III. METODE PENELITIAN
3.1 Jenis dan Sumber Data
Jenis data yang digunakan dalam penelitian ini adalah data sekunder yang merupakan data time series dari bulan Januari 2000 sampai Juni 2006. Data yang
digunakan adalah data Indeks Harga Saham IHSG, Hangseng dan STI, data consumer price index
CPI Indonesia, CPI Hongkong dan CPI Singapura yang merefleksikan tingkat inflasi dan data money market rate MMR Indonesia,
MMR Hongkong dan MMR Singapura yang merefleksikan tingkat suku bunga. Data-data tersebut diperoleh dari Bank Indonesia dan Badan Pengawas Pasar
Modal BAPEPAM.
Tabel 3. Data, Satuan, Simbol dan Sumber Data
No Jenis Data Satuan
Simbol Sumber
1. Indeks harga saham
- IHSG, Hangseng,STI
BAPEPAM 2.
Consumer price index -
CPII, CPIH, CPIS BI
3. Money market rate
persen MMRI, MMRH, MMRS
BI
Sumber: BI dan BAPEPAM 2007
3.2 Metode Analisis Data
Penelitian ini akan menggunakan alat analisis Vector Autoregression VAR. Jika data yang digunakan stasioner dan tidak terkointegrasi atau dengan
menggunakan alat analisis Vector Error Correction Model VECM jika data yang digunakan tidak stasioner namun terkointegrasi.
Vector Autoregression VAR adalah salah satu bentuk model
ekonometrika yang menjadikan suatu peubah sebagai fungsi linear dari konstanta
dan lag dari peubah itu sendiri serta nilai lag dari peubah lain yang terdapat dalam suatu sistem persamaan tertentu.
Keunggulan metode VAR dibandingkan dengan metode ekonometri
konvensional adalah :
1. Mengembangkan model secara bersamaan di dalam suatu sistem yang
kompleks multivariat, sehingga dapat menangkap hubungan keseluruhan variabel di dalam persamaan itu.
2. Uji VAR yang multivariat bisa menghindari parameter yang bias
akibat tidak dimasukkannya variabel yang relevan. 3.
Uji VAR dapat mendeteksi hubungan antar variabel di dalam sistem persamaan, dengan menjadikan seluruh variabel sebagai endogenous.
4. Karena bekerja berdasarkan data, metode VAR terbebas dari berbagai
batasan teori ekonomi yang sering muncul termasuk gejala perbedaan palsu
spurious variable endogenty and exogenty di dalam model ekonometri konvensional terutama pada persamaan simultan, sehingga
menghindari penafsiran yang salah. Namun model VAR juga memiliki banyak kritik sehingga terdapat banyak
beberapa kelemahan. Menurut Gujarati 1978, kelemahan VAR antara lain: 1.
Model VAR lebih bersifat teori karena tidak memanfaatkan informasi dari teori-teori terdahulu;
2. Karena lebih menitikberatkan pada peramalan forecasting, maka
model VAR dianggap tidak sesuai untuk implikasi kebijakan;
3. Tantangan terberat dalam VAR adalah pemilihan panjang lag yang
tepat; 4.
Semua variabel yang digunakan dalam model VAR harus stasioner; 5.
Koefisien dalam estimasi VAR sulit untuk diinterpretasikan. Secara keseluruhan, metode yang akan digunakan dalam penelitian ini
terbagi dalam empat tahap: 1.
Pengujian nonstasioneritas data dengan menggunakan uji Augmented Dickey Fuller
ADF. 2.
Apabila hasil uji ADF mengandung akar unit, maka dilakukan penarikan differensial sampai data stasioner. Jika variabel dalam
analisis tidak stasioner pada level, maka pendekatan VAR harus dikombinasikan dengan VECM.
3. Menentukan lag optimal dengan menggunakan kriteria Akaike
Information Criteria AIC. Kemudian digunakan pendekatan
Johansen untuk memperoleh rank kointegrasi dengan tujuan mendapatkan persamaan kointegrasi jangka panjang. Setelah jumlah
rank ditentukan maka dapat dilakukan pendekatan VECM untuk
memperoleh persamaan jangka pendek dan jangka panjang. 4.
Perilaku guncangan suatu variabel dan peran masing-masing guncangan terhadap variabel tertentu dengan menggunakan Impulse
Response Function IRF dan Variance Decomposition VD.
