APLIKASI MODEL VECTOR ERROR CORRECTION (VEC) PADA HARGA PENUTUPAN INDEKS SAHAM JKSE, KOSPI, NIKKEI, DAN PSEI.
1
BAB I
PENDAHULUAN
A.
Latar Belakang
Perkembangan teknologi informasi yang begitu pesat telah mendorong dunia
memasuki era globalisasi. Dampak dari era globalisasi juga dirasakan di bidang
ekonomi. Salah satunya yaitu terbentuk pasar bebas, dimana setiap investor atau
penanam modal dapat berinvestasi dimana saja dan kapan saja salah satunya yaitu
dengan berinvestasi di pasar modal. Keberadaan pasar modal di Indonesia
menjadi salah satu penggerak perekonomian negara. Pasar modal juga dapat
menarik para investor asing untuk dapat menginvestasikan modalnya, sehingga
dana yang beroperasi di dalam negeri jauh lebih besar untuk jangka panjang.
Pada pertemuan Asian Pasific Economic Coorperation (APEC) yang
menghasilkan kesepakatan mendorong pertumbuhan ekonomi dan meningkatkan
kesejahteraan di ASIA- Pasifik (Kemenlu,2013). Salah satu strateginya adalah
dengan pasar modal. Jakarta Stock Exchange (JKSE) adalah salah satu indeks
saham gabungan yang digunakan oleh Bursa Efek Indonesia (BEI). Keterkaitan
antar bursa yang direpresentasikan oleh hubungan antar indeks saham dapat
terjadi karena investor menjadikan pergerakan indeks saham di bursa lain sebagai
salah satu informasi dalam proses pengambilan keputusan investasi. Climent et
al.(Harun, 2015:24) menyatakan saham dapat dipengaruhi oleh saham lainnya.
Dalam konteks investasi internasional, pergerakan indeks harga saham di bursa
lain dapat memberi informasi harga saham di bursa efek lain. Suatu kawasan
tertentu pasar modal asing dapat mempengaruhi pasar modal asing lainnya.
(2)
2
Bersumber dari Badan Pusat Stastistik (BPS) Indonesia, investor yang masuk ke
Indonesia banyak dari kawasan ASIA- Pasifik yaitu negara Jepang, Korea, dan
Filipina. Dari Bursa Efek Indonesia (2013) memaparkan indeks saham Jepang
(NIKKEI) dan Korea (KOSPI) memiliki pengaruh kuat terhadap poin indeks
saham JKSE.
Pada penelitian yang dipaparkan oleh Chandra Utama (2008) menunjukkan
hasil bahwa ada pengaruh jangka panjang antara saham JKSE, indeks saham
gabungan jepang (NIKKEI), indeks saham gabungan Amerika (NYSE).
Dalam berinvestasi, prediksi memegang peranan penting untuk memutuskan
yang akan dilakukan. Kesalahan prediksi akan menghilangkan peluang
keuntungan bagi para investor. Salah satu metode untuk melakukan prediksi
adalah analisis runtun waktu. Analisis runtun waktu telah mengalami
perkembangan dalam beberapa tahun ini dengan adanya data tidak stasioner dan
kointegrasi (hubungan jangka panjang) (Madalla & Kim, 1998: 76). Data yang
berkointegrasi adalah data yang memiliki hubungan jangka panjang digunakan
dalam bidang ekonomi seperti saham, Indeks Harga Konsumen (IHK), dan
Produk Domestik Bruto (PDB) yang dikaitkan dengan faktor ekonomi yang lain
(Lu
tkepohl, 2004: 150).
Menurut Engle dan Ganger (1987) jika terdapat data yang memenuhi
hubungan kointegrasi yaitu memiliki hubungan jangka panjang maka data dapat
dianalisis dengan menggunakan Model Vector Error Correction(VEC) yaitu
perkembangan dari Vector Autoregressive (VAR) yang memiliki hubungan jangka
panjang antar variabel. Hasil penelitiannya tersebut menunjukkan bahwa model
(3)
3
VEC memiliki akurasi yang tepat dalam memperkirakan jangka panjang. Ganger
dan Plosser (1982) mengemukakan bahwa sebagian besar rangkaian data ekonomi
memiliki unit root (adanya autokorelasi di dalam error suatu model). Data yang
memiliki unit root dapat diatasi dengan model VEC. Lu
tkepohl (2006)
memaparkan model VAR yang memiliki hubungan kointegrasi pada suatu data
solusi yang dapat diambil adalah dengan model VEC. Berdasarkan uraian tersebut
penulis mengambil judul
“
Aplikasi Model Vector Error Correction(VEC) pada
Harga Penutupan Indeks Saham JKSE,KOSPI, NIKKEI, dan PSEI.
