45 membuat data menjadi stasioner melalui proses diferensi data. Uji
stasioner data melalui proses diferensi ini disebut dengan uji derajat integrasi. Formulasi uji derajat integrasi dari ADF sebagai berikut:
∆βYt = α0 + ∆Yt-1 +
p
i 2
i ∆βYt-1+1 + et ........................... 3.3
Jika nilai absolut dari statistik ADF lebih besar dari nilai kritisnya pada diferensi tingkat pertama, maka data dikatakan stasioner pada derajat
satu. Akan tetapi, jika nilainya lebih kecil maka uji derajat integrasi perlu dilanjutkan pada diferensi yang lebih tinggi, sehingga diperoleh data yang
stasioner Widarjono, 2007:344-349.
2. Uji GARCH
Setelah dilakukan uji stasioneritas data pada seluruh variabel dan diyakini bahwa seluruh variabel tersebut sudah stasioner, maka langkah
selanjutnya adalah melakukan uji GARCH untuk menjelaskan pengaruh variabel-variabel yang digunakan dan berapa besar pengaruhnya. Data
yang digunakan dalam penelitian ini adalah data time series. Data time series terutama data di sektor keuangan atau finansial, sangat tinggi tingkat
volatilitasnya. Volatilitas yang tinggi ini ditunjukkan oleh suatu fase dimana fluktuasinya relatif tinggi dan kemudian diikuti fluktuasi yang
rendah dan kembali tinggi. Dengan kata lain, data ini mempunyai rata-rata dan varian yang tidak konstan.
46 Adanya volatilitas yang tinggi ini tentunya menyulitkan
para peneliti untuk membuat estimasi dan prediksi pergerakan variabel tersebut. Oleh karena itu, di dalam menganalisis perilaku
data runtut waktu time series untuk sektor finansial misalnya harga saham, nilai tukar rupiah, suku bunga dan sebagainya,
peneliti seringkali menemukan bahwa kemampuan atau presisi peramalan berubah-ubah dari waktu ke waktu. Misalnya, pada satu
periode, peramalan mengalami kesalahan yang kecil tetapi di waktu lain mengalami kesalahan yang cukup besar dan kemudian
kesalahan kembali mengecil. Variabilitas ini disebabkan oleh kenyataan bahwa variabel ekonomi seperti kebijakan moneter dan
fiskal, maupun variabel non ekonomi seperti ketidakstabilan politik
bahkan yang sifatnya sekedar rumor Widarjono, 2007:319.
Dengan tingginya volatilitas data maka perlu dibuat suatu model pendekatan untuk mengukur masalah residual. Salah satu
model estimasi yang membahas perilaku data dengan volatilitas
tinggi tersebut adalah model GARCH Widarjono, 2007:319.
Model GARCH
merupakan model
perkembangan dari
model ARCH.
Model ARCH
Autoregressive Conditional
Heteroscedasticity dikembangkan oleh Robert Engle 1982 dan dimodifikasi oleh Mills 1999, selanjutnya Tim Bollerslev 1986
dan 1994 juga memperkenalkan model generalisasi ARCH yang
47 disebut GARCH. GARCH ini dimaksudkan untuk memperbaiki
ARCH Wing Wahyu Winarno, 2007:8.1. Untuk menjelaskan model GARCH dapat menggunakan
model regresi sedehana sebagai berikut Widarjono, 2007:327: Y
t
= +
1
X
t
+e
t .................................................................................................................
3.4 Dimana: Y = Variabel dependen
X = Variabel independen e = residual
Model residual dalam persamaan 3.3 disebut model GARCH 1,1 karena varian residual hanya dipengaruhi oleh residual periode
sebelumnya dan varian residual periode sebelumnya. Secara umum model GARCH yakni GARCH p,q dapat dinyatakan melalui persamaan sebagai
berikut: σ
t 2
= α +
α
1
e
t 2
-1
+ .....+ α
p
e
t 2
-p
+ λ
1
σ
t 2
-1
+ ......+λ
q
σ
t 2
-q
............................ 3.5 Dimana p menunjukkan unsur ARCH dan q unsur GARCH
Widarjono, 2007:328. Dalam model ARCH GARCH, ada beberapa bentuk lain model
ARCH GARCH antara lain: a. ARCH in mean M-ARCH
b. Threshold ARCH TARCH c. Eksponential ARCHGARCH E-GARCH
d. Simple Asymetric ARCH SAARCH
48 Penulis akan mencari model GARCH yang paling layak untuk
menjelaskan pengaruh variabel-variabel aksi jual-beli asing, kurs, SBI, inflasi, Produk Domestik Bruto dan indeks Hang Seng terhadap Indeks
Harga Saham Gabungan dan berapa besar pengaruhnya. Untuk memilih model yang paling layak, maka dilakukan proses
trial dan error atau mencoba beberapa kemungkinan model, sehingga menghasilkan model yang terbaik Nachrowi, 2007:424.
Ada beberapa cara yang dapat digunakan untuk memilih model terbaik, yaitu Wing Wahyu, 2007:8.21:
a. Melihat nilai R
2
. Model paling tinggi nilai R
2
-nya berarti model paling baik, karena dapat menjelaskan hubungan antara variabel
independen dengan variabel dependen lebih baik dibanding model lain yang R
2
-nya lebih rendah. b. Melihat koefisien AIC Akaike Info Criterion dan SIC Schwarz
Info Criterion. Model yang paling rendah nilai AIC dan SIC-nya adalah model yang paling baik.
c. Masukkan nilai data ke dalam persamaan. Model yang paling baik adalah model yang angka prediksinya mendekati kenyataan.
Dalam penelitian ini untuk pengolahan data menggunakan perangkat lunak E-views 5.0.
49
E. Operasional Variabel Penelitian
