Dampak perkembangan indeks harga saham gabungan (IHSG) terhadap peubah-peubah makroekonomi Indonesia

DAMPAK PERKEMBANGAN INDEKS HARGA SAHAM
GABUNGAN (IHSG) TERHADAP PEUBAH – PEUBAH
MAKROEKONOMI INDONESIA

ARDIAN FIRMANSAH

DEPARTEMEN STATISTIKA
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
INSTITUT PERTANIAN BOGOR
BOGOR
2014

PERNYATAAN MENGENAI SKRIPSI DAN
SUMBER INFORMASI SERTA PELIMPAHAN HAK CIPTA
Dengan ini saya menyatakan bahwa skripsi berjudul Dampak Perkembangan
Indeks Harga Saham Gabungan (IHSG) terhadap Peubah-peubah Makroekonomi
Indonesia adalah benar karya saya dengan arahan dari komisi pembimbing dan
belum diajukan dalam bentuk apa pun kepada perguruan tinggi mana pun. Sumber
informasi yang berasal atau dikutip dari karya yang diterbitkan maupun tidak
diterbitkan dari penulis lain telah disebutkan dalam teks dan dicantumkan dalam
Daftar Pustaka di bagian akhir skripsi ini.

Dengan ini saya melimpahkan hak cipta dari karya tulis saya kepada Institut
Pertanian Bogor.
Bogor, Juli 2014
Ardian Firmansah
NIM G14100055

ABSTRAK
ARDIAN FIRMANSAH. Dampak Perkembangan Indeks Harga Saham Gabungan
(IHSG) terhadap Peubah-peubah Makroekonomi Indonesia. Dibimbing oleh
ITASIA DINA SULVIANTI dan NOER AZAM ACHSANI.
Stabilitas sistem keuangan dapat mendorong beroperasinya pasar sehingga
dapat meningkatkan perekonomian suatu negara. Pasar modal merupakan salah satu
elemen penting dalam menjaga stabilitas sistem keuangan. Integrasi antara
perkembangan pasar modal dan kondisi perekonomian menyebabkan banyak
perhatian, sehingga banyak penelitian dilakukan terhadap integrasi tersebut.
Penelitian ini mengevaluasi hubungan antara Indeks Harga Saham Gabungan
(IHSG) dan indikator makroekonomi Indonesia. Hasil yang didapatkan dari
penelitian ini adalah IHSG memiliki pengaruh yang cukup kuat terhadap peubah
makroekonomi Indonesia. Ketika IHSG mengalami guncangan, beberapa peubah
makroekonomi akan mengalami guncangan. Guncangan yang diberikan IHSG

terhadap peubah makroekonomi hanya pada 4 periode awal sedangkan pada periode
berikutnya peubah makroekonomi cenderung stabil. Berdasarkan hasil uji
hubungan kausalitas, disimpulkan bahwa peubah yang memiliki hubungan 2 arah
adalah peubah IHSG dan peubah IHK, peubah Indeks Harga Konsumen dan
Industrial Production Index (IPI), serta jumlah uang beredar luas (M2) dan Indeks
Harga Saham Gabungan.
Kata kunci: makroekonomi, model koreksi kesalahan, sistem keuangan, uji
kausalitas Granger

ABSTRACT
ARDIAN FIRMANSAH. Impact of Stock Market Development on Indonesian
Macroeconomic Variables. Supervised by ITASIA DINA SULVIANTI and NOER
AZAM ACHSANI.
Stability of the financial system could incourage market operation so as to
bush the economy of a country. The capital market is one of the important elements
in maintaining financial stability. The integration between the development of the
capital market and economic conditions caused a lot of attention, so a lot of research
done on the integration. This study evaluated the relationship between Jakarta
Composite Index (JCI) and the Indonesian macroeconomic indicators. The results
obtained from this study is JCI has a strong influence on Indonesian

macroeconomic variables. When JCI shocks, some macroeconomic variables will
experience shock. JCI shocks given to the macroeconomic variables only at the
beginning of period 4, while in the next period of macroeconomic variables tend to
be stable. Based on the causality test results, it was concluded that the variables that
have a two-way relationship is JCI with Consumer Price Index (CPI), Consumer
Price Index (CPI) with Industrial Production Index (IPI), and broad money supply
(M2) with JCI.
Keywords: error correction model, Granger causality test, macroeconomics, the
financial system.

DAMPAK PERKEMBANGAN INDEKS HARGA SAHAM
GABUNGAN (IHSG) TERHADAP PEUBAH – PEUBAH
MAKROEKONOMI INDONESIA

ARDIAN FIRMANSAH

Skripsi
sebagai salah satu syarat untuk memperoleh gelar
Sarjana Statistika
pada

Departemen Statistika

DEPARTEMEN STATISTIKA
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
INSTITUT PERTANIAN BOGOR
BOGOR
2014

Judul Skripsi : Dampak Perkembangan Indeks Harga Saham Gabungan (IHSG)
terhadap Peubah-peubah Makroekonomi Indonesia
Nama
: Ardian Firmansah
NIM
: G14100055

Disetujui oleh

Dra Itasia Dina Sulvianti, MSi
Pembimbing I

Prof Dr Noer Azam Achsani
Pembimbing II

Diketahui oleh

Dr Anang Kurnia, MSi
Ketua Departemen

Tanggal Lulus:

PRAKATA
Alhamdullillahi Rabbil ‘Alamin, puji syukur penulis ucapkan atas segala
nikmat, karunia, petunjuk dan ilmu yang diberikan Allah SWT sehingga penulis
dapat menyelesaikan penulisan karya ilmiah ini. Karya ilmiah ini berjudul Dampak
Perkembangan Indeks Harga Saham Gabungan (IHSG) terhadap Peubah-peubah
Makroekonomi Indonesia.
Banyak ilmu, inspirasi, dan pelajaran yang sangat berharga dalam penyusunan
karya ilmiah ini. Sehingga, dalam kesempatan ini penulis ingin mengucapkan
terimakasih kepada :
1. Ibu Dra Itasia Dina Sulvianti, MSi dan Bapak Prof Dr Noer Azam

Achsani yang telah membimbing penulis selama penyusunan karya
ilmiah ini.
2. Bapak Dr Farit Mochammad Afendi, MSi selaku penguji yang telah
memberikan saran untuk kelengkapan karya ilmiah ini.
3. Keluarga besar Departemen Statistika, FMIPA IPB, dosen dan seluruh
staf, serta sahabat-sahabat statistika 47 tercinta, terimakasih atas segala
bantuan dan doanya.
4. Kedua orang tua yang sangat penulis cintai, Mahmud dan Masiyah,
terimakasih atas segala doa dukungan, dan kasih sayangnya.
5. Imdad, Dede, Delly, Fahmi, Amri, dan Doni terimakasih atas segala
bantuan dan kebersamaannya.
6. Serta seluruh pihak yang telah membantu, terimakasih atas segala
bantuannya.
Semoga semua bantuan dan doa yang telah diberikan mendapatkan balasan dari
Allah SWT, dan semoga karya ilmiah ini bermanfaat.

