1. Library Research Data yang diperoleh dari berbagai literatur seperti buku, majalah,
jurnal, koran, internet dan hal lain yang berhubungan dengan aspek penelitian sebagai upaya untuk memperoleh data yang valid.
2. Field Research Data yang digunakan dalam penelitian ini adalah data yang bersifat
sekunder yaitu data yang diperoleh pihak lain yang berkaitan dengan penulisan proposal ini, seperti pusat referensi pasar modal di Bursa Efek
Indonesia. 3. Internet Research
Terkadang buku referensi atau literature yang kita miliki atau pinjem diperpustakaan tertinggal selama beberapa waktu atau kadarluarsa,
karena ilmu yang selalu berkembang, penulis melakukan penelitian dengan teknologi yang berkembang yaitu internet sehingga data yang diperoleh up
to date seperti: www.yahoo.finance.com, www.wikipedia.com.
D. Metode Analisis
Dalam penelitian ini akan dipergunakan sebagai alat analisis adalah program Eviews, dengan berbagai metode analisis yang ada dalam
ekonometri, yaitu:
1. Test Granger Causality
Merupakan metode untuk melihat bentuk hubungan antar variabel searah atau dua arah. Pada Uji Granger Causalitas yang dilihat adalah
37
pengaruh masa lalu terhadap kondisi sekarang, sehingga data yang digunakan adalah data time series. Pertanyaan yang sering muncul dalam
uji kausalitas granger adalah: “berapa lag yang harus digunakan?”. Lag yang kecil biasanya lebih baik karena pada umumnya pengaruh lag yang
berdekatan lebih tinggi dibanding lag yang lebih jauh Nachrowi 2006,264.
Dalam penelitian ini, uji Granger Causality digunakan untuk memlihat apakah terdapat hubungan langsung maupun Bilateral Causality
diantara variabel-variabel penelitian.
2. Metode Estimasi
Metode yang digunakan adalah metode kuadrat kecil Ordinary Least Square Method
yaitu metode yang berusaha meminimalkan jumlah Deviasi Kuadrat. Deviasi atau residual dari sampel sample error adalah
selisih antara nilai prediksi dengan nilai sesungguhnya dari variabel terikat. Keakuratan dan validitas model tergantung dari 10 sepuluh
asumsi dasar dari OLS yaitu: a. Model bersifat linier
b. Variabel independen bersifat non stokastik c. Faktor disturbance atau error mempunyai nilai mean nol
d. Homokedasticity atau nilai residual sama besar e. Tidaka ada otokorelasi antara sesama error dan residual
f. Tidak ada korelasi antara errorresidual dengan variabel bebas g. Jumlah observasi harus lebih besar dari variabel yang akan diestimasi
38
h. Nilai variabel independen tidak boleh sama dalam satu kolom i. Model dispesifikasi dengan benar
j. Tidak terjadi multikolinearitas hubungan antara variabel independen yang sempurna.
Bila seluruh asumsi terpenuhi, maka pendugaan yang diperoleh dari metode kuadrat terkecil ini memiliki karakteristikbersifat BLUE
Best Linier Unbissed Estimator . Disebut Unbiassed karena nilai harapan
dari pendugaan sama dengan nilia para meter, dan disebut best karena dengan metode ini akan diperolah varianspenyimpanan terkecil.
Pengujian Asumsi Klasik
Menurut Gujarati agar karakteristik BLUE dapat dicapai model harus memenuhi asumsi klasik yaitu tidak terdapat gejala Autokorelasi,
Heteroskedastsitas dan Multikolinearitas. Sebelum pengujian asumsi klasik perlu dilakukan uji normalitas data, apabila data yang diuji telah
berdistribusi normal, maka errorresidual dari model regresi yang dibuat akan mempunyai distribusi normal yang baik pula, sehingga kesimpulan
yang akan diambil secara statistic sudah benar.
a. Uji Stasioneritas
Data time series menyimpan banyak berbagai permasalahan salah satunya adalah masalah otokorelasi. Otokorelasi merupakan
penyebab yang mengakibatkan data menjadi tidak stasioner, jika data dapat distasioneritaskan maka otokorelasi dapat diatasi. Merupakan hal
yang sangat penting dalam anlisis time series. Dalam analisis time
39
series masalah stasioneritas merupakan masalah yang sangat penting. Untuk mengetahui data stasioner atau tidak dapat dilihat dari nilai rata-
rata varian dari data time series tidak mengalami perubahan yang sistematis Nachrowi,2006;340.