3.2.1 Model Umum Vector Autoregression
Hubungan kausalitas antar variabel di dalam sistem persamaan multivariat lebih rumit dibandingkan dengan bivariat. Persamaan VAR yang dapat dibentuk
adalah sebagai berikut:
⎥ ⎥
⎥ ⎦
⎤ ⎢
⎢ ⎢
⎣ ⎡
Zt Xt
Yt =
⎥ ⎥
⎥ ⎦
⎤ ⎢
⎢ ⎢
⎣ ⎡
33 32
31 23
22 21
13 12
11
L a
L a
L a
L a
L a
L a
L a
L a
L a
⎥ ⎥
⎥ ⎦
⎤ ⎢
⎢ ⎢
⎣ ⎡
Zt Xt
Yt +
⎥ ⎥
⎥ ⎦
⎤ ⎢
⎢ ⎢
⎣ ⎡
wt vt
ut 3
Hsiao dalam Natassyari 2006 secara terperinci telah membuat teorema pola hubungan antara variabel dalam sistem variabel berdasarkan nilai dalam a
ij
sebagai berikut : 1.
Bila variabel X tidak mempengaruhi Z, syaratnya adalah : a
32
L = 0 2.
Bila variabel X mempengaruhi Z, syaratnya adalah : a
32
L ≠ 0
3. Hubungan timbal balik antara variabel X dan Z, bila :
a
32
L ≠ 0 dan a
23
L ≠ 0
4. Hubungan tidak langsung dari variabel X dan Z melalui Y, syaratnya :
a
32
L = 0 ; a
31
L ≠ 0 ; a
12
L ≠ 0
Hubungan palsu jenis I dari variabel X terhadap Z jika dan hanya jika terdapat kondisi :
a
21
L = 0 ; a
32
L ≠ 0, untuk semua panjang lag
5. Hubungan palsu jenis II dari variabel X terhadap Z jika dan hanya jika
terdapat kondisi : a
32
L = 0 ; a
12
L = 0, untuk semua panjang lag k dan
a
31
L ≠ 0 ; a
21
L ≠ 0, untuk semua panjang lag k
3.2.2 Uji Stasioneritas
Banyak studi empiris yang menunjukkan bahwa variabel time series tidak stasioner. Sehingga salah satu hal penting yang berkaitan dengan studi atau
penelitian yang menggunakan data time series adalah uji stasioneritas. Data time series
dikatakan stasioner jika secara stokastik data menunjukkan pola yang konstan dari waktu ke waktu, atau dengan kata lain, tidak terdapat pertumbuhan
atau penurunan pada data, secara kasarnya data harus horizontal sepanjang sumbu waktu. Data time series yang digunakan dalam penelitian ini adalah harga saham
dan dua variabel makroekonomi yaitu tingkat inflasi dan tingkat suku bunga. Uji stasioneritas dapat dilakukan dalam beberapa metode. Metode yang
paling banyak digunakan adalah menggunakan Augmented Dickey Fuller ADF Test.
Berdasarkan ADF test, jika didapat nilai ADF statistik lebih kecil daripada nilai kritis McKinnon maka dapat disimpulkan bahwa data tersebut stasioner.
Namun jika uji ADF dilakukan dan data time series tersebut diketahui tidak stasioner maka perlu dilakukan difference non stasionary processes atau uji
stasioneritas pada tingkat difference.
3.2.3 Penetapan Lag Optimum
Penetapan lag optimum merupakan bagian penting dalam VAR. Untuk memperoleh lag optimum yang tepat dapat dilakukan dalam beberapa bentuk
pengujian. Pada tahap pertama dapat dilihat selang maksimal dari model VAR
yang stabil. Untuk memperoleh selang maksimal dapat dilakukan dengan mengestimasi model VAR pada tingkat lag yang berbeda-beda sampai ditemukan
selang maksimum yang stabil. Selanjutnya
lag optimum dapat dicari dengan menggunakan kriteria
informasi yang tersedia. Kriteria informasi yang biasa digunakan dalam penentuan lag
optimum adalah Akaike Information Criteria AIC dan Schwarz Information Criteria
SIC. Lag optimum dapat diperoleh dengan membandingkan nilai AIC dan SIC. Nilai AIC dan SIC yang terkecil yang dipakai sebagai patokan nilai lag
optimum karena AIC dan SIC minimum menggambarkan residual error yang paling kecil.
