092
C(8) 0.722395 0.762439 0.947479 0.3559
C(9) 3502946. 4552552. 0.769447 0.4516
C(10) -0.094381 0.176831 -0.533733 0.6001
C(11) -0.036031 0.174742 -0.206196 0.8390
C(12) -0.004845 0.200623 -0.024147 0.9810
C(13) -0.383947 0.215029 -1.785557 0.0910
C(14) 0.513253 0.300591 1.707477 0.1049
C(15) 0.605249 0.374078 1.617977 0.1231
C(16) -0.535584 0.503359 -1.064020 0.3014
C(17) 0.799108 0.457604 1.746289 0.0978
C(18) 2828776. 2732368. 1.035284 0.3142
Determinant residual covariance 1.12E+27
Equation: DDPDRB = C(1)*DDPDRB(-1) + C(2)*DDPDRB(-2) + C(3)
*DDPDRB(-3) + C(4)*DDPDRB(-4) + C(5)*GCF(-1) + C(6)*GCF(-2)
+ C(7)*GCF(-3) + C(8)*GCF(-4) + C(9)
Observations: 18
R-squared 0.817892 Mean dependent var 3650864.
Adjusted R-squared 0.656019 S.D. dependent var 18112954
S.E. of regression 10623228 Sum squared resid 1.02E+15
Durbin-Watson stat 1.609810
Equation: GCF = C(10)*DDPDRB(-1) + C(11)*DDPDRB(-2) + C(12)
*DDPDRB(-3) + C(13)*DDPDRB(-4) + C(14)*GCF(-1) + C(15)
*GCF(-2) + C(16)*GCF(-3) + C(17)*GCF(-4) + C(18)
Observations: 18
R-squared 0.989858 Mean dependent var 58996142
Adjusted R-squared 0.980842 S.D. dependent var 46064666
S.E. of regression 6375889. Sum squared resid 3.66E+14
Durbin-Watson stat 2.366077

V. Kesimpulan

1. Berdasarkan proses iterasi (trial and error) Vector Autoregressive Regresion dalam
menganalisis hubungan timbal balik antara variable pertumbuhan ekonomu (PDRB) dengan
akumulasi kapital (Gross Capital Formation) DKI Jakarta sejak tahun 1983 sampai 2006,
diperoleh lag ke 4 sebagai lag dengan SIC dan AIC terkecil yaitu. Granger Causality Test
dengan lag 4 pun memperlihatkan bahwa kedua variabel yang diamati saling granger cause
(saling menyebabkan). Sehingga lag $ inilah yang digunakan dalam menganalisis output
VAR.

2. Analisis output Impulse Response Test dan Variance Decomposition

Berdasarkan output yang diperoleh dari Eviews, disimpulkan bahwa ada hubungan
timba balik antara variable PDRB dengan GCF. Dapat disimpulkan pula bahwa jika terjadi
shock pada variable PDRB, maka hasil impulse responsenya dapat dilihat dari dampaknya
yang berfluktuatif pada variable GCF. Begitu juga ketika shock terjadi di variable GCF,
akan berpengaruh pada variable PDRB dengan periode yang tidak tentu.

Ditarik kesimpulan pula bahwa dalam beberapa periode, pengaruh variable GCF
terhadap error variance dari PDRB mengalami fluktuasi tetapi masih dalam rentang 50%
(pada periode ke-10 sebesar 62%).

Referensi
Badan Pusat Statistik. 1994. PDRB Provinsi-Provinsi di Indonesia menurut Penggunaan
1987-1992. Jakarta : BPS.
Badan Pusat Statistik. 1997. PDRB Provinsi-Provinsi di Indonesia menurut Penggunaan
1993-1996. Jakarta : BPS.
Badan Pusat Statistik. 2001. PDRB Provinsi-Provinsi di Indonesia menurut Penggunaan
1997-2000. Jakarta : BPS.
Badan Pusat Statistik. 2002. PDRB Provinsi-Provinsi di Indonesia menurut Penggunaan
1999-2002. Jakarta : BPS.
Badan Pusat Statistik. 2007. PDRB Provinsi-Provinsi di Indonesia menurut Penggunaan
2002-2006. Jakarta : BPS.
Gujarati, Damodar N. 2009. Basic Econometrics 5th. Singapore: McGraw Hill.
Hadi, Yonathan S. 2003. Analsisis Vector Auto Regression (VAR) terhadap Korelasi antara
Pendapatan Nasional dan Investasi Pemerintah di Indonesia. Jurnal Keuangan dan
Moneter, Volume 6 Nomor 2. www.bi.go.id (April 2010)
Mankiw, G. 2007. Makroekonomi Edisi Keenam. Jakarta: Erlangga.

Portal Indonesia. 2010. DKI Jakarta. www.indonesia.go.id. (Mei 2010)

Todaro, Michael P. 2006. Economic Development 9th. United State of America: Pearson
Eduction.