B.
Rumusan Masalah
Berdasarkan uraian latar belakang di atas, maka disusun perumusan masalah
sebagai berikut:
1.
Bagaimana bentuk persamaan model Vector Error Correction (VEC)?
2.
Bagaimana prosedur pembentukan model Vector Error Correction (VEC)?
3.
Bagaimana hasil peramalan aplikasi model Vector Error Correction (VEC)
pada harga penutupan indeks saham JKSE, KOPSI, NIKKEI, dan PSEI?
C.
Tujuan Penulisan
Tujuan dalam penulisan skripsi ini adalah:
1.
Membentuk persamaanmodel Vector Error Correction (VEC)
2.
Menjelaskan prosedur pembentukan model Vector Error Correction (VEC).
3.
Mendeskripsikan hasil peramalan aplikasi model Vector Error Correction
(VEC) pada harga penutupan indeks saham JKSE, KOPSI, NIKKEI, dan
PSEI.
(4)
4
D.
Manfaat Penulisan
Manfaat dari penulisan ini adalah :
1.
Menambah pengetahuan dalam mempelajari model Vector Error Correction
(VEC).
2.
Memberikan informasi kepada investor pada pengaruh saham jangka panjang.
3.
Mengetahui hubungan jangka panjang untuk penanaman modal/ berinvestasi.
(5)
5
BAB II
KAJIAN TEORI
Pada bab II ini akan dibahas tentang materi dasar yang digunakan untuk
mendukung pembahasan bab- bab berikutnya, yaitu matriks, analisis multivariate,
analisis runtun waktu, stasioneritas, unit root test, fungsi autokorelasi, fungsi
autokorelasi parsial, proseswhite noise, metode maximum likelihood, model
Autoregressive (AR), model Vector Autoregressive (VAR), harga penutupan
indeks harga saham, JKSE, KOSPI, NIKKEI, dan PSEI.
A.
Matriks
Sebuah matriks adalah susunan segi empat dari bilangan-bilangan.
Bilangan-bilangan tersebut dinamakan entri dari matriks. Ukuran matriks dideskripsikan
dengan banyaknya baris (garis horizontal) dan banyaknya kolom (garis vertikal)
yang terdapat dalam matriks. Entri yang terdapat pada baris
dan kolom
dari
matriks
dapat dinyatakan dengan
. Secara umum bentuk matriks berukuran
adalah sebagai berikut(Anton, 2010: 26):
[
] [
]
(2. 1)
1.
Perkalian Matriks
Jika
adalah suatu matriks dan
adalah skalar, maka hasil kali (product)
adalah matriks yang diperoleh dengan mengalikan masing-masing entridari
oleh
(6)
6
. Jika
[
]
maka perkalian matriks ini dinotasikan sebagai
[
]
.
Jika
[
]
sebuah matriks berukuran
dan
[
]
sebuah matriks
berukuran
, maka hasil kali
dengan
yaitu
adalah matriks yang
entrinya didefinisikan sebagai berikut(Anton, 2010: 28):
∑
(2. 2)
dengan matriks
berukuran
.
2.
Transpose Matriks
Jika
adalah sebarang matriks
maka transpose
dinyatakan oleh
yang merupakan matriks berukuran
dengan mengubah baris dari
menjadi
kolom pada
. Transpose matriks
dapat dinyatakan sebagai berikut (Anton,
2010: 34):
(2. 3)
3.
