commit to user
88
variabel lag independen ke dalam analisis regresinya disebut sebagai model distributed lag.
Apabila dalam persamaan model awal regresi kita memasukkan lag variabel dependen sebagai variabel independen dan disertai dengan lag
variabel independen lainnya maka model ini dikatakan sebagai model ARDL Autoregressive Distributed Lag. Persamaan ARDL untuk penelitian ini akan
berubah menjadi : 3.9
Persamaan model 3.9 disebut sebagai model ARDL karena memasukkan variabel lag LIHSG, LKURS dan LNIKKEI sebagai variabel independen.
3. Pemilihan Lag Optimum pada Model ARDL
Permasalahan yang sering muncul dari model ARDL adalah menentukan pada lag keberapa variabel tersebut akan menghasilkan hasil estimasi yang
baik. Penentuan panjang lag penting karena lag yang terlalu panjang akan mengurangi banyaknya degree of freedom, sedangkan lag yang terlalu pendek
akan mengarah pada kesalahan spesifikasi Gujarati, 2004:849. Untuk memilih lag optimum pada model ARDL beberapa peneliti menggunakan
Schwarz Criterion SC Falianty, 2003. Jika besarnya suatu lag memberikan nilai SC yang paling kecil terhadap model maka jumlah lag tersebut dipilih.
t k
t k
t k
t k
t t
t t
t
u LIHSG
LSukubunga LNikkei
LKurs LSukubunga
LNikkei LKurs
LIHSG +
+ +
+ +
+ +
+ =
- -
- -
7 6
5 4
3 2
1
b b
b b
b b
b b
commit to user
89 n
T K
SSR T
SIC
k
2 ln
+ =
………………………………………………3.10 Dimana :
T : Jumlah observasi yang digunakan
k : panjang lag
SSR : sum square residual
n : Jumlah parameter yang diestimasi
Persamaan 3.10 digunakan untuk memilih lag keberapakah variabel- variabel dari model regresi tersebut menghasilkan estimasi yang baik.
4. Uji Asumsi Klasik
a. Uji Normalitas
Tujuan dari dilakukannya uji normalitas adalah untuk mengetahui apakah suatu variabel normal atau tidak. Normal disini dalam arti
mempunyai distribusi data yang normal.. Jadi uji normalitas pada dasarnya melakukan perbandingan antara data yang kita miliki dengan data
berdistribusi normal yang memilki mean dan standar deviasi yang sama dengan data kita.
Data yang berdistribusi normal merupakan salah satu syarat dilakukannya parametric-test. Untuk data yang tidak berdistribusi normal
commit to user
90
tentu saja analisisnya harus menggunakan non parametric test. Data yang mempunyai distribusi normal berarti mempunyai sebaran yang normal
pula. Dengan profil data semacam ini maka data tersebut dianggap bisa mewakili populasi.
Salah satu metode yang dapat digunakan untuk menguji normalitas residual adalah uji Jarque-Bera JB Gujarati, 2004:148. Nilai JB
diharapkan mendekati 0. Hipotesis yang diasumsikan adalah :
Ho : residual berdistribusi normal
Ha : residual berdistribusi tidak normal
Jika probabilitas JB lebih kecil dari 0,05 berarti JB statistik berbeda dengan 0, maka H
ditolak. Jika nilai probabilitas JB lebih besar dari 0,05 berarti JB statistik tidak berbeda dengan 0 yang artinya tidak
menolak Ho Gujarati, 2004:150. Persamaan untuk mencari JB adalah :
2 2
2 2
24 3
6
=
- ú
û ù
ê ë
é -
+ =
df
x k
S n
JB ……………………………………….3.11
Dimana : n
: jumlah sampel
commit to user
91
S : koefisien skewness
K : koefisien kurtosis
b. Uji Multikolinieritas
Uji multikolinieritas bertujuan untuk menguji apakah pada model regresi ditemukan adanya korelasi antara variabel bebas atau independen
Frisch dalam Gujarati, 2004:342. Multikolinearitas sering terjadi jika diantara variabel bebas x saling berkorelasi sehingga hasil estimasi
menjadi bias. Uji multikolinieritas bertujuan untuk menguji apakah dalam model
regresi ditemukan adanya korelasi antar variabel bebas. Asumsi multikolinieritas menyatakan bahwa variabel independen harus terbebas
dari gejala multikolinieritas. Gejala multikolinieritas adalah gejala korelasi antar variabel independen. Model regresi yang baik seharusnya
tidak terjadi korelasi antara variabel independen. Uji multikolinearitas diperoleh dengan beberapa langkah yaitu 1. melakukan regresi
model lengkap Y = f X
1
…Xn sehingga kita mendapatkan R
2
1 R
2
regresi asal ; 2. Melakukan regresi X
1
variabel bebas terhadap seluruh X
1,2…n
,maka diperoleh nilai R
2
2,3,4….n metode ini dinamakan korelasi
parsial; dan 3. Membandingkan nilai R
2
1 dengan R
2
2,3….n . Pedoman
yang digunakan, jika nilai R
2
1 lebih tinggi dari R
2
2,3…n pada regresi antar
commit to user
92
variabel bebas, maka dalam model empirik tidak terdapat masalah multikolnieritas dan sebaliknya..