Tujuan uji stasioner adalah agar meannya stabil dan random errornya = 0, sehingga model regresi yang diperoleh mempunyai
prediksi yang tidak spurious regresi semu. Data dikatakan stasioner nilai probabilitasnya tingkat kepercayaan = 0,05 atau ADF
test
nilai kritis ADF. Apabila data yang diperoleh belum stasioner pada tingkat level, maka diperlukan langkah untuk membuat data menjadi
stasioner melalui proses differensi data. Uji stasioner data melalui proses differensi ini disebut dengan uji derajat integrasi. Hal ini
dilakukan untuk menghilangkan setiap variabel dengan membuat selisih nilai suatu variabel terhadap nilai variabel tersebut beberapa
periode sebelumnya difference, maka variabel ini dapat disebut sebagai yang berintegrasi pada derajat satu, demikian seterusnya Han
dan Hertanto,2006;28. Pada penelitian ini akan dilakukan pengujian stasioner dengan
menggunakan metode Augment Dickey Fuller ADF test. Adapun langkah-langkah pengujiannya adalah sebagai berikut :
1. Uji hipotesis H
: data tidak stasioner H
1
: data stasioner
40
2. Nilai ADF test statistic yang terdapat dalam output dibandingkan, jika nilai ADF test statistic critical value pada = 5 maka data
sudah stasioner atau tolak H dan sebaliknya jika ADF test statistic
critical value maka data tidak stasioner. Untuk mengatasi data tidak stasioner maka akan dilakukan 1
st
differene. Agar tehindar dari masalh spurious regression, maka regresi
harus dilakukan pada data variabel yang telah ditransformasikan dari data non stasioner ke data yang telah stasioner.
b. Uji Atokorelasi
Syarat agar pendugaan OLS akan bersifat BLUE Best Linier Unbiased estimate
salah satunya adalah jika memenuhi asumsi bebas atokorelasi.
Atokorelasi adalah korelasi antara variabel itu sendiri, pada pengamatan yang berbeda waktu atau individu. Umumnya kasus
autokorelasi terjadi pada data time series. Deteksi autokorelasi dapat dilakuakn dengan uji Lagrenge Multiplier. Penentuan ada tidaknya
masalah autokorelasi dapat dilihat dari nilai probabilitas Chi square. Jika nilai probabilitas lebih besar dari nilai á = 5 berarti tidak ada
masalah autokorelasi. Sebaliknya jika nilai probabilitas lebih kecil dari nilai á = 5 berarti ada masalah autokorelasi.
c. Uji Heteroskedasticity
Heteroskedastisitas berarti variasi varians variabel tidak sama untuk semua pengamataan. Pada heteroskedastisitas kesalahan yang
41
terjadi tidak acak, tetapi menunjukan hubungan yang bersifat sistematis sesuai dengan besarnya satu variabel bebas. Pada
Heteroskedastisitas terdapat fakta hubungan positif antara X dan Y, dimana nilai Y meningkat searah dengan nilai X, semakin besar nilai
variabel bebas X dan variabel Y, semakin jauh koordinat X,Y dari garis regresi error makin besar.
Untuk mengetahui apakah suatu data bersifat heteroskedastisitas atau sudah homokedastisitas akan dilakukan
pengujian dimana dalam penelitian ini akan digunakan uji White Heteroskedastisitas. Adapun langkah-langkah pengujiannya adalah
sebagai berikut : 1. Uji Hipotesis
H = tidak ada Heteroskedasticity
H
1
= ada Heteroskedasticity 2. Pada output Eviews, jika probability ObsR-squared lebih kecil
dari = 5, maka disimpulkan untuk menolak hipotesis yang berarti tidak cukup bukti untuk menyatakan tidak ada
Heteroskedastisitas Nacrowi, Usman, 2006.
3. Model ARCHGARCH
Dalam metode OLS dikenal teorema Gauss Markov, yang salah satunya varians dari error bersifat konstan, atau tidak berubah-ubah
homoheteroskedastisitas, agar estimator yang didapat BLUE. Akan tetapi
42
dalam pembuatan model tidak jarang ditemui bahwa prasyarat tersebut tidak terpenuhi.
Sekalipun keberadaan Heteroskedastisitas masih memberikan estimator OLS yang tidak bias dan konsisten, tetapi estimator tersebut
sudah tidak efisien, yaitu varians dari estimator tidak minimum. Dan akibatnya uji t, interval kepercayaan, dan berbagai ukuran lainnya,
menjadi tidak tepat. Oleh karena itu, masalah ini harus diatasi dalam mengestimasi dengan metode OLS.
Untuk menghadapi situasi ini ada model yang dikenal yaitu ARCH AutoRegressive Conditional Heteroscedasticity. Dalam
perkembangannya muncul variasi dari model ini yang dikenal dengan GARCH Generalized AutoRegressive Conditional Heteroscedasticity.
Model ARCH dikembangkan oleh Robert Engle 1982 dan modifikasi oleh Mills 1999. GARCH dimaksudkan untuk memperbaiki
ARCH dan dikembangkan oleh Tim Bollerslev 1986 dan 1994. Dalam model ARCH, varian residual data runtun waktu tidak
hanya dipengaruhi oleh nilai residual variabel yang diteliti. Model ARCH menggunakan persamaan berikut:
Dengan Varian
Keterangan: = Varian Residual
43
Konstanta Komponen ARCH
Agar varian selalu positif maka harus dipenuhi syarat . Sedangkan persamaan untuk model GARCH
sebagai berikut:
Dengan varian:
Keterangan: Varian Residual
Konstanta Komponen ARCH
= Komponen GARCH
4. Model VAR
