3.2.

Hasil Estimasi VAR

Dalam kajian VAR ini digunakan lag 2, karena lebih efisien dan efektif. Efisien karena cukup
menggunakan 2 periode waktu yang akan datang, efektif karena tetap dapat menunjukkan dampak
perubahan suatu instrumen terhadap perekonomian secara makro. Hasil estimasi ditunjukkan baik
berupa simbol, koefisien, maupun matriks.
a.Tampilan Estimasi Berupa Simbol
Estimation Proc:

===============================

LS 1 2 Y P M R E @ C

VAR Model:

===============================

Y = C(1,1)*Y(-1) + C(1,2)*Y(-2) + C(1,3)*P(-1) + C(1,4)*P(-2) + C(1,5)*M(-1) + C(1,6)*M(-2) +

C(1,7)*R(-1) + C(1,8)*R(-2) + C(1,9)*E(-1) + C(1,10)*E(-2) + C(1,11)

P = C(2,1)*Y(-1) + C(2,2)*Y(-2) + C(2,3)*P(-1) + C(2,4)*P(-2) + C(2,5)*M(-1) + C(2,6)*M(-2) +

C(2,7)*R(-1) + C(2,8)*R(-2) + C(2,9)*E(-1) + C(2,10)*E(-2) + C(2,11)

M = C(3,1)*Y(-1) + C(3,2)*Y(-2) + C(3,3)*P(-1) + C(3,4)*P(-2) + C(3,5)*M(-1) + C(3,6)*M(-2) +

C(3,7)*R(-1) + C(3,8)*R(-2) + C(3,9)*E(-1) + C(3,10)*E(-2) + C(3,11)

R = C(4,1)*Y(-1) + C(4,2)*Y(-2) + C(4,3)*P(-1) + C(4,4)*P(-2) + C(4,5)*M(-1) + C(4,6)*M(-2) +

C(4,7)*R(-1) + C(4,8)*R(-2) + C(4,9)*E(-1) + C(4,10)*E(-2) + C(4,11)

E = C(5,1)*Y(-1) + C(5,2)*Y(-2) + C(5,3)*P(-1) + C(5,4)*P(-2) + C(5,5)*M(-1) + C(5,6)*M(-2) +

C(5,7)*R(-1) + C(5,8)*R(-2) + C(5,9)*E(-1) + C(5,10)*E(-2) + C(5,11)

b.Tampilan VAR Lag 2 Berupa Koefisien

VAR Model – Substituted Coefficients:

===============================

Y = 0.8757945521*Y(-1) + 0.02671489246*Y(-2) – 1.425514087*P(-1) + 0.8100282835*P(-2) –

0.3395564012*M(-1) + 1.063531408*M(-2) + 0.02934851156*R(-1) + 0.1314842698*R(-2) –
0.0002862086436*E(-1) – 0.001551540781*E(-2) + 30.96460818

P = – 0.020198669*Y(-1) + 0.04546276205*Y(-2) + 0.7611094899*P(-1) – 0.0637938657*P(-2) +

0.1011042322*M(-1) – 0.02296019482*M(-2) – 0.1344723065*R(-1) + 0.118624752*R(-2) +
0.001685997572*E(-1) + 1.615096422e-005*E(-2) – 1.382284814

M = 0.1254988439*Y(-1) – 0.01561600657*Y(-2) – 1.123179647*P(-1) + 1.215551101*P(-2) +

0.8658221451*M(-1) – 0.1212863533*M(-2) – 0.1336737432*R(-1) + 0.1307470657*R(-2) +
0.002486505773*E(-1) – 0.0001427459943*E(-2) – 29.74282527

R = – 0.1047896571*Y(-1) + 0.1694115645*Y(-2) + 0.3213719874*P(-1) – 0.6716347008*P(-2) –

0.002334828961*M(-1) – 0.01670964356*M(-2) + 0.02345419108*R(-1) + 0.3935058396*R(-2) +
0.00465172967*E(-1) – 0.001847065936*E(-2) – 2.384118383