Bogor, Juli 2014
Ardian Firmansah

DAFTAR ISI

DAFTAR TABEL

viii

DAFTAR GAMBAR

viii

DAFTAR LAMPIRAN

viii

PENDAHULUAN

1

Latar Belakang

1

Tujuan Penelitian

2

Manfaat Penelitian

2

Hipotesis Penelitian

3

TINJAUAN PUSTAKA

3

Pembentukan Model VECM
METODE

3

7

Model Penelitian

7

Bahan

7

Prosedur Analisis Data

8

HASIL DAN PEMBAHASAN
Eksplorasi Data
Hubungan IHSG dengan Peubah Makroekonomi Indonesia
SIMPULAN DAN SARAN

8

8
11
17

Simpulan

17

Saran

17

DAFTAR PUSTAKA

17

LAMPIRAN

19

RIWAYAT HIDUP

32

DAFTAR TABEL
1
2
3
4
5
6
7
8
9
10

Peubah, notasi, dan sumber data
Hasil uji korelasi antar peubah
Statistik deskriptif IHSG dan peubah makroekonomi Indonesia
Hasil uji augmented Dickey-Fuller pada level dan differencing lag 1
Hasil dari uji hubungan kausalitas Granger pada lag ke-0
Hasil uji hubungan kausalitas Granger pada differencing pertama
Hasil pemilihan lag
Hasil uji kointegrasi Johansen
Nilai AIC, SC dan RMSE model VAR/VECM
Uji t model parsial IHSG

7
10
11
11
12
12
13
13
14
14

DAFTAR GAMBAR
1

2

3

Plot data aktual (a) Indeks Harga Saham Gabungan (IHSG) (b) Indeks Harga
Konsumen (IHK) tahun dasar 1996 (c) Industrial Production Indeks (IPI) tahun
dasar 2000 (d) Jumlah uang beredar luas (M2) (e) Nilai tukar (NT) (f) Sertifikat
Bank Indonesia (SBI) periode Januari 1998 – Desember 2013
9
Dampak guncangan Indeks Harga Saham Gabungan (IHSG) terhadap (a) Indeks
Harga Saham Gabungan (IHSG) (b) Indeks Harga Konsumen (IHK) (c)
Industrial Production Indeks (IPI) (d) Jumlah uang beredar luas (M2) (e) Nilai
tukar rupiah (f) Sertifikat Bank Indonesia (SBI)
15
Kontribusi pergerakan Indeks Harga Saham Gabungan (IHSG) terhadap
variance decomposition peubah (a) Indeks Harga Saham Gabungan (IHSG), (b)
Indeks Harga Konsumen (IHK), (c) Industrial Production Indeks (IPI), (d)
Jumlah uang beredar luas (M2), (e) Nilai tukar rupiah, dan (f) Sertifikat Bank
Indonesia (SBI)
16

DAFTAR LAMPIRAN
1
2
3
4
5
6
7
8
9

Hasil uji hubungan kausalitas Granger
Stabilitas VAR
Hasil uji kointegrasi
Hasil pendugaan parameter VECM
Hasil impulse response function setiap peubah
Grafik impulse response function antar peubah
Hasil forecast error decomposition of variance setiap peubah
Grafik forecast error decomposition of variance antar peubah
Plot sisaan setiap peubah

19
21
22
23
25
27
28
30
31

PENDAHULUAN
Latar Belakang
Sistem keuangan merupakan salah satu hal penting dalam perkembangan
ekonomi suatu negara seperti menciptakan kepercayaan dan lingkungan yang
mendukung bagi investor untuk berinvestasi. Stabilitas sistem keuangan dapat
mendorong beroperasinya pasar sehingga dapat meningkatkan perekonomian suatu
negara. Salah satu instrumen yang menjaga stabilitas sistem keuangan adalah pasar
modal (Bank Indonesia 2007).
Pasar modal merupakan tempat berbagai macam instrumen keuangan yang
dapat diperjualbelikan dalam jangka panjang. Menurut Rusdin (2006) pasar modal
merupakan sarana pengalokasian dana yang efisien. Perkembangan pasar modal di
Indonesia ditandai dengan meningkatnya Indeks Harga Saham Gabungan (IHSG)
sejak tahun 1998. Peningkatan IHSG ini diikuti dengan semakin banyaknya
pemodal yang melakukan investasi dan semakin baik kondisi perekonomian di
Indonesia. Integrasi antara perkembangan saham dan kondisi perekonomian
menyebabkan banyak perhatian, sehingga banyak penelitian dilakukan terhadap
integrasi tersebut.
Menurut Ibrahim (2011), pada penelitian mengenai perkembangan pasar
saham dan performa makroekonomi di Thailand, terdapat hubungan yang mengikat
antara empat peubah secara simultan dalam jangka panjang. Selain itu, fungsi
impuls response function (IRF) menunjukkan kecenderungan hubungan kausalitas
dua arah antara pengembangan pasar saham dan Gross Domestic Product (GDP)
riil. Hasil yang serupa juga dikemukakan Petros et al. (2012) yang meneliti efek
pertukaran saham pada pembangunan ekonomi di Zimbabwe dengan menggunakan
data GDP, kapitalisasi pasar, tingkat inflasi, perputaran uang, serta investasi asing.
Hasil yang didapatkan yaitu terdapat hubungan yang positif signifikan antara
pengembangan pasar saham dan pembangunan ekonomi. Penelitian Kehinde et al.
(2013) mengenai capital market dan economic growth di negara Nigeria dengan
menggunakan data pasar saham dan GDP rill selama tahun 1981-2010, memberikan
hasil bahwa kapitalisasi pasar, saham pemerintah, dan nilai transaksi merupakan
peubah pasar modal penting yang mampu mempengaruhi pertumbuhan ekonomi.
Penelitian Olweny et al. (2011) mengenai performa pasar saham dan
perkembangan ekonomi Kenya dengan pendekatan uji kausalitas dengan
menggunakan data pasar saham, GDP, dan Customer Price Index (CPI),
memberikan hasil bahwa terdapat hubungan kausalitas satu arah antara
perkembangan pasar saham dan pertumbuhan ekonomi Kenya. Selain itu, pasar
saham memiliki peran yang sangat penting dalam menentukan kegiatan ekonomi di
Kenya. Menurut penelitian Rahimzadeh et al. (2012) mengenai dampak sektor
perbankan dan pasar saham terhadap pertumbuhan ekonomi di negara-negara
Middle East and North Africa (MENA), memberikan hasil bahwa pasar saham dan
sektor perbankan memiliki dampak positif pada tingkat produksi dan pertumbuhan
ekonomi di negara – negara MENA.
Penelitian Osuala et al. (2013) mengenai hubungan kausalitas antara pasar
saham dan pertumbuhan ekonomi di Nigeria dengan menggunakan data time series
yang diperoleh dari bank sentral dari Nigeria untuk periode 1981-2009, ditemukan

2
bahwa terdapat hubungan kausalitas searah dari beberapa indikator kinerja pasar
modal terhadap pertumbuhan ekonomi dalam jangka panjang. Dalam jangka
pendek, tidak ada hubungan kausalitas antara indikator pembangunan pasar saham
dan PDB. Hal ini menunjukkan bahwa pengembangan pasar saham bukanlah faktor
utama yang mempengaruhi pertumbuhan ekonomi, akan tetapi pertumbuhan
ekonomi yang sangat mempengaruhi perkembangan pasar saham di Nigeria.
Hasil penelitian Badan Pengawas Pasar Modal dan Lembaga Keuangan
(2008) mengenai analisis hubungan kointegrasi dan kausalitas serta hubungan
dinamis antara aliran modal asing, peubah nilai tukar rupiah dan pergerakan IHSG
di pasar Indonesia menunjukkan bahwa ke-tiga peubah tersebut memiliki hubungan
kointegrasi atau keseimbangan jangka panjang. Berdasarkan hasil uji kausalitas
Granger menunjukkan bahwa IHSG lebih mampu menjelaskan pengaruhnya
terhadap aliran modal asing (capital inflow) yang masuk ke Indonesia sedangkan
aliran modal asing (capital inflow) mampu menjelaskan pengaruhnya terhadap
pergerakan nilai tukar rupiah.
Hasil penelitian yang berbeda didapatkan oleh Puspitasari 2010 mengenai
hubungan antara ILQ45 (Indeks 45 perusahaan Indonesia dengan tingkat liquiditas
tinggi), suku bunga Bank Indonesia (SBI), tingkat inflasi, dan Indeks Harga
Konsumen (IHK) dengan menggunakan metode vector autoregressive (VAR).
Hasilnya menunjukkan bahwa perubahan ILQ45 dipengaruhi oleh ILQ45 itu
sendiri, dan ILQ45 cenderung tidak mempengaruhi kondisi ekonomi makro
Indonesia begitupun sebaliknya. Penggunaan data series yang sedikit menyebabkan
model tidak sepenuhnya merepresentasikan keadaan sebenarnya sehingga perlu
dilakukan penelitian lanjutan. Penilitian ini menganalisis hubungan antara indeks
saham dan peubah makroekonomi Indonesia dengan mempertimbangkan peubah
yang saling terintegrasi serta metode yang dapat mengatasi ketidakstasioneran
peubah. Vector error correction model (VECM) merupakan salah satu metode yang
mampu mengatasi permasalahan kestasioneran data dan mempertimbangkan
peubah yang saling terintegrasi sedangkan untuk mengetahui hubungan kausalitas
antar peubah digunakan uji kausalitas Granger.
Tujuan Penelitian
Tujuan penelitian ini adalah menganalisis dampak perkembangan Indeks
Harga Saham Gabungan (IHSG) terhadap peubah makroekonomi Indonesia.
Manfaat Penelitian
Hasil dari penelitian ini diharapkan dapat memberikan manfaat bagi penulis
sendiri maupun bagi pihak-pihak lain seperti:
1. Memperoleh gambaran mengenai dampak perkembangan Indeks Harga
Saham Gabungan (IHSG) terhadap peubah makroekonomi Indonesia.
2. Bagi kalangan ekonomi diharapkan dapat memperluas pengetahuan
mengenai hubungan antara pasar saham dan makroekonomi Indonesia.
3. Bagi kalangan statistika diharapkan dapat memperluas pengetahuan
mengenai konsep time series analysis, seperti vector error correction
model (VECM) dan analisis kausalitas.