c. Uji Autokorelasi
Tes yang digunakan untuk menguji ada atau tidaknya autokorelasi pada penelitian ini adalah Breusch-Godfrey BG test atau sering juga
disebut Lagrange Multiplier LM test. Tes ini merupakan salah satu tes autokorelasi yang bisa dilakukan pada regresi dimana terdapat lag dari
dependen variabel
sebagai variabel
independen dan
lebih direkomendasikan untuk jumlah observasi yang cukup besar Gujarati,
2004:472. Disamping itu LM test dapat dilakukan pada derajat aurokorelasi lebih dari nol. Misalnya AR 1, AR2 dan seterusnya.
Misalnya dari persamaan 3.9 diasumsikan bahwa residualnya mengikuti autokorelasi derajat 2 atau AR2 :
t t
t t
u u
u
e r
r
+ +
=
- -
2 2
1 1
.......................................................... 3.12 Maka residual dari persamaan 3.9 diregres terhadap semua
variabel independen lainnya serta nilai lag dari residual pada persamaan 3.12 sebagai regresor tambahan dalam model :
t t
t t
t t
t
u u
Sukubunga Nikkei
Kurs u
e r
r a
a a
a +
+ +
+ +
+ =
- -
2 2
1 1
4 3
2 1
... 3.13 Null hypothesis
pada LM test diatas adalah Ho =
2 1
= =
r r
atau tidak terdapat autokorelasi pada derajat 2. Penentuan ditolak atau tidaknya
commit to user
93
Null hypothesis mengikuti tabel chi square dengan
r sebagai derajat kebebasannya. Jika nilai
2
R n
r
-
yang didapat dari persamaan 3.13 lebih besar dari nilai chi square maka null hypothesis ditolak, dengan kata
lain terdapat masalah autokorelasi Gujarati, 2004:474.
d. Uji Heterokedastisitas
Uji heterokedastisitas bertujuan untuk menguji apakah dalam model regresi terjadi ketidaksamaan varians dari residual satu pengamatan
ke pengamatan yang lain. Jika varians dari residual satu pengamatan ke pengamatan yang lain tetap, maka disebut homokedastisitas dan jika
berbeda maka disebut heterokedastisitas. Model regresi yang baik adalah yang terdapat homokedastisitas atau tidak tejadi heterokedastisitas. Untuk
menguji heterokedastisitas dapat dilakukan dengan uji white sebagai berikut Gujarati, 2004:413:
Lakukan regresi model yang kita miliki dan kita dapatkan nilai residual untuk estimasi error.
1 Lakukan regresi auxiliary dengan memasukkan U
i 2
sebagai variabel dependen dan variabel X
2
t…n sebagai variabel dependen sehingga kita
dapatkan nilai obsR² Rsquared dikalikan dengan jumlah data observasi dari regresi ini.
commit to user
94
2 Bandingkan obsR² dari regresi awal dengan nilai chi square dengan derajat kebebasan degree 0f freedom sejumlah dengan variabel
bebasnya. 3 Jika nilai chi square dengan level signifikansi yang dipilih lebih besar
dari obsR² maka model tidak mengalami masalah heterokedastisitas. Jika R² x n lebih besar dari nilai tabel chi square alpha, df
berarti terjadi heteroskedastisitas jika sebaliknya berarti tidak terjadi heteroskedastisitas.
5. Uji Statistik
a. Uji t
Uji t adalah bentuk pengujian koefisien regresi secara parsial yang digunakan untuk mengetahui besarnya pengaruh masing-masing variabel
bebas dalam mempengaruhi perubahan variabel terikat, dalam melakukan pengujian diasumsikan variabel bebas lainnya dalam keadaan konstan.
Pengujian ini menggunakan uji satu sisi. Adapun langkah-langkahnya sebagai berikut :
1 Merumuskan formula hipotesis untuk uji sisi negatif:
Hipotesis Pertama : H
1
: β
1
Hipotesis Kedua : H
1
: β
3
2 Menentukan level of significance α sebesar 5
commit to user
95
3 Menentukan t
tabel
dan menghitung t
hitung
t
tabel
® t
α : n-k
Keterangan:
a=Derajat signifikansi = 5; a = 0,05
n=Jumlah sampel observasi
k=Banyaknya parameter dalam model termasuk intersep
t
hitung
®
Keterangan: β
i
= Parameter
Se β
i
= standart error parameter
commit to user
96
Gambar 3.1 One-tail Test Level of Significance
Daerah penolakan
H
= luas daerah terarsir
ini = a = 5
Daerah penerimaan
H
-t
tabel
Sumber : Gujarati, 2004, Basic Econometrics 4
th
Edition, hal. :132
4 Kriteria pengujian:
a Jika t
hitung
≥ -t
tabel
H diterima dan H
1
ditolak.
Kesimpulannya b
1
dan b
2
lebih besar dari 0 b
1
dan b
3
tidak signifikan pada a=5. Dapat dikatakan bahwa X
1
dan X
3
secara statistik tidak berpengaruh terhadap Y.
b Jika t
hitung
£ -t
tabel
, maka H ditolak dan H
1
diterima.