E = – 22.39709951*Y(-1) + 24.17942775*Y(-2) + 85.95522287*P(-1) – 133.5206866*P(-2) +

44.82929932*M(-1) – 30.14977692*M(-2) – 156.0591332*R(-1) + 88.42786944*R(-2) +
1.100895947*E(-1) + 0.00372188908*E(-2) + 2037.351855

Bedasarkan tampilan VAR (lag 2) dalam bentuk koefisien, dapat dijelaskan hal-hal berikut ini. Output
dalam model VAR ini disebabkan oleh 0.88 Y(-1), 0.03 Y(-2), -1,43 P(-1), 0,81 P(-2), – 0,34 M(-1),
1,06 M(-2), 0,03 R(-1), 0,13 R(-2) , -0,0003 E(-1), dan -0,002 E(-2). Artinya pengaruh terbesar
terhadap kestabilan ekonomi makro Indonesia disebabkan oleh variabel harga (P) dan dampaknya
dapat dirasakan pada 1 (satu) periode yang akan datang.

c.Tampilan Berupa Matrik

Dalam bentuk matriks, hasil pengolahan data ditunjukkan pada Tabel 2 berikut ini.
Tabel 2. Matriks Hasil Pengolahan VAR
Vector Autoregression Estimates
Date: 09/27/07 Time: 23:22
Sample (adjusted): 1994Q3 2006Q4
Included observations: 50 after adjustments
Standard errors in ( ) & t-statistics in [ ]

Y P M R E

Y(-1) 0.875795 -0.020199 0.125499 -0.104790 -22.39710

(0.17323) (0.02234) (0.06412) (0.03885) (14.4739)
[ 5.05575] [-0.90430] [ 1.95733] [-2.69716] [-1.54741]

Y(-2) 0.026715 0.045463 -0.015616 0.169412 24.17943

(0.19502) (0.02515) (0.07218) (0.04374) (16.2950)
[ 0.13698] [ 1.80792] [-0.21633] [ 3.87314] [ 1.48386]

P(-1) -1.425514 0.761109 -1.123180 0.321372 85.95522

(1.24951) (0.16111) (0.46249) (0.28024) (104.402)
[-1.14086] [ 4.72407] [-2.42857] [ 1.14676] [ 0.82331]

P(-2) 0.810028 -0.063794 1.215551 -0.671635 -133.5207

(1.06487) (0.13731) (0.39414) (0.23883) (88.9745)
[ 0.76068] [-0.46461] [ 3.08402] [-2.81217] [-1.50066]

M(-1) -0.339556 0.101104 0.865822 -0.002335 44.82930

(0.43891) (0.05659) (0.16246) (0.09844) (36.6728)
[-0.77364] [ 1.78650] [ 5.32959] [-0.02372] [ 1.22241]

M(-2) 1.063531 -0.022960 -0.121286 -0.016710 -30.14978

(0.45304) (0.05841) (0.16768) (0.10161) (37.8531)
[ 2.34757] [-0.39305] [-0.72330] [-0.16445] [-0.79649]

R(-1) 0.029349 -0.134472 -0.133674 0.023454 -156.0591

(0.64502) (0.08317) (0.23875) (0.14467) (53.8946)
[ 0.04550] [-1.61683] [-0.55990] [ 0.16212] [-2.89564]
 R(-2) 0.131484 0.118625 0.130747 0.393506 88.42787
(0.48358) (0.06235) (0.17899) (0.10846) (40.4048)
[ 0.27190] [ 1.90248] [ 0.73048] [ 3.62821] [ 2.18855]

E(-1) -0.000286 0.001686 0.002487 0.004652 1.100896

(0.00259) (0.00033) (0.00096) (0.00058) (0.21676)
[-0.11033] [ 5.04037] [ 2.58957] [ 7.99497] [ 5.07896]

E(-2) -0.001552 1.62E-05 -0.000143 -0.001847 0.003722

(0.00296) (0.00038) (0.00109) (0.00066) (0.24710)
[-0.52463] [ 0.04235] [-0.13041] [-2.78471] [ 0.01506]