3
Hipotesis Penelitian
Hipotesis yang diuji pada penelitian ini adalah sebagai berikut:
1. Diduga kenaikan IHSG akan menyebabkan kenaikan Indeks Harga
Konsumen (IHK)
2. Diduga kenaikan IHSG akan menyebabkan kenaikan Industrial Production
Index (IPI)
3. Diduga kenaikan IHSG akan menyebabkan penurunan nilai tukar rupiah
4. Diduga kenaikan IHSG akan menyebabkan penurunan nilai Sertifikat Bank
Indonesia (SBI)
5. Diduga kenaikan IHSG akan menyebabkan penurunan jumlah uang beredar
luas (M2)
6. Diduga perubahan IHSG memberikan kontribusi yang tinggi terhadap
perubahan peubah - peubah makroekonomi Indonesia.

TINJAUAN PUSTAKA
Pembentukan Model VECM
Vector Autoregressive (VAR)
Vector autoregressive (VAR) merupakan salah satu metode yang digunakan
untuk menganalisis hubungan antara peubah data deret waktu. Metode ini
merupakan pengembangan dari univariat autoregressive (AR). Metode ini
dikembangkan oleh Sims pada tahun 1980. Model umum VAR yang digunakan
dalam penelitian ini yaitu (Enders 2004):
�� = � + � ��− + � ��− + ⋯ + �� ��−� + ��
dengan,
��
: vektor peubah endogen (y1t, y2t,…, ykt) berukuran k × 1 yang berisi k
peubah pada waktu ke-t
�
: vektor intersep berukuran k × 1
�i
: matriks parameter berukuran (k × k) untuk lag ke-i dengan i=1,β,…,p
�t
: vektor sisaan (a1t , aβt ,…, akt) berukuran k × 1 pada waktu ke-t.
Asumsi yang diperlukan dalam menggunakan metode VAR yaitu peubah
endogen bersifat stasioner.
Kestasioneran Data
Data stasioner merupakan asumsi yang digunakan dalam metode VAR. Data
dikatakan stasioner jika distribusi peluang seluruh amatan konstan sepanjang waktu.
Salah satu metode yang dapat digunakan untuk menguji kestasioneran data yaitu
metode augmented Dickey-Fuller. Misalkan akan diuji data deret dengan model
autoregressive (AR)(1) yang telah dilakukan proses differencing (pembedaan)
sebagai berikut :
∆yt = ∅yt-1 + at
dengan ,
∆yt
: differencing peubah respon pada waktu ke-t
yt-1
: peubah respon pada waktu ke-(t-1)

4
∅
at

: parameter model y
: Galat model ∆yt pada waktu ke-t.
Hipotesis yang diuji yaitu H0 : ∅ ≥ ( data tidak stasioner) dan H1: ∅ <
(data stasioner). Nilai ∅ diduga dengan metode kuadrat terkecil. Statistik uji
dituliskan sebagai berikut (Enders 2004):
̂
∅
ADF=
σ∅̂
dengan,
̂
∅
: nilai dugaan ∅
̂.
�∅̂
: simpangan baku dari ∅
Nilai kritis yang digunakan adalah nilai kritis MacKinnon. Menurut Dickey
dan Fuller (1979) jika nilai mutlak statistik ADF lebih kecil dari nilai kritis
MacKinnon (K(n-p,α)) dengan n adalah banyaknya amatan, p adalah banyaknya lag,
dan α adalah taraf nyata, maka dapat disimpulkan bahwa data tidak stasioner.
Uji Kausalitas Granger
Uji kausalitas Granger digunakan untuk melihat hubungan sebab akibat suatu
peubah terhadap peubah lainnya. Asumsi yang diperlukan dalam uji hubungan
kausalitas Granger adalah data telah stasioner. Secara umum model kausalitas
Granger dituliskan sebagai berikut (Gujarati 2003):
p

p

yt = ∑ αi yt-i + ∑ i xt-i +a1t
i=1
p

i=1
p

xt = ∑ i xt-i + ∑ λi yt-i +aβt
i=1

i=1

dengan,
yt
: peubah respon y pada waktu ke-t
xt
: peubah respon x pada waktu ke-t
p
: banyaknya lag
αi , i : parameter model kausalitas Granger peubah yt untuk i=1,β,…,p pada
waktu ke-t
λi , i : parameter model kausalitas Granger peubah xt untuk i=1,β,…,p pada
waktu ke-t
a1t
: galat dari model yt
aβt
: galat dari model xt.
Menurut Granger, untuk menyelesaikan persamaan di atas, dibentuk 4 model
regresi yaitu:
1. Persamaan untuk menguji hubungan x dan y :
p
p
Unrestricted : yt = ∑i=1 αi yt-i + ∑i=1 i xt-i +a1t
p
Restricted
: yt = ∑i=1 αi yt-i +a1t
Hipotesis yang diuji:
H0 : α1 =…=αp = 1 =…= p =0 (tidak ada hubungan antara x dan y)
H1 : minimal terdapat satu αi ≠0 atau i ≠0 ( ada hubungan antara x dan y).
2. Persamaan untuk menguji hubungan y dan x
p
p
Unrestricted : xt = ∑i=1 i xt-i + ∑i=1 λi yt-i +aβt

5
p
Restricted
: xt = ∑i=1 i xt-i + aβt
Hipotesis yang diuji:
H0 : 1 =…= p =λ1 =…=λp =0 (tidak ada hubungan antara y dan x)

H1 : minimal terdapat satu i ≠0 atau λi ≠0 ( ada hubungan antara y dan x).
Statistik uji yang digunakan untuk dua hipotesis diatas adalah sebagai berikut:
(RSSR -RSSUR )
Fhit =(n-k)
p(RSSUR )
dengan,
Fhit
: nilai statistik uji F
RSSR : jumlah kuadrat galat persamaan restricted
RSSUR : jumlah kuadrat galat persamaan unrestricted
n
: banyaknya amatan
p
: banyaknya lag
k
: banyaknya parameter yang diduga pada persamaan unrestricted.
Nilai kritis yang digunakan adalah distribusi F(p,n-k,α). Jika nilai Fhitung pada
persamaan yang menguji hubungan antara x dan y lebih besar dari Ftabel maka dapat
disimpulkan bahwa terdapat hubungan antara x dan y. Jika nilai Fhitung pada
persamaan yang menguji hubungan antara y dan x lebih besar dari Ftabel maka dapat
disimpulkan bahwa terdapat hubungan antara y dan x.
Penentuan Panjang Lag
Panjang lag optimal dalam model VAR digunakan untuk menangkap efek
antara peubah di dalam model. Pemilihan panjang lag dalam model VAR
digunakan metode information criteria. Metode information criteria yang dapat
digunakan yaitu metode Schwarz’s information criteria (SIC), Akaike information
criteria (AIC) dan Hannan and Quinn (HQ). Berikut ini merupakan perhitungan
nilai SIC, AIC dan HQ (Tsay 2005):
SIC p =n ln|Ʃ|+kβ p ln(n)
AIC(p)=n ln|Ʃ|+β kβ p
HQ p =n ln|Ʃ|+β kβ p ln( ln n )
dengan,
SIC(p) : nilai Schwarz’s information criteria (AIC) pada lag ke-p
AIC(p) : nilai Akaike information criteria (AIC) pada lag ke-p
HQ(p) : nilai Hannan and Quinn (HQ) pada lag ke-p
k
: banyaknya parameter dalam model termasuk intersep
p
: banyaknya lag
n
: banyaknya amatan
|Ʃ|
: determinan matriks ragam/peragam sisaan.
Uji Kointegrasi Johansen
Kointegrasi merupakan kombinasi linier dari peubah yang tidak stasioner
namun stasioner pada pembedaan (differencing) pertama. Uji kointegrasi dapat
digunakan untuk mengetahui hubungan antar peubah dalam jangka panjang. Uji
kointegrasi antar peubah menggunakan uji kointegrasi Johansen dengan hipotesis:
H0 : rank = r
H1 : rank > r
dengan r adalah banyaknya kointegrasi.

