6
3. METODE PENELITIAN
Data yang digunakan dalam penelitian ini adalah data sekunder yaitu data yang dikumpulkan dan dipublikasikan oleh pihak lain Sugiyono, 2012:402 yang berupa jumlah kredit
yang disalurkan oleh perbankan pada sektor privat yang mewakili money market development MON, jumlah kapitalisasi pasar saham dibagi dalam gross domestic product yang mewakili
capital market development CAP dan gross domestic product yang mewakili pertumbuhan ekonomi GDP. Seluruh data merupakan data tahunan selama periode 1988 sampai dengan 2012
dan diperoleh dari dari World Bank melalui Bank Indonesia Jln. Tantulan 4 Denpasar, Kantor OJK Denpasar Jln Tantular 4 Renon Denpasar, Kantor Perwakilan Bursa Efek Indonesia BEI Denpasar
Jln. PB Sudirman 10X Kav 2 Denpasar. Disamping data sekunder, penelitian ini juga menggunakan data primer yang didapat dengan metode wawancara yang mendalam di Bank Indonesia Jln.
Thamrin Jakarta, di Otoritas Jasa Keuangan Jln. Thamrin Jakarta, dan di Kantor Pusat BEI di Jakarta tentang tingkat bunga, inflasi, gain saham, profit atau loss atas saham, dan perilaku peserta
pasar uang dan pasar modal.
Data yang bersifat time series jika nantinya cenderung menunjukkan trend yang bersifat deterministic atau stochastic, analisis dilakukan dengan analisis regresi dengan teknik Ordinary
Least Squares OLS yang menghasilkan spourius regression. Analisis kointegrasi dapat digunakan untuk mengidentifikasi common stochastic trend antara variabel keuangan yang berbeda
dan pada saat bersamaan menghidari spourious regression problem. Analisis kointegrasi menggunakan analisis regresi untuk meneliti long-run linkages antara variabel-variabel keuangan
dan memungkinkan untuk mempertimbangkan short-run adjustment tehadap deviasi dari long-run equilibrium. Jika variabel-variabel keuangan terkointegrasi, maka variabel-variabel keuangan juga
dapat menunjukkan adanya long-run relationship Fabozzi, 2014:191-193.
Untuk menguji kointegrasi digunakan metode Engle Grager tests dan Johansen-Joselius tests. Penelitian ini akan menggunakan metode Johansen test karena metode ini memiliki
keunggulan dibandingkan dengan metode Engle Grager tests. Fabozzi 2014: 205 menyatakan, masalah dalam metode Engle Grager tests antara lain, Pertama, ketika ukuran sampel infinity,
hasil pengujian kointegrasi menghasilkan hasil yang sama tanpa memperhatikan variabel yang mana yang digunakan sebagai dependen variabel. Masalah ini semakin besar ketika pengujian
dilakukan terhadap tiga atau lebih variabel. Kedua, error yang digunakan dalam pengujian kointegrasi hanya merupakan estimasi dan bukan true error. Dengan demikian, kesalahan estimasi
error dapat menyebabkan kesalahan regresi. Ketiga, Engle-Grager Cointegration test tidak dapat mendeteksi multiple cointegrating relationship.
Pengujian kointegrasi menggunakan Johansen tests hanya dapat dilakukan apabila data stasioner pada first difference. Oleh karena itu, dilakukan pengujian stasionaritas data atau
pengujian unit root menggunakan Augmented Dickey-Fuller ADF. Hipotesis pengujian unit root menggunakan ADF dapat dirumuskan sebagai berikut:
H :
δ = 0 atau variabel tidak stasioner atau terdapat unit root. H
1
: δ 0 atau variabel stasioner atau tidak terdapat unit root.
Pengujian unit root menggunakan ADF yang dapat dituliskan dengan persamaan sebagai berikut:
∗
=
−
.
................................................................................................................. 1 Jika nilai absolut test statistics
|
∗
|
lebih besar dari nilai absolut critical value ADF dengan derajat bebas n
dan taraf nyata α, maka H ditolak, yang berarti data telah stasioner Griffiths,
2008:222. Apabila seluruh data adalah stasioner pada first difference maka dapat dilakukan pengujian kointegrasi dengan Johansen test.
Pengujian kointegrasi menggunakan Johansen test sangat sensitive terhadap pemilihan lag length. Oleh karena itu, sebelum dilakukan pengujian kointegrasi menggunakan Johansen test
dilakukan pengujian lag optimum. Pemilihan lag optimum sesuai dengan lag terkecil yang diperoleh berdasarkan VAR Lag Order Selection Criteria. Terdapat lima 5 kriteria antara lain,
sequential modified LR test statistic LR, Final prediction error FPE, Aike information criterion AIC, Schwarz information criterion SC dan Hannan-Quinn information criterion.