C 30.96461 -1.382285 -29.74283 -2.384118 2037.352

(27.3957) (3.53243) (10.1401) (6.14436) (2289.03)
[ 1.13027] [-0.39131] [-2.93319] [-0.38802] [ 0.89005]

R-squared 0.992285 0.998312 0.996295 0.929015 0.873115

Adj. R-squared 0.990307 0.997879 0.995345 0.910814 0.840580
Sum sq. resides 9467.461 157.4044 1297.034 476.2363 66095399
S.E. equation 15.58061 2.008982 5.766914 3.494451 1301.827
F-statistic 501.6069 2306.390 1048.698 51.04126 26.83641
Log likelihood -202.0368 -99.61681 -152.3422 -127.2942 -423.3116
Akaike AIC 8.521470 4.424672 6.533690 5.531768 17.37246
Schwarz SC 8.942115 4.845317 6.954335 5.952413 17.79311
Mean dependent 459.6615 102.6385 150.7082 16.12400 7357.680
S.D. dependent 158.2523 43.62258 84.52336 11.70120 3260.482

Determinant resid covariance (dof 1.92E+11

adj.)
Determinant resid covariance 5.53E+10
Log likelihood -973.1566
Akaike information criterion 41.12626
Schwarz criterion 43.22949

Koefisien determinasi (R2) menunjukkan peran masing-masing variabel dalam menjelaskan pengaruh
variabel eksogen tersebut dalam menjelaskan variasi variabel endogen. R2 terbesar adalah R2 dari
variabel P, artinya 99.8% stabilitas ekonomi makro Indonesia sebagai small open economy dapat
dijelaskan oleh variabel harga. Standar error variabel ini adalah 2,009 artinya kemungkinan
 kesalahan variabel ini sebagai variabel untuk memprediksi ketidakstabilan perekonomian Indonesia
adalah sebesar 2,009 persen (dapat naik atau turun sebesar 2,009%).

1. MODEL PERSAMAAN NON-LINIER (LOG ATAU IN).

DERIVASI:
PERSAMAAN NON-LINIER (LOG ATAU IN).
Bila regresi dengan variabel bebas (X) berupa variabel dummy, maka dikatagorikan sebagai
regresi dummy. Regresi logistik digunakan jika variabel terikatnya (Y) berupa variabel masuk katagori
klasifikasi. Misalnya, variabel Y berupa dua respon yakni gagal (dilambangkan dengan nilai 0) dan
berhasil (dilambangkan dengan nilai 1). Kondisi demikian juga sering dikatagorikan sebagai regresi
dengan respon biner. Seperti pada analisis regresi berganda, untuk regresi logistik variabel bebas (X)
bisa juga terdiri lebih dari satu variabel.
Regresi logistik merupakan suatu model persamaan yang digunakan untuk menganalisis data
kategorik dengan variabel respon berupa data kategori dan variabel bebasnya berupa variabel
kategori dan kontinyu (Hosmer dan Lemeshow, 1989). Nilai dari variabel respon (Y) dapat dibedakan
dalam dua kategori yaitu sehat atau tidak sehat yang dinotasikan dengan Y = 1 (sehat) dan Y = 0
(tidak sehat) dan akan mengikuti distribusi Bernoulli untuk setiap observasi. Dugaan dari hubungan
variabel respon (Y) dan variabel bebas (X) dinyatakan dengan E(y|x) yang memiliki probabilita antara
0 dan 1, atau 0≤E(y|x)≤1.