6
Statistik uji kointegrasi Johansen dituliskan sebagai berikut (Enders 2004):
k

λtrace r = -n ∑ ln(1-λ̂ i )
i=r+1

dengan,
λtrace r : nilai λ trace untuk rank r.
p
λ̂i
: nilai dugaan akar ciri yang didapatkan dari matriks П =-(I- ∑i=1 Φi),
dengan Φi adalah matriks parameter berukuran k × k untuk lag ke-i,
i=1,β,…,p dan I adalah matriks identitas berukuran k × k
n
: banyaknya amatan
r
: banyaknya kointegrasi
Jika nilai λtrace < λtabel(n-r,α) maka dapat dikatakan terdapat kointegrasi.
Vector Error Correction Model (VECM)
Vector error correction model (VECM) digunakan ketika terjadi ketidakseimbangan di antara peubah yang saling terkointegrasi. Secara umum model
VECM dengan lag p, banyaknya peubah k, dan rank kointegrasi r dituliskan
sebagai berikut (Tsay 2005) :
∗
∆�� = �� + �yt− + � ∗ yt− + ⋯ + �p−
�t−p+ + at
dengan ∆yt adalah vektor differencing pertama peubah endogen (y1t, y2t,…, ykt)
berukuran k × 1 yang berisi k peubah pada waktu ke-t. �� adalah vektor intersep
�
berukuran k × 1. ��∗ = − ∑�= �� adalah matriks parameter VECM berukuran
k × k untuk lag ke-i dengan i=1, 2, …, p-1. � =
′ adalah matriks parameter
VECM jangka panjang. α adalah matriks adjustment berukuran k × r sedangkan β
adalah matriks kointegrasi berukuran k× r. Pendugaan parameter VECM digunakan
metode kemungkinan maksimum.
Impulse Response Function (IRF)
Langkah selanjutnya setelah mendapatkan dugaan parameter model VECM
adalah menentukan nilai impulse response function. Impulse response function
(IRF) merupakan salah satu alat penting dalam model VAR. IRF melakukan
penelusuran atas dampak suatu goncangan terhadap seluruh peubah. Unit
goncangan yang dilakukan adalah terhadap galat. Jika terdapat k peubah dalam
model VAR, maka terdapat k2 impulse response yang dapat dibuat (Brooks 2002).
Misalkan terdapat model VAR dengan dua peubah. Kemudian melalui proses iterasi
dinyatakan dalam vector moving average (VMA) dengan persamaan sebagai
berikut (Enders 2004):
∞

yt =μ+ ∑ Φiεt-i
i=0

∅ (i) ∅1β (i)
dengan Φi= [ 11
] adalah matriks response impulse berukuran 2 × 2
∅β1 (i) ∅ββ (i)
dengan i=1, 2, γ,…,∞ dan � adalah matriks intersep.
Matriks ∅i merupakan fungsi response impulse yang memberikan informasi
mengenai pengaruh perubahan simpangan baku suatu peubah terhadap peramalan
peubah lain untuk periode ke-t (Enders 2004). Pengaruh ini juga dapat dilihat
melalui plot antara koefisien ∅jk(i) dengan i.

7
Forecast Error Decomposition of Variance (FEDV)
FEDV merupakan alat analisis lain dalam model VAR. Analisis ini
memberikan proporsi atas perubahan nilai suatu peubah yang disebabkan oleh
guncangan peubah sendiri dan guncangan dari peubah lain. Tujuan analisis FEDV
adalah untuk memprediksi kontribusi persentase ragam setiap peubah karena
adanya perubahan peubah tertentu dalam sistem VAR. Keragaman sisaan yt+n dari
model VAR adalah sebagai berikut (Enders 2004):
σy t β = σβy1 [∅11 0 β + ∅11 1 β +…+∅11 t-1 β ] + σβyβ [∅1β 0 β + ∅1β 1 β + … +
∅1β t-1 β ] + σβyk [∅1k 0 β + ∅1k 1 β +… + ∅1k t-1 β ]
dengan σy t
adalah keragaman sisaan peubah y. σβy1 , σβyβ , …, σβyk adalah
keragaman peubah 1, β, …, k. ∅11 , ∅1β , …, ∅1k adalah parameter model yt.
Proporsi dari nilai σy t β yang disebabkan oleh perubahan sisaan pada yk
(k=1,β,γ,…,n) diperoleh dari :
σyk [∅ k
+∅ k
+…+∅ k t- ]
σy t

METODE
Model Penelitian
Penelitian ini mengkaji mengenai hubungan Indeks Harga Saham Gabungan
(IHSG) dengan peubah-peubah makroekonomi Indonesia baik hubungan jangka
pendek maupun hubungan jangka panjang dengan metode vector error correction
model (VECM), sehingga model yang digunakan dalam penelitian ini yaitu :
∆lnIHSGt =
+ lnIHSGt- +
lnIHK t- + lnIPIt- + lnM t- +
lnNTt- + lnSBIt- +
Trend + ∅ + ∅ lnIHSGt- +
∅ lnIHK t- + ∅ lnIPIt- + ∅ lnM t- + ∅ lnNTt- +
∅ lnSBIt- + at
dengan
adalah intersep model untuk jangka panjang.
,
,…,
adalah
parameter model untuk jangka panjang. ∅ adalah intersep model untuk jangka
pendek ∅ ,…, ∅ adalah parameter model untuk jangka pendek.
Bahan

Data yang digunakan dalam penelitian ini merupakan data sekunder yang
didapatkan dari Bank Indonesia, Yahoo Finance, International Finance Statistics
(IFS), dan Badan Pusat Statistik. Data terangkum dalam bentuk bulanan selama
periode 1998-2013. Berikut ini merupakan deskripsi dan sumber data.
Tabel 1 Peubah, notasi, dan sumber data
Peubah
Notasi Satuan
Sumber Data
Indeks harga saham gabungan
IHSG Indeks
Yahoo Finance
Indeks Harga Konsumen
IHK
Indeks
BPS RI
Industrial Production Index
IPI
Indeks
IFS
Jumlah uang beredar luas
M2
Miliar Rp SEKI-BI
Sertifikat Bank Indonesia
SBI
Persen
SEKI-BI
Nilai tukar rupiah terhadap US $
NT
Rp
SEKI-BI

8

Prosedur Analisis Data
Metode analisis yang digunakan dalam penelitian ini yaitu :
1. Analisis eksplorasi data untuk melihat karakteristik dari setiap peubah.
2. Melakukan transformasi logaritma untuk masing-masing peubah.
3. Menguji kestasioneran data dengan menggunakan uji augmented DickeyFuller (ADF).
4. Menentukan hubungan antar peubah kegiatan pasar modal terhadap peubah
makroekonomi untuk dengan menggunakan uji kausalitas Granger.
5. Menentukan lag optimum model VECM dengan melihat nilai AIC, SIC, dan
HQ.
6. Melakukan uji kointegrasi Johansen. Ketika nilai kointegrasi lebih besar
dari 0 maka model yang digunakan adalah model VECM. Ketika kointegrasi
sama dengan 0 maka model yang digunakan adalah model VAR dengan
banyaknya pembedaan sampai lag ke-d.
7. Melakukan pendugaan parameter model VECM.
8. Memilih model terbaik dengan nilai root mean square error (RMSE), AIC,
dan SC terkecil. Perhitungan RMSE digunakan rumus sebagai berikut
(Willmott 2005) :
RMSE=√

∑ni=1 (ŷ i -yi )β

n
dengan ŷ i adalah nilai dugaan y ke-i. yi adalah nilai aktual y ke-i. n adalah
banyaknya amatan.
9. Menentukan pengaruh guncangan antar peubah dengan menggunakan
impuls response function (IRF).
10. Menentukan dampak proporsi keragaman peubah dengan menggunakan
forecast error decomposition of variance (FEDV).