3.2.4 Uji Kointegrasi
Dalam VAR semua variabel yang digunakan harus stasioner. Apabila variabel tidak stasioner, maka perlu dilakukan uji kointegrasi. Kointegrasi
menggambarkan kombinasi linier dari variabel-variabel yang tidak stasioner. Jika variabel yang tidak stasioner terkointegrasi, maka kombinasi linier antar variabel
dalam sistem akan bersifat stasioner, sehingga dapat diperoleh persamaan yang stabil Enders, 2004.
Pengujian hubungan kointegrasi dilakukan dengan menggunakan lag optimum sesuai dengan pengujian sebelumnya. Sementara penentuan asumsi
deterministik yang melandasi pembentukan persamaan kointegrasi didasarkan pada nilai kriteria informasi AIC dan SIC. Berdasarkan asumsi deterministik
tersebut akan diperoleh informasi mengenai banyaknya hubungan kointegrasi antar variabel sesuai metode Trace dan Max.
Dari uji Johansen akan didapat rank kointegrasi r. Rank kointegrasi dari vektor y
t
adalah banyaknya vektor kointegrasi yang saling bebas. Untuk itu akan diuji hipotesis sebagai berikut:
r rank
H r
rank H
≤ :
:
1
Jika rank
kointegrasi yang didapat lebih besar dari nol, maka model yang digunakan adalah Vector Error Correction Model VECM. Jika rank kointegrasi
sama dengan nol maka model yang digunakan adalah VAR dengan pendifferensian sampai lag ke-d.
3.2.5 Model Umum Vector Error Correction
Model VECM dapat dilakukan apabila rank kointegrasi yang didapat lebih besar dari nol. Model VECM ordo p dan rank kointegrasi r ditulis sebagai:
t t
p i
i t
t
y y
A y
ε π
+ Δ
Φ +
+ =
Δ
− −
= ∗
−
∑
1 1
1 1
4 dimana:
αβ π =
= β vektor kointegrasi berukuran r x 1
α = vektor kointegrasi berukuran r x 2 =
Φ
∗ i
-
∑
+ =
p i
j j
A
1
3.2.6 Variance Decomposition VD
Metode Variance Decomposition VD dapat menjelaskan seberapa jauh peranan suatu variabel ekonomi dalam menjelaskan guncangan variabel ekonomi
lainnya. Metode ini dapat pula digunakan untuk melihat kekuatan dan kelemahan dari masing-masing variabel dalam mempengaruhi variabel lainnya dalam kurun
waktu yang panjang. Dekomposisi
varians merinci varians dari error peramalan menjadi
komponen-komponen yang dapat dihubungkan dengan setiap variabel endogen dalam model. Dengan menghitung persentase squared prediction error dari
sebuah variabel akibat guncangan dalam variabel-variabel lain, dapat dilihat seberapa besar error peramalan variabel tersebut disebabkan oleh variabel itu
sendiri dan variabel-variabel lainnya.
3.2.7 Impulse Response Function IRF
Pengaruh dinamis dari adanya suatu guncangan dapat dianalisis melalui Impulse Response Function
IRF secara ortogonal. Analisis ini menunjukkan respon dinamis jangka panjang setiap variabel apabila ada suatu guncangan
shock tertentu sebesar satu standar deviasi pada setiap persamaan. Respon dinamis yang dihasilkan tidak hanya dalam jangka pendek tetapi dapat juga
melihat respon beberapa bulan ke depan sebagai informasi jangka panjang.