Menurut Agresti (1990), variabel respon dalam regresi logistik biner merupakan variabel dengan nilai
0 dan 1 yang merupakan random variable yang mengikuti sebaran Bernoulli. Menurut Hosmer dan
Lemeshow (1989), model regresi logistik dapat diuraikan dalam uraian penjelasan di bawah ini.
Bentuk umum model peluang regresi logistik dengan p faktor (variabel bebas) diformulasikan sebagai
berikut:

Nilai p(x) adalah peluang kejadian ‘sehat’ (y=1), sedangkan bj ; j=0,1,…,p adalah nilai parameter.
Model regresi logistik ini merupakan model nonlinier sehingga perlu dilakukan tranformasi logit untuk
memperoleh model linier agar dapat dilihat hubungan antara variabel respon dengan variabel bebas.
Hasil transformasi logit dari adalah sebagai berikut:

dan g(x)= β0 + β1x1 + β2x2 +…+ βpxp

Formulasi di atas merupakan fungsi linier dalam parameter-parameternya atau g(x) telah linier dalam
parameternya. Semua variabel bebas bersifat diskrit dan berskala nominal, maka variabel tersebut
hanya sebagai identifikasi saja dan tidak mempunyai nilai numerik sehingga diperlukan dummy
variable. Jika terdapat variabel bebas ke-j yang berskala kategorik (nominal) dengan k kategori, maka
diperlukan dummy variable sebanyak kj-1 yang dinamakan Dju dengan koefisien βju, u = 1,2,…,kj-1.
Sehingga model transformasi logit :
Dalam model regresi logistik, variabel respon diekspresikan sebagai berikut:

yi = π(x) + εi i = 1,2,3,…,n
Dimana εi mempunyai salah satu dari kemungkinan dua nilai, yaitu:
εi = 1- π(x), jika y=1 dengan peluang π(x) dan
εi = – π(x), jika y=0 dengan peluang [1- π(x)]
Dalam hal ini error (εi) mengikuti distribusi Binomial dengan rataan nol dan ragam π(x) [1- π(x)].
Analisis regresi logistik tersebut dapat diaplikasikan pada PKL 2009-2010, dimana variabel Y
merupakan peubah acak yang menyatakan status kesehatan wanita usia subur dengan dua kategori,
yaitu sehat dan tidak sehat. Sedangkan variabel X terdiri dari 12 variabel yaitu kebiasaan merokok,
aktifitisas fisik, kebiasaan makan makanan berserat, kebiasaan menggosok gigi, kebiasaan cuci
tangan, perilaku buang air besar,kebiasaan tidur di malam hari, sumber air minum, kondisi jamban,
kondisi tempat tinggal, status pekerjaan, dan umur. Berikut daftar variabel dan kategorinya dapat
dilihat pada Tabel 1.
Tabel 1. Daftar Variabel non Pendidikan dan Kategori
Variabel Nama Variabel Kategori
(1) (2) (3)
 Y Status kesehatan Sehat 1
wanita usia subur Tidak Sehat 0

X1 Kebiasaan Merokok Setiap hari 1 0 0

Kadang-kadang 0 1 0

Mantan perokok 0 0 1

Bukan perokok 0 0 0

X2 Aktifitas olahraga Ada 1

Tidak ada 0

X3 Konsumsi buah dan Baik 1

sayur Kurang 0

X4 Kebiasaan menggosok Sehat 1

gigi Tidak sehat 0

X5 Kebiasaan mencuci Sehat 1

tangan Tidak sehat 0

X6 Perilaku buang air besar Jamban 1

Bukan jamban 0

X7 Kebiasaan tidur di Sehat 1

malam hari Tidak sehat 0

X8 Sumber air minum Bersih 1

Tidak bersih 0

X9 Kondisi jamban Baik 1

Tidak baik 0

X10 Kondisi tempat tinggal Rumah sehat 1 0

Rumah kurang sehat 0 1

Rumah tidak sehat 0 0

X11 Status pekerjaan Bekerja 1

Tidak bekerja 0

X12 Umur Kuantitatif

Terdapat satu model lagi, dimana Y adalah peubah acak yang menyatakan status kesehatan wanita
usia subur. X adalah tingkat pendidikan wanita usia subur dan pengetahuan wanita usia subur tentang
kesehatan.