HASIL DAN PEMBAHASAN
Eksplorasi Data
IHSG mengalami pergerakan yang tidak stabil (Gambar 1a). Sepanjang
periode 1998 sampai periode 2007 IHSG mengalami peningkatan sedangkan pada
tahun 2008 IHSG mengalami penurunan yang signifikan. Penurunan tersebut
disebabkan oleh krisis keuangan yang melanda Eropa. IHSG merupakan peubah
yang menggambarkan kondisi pasar saham di Indonesia. Kinerja pasar saham
kembali membaik sejak periode awal tahun 2009. Dilihat dari karakteristik
pergerakan data, IHSG merupakan peubah yang tidak stasioner dalam rataan.
IHK memiliki pola trend positif sejak periode 1998 sampai 2013 (Gambar
1b). IHK mengalami penurunan yang cukup signifikan pada tahun 1999, hal ini
diakibatkan oleh terjadinya krisis pada tahun 1998 yang memberikan dampak
terhadap IHK. Adanya penurunan yang cukup signifikan pada periode tersebut
menyebabkan terjadinya inflasi yang secara tidak langsung menyebabkan nilai

9
tukar rupiah melemah. Setelah tahun 1999 IHK kembali mengalami peningkatan
yang stabil. Ekonomi Indonesia pada periode tersebut sudah dalam kondisi baik
sedangkan pada periode 2007 sampai 2008 IHK mengalami lonjakan. Adanya krisis
keuangan Eropa pada periode tersebut secara tidak langsung menyebabkan lonjakan
pada IHK yang kemudian menyebabkan terjadinya inflasi. Dilihat dari karakteristik
pergerakan data, peubah IHK tidak stasioner pada rataan.
IPI mengalami fluktuasi yang cukup tinggi pada periode 1998 sampai 2005
(Gambar 1c). Hal ini diakibatkan oleh kegiatan produksi di Indonesia pada periode
tersebut belum dalam kondisi yang baik. Nilai Industrial Production Index (IPI)
memiliki pola trend positif. Pola trend positif tersebut menunjukkan bahwa nilai
IPI semakin baik. Nilai IPI mulai stabil sejak kuartal pertama tahun 2006 sampai
tahun 2013. Dilihat dari pergerakan data, nilai IPI tidak stasioner pada rataan.
6,000

600

5,000

500

4,000
400
3,000
300
2,000
200

1,000

100

0
1998

2000

2002

2004

2006

2008

2010

2012

1998

2000

2002

2004

(a)

2006

2008

2010

2012

2008

2010

2012

2008

2010

2012

(b)

180

4,000,000

160
3,000,000
140
120

2,000,000

100
1,000,000
80
60

0
1998

2000

2002

2004

2006

2008

2010

2012

1998

2000

2002

2004

(c)

2006

(d)

16,000

500,000

14,000

400,000

12,000

300,000

10,000

200,000

8,000

100,000

6,000

0
1998

2000

2002

2004

2006

(e)

2008

2010

2012

1998

2000

2002

2004

2006

(f)

Gambar 1 Plot data aktual (a) Indeks Harga Saham Gabungan (IHSG) (b) Indeks
Harga Konsumen (IHK) tahun dasar 1996 (c) Industrial Production
Indeks (IPI) tahun dasar 2000 (d) Jumlah uang beredar luas (M2) (e)
Nilai tukar rupiah (f) Sertifikat Bank Indonesia (SBI) periode Januari
1998 – Desember 2013

10
Jumlah uang beredar luas (M2) di Indonesia (Gambar 1d) mengalami
peningkatan pada periode 1998 sampai 2013. Jumlah uang beredar luas (M2)
merupakan jumlah uang yang ada di bank dan di masyarakat. Adanya pola trend
pada jumlah uang beredar luas (M2), mengindikasikan bahwa perekonomian
Indonesia semakin baik. Secara grafis, jumlah uang beredar luas (M2) tidak terlihat
guncangan yang tinggi. Jumlah uang beredar luas (M2) selalu meningkat sejak
tahun 1998 sehingga M2 terlihat tidak dipengaruhi oleh kondisi ekonomi yang ada.
Nilai tukar rupiah mengalami fluktuasi yang cukup tinggi, terutama terjadi
pada periode 1998 sampai 2001, hal ini diakibatkan oleh terjadinya krisis di
Indonesia pada periode tersebut (Gambar 1e). Guncangan nilai tukar rupiah kembali
terjadi pada tahun 2008. Adanya krisis keuangan Eropa secara tidak langsung
menyebabkan pelemahan nilai tukar rupiah pada periode tersebut. Nilai tukar rupiah
kembali melemah pada tahun 2013. Melemahnya nilai tukar rupiah diakibatkan
oleh penguatan nilai mata uang USD pada periode tersebut.
Sertifikat Bank Indonesia (SBI) mengalami fluktuasi yang sangat tinggi
(Gambar 1f). SBI pada periode 2004 sampai 2005 mengalami penurunan yang
cukup drastis dari periode sebelumnya. Hal ini disebabkan oleh tidak
dikeluarkannya SBI berjangka 3 bulan dan 6 bulan oleh Bank Indonesia sebagai
dampak menguatnya pasar saham pada periode 2004 sampai 2007. Dilihat dari pola
pergerakan data, SBI tidak stasioner pada ragam. Kesimpulan yang dapat diambil
dari plot seluruh peubah yang akan digunakan pada penelitian adalah terdapat pola
tidak stasioner. Salah satu uji formal yang dapat digunakan untuk melihat
kestasioneran data yaitu uji augmented Dickey-Fuller.
Uji Korelasi Antar Peubah
Hasil uji korelasi antara peubah (Tabel 2) terlihat bahwa terdapat korelasi
yang nyata diantara peubah, hal ini ditunjukan dari p-value < 0.05. Korelasi negatif
terjadi antara SBI dengan peubah lainnya. Hal ini diakibatkan oleh terjadinya
penguatan peubah M2, IHK, IPI, IHSG, dan NT. Menurut BI, ketika peubah-peubah
tersebut mengalami penguatan, maka SBI yang dikeluarkan oleh Bank Indonesia
mengalami penurunan. SBI merupakan salah satu kebijakan BI yang digunakan
untuk menyeimbangkan kondisi ekonomi Indonesia.
Tabel 2 Hasil uji korelasi antar peubah
Peubah
lnSBI
p-value
lnM2
p-value
lnIHK
p-value
lnIPI
p-value
lnNT
p-value