7
Masing-masing kriteria tersebut menyatakan nilai absolut terbesar pada suatu lag adalah lag optimum.
Setelah diperoleh lag optimum dan data stasioner pada first difference, tahap selanjutnya adalah dilakukan pengujian Johansen test. Johansen test menggunakan dua 2 kriteria statistik
untuk pengujian kointegrasi yaitu λ trace test statistic and maximum eigenvalue test. The λ trace test statistic dan maximum eigenvalue test memverifikasi hipotesis pengujian kointegrasi sebagai
berikut: H
: tidak terdapat cointegration. H
1
: terdapat cointegration. Hipotesis nol ditolak bila nilai P-value lebih kecil dari 5 atau nilai trace statistic lebih kecil dari
nilai critical value-nya. Terdapatnya kointegrasi berarti diantara variabel yang diuji terjadi share a common stochastic trend dan akan bergerak bersama-sama.
Pengembangan model dengan vector error component model VECM dilakukan setelah diperoleh hasil pengujian kointegrasi yang menyatakan terdapat kointegrasi dan data stasioner pada
first difference Hill et al. 2012: 499. Engle dan Granger 1987 mengemukakan VECM adalah bentuk special dari VAR untuk data first difference dan terkointegrasi. VECM secara umum dapat
ditulis dalam persamaan sebagai berikut:
∆
=
∏
+
Γ Δ
+
Γ Δ
+ . . . +
Γ Δ
+
..................................................... 2 Dimana,
: 3x1 vector Perkembangan Pasar Keuangan [MON], Perkembangan Pasar Modal [CAP] dan Pertumbuhan Ekonomi [GDP]
: simbul operasi first difference. : 3x1 vector residual.
∏ : error correction term
. П = αβ, dimana β merupakan vector dari parameter kointegrasi, sedangkan α merupakan vector dari error correction coefficient
yang mengukur speed of convergence terhadap suatu keadaan dalam jangka panjang.
Γ Δ
+
Γ Δ
+ . . . +
Γ Δ
: merupakan short-run relationship. VECM memberikan informasi terkait penyesuaian perubahan baik short-run maupun long-run
pada melalui estimasi parameter П dan Γ. Secara spesifik VECM dalam penelitian ini dapat
dituliskan dalam tiga buah model persamaan sebagai berikut: ∆
=
∑ ∆
+
∑ ∆
+
∑ ∆
+ 1
+
............ 3 ∆
=
∑ ∆
+
∑ ∆
+
∑ ∆
+ 2
+
............. 4 ∆
=
∑ ∆
+
∑ ∆
+
∑ ℎ ∆
+ 3
+
............. 5 Dimana, a
i
, b
i
, c
i
, d
i
, e
i
, f
i
, g
i
, dan h
i
merupakan short-run coefficient. Terdapat short-run causality bila nilai masing-masing koefisien a
i
, b
i
, c
i
, d
i
, e
i
, f
i
, g
i
, dan h
i
tidak nol.
, ,
merupakan long- run coefficient. Terdapat long-run causality bila nilai koefisien
, ,
signifikan. ECT1, ECT2, dan ECT3 merupakan error correction term pada masing-masing model persamaan.
1
nilai lag residual yang ditentukan oleh kointegrasi regresi dari MON pada CAP dan GDP.
2
nilai lag residual yang ditentukan oleh kointegrasi regresi dari CAP pada MON dan GDP.
3
nilai lag residual yang ditentukan oleh kointegrasi regresi dari GDP pada MON dan CAP.
, ,
merupakan residual dari masing-masing persamaan. Selain untuk mengetahui adanya short-run dan long-run, penelitian ini juga didisain untuk
mengetahui efek kejutan shock pada satu variabel terhadap variabel lainnya. Untuk mengetahui efek kejutan tersebut dilakukan analisis impulse response function dan variance decompositions.
Implulse response function mengidentifikasi respon variabel dependen endogenous variable dalam sistem VECM ketika kejutan terjadi pada error term. Shock yang sesungguhnya merupakan
8
perubahan error term dalam suatu persamaan akan menyebabkan perubahan variabel dependen dan variabel independen pada perioda berikutnya. Untuk menghitung besarnya efek dari shock tersebut
digunakan metode Cholesky dof adjusted yang disediakan pada software Eviews. Variance decomposition menguraikan kontribusi efek dari berbagai kejutan pada forecast error variance.
4. HASIL DAN PEMBAHASAN
Kategori