3.3 Model Penelitian
Dalam penelitian ini, analisis hubungan antara bursa saham Indonesia dengan bursa saham regional Hongkong dan Singapura dilihat dengan
menggunakan indeks harga saham, tingkat inflasi consumer price index dan tingkat suku bunga money market rate. Berdasarkan hal tersebut model
penelitian dapat ditulis sebagai berikut:
⎥ ⎥
⎥ ⎥
⎥ ⎥
⎥ ⎥
⎥ ⎥
⎥ ⎥
⎦ ⎤
⎢ ⎢
⎢ ⎢
⎢ ⎢
⎢ ⎢
⎢ ⎢
⎢ ⎢
⎣ ⎡
mmri cpih
mmrh mmrs
hangseng sti
cpii cpis
ihsg
ln_ ln_
ln_ ln_
ln_ ln_
=
⎥ ⎥
⎥ ⎥
⎥ ⎥
⎥ ⎥
⎥ ⎥
⎥ ⎥
⎦ ⎤
⎢ ⎢
⎢ ⎢
⎢ ⎢
⎢ ⎢
⎢ ⎢
⎢ ⎢
⎣ ⎡
i h
g f
e d
c b
a
+
⎥ ⎥
⎥ ⎥
⎥ ⎥
⎥ ⎥
⎥ ⎥
⎥ ⎥
⎦ ⎤
⎢ ⎢
⎢ ⎢
⎢ ⎢
⎢ ⎢
⎢ ⎢
⎢ ⎢
⎣ ⎡
99 98
97 96
95 94
93 92
91 89
88 87
86 85
84 83
82 81
79 78
77 76
75 74
73 72
71 69
68 67
66 65
64 63
62 61
59 58
57 56
55 54
53 52
51 49
48 47
46 45
44 43
42 41
39 38
37 36
35 34
33 32
31 29
28 27
26 25
24 23
22 21
19 18
17 16
15 14
13 12
11
a a
a a
a a
a a
a a
a a
a a
a a
a a
a a
a a
a a
a a
a a
a a
a a
a a
a a
a a
a a
a a
a a
a a
a a
a a
a a
a a
a a
a a
a a
a a
a a
a a
a a
a a
a a
a a
a a
a a
a a
a
⎥ ⎥
⎥ ⎥
⎥ ⎥
⎥ ⎥
⎥ ⎥
⎥ ⎥
⎦ ⎤
⎢ ⎢
⎢ ⎢
⎢ ⎢
⎢ ⎢
⎢ ⎢
⎢ ⎢
⎣ ⎡
− −
− −
− −
− −
−
i t
i t
i t
i t
i t
i t
i t
i t
i t
mmri cpih
mmrh mmrs
hangseng sti
cpii cpis
ihsg
ln_ ln_
ln_ ln_
ln_ ln_
+
⎥ ⎥
⎥ ⎥
⎥ ⎥
⎥ ⎥
⎥ ⎥
⎥ ⎥
⎦ ⎤
⎢ ⎢
⎢ ⎢
⎢ ⎢
⎢ ⎢
⎢ ⎢
⎢ ⎢
⎣ ⎡
t t
t t
t t
t t
t
e e
e e
e e
e e
e
9 8
7 6
5 4
3 2
1
5
dimana: ln_ihsg
: indeks harga saham gabungan Indonesia ln_cpis
: consumer price index Singapura ln_cpii
: consumer price index Indonesia ln_sti
: indeks strait times Singapura ln_hangseng
: indeks hangseng Hongkong mmrs
: money market rate
Singapura mmrh
: money market rate Hongkong ln_cpih :
consumer price index Hongkong
mmri :
money maket rate Indonesia
Dalam metode yang digunakan pada penelitian ini, semua data yang diestimasi adalah dalam bentuk logaritma natural kecuali variabel-variabel yang
sudah dalam persen. Hal ini dilakukan untuk memudahkan dalam menganalisis Variance Decomposition
maupun Impulse Respon Function. Dengan demikian semua data dalam penelitian ini diubah dalam bentuk logaritma natural.
IV. HASIL DAN PEMBAHASAN
4.1 Hasil Estimasi VAR 4.1.1 Kestasioneran Data
Uji kestasioneran data merupakan tahap yang penting dalam menganalisis data time series untuk melihat ada tidaknya unit root yang terkandung diantara
variabel sehingga hubungan antara variabel dalam persamaan menjadi valid dan tidak spurious atau menghasilkan regresi palsu. Dalam banyak kasus ditemukan
jika data time series yang tidak stasioner dapat menghasilkan pola hubungan regresi palsu Gujarati, 1978. Menurut Irawan dalam Natassyari 2006, regresi
palsu Spurious Regression adalah regresi yang menggambarkan hubungan dua variabel atau lebih yang nampaknya signifikan secara statistik, padahal
kenyataannya tidak atau tidak sebesar sebagaimana yang nampak dari regresi yang dihasilkan tersebut, sehingga dapat mengakibatkan misleading dalam
penelitian terhadap suatu fenomena ekonomi yang sedang terjadi. Salah satu cara untuk menghindari regresi palsu pada variabel adalah
dengan memastikan bahwa variabel tersebut stasioner, dengan melakukan uji unit root
pada tingkat first difference. Ada beberapa cara yang dapat dilakukan untuk mengukur keberadaan stasioneritas, salah satunya adalah dengan menggunakan
Augmented Dickey Fuller ADF. Berdasarkan uji tersebut, jika nilai ADF statistik
dari masing-masing variabel lebih kecil daripada nilai kritis MacKinnon maka dapat disimpulkan bahwa data tersebut stasioner.