lnIHSG
-0.266
0.000
0.948
0.000
0.926
0.000
0.831
0.000
0.159
0.028

lnSBI

-0.239
0.001
-0.178
0.014
-0.162
0.025
-0.235
0.001

lnM2

lnIHK

lnIPI

0.975
0.000
0.904
0.000
0.290
0.000

0.907
0.000
0.262
0.000

0.242
0.001

11
Statistik Deskriptif
Hasil statistik deskriptif pada Tabel 3 terlihat bahwa simpangan baku
tertinggi adalah IHSG. Hal ini diakibatkan oleh pergerakan nilai indeks saham di
Indonesia yang cukup tinggi. Pergerakan yang cukup tinggi tersebut diakibatkan
oleh kondisi perekonomian Indonesia yang belum stabil. Simpangan baku terkecil
pada Tabel 3 adalah nilai tukar rupiah. Hal tersebut diakibatkan oleh pergerakan
nilai tukar rupiah yang tidak terlalu tinggi. Nilai tukar rupiah bergerak pada nilai
rataan. Pergerakan tertinggi nilai tukar rupiah hanya terjadi pada periode 1998
sampai 1999.
Tabel 3 Statistik deskriptif IHSG dan peubah makroekonomi Indonesia
Peubah
Min
Max
StDev

lnIHSG
5.621
8.531
0.882

lnSBI
9.956
12.91
0.496

lnM2
12.972
15.131
0.5735

lnIHK
4.786
6.352
0.367

lnIPI
4.119
5.077
0.184

lnNT
8.814
9.609
0.111

Hubungan IHSG dengan Peubah Makroekonomi Indonesia
Pengujian Kestasioneran Peubah
Langkah awal dalam pembentukan model VAR/ VECM adalah melakukan
uji stasioneritas terhadap semua peubah. Stasioneritas data merupakan kunci awal
untuk menentukan model yang akan digunakan. Hasil uji augmented Dickey-Fuller
pada Tabel 4 terlihat bahwa beberapa peubah tidak stasioner pada level. Pengujian
augmented Dickey-Fuller dilakukan terhadap nilai Ø dari model AR setiap peubah.
Berdasarkan hasil uji augmented Dickey-Fuller pada level disimpulkan bahwa
peubah yang tidak stasioner adalah peubah IHSG, IPI, IHK, SBI, dan M2
sedangkan peubah yang telah stasioner adalah nilai tukar (NT). Selanjutnya
dilakukan uji augmented Dickey-Fuller pada differencing pertama. Setelah
dilakukan uji untuk seluruh peubah yang telah dilakukan differencing dengan lag
satu, disimpulkan bahwa seluruh peubah telah stasioner.
Tabel 4 Hasil uji augmented Dickey-Fuller pada level dan differencing lag 1
Peubah
IHSG
IPI
IHK
Sertifikat BI
Nilai tukar rupiah
Jumlah uang M2

D(0)
-0.527
-2.764
-2.203
-2.600
-3.765
-0.066

Nilai ADF
p-value D(0)
D(1)
0.882
0.066
0.206
0.095
0.004
0.950

-10.960
-13.973
-9.978
-19.348
-12.109
-14.191

p-value D(1)
0.000
0.000
0.000
0.000
0.000
0.000

Pengujian Hubungan Kausalitas Granger
Hasil uji hubungan kausalitas Granger pada Tabel 5 menunjukkan bahwa
peubah yang memiliki hubungan 2 arah adalah peubah IHSG dan peubah IHK,
peubah IHK dan IPI, serta M2 dan IHSG, artinya nilai IHSG mempengaruhi nilai

12
IHK, begitupun sebaliknya. Di antara peubah ini memiliki pengaruh yang cukup
kuat, ketika terjadi ketidakseimbangan di antara peubah tersebut maka peubah lain
akan mengalami guncangan.
Nilai IHK pada Tabel 5 dipengaruhi oleh nilai M2. Ketika jumlah uang
beredar luas (M2) mengalami peningkatan, maka secara tidak langsung akan
menyebakan nilai IHK akan mengalami peningkatan. Nilai IHSG memiliki
hubungan terhadap peubah nilai tukar. Menurut penilitian Fauzan (2014) volatilitas
nilai tukar memiliki pengaruh terhadap nilai IHSG pada 2 periode sebelumnya
sehingga dapat disimpulkan bahwa ketika saham di suatu negara terjadi guncangan
yang meningkat, akan menyebabkan penguatan terhadap nilai tukar. Nilai IPI dan
nilai tukar rupiah pada Tabel 5 dipengaruhi oleh nilai M2. Kesimpulan yang dapat
diambil dari hasil uji kausalitas Granger tersebut adalah terdapat hubungan yang
kompleks diantara peubah. Oleh sebab itu, ketika salah satu dari peubah mengalami
guncangan akan menyebabkan guncangan pada peubah lainnya.
Tabel 5 Hasil dari uji hubungan kausalitas Granger pada lag ke-0
Peubah
lnIHSG
lnIHK
lnIPI
lnNT
lnM2
lnSBI
lnIHSG
−
↔
→
→
↔
−
lnIHK
↔
−
↔
←
→
←
lnIPI
←
↔
−
−
←
→
lnNT
←
→
−
−
→
−
lnM2
↔
←
→
←
−
−
lnSBI
−
→
←
−
−
−
Hasil uji hubungan kausalitas Granger (Tabel 6) pada pembedaan pertama
disimpulkan bahwa tidak terdapat hubungan dua arah di antara peubah, hanya
terdapat hubungan satu arah. Hubungan satu arah tersebut yaitu IHK mempengaruhi
IHSG dan IPI sedangkan IHK dipengaruhi oleh nilai SBI dan Jumlah uang beredar
(M2). Nilai SBI dipengaruhi oleh nilai IPI. Nilai tukar mempengaruhi nilai jumlah
uang beredar (M2), IHK, dan IHSG. Sesuai dengan teori ekonomi, ketika terjadi
pelemahan terhadap nilai tukar, maka akan menyebabkan masyarakat mengurangi
jumlah pengeluaran terhadap suatu barang atau jasa, yang kemudian menyebabkan
penurunan jumlah M2 dan pembelian saham akan menurun.
Tabel 6 Hasil uji hubungan kausalitas Granger pada differencing pertama
Peubah
lnIHSG
lnIHK
lnIPI
lnNT
lnM2
lnSBI

lnIHSG
−
→
−
→
−
−

lnIHK
←
−
←
→
−
→

lnIPI
−
→
−
−
−
−

lnNT
←
←
−
−
←
−

lnM2
−
−
−
→
−
−

lnSBI
−
←
→
−
−
−

Pemilihan lag VECM
Pemilihan lag VAR dilakukan dengan cara menentukan nilai information
criteria untuk setiap lag. Nilai information criteria terbaik merupakan nilai terkecil
di antara lag. Berdasarkan perhitungan, nilai information criteria terkecil pada
Tabel 7 terlihat bahwa lag terbaik terdapat pada lag 0 (p=0) untuk Schwarz

13
information criteria (SIC), lag 1 (p=1) untuk Akaike information criteria (AIC) dan
Hannan and Quinn information criteria (HQ), dan lag 8 (p=8) untuk likelihood
ratio criteria (LR). Selanjutnya akan dilakukan pendugaan pada semua lag
sehingga, didapatkan model dugaan yang terbaik. Lag VECM merupakan lag VAR
ditambah satu sehingga dalam pendugaan parameter VECM akan digunakan lag
1,2 dan 8. Model dengan nilai RMSE, AIC, dan SC terkecil adalah model terbaik.
Tabel 7 Hasil pemilihan lag
Lag
0
1
2
3
4
5
6
7
8

LR
NA
143.394
50.683
75.112
56.266
45.568
56.494
45.189
56.505*

AIC
-21.002
-21.424*
-21.328
-21.393
-21.356
-21.262
-21.255
-21.185
-21.213

SC
-20.897*
-20.687
-19.960
-19.394
-18.725
-18.000
-17.362
-16.660
-16.057

HQ
-20.960
-21.100*
-20.774
-20.583
-20.289
-19.934
-19.678
-19.350
-19.123

* Nyata pada (α) = 5%

Pengujian Kointegrasi Antar Peubah
Tahapan selanjutnya setelah melakukan uji stasioneritas data, uji kausalitas
dan penentuan lag adalah melakukan uji kointegrasi di antara peubah. Uji
kointegrasi bertujuan untuk melihat hubungan jangka panjang diantara peubah. Uji
kointegrasi yang digunakan adalah uji kointegrasi Johansen. Pengujian ini
dilakukan secara bertahap dari rank (r) = 0. Jika keputusan menyatakan tolak H0,
yaitu ketika λ trace lebih besar dari nilai kritis (λ tabel) maka pengujian dilanjutkan
dengan r = r+1 hingga diperoleh r optimal (rank = r). Hasil uji kointegrasi antar
peubah pada Tabel 8 terlihat bahwa terdapat dua kointegrasi di antara peubah.
Model yang digunakan adalah vector error correction model (VECM). Selanjutnya
dilakukan pendugaan parameter untuk setiap kointegrasi dan lag yang telah
didapatkan.
Tabel 8 Hasil uji kointegrasi Johansen
H0
rank = r
0
1
2
3
4
5