Kesimpulannya b
1
dan b
3
lebih kecil dari nol b
1
signifikan pada a=5. Dapat dikatakan bahwa X
1
dan X
3
secara statistik berpengaruh terhadap Y.
commit to user
97
5 Merumuskan formula hipotesis untuk uji sisi positif:
Hipotesis Ketiga : H
1
: β
2
6 Menentukan level of significance α sebesar 5
7 Menentukan t
tabel
dan menghitung t
hitung
t
tabel
® t
α : n-k
Keterangan:
a=Derajat signifikansi = 5; a = 0,05
n=Jumlah sampel observasi
k=Banyaknya parameter dalam model termasuk intersep
t
hitung
®
Keterangan: β
i
= Parameter
Se β
i
= standart error parameter
commit to user
98
Gambar 3.2 One-tail Test Level of Significance
Daerah H Diterima luas daerah terarsir H
Ditolak =
a 5 t
tabel
Sumber : Gujarati, 2004, Basic Econometrics 4
th
Edition, hal. :132
4 Kriteria pengujian:
a Jika t
hitung
t
tabel ,
H diterima dan H
1
ditolak.
Kesimpulannya b
2
lebih kecil besar dari 0 b
2
tidak signifikan pada a=5. Dapat dikatakan bahwa X
2
dan secara statistik tidak berpengaruh terhadap Y.
b. Uji F
Uji F adalah uji koefisien regresi secara bersama-sama untuk mengetahui besarnya pengaruh variabel bebas terhadap
variabel terikatnya. Adapun langkah-langkahnya sebagai berikut Insukindro, et al., 2004:59:
commit to user
99
1 Merumuskan formula hipotesis
H : b
1
=b
2
=b
3
=b
4
=b
5
=0
H
a
: b
1
≠b
2
≠b
3
≠b
4
≠b
5
≠0
2 Menentukan level of significance α sebesar 5
3 Menentukan F
tabel
dan menghitung F
hitung
F
tabel
® F
a, n-k, k-1
F
hitung
® Keterangan:
R
2
= Koefisien determinasi k = Banyaknya parameter termasuk intersep
Gambar 3.3 F- Test Level of Significance
H diterima H
ditolak F
tabel
Sumber : Gujarati, 2004, Basic Econometrics 4
th
Edition, hal. :962
commit to user
100
4 Kriteria pengujian a Jika F
hitung
F
tabel
, maka H diterima dan H
a
ditolak. Kesimpulannya bahwa b
1,
b
2,
b
3
, b
4
dan b
5
tidak berbeda dengan nol. Dapat dikatakan bahwa semua koefisien
regresiparameter secara bersama-sama tidak signifikan pada α=5.
b Jika F
hitung
F
tabel
, maka H ditolak dan H
a
diterima. Kesimpulannya bahwa b
1,
b
2,
b
3
, b
4
, b
5
tidak sama dengan nol.
Dapat dikatakan
bahwa semua
koefisien regresiparameter secara bersama-sama signifikan pada
a=5.
c. Goodness of Fit atau Koefisien Determinasi R
2
Koefisien determinasi R
2
menunjukkan seberapa besar persentase variasi yang terjadi pada variabel terikat dapat
dijelaskan oleh variabel bebas dalam model. Nilai R
2
terletak antara 0 dan 1 0
≤ R
2
≤ 1. Jika R
2
=1, artinya garis regresi tersebut menjelaskan 100 variasi dalam variabel terikat dan sebaliknya.
Namun, jika R
2
=0, artinya garis regresi tersebut tidak menjelaskan sedikitpun variasi dalam variabel terikat. Oleh karena itu, suatu
model dikatakan lebih baik apabila koefisien determinasinya
mendekati satu.
commit to user
101
6. Membentuk Variabel Jangka Panjang dalam Model ARDL
Estimasi yang didapatkan melalui analisis model ARDL hanya menggambarkan hubungan jangka pendek variabel-variabel di dalamnya.
Untuk mendapatkan hubungan atau estimasi jangka panjang dalam model ARDL maka digunakan pendekatan seperti dibawah ini :
1
1 1
1 -
-
- +
=
t t
t
Y X
X Xb
……………...……….……………………….3.14 Dimana :
X
b
: Variabel jangka panjang
t
X
1
: Koefisien variabel X
1
1 -
t
X
: Koefisien variabel jangka pendek t-1
1 -
t
Y
: Koefisien variabel Y t-1
commit to user
102
BAB IV HASIL ANALISIS DAN PEMBAHASAN
A. Gambaran Umum Variabel IHSG
Kondisi pasar modal pada tahun 2007 sangat kondusif. IHSG mengalami kenaikan lebih dari 60 jika dibandingkan dengan awal tahun 2007 seperti yang
terlihat pada grafik 4.1. Kondisi ini menunjukkan bahwa pasar modal Indonesia atau IHSG merupakan tempat investasi yang menarik.
Grafik 4.1 Pergerakan IHSG Tahun 2007