Tabel 2 Daftar Variabel Pendidikan dan Kategori

 Variabel Nama Variabel Kategori Parameter Coding
(1) (2) (3) (4) (5) (6) (7)
Y Status kesehatan Sehat 1
wanita usia subur Tidak Sehat 0

X1 Tingkat pendidikan Tidak pernah 0 0 0 0 0 0 0

tertinggi wanita sekolah 1 0 0 0 0 0 0
usia subur Belum lulus SD
0 1 0 0 0 0 0
SD/Sederajat
0 0 1 0 0 0 0
SMP/Sederajat
0 0 0 1 0 0 0
SMA/Sederajat
0 0 0 0 1 0 0
DI/D3
0 0 0 0 0 1 0
DIV/S1
0 0 0 0 0 0 1
S2/S3

ESTIMASI:
PERSAMAAN NON-LINIER (LOG ATAU IN).
1. MODEL PERSAMAAN SIMULTAN.
DERIVASI:
PERSAMAAN SIMULTAN.
Model Persamaan Simultan

ESTIMASI:
PERSAMAAN SIMULTAN.
“PENGARUH ZAKAT TERHADAP VARIABEL MAKRO EKONOMI INDONESIA”
Latar – Lahirnya Undang-undang Pajak No.17/2000 yang memungkinkan
Belakang pembayaran pajak bias terkurangi dengan pembayaran zakat. Dan juga
Penelitian kehadiran Undang-undang No. 38 tahun 1999 tentang pengelolaan zakat.
– Dalam kondisi krisis ekonomi yang berkelanjutan, sangat sulit
mengandalkan pengentasan kemiskinan, pertumbuhan ekonomi,
peningkatan pproduksi, peningkatan lapangan kerja dan sebagainya
melalui APBN sangatlah terbatas, sehingga pemerintah yang memiliki
tanggung jawab untuk memberikan jaminan social kepada rakyatnya tidak
mampu.

– Menurut konsep Islam, pemerintah dapat melaksanakan suatu

aturan yang mendorong orang-orang kaya untuk memberikan bantuan
kepada kelompok dhuafa dan mustadh’afin, berupa zakat dan shadaqah.
– Zakat juga berartiu pertumbuhan, karena dengan memberikan
hak fakir miskin dan lain-lain yang terdapat dalam harta benda kita, maka
terjadilah sirkulasi uang dalam masyarakat yang mengakibatkan
bertambah berkembangnya fungsi uang itu dalam masyarakat.

Tujuan – Mengetahui pengaruh zakat terhadap variabel makro ekonomi

Penelitian Indonesia (Kemiskinan, pertumbuhan, investasi)
– Kebijakan apa yang harus ditempuh untuk meningkatkan
pendapatan masyarakat dhuafa (miskin)

Pengguna – Pemerintah, sebagai bahan pertimbangan dan masukan dalam hal

Hasil pengambilan keputusan
penelitian – Lembaga pengelola zakat, sebagai bahan masukan tentang
pengelolaan zakat
 – Masayarakt, sebagi bahan masukan dan laporan empiris tentang
manfaat zakat

Pelaksanaan Penelitian ini sebenranya merupakan Tesis pada Program Pascasarjana

dan data- Universitas Gadjahmada Yogyakarta, tahun 2004. Penelitian ini
data menggunakan data sekunder berupa laporan zakat tahunan dari forum
penelitian zakat, jumlah keluarga miskin, pendapatan masyarakat (PDRB), Indeks
Harga Konsumen, perolehan Pajak daerah, tingkat investasi, pengelualan
pemerintah dan upah minimum propinsi, dan tingakt tabungan
masyarakat.
Model Dasar Model dasar dalam penelitian ini dikembangkan oleh Choudhury dan Malik
(1992; 264) dengan model sebagai berikut:
Dimana:

Model Model Persamaan Simultan

Penelitian
ini
Implikasi Kebijakan Pendayagunaan Zakat
– Zakat digunakan untuk produktif 50%

– Zakat digunakan untuk produktif 25%

Hasil 1. Pengaruh zakat terhadap pengentasan kemiskinan

Penelitian 1. Pengaruh zakat terhadap variable makro ekonomi
Berdasarkan hasil perhitungan di atas, terlihat bahwa:
a. Hasil estimasi persamaa I
b. Hasil Estimasi persamaan II
c. Hasil estimasi persamaa III