H1
rank > r
0
1
2
3
4
5

λ trace (r)

Nilai Kritis

P-Value

194.204
105.397
56.299
22.891
8.971
2.760

117.708
88.804
63.876
42.915
25.872
12.518

0.000
0.002
0.184
0.882
0.961
0.904

Pendugaan Parameter
Hasil perhitungan nilai AIC, SC, dan RMSE model parsial IHSG pada
pendugaan parameter model untuk setiap nilai lag 1, 2, dan 8 (Tabel 9) terlihat
bahwa model yang memiliki galat minimum yaitu model VECM(1) satu kointegrasi,
VECM(9) satu kointegrasi serta VECM(9) tiga kointegrasi. Model VECM(9) tiga

14
kointegrasi memiliki nilai RMSE yang tertinggi dibandingkan model lainnya. Oleh
sebab itu, model yang terbaik yang dapat digunakan untuk pendugaan parameter
model adalah VECM(1) dengan satu kointegrasi. Plot sisaan model VECM(1)
dengan satu kointegrasi pada Lampiran 9 terlihat bahwa sisaan setiap peubah telah
stasioner pada rataan.
Tabel 9 Nilai AIC, SC, dan RMSE model VAR/VECM
Model
VARD(1)
VARD(8)
VECM(1) 2 Kointegrasi
VECM(1) 1 Kointegrasi
VECM(2) 2 Kointegrasi
VECM(2) 1 Kointegrasi
VECM(9) 1 Kointegrasi
VECM(9) 2 Kointegrasi
VECM(9) 3 Kointegrasi

AIC

SC

-20.232
-21.213
-20.741
-20.642
-20.902
-20.780
-21.711
-21.822
-21.878

-19.514
-16.057
-19.579
-19.702
-19.118
-19.219
-15.673
-15.555
-15.382

RMSE MODEL
IHSG
0.076
0.079
0.076
0.077
0.077
0.077
0.073
0.111
0.134

Hasil uji t pada pengaruh jangka pendek model VECM(1) dengan 1
kointegrasi (Tabel 10) menunjukan bahwa peubah yang memiliki pengaruh
terhadap IHSG adalah nilai Sertifikat Bank Indonesia satu bulan sebelumnya,
Indeks Harga Konsumen satu bulan sebelumnya, dan IHSG satu bulan sebelumnya.
Peubah tersebut memiliki keterkaitan satu sama lain. Ketika nilai tukar rupiah
melemah secara tidak langsung akan menyebabkan kenaikan harga konsumen, yang
kemudian akan menyebabkan inflasi.
Tabel 10 Uji t model parsial IHSG
Peubah
Persamaan kointegrasi 1
D(lnIHK(-1))
D(lnIHSG(-1))
D(lnIPI(-1))
D(lnM2(-1))
D(lnNT(-1))
D(lnSBI(-1))
Konstanta

T hitung
-0.981
-2.756*
2.716*
-0.033
-0.238
1.285
2.233*
2.655*

* Nyata pada (α) = 5%

Impuls Response Function (IRF)
Lampiran 5 dan Lampiran 6 menyajikan hasil IRF untuk seluruh peubah.
Dampak guncangan IHSG (Gambar 2a) terlihat bahwa IHSG mengalami kenaikan
pada periode pertama dan kedua, pada periode berikutnya nilai IHSG akan kembali
konstan. Dampak guncangan IHSG terhadap IHK (Gambar 2b) terlihat bahwa IHK
mengalami peningkatan pada periode pertama dan kedua kemudian IHK kembali
mengalami penurunan pada periode ke-empat. Guncangan yang IHK tersebut
menyebabkan terjadinya inflasi pada empat periode awal.

15
Dampak guncangan IHSG terhadap IPI (Gambar 2c) terlihat bahwa terjadi
penurunan nilai indeks pada periode pertama sampai periode kedua, akan tetapi
nilai indeks kembali meningkat pada periode kedua sampai periode ke-empat.
Dampak IHSG terhadap M2 pada Gambar 2d terlihat bahwa IHSG memberikan
dampak negatif terhadap jumlah uang beredar luas (M2). Hal ini disebabkan oleh
peralihan investasi yang dilakukan oleh masyarakat ke pasar saham ketika IHSG
menguat. Dampak guncangan IHSG terhadap nilai tukar rupiah pada Gambar 2e
terlihat bahwa IHSG memberikan efek penguatan terhadap nilai tukar rupiah pada
tiga periode ke depan. Oleh sebab itu dapat disimpulkan bahwa IHSG memiliki
peran penting terhadap perkembangan makroekonomi Indonesia. Ketika IHSG
mengalami guncangan, akan menyebabkan peubah makroekonomi mengalami
guncangan.
(a) Response of lnIHSG to lnIHSG

(b) Response of lnIHK to lnIHSG

.096

.0006
.0005

.092
.0004
.088

.0003

.084

.0002
.0001

.080
.0000
.076

-.0001
5

10

15

20

25

5

30

(c) Response of lnIPI to lnIHSG

10

15

20

25

30

(d) Response of lnM2 to lnIHSG

-.004

.000

-.006

-.001

-.008
-.002
-.010
-.003

-.012
-.014

-.004
5

10

15

20

25

5

30

(e) Response of lnNT to lnIHSG

10

15

20

25

30

(f) Response of lnSBI to lnIHSG

-.020

.029
.028

-.024

.027
.026

-.028
.025
.024

-.032

.023
-.036

.022
5

10

15

20

25

30

5

10

15

20

25

30

Gambar 2 Dampak guncangan Indeks Harga Saham Gabungan (IHSG) terhadap
(a) Indeks Harga Saham Gabungan (IHSG) (b) Indeks Harga Konsumen
(IHK) (c) Industrial Production Indeks (IPI) (d) Jumlah uang beredar
luas (M2) (e) Nilai tukar rupiah (f) Sertifikat Bank Indonesia (SBI)

16
Forecast Error Decompotition of Variance (FEDV)
FEDV digunakan untuk melihat besarnya proporsi keragaman yang diberikan
suatu peubah terhadap peubah lainnya akibat adanya guncangan. Hasil variance
decomposition dapat dilihat pada Lampiran 7 dan Lampiran 8. Keragaman nilai
IHSG akibat suatu guncangan, sebesar 92% disebabkan oleh IHSG itu sendiri
sedangkan keragaman IHK yang disebabkan oleh IHSG sebesar 0% (Gambar 3).
Hal ini menunjukkan bahwa IHSG tidak memberikan dampak yang besar terhadap
IHK. Dampak yang serupa terdapat pada Gambar 3c, Gambar 3d, dan Gambar 3f,
IHSG hanya memberikan keragaman yang kecil yaitu sebesar 2% sampai 4%,
sehingga IHSG bukan merupakan peubah yang berpengaruh terhadap Industrial
Production Index, jumlah uang beredar luas (M2), dan nilai Sertifikat Bank
Indonesia. Keragaman nilai tukar yang disebabkan oleh IHSG pada Gambar 3e
sebesar 22%, hal ini menunjukkan pergerakan nilai tukar rupiah di Indonesia
dipengaruhi oleh IHSG.
(a) Percent lnIHSG variance due to lnIHSG

