Ruang Lingkup Penelitian Metode Penentuan Sampel
43 mengetahui kestasioneran data. Ide dasar uji stasioneritas data dengan uji
akar unit dapat dijelaskan dengan fomulasi sebagai berikut : Y
t
= PY
t-1
+ e
t
Jika nilai p = 1 maka kita katakan bahwa variabel random stokastik Y mempunyai akar unit. Jika data time series mempunyai akar unit maka
dikatakan data tersebut bergerak secara random walk. Jika data mempunyai sifat random walk maka dikatakan data tidak stasioner
Widarjono, 2009:341-343 Hipotesis ini membandingkan antara nilai statistik ADF dengan nilai
kritisnya distribusi statistik Mac Kinnon dan juga probablitasnya α=5.
Jika nilai absolut ADF lebih besar dari nilai kritisnya, maka data yang diamati menunujukan data tidak stasioner, apabila data yang diperoleh
belum stasioner pada tingkat level, maka diperlukan langkah untuk membuat data menjadi stasioner dengan melalui proses diferensi data. Uji
pertama first difference dan apabila data belum stasioner juga maka dilakukan uji kedua second difference hingga data stasioner Gujarati,
2006. 2. Uji ARCHGARCH
Menurut Nachrowi dan Hardius Usman 2006:419, pada umumnya data cross-section sering memunculkan varians yang heteroskedasitas.
Akan tetapi, bukan berati data time series terhindar dari permasalahan tersebut, data keuangan, seperti : seperti indeks harga saham, inflasi, nilai
tukar atau suku bunga seringkali mempunyai varians error yang tidak
44 konstan. Data yang digunakan dalam penelitian ini adalah data keuangan
yang bersifat time series yaitu Indeks Harga Saham Gabungan IHSG, Dow Jones Industrial Average DJIA, variabel makro ekonomi inflasi,
kurs, dan suku bunga tingkat suku bunga BI. Data dalam penelitian ini mempunyai varians error e
t
yang tidak konstan heteroskedasitas. Dalam metode ARCH dan GARCH varian error e
t
yang tidak konstan heteroskedasitas itu dapat dimanfaatkan untuk membuat model.
Berdasarkan alasan diatas maka sangatlah tepat untuk menggunakan model ARCHGARCH sebagai metode analisis dalam penelitian ini.
Dalam metode ARCH dan GARCH tidak memandang heteroskedasitas sebagai permasalahan, tetapi justru memanfaatkan kondisi tersebut untuk
membuat model. Bahkan dengan memanfaatkan heteroskedasitas dalam error dengan tepat, maka akan diperoleh estimator yang lebih efisien.
Adakalanya dalam sebuah model varian dari error tidak tergantung pada variabel bebasnya melainkan varian tersebut berubah-ubah seoring dengan
perubahan waktu. Pada permodelan seperti ini, ada suatu periode dimana votalitiasnya sangat tinggi dan ada periode lain yang votalitasnya sangat
rendah. Pada
votalitas yang
demikian menunjukkan
adanya heteroskedasitas karena terdapat varian error yang besarnya tergantung
pada volatilitas error dimasa lalu Nachrowi dan Usman, 2006:420. Data yang mempunyai sifat heteroskedasitas seperti ini dapat dimodelkan
dengan model ARCH Autoregresive Conditional Heteroscedasticity dikembangkan oleh Engle 1982, Engle adalah pihak yang pertama kali