(b) Percent lnIHK variance due to lnIHSG

100

100

80

80

60

60

40

40

20

20

0

0
5

10

15

20

25

30

5

10

15

20

25

30

(d) Percent lnM2 variance due to lnIHSG

(c) Percent lnIPI variance due to lnIHSG
100

100

80

80

60

60

40

40

20

20
0

0
5

10

15

20

25

5

30

10

15

20

25

30

(f) Percent lnSBI variance due to lnIHSG

(e) Percent lnNT variance due to lnIHSG
60

100

50

80

40

60

30
40
20
20

10

0

0
5

10

15

20

25

30

5

10

15

20

25

30

Gambar 3 Kontribusi pergerakan Indeks Harga Saham Gabungan (IHSG) terhadap
variance decomposition peubah (a) Indeks Harga Saham Gabungan
(IHSG), (b) Indeks Harga Konsumen (IHK), (c) Industrial Production
Indeks (IPI), (d) Jumlah uang beredar luas (M2), (e) Nilai tukar rupiah,
dan (f) Sertifikat Bank Indonesia (SBI)

17

SIMPULAN DAN SARAN
Simpulan
Model yang digunakan adalah vector error correction model (VECM)
dengan satu lag dan satu kointegrasi. Indeks Harga Saham Gabungan (IHSG)
memiliki cukup pengaruh terhadap beberapa peubah makroekonomi Indonesia,
seperti nilai tukar rupiah, jumlah uang beredar luas (M2), nilai Sertifikat Bank
Indonesia, serta Industrial Production Index. Ketika IHSG mengalami guncangan,
maka beberapa peubah makroekonomi akan mengalami guncangan. Guncangan
yang diberikan IHSG terhadap peubah makroekonomi hanya pada empat periode
awal sedangkan pada periode berikutnya peubah makroekonomi cenderung stabil.
Hasil uji hubungan kausalitas Granger disimpulkan bahwa peubah yang memiliki
hubungan dua arah adalah peubah IHSG dan peubah IHK, peubah Indeks Harga
Konsumen dan Industrial Production Index, serta jumlah uang beredar luas (M2)
dan Indeks Harga Saham Gabungan.
Saran
Penelitian selanjutnya diharapkan mempertimbangkan peubah indeks saham
internasional dalam analisis. Selain itu, peubah makroekonomi yang digunakan
dapat diperbanyak sehingga diharapkan diperoleh hasil yang lebih baik. Metode
lain yang dapat digunakan yaitu structural VAR dan VAR with exogenity.

DAFTAR PUSTAKA
Badan Pengawas Pasar Modal dan Lembaga Keuangan. 2008. Analisis Hubungan
Kointegrasi dan Kausalitas Serta Hubungan Dinamis Antara Aliran Modal
Asing, Perubahan Nilai Tukar dan Pergerakan IHSG di Pasar Modal
Indonesia[Studi Ilmiah]. Jakarta (ID) : Departemen Keuangan RI.
Bank Indonesia. 2007. Booklet Stabilitas Sistem Keuangan. Jakarta (ID): Bank
Indonesia.
Brooks C. 2002. Introductary Econometrics for Finance. Cambridge (UK):
Cambridge University Press.
Dickey DA, Fuller WA. 1979. Distribution of the Estimators of Autoregressive
Time Series With a Unit Root. Journal of the American Statistical Association :
427-431.
Enders W. 2004. Applied Econometric Time Series. Second Edition. United States
of America (US): John Wiley & Sons.
Fauzan Priyono Anhar, Bustaman Arief. 2014. Volatility Transmission between
Exchange Rates and Stock Prices in Indonesia post 1997 Asia Crisis. Working
Paper in Economics and Development Studies.
Gujarati Damodar N. 2003. Basic Econometrics. Fourth Edition. United States
(US): McGraw-Hill.

18
Ibrahim M. 2011. Stock Market Development and Macroeconomic Performance in
Thailand. Jurnal of Enginering Economics. Vol 22(3), 230-240.
Kehinde A, Ademola Ishola S, Kadiri Kayode I, Adekunjo Felix O. 2013. Capital
Market and Economic Growth in Nigeria an Empirical Analysis. IOSR Journal
Of Humanities And Social Science (IOSR-JHSS. Vol 6(6), 60-68.
Olweny Tobias O, Kimani D. 2011. Stock Market Performance and Economic
Growth Empirical Evidence from Kenya Using Causality Test Approach.
Advances in Management & Applied Economics. Vol 1(3), 153–196.
Osuala Alex E, Okereke J E, Nwansi G U. 2013. Does Stock Market Promote
Economic Growth in an Emerging Market? a Causality Investigation.
International Business and Social Sciences Research Conference Jan 3-4;
Dubai. Dubai (UEA)
Petros J. 2012. The effect of The Stock exchange on Economic Growth: a Case of
The Zimbabwe Stock Exchange. Research in Business and Economics Journal.
Puspitasari D. 2010. Analisis Hubungan ILQ45 dengan Faktor Makroekonomi
Melalui Model VAR [Skripsi]. Bogor (ID): Departemen Statistika IPB.
Rahimzadeh F. 2012. Banking Sector, Stock Market and Economic Growth:
Evidence from Mena Countries. International Journal of Social Sciences And
Humanity Studies. Vol 4(2) ISSN: 1309-8063.
Rusdin. 2006. Pasar Modal : Teori, Masalah, dan Kebijakan dalam Praktik.
Bandung (ID): Alfabeta.
Tsay R S. 2005. Analysis of Financial Time Series. Second Edition. United States
of America (US) : John Wiley & Sons
Willmott CJ, Matsuura K. 2005. Advantages of the Mean Absolute Error (MAE)
Over the Root Mean Square Error (RMSE) in Assessing Average Model
Performance. Clim Res. 30:79-82.

19
Lampiran 1 Hasil uji hubungan kausalitas Granger
Null hypothesis:

Obs

lnIHSG does not Granger Cause lnIHK
lnIHK does not Granger Cause lnIHSG
lnIPI does not Granger Cause lnIHK
lnIHK does not Granger Cause lnIPI
lnM2 does not Granger Cause lnIHK
lnIHK does not Granger Cause lnM2
lnNT does not Granger Cause lnIHK
lnIHK does not Granger Cause lnNT
lnSBI does not Granger Cause lnIHK
lnIHK does not Granger Cause lnSBI
lnIPI does not Granger Cause lnIHSG
lnIHSG does not Granger Cause lnIPI
lnM2 does not Granger Cause lnIHSG
lnIHSG does not Granger Cause lnM2
lnNT does not Granger Cause lnIHSG
lnIHSG does not Granger Cause lnNT
lnSBI does not Granger Cause lnIHSG
lnIHSG does not Granger Cause lnSBI
lnM2 does not Granger Cause lnIPI
lnIPI does not Granger Cause lnM2
lnNT does not Granger Cause lnIPI
lnIPI does not Granger Cause lnNT
lnSBI does not Granger Cause lnIPI
lnIPI does not Granger Cause lnSBI
lnNT does not Granger Cause lnM2
lnM2 does not Granger Cause lnNT
lnSBI does not Granger Cause lnM2
lnM2 does not Granger Cause lnSBI
lnSBI does not Granger Cause lnNT
lnNT does not Granger Cause lnSBI

190
190
190
190
190
190
190
190
190
190
190
190
190
190
190

FStatistic
γ.48080
5.69β4β
β.7γ9β1
1β.1071
β1.6γ55
0.8150γ
1β.6195
1.5β661
γ.81677
β.01081
0.658γ4
9.455γ4
γ.65γ94
6.117γγ
β.18559
γ.β596γ
1.44456
1.βγ444
14.β1ββ
0.75740
0.77ββ7
β.00γ1β
0.65β75
7.960β0
5.07β75
1.17β90
0.9β005
1.4γ8γ9
1.78081
0.087γ1

Prob.
0.0γβ8
0.0040
0.067β
1.E-05
4.E-09
0.444β
7.E-06
0.ββ00
0.0βγ8
0.1γ68
0.5189
0.0001
0.0β78
0.00β7
0.115γ
0.0406
0.βγ85
0.β9γ4
β.E-06
0.470γ
0.46γ4
0.1γ78
0.5β18
0.0005
0.007β
0.γ118
0.400γ
0.β400
0.1714
0.9164

20
Lampir