Minor dan Kofaktor Matriks
Jika
merupakan matriks berukuran
, maka minor dari entri
dinotasikan dengan
yaitu determinan dari submatriks
yang didapat dengan
menghapus baris ke-i dan kolom ke-j.Nilai
dinotasikan dengan
disebut kofaktor dari entri
. Sehingga matriks kofaktor dari
dapat dinyatakan
sebagai berikut(Anton, 2010: 94):
[
(7)
7
4.
Determinan Matriks
Determinan matriks
berukuran
dapat dihitung dengan mengalikan
entri pada suatu baris ke-i atau kolom ke-j dengan masing-masing kofaktor dan
menjumlahkan hasil perkalian tersebut. Determinan matriks
dinyatakan sebagai
berikut(Anton, 2010: 96):
| |
(2. 4)
atau
| |
(2. 5)
5.
Invers Matriks
Jika
matriks persegi dan jika terdapat suatu matriks
dengan ukuran yang
sama sedemikian sehingga
dengan
merupakan matriks identitas,
maka
invertible (dapat dibalik) dan
adalah invers dari
. Invers dari
dinotasikan dengan
, sehingga
d n
.
Jika matriks
berukuran
maka invers dari matriks
dapat dihitung
menggunakan matriks adjoin sebagai berikut(Anton, 2010: 111):
| |
(2. 6)
dengan,
= matriks adjoin dari
yaitu transpose dari matriks kofaktor
.
6.
Nilai Eigen dan Vektor Eigen
Jika
adalah matriks berukuran n x n maka vektor tak nol x di dalam R
ndinamakan vektor eigen dari
. Jika
adalah kelipatan skalar dari x, dapat
dinotasikan (Anton, 2010: 277):
(8)
8
Sk l r λ din m k n nil i
eigen dari
dan x dikatakan vektor eigen yang
bersesu i n deng n λ. Pers m n tersebut k n mempuny i pemec h n t k nol
jika dan hanya jika
7.
Trace Matriks
Trace dari matriks
didefinisikan sebagai jumlahan entri pada diagonal
utama
, yaitu (Anton, 2010 : 84):
∑
(2. 7)
Entri a
iiyang merupakan entri baris ke-i dan kolom ke-i dari A.
Contoh:
[
]
8.
Rank Matriks
Suatu matriks
didefinisikan matrikstak nol jika mempunyai rank salah satu
minor r x r =0, r (A) =0 (Anton, 2010: 169)
9.
Kombinasi Linear
Sebuah vektor
didefinisikan kombinasi linear dari vektor- vektor
. jika vektor tersebut dapat dinyatakan dalam bentuk (Anton, 2010:
145):
dimana k1, k2,…, kradalah skalar.
(2. 8)
B.
Analisis Multivariat
Analisis statistik multivariat merupakan metode statistik untuk menganalisis
hubungan antara lebih dari dua variabel secara bersamaan. Data sampel analisis
(9)
9
multivariat secara umum dapat digambarkan dalam bentuk matriks dengan
objek dalam
variabel sebagai berikut(Johnson & Wichern, 2007: 5)
Variabel 1 Variabel 2 Variabel k Variabel
Objek 1
Objek 2
Objek
Objek
atau dapat ditulis dalam bentuk matriks
dengan
baris dan
kolom sebagai
berikut:
[
]
1.
Distribusi Normal Multivariat
Fungsi distribusi normal multivariat merupakan perluasan dari fungsi
distribusi normal univariat untuk
. Jika
adalah p-variat normal
multivariat dengan rata-rata
dan matriks varians-kovarians
Σ
, dimana
[
]
,
[
]
,
[
]
maka fungsi densitas normal multivariat adalah sebagai berikut (Johnson &
Wichern, 2007: 150)
(10)
10
| |
(2. 9)
untuk
dengan
2.
Mean dan Kovarians Vektor Random
Dimisalkan
adalah variabel random dengan mean
dan matriks
varian-kovarians
. Mean vektor random
dengan ordo
dapat dinyatakan
sebagai berikut(Johnson & Wichern, 2007: 68)
:
[
] [
]
(
2. 10)
Sedangkan kovarians vektor random
dengan ordo
adalah sebagai berikut:
(
[
]
)
[
(
)
(
)
(
)
(
)
]
[
(
)
(
)
(
)
(
)
]
(11)
11
[
]
(2. 11)
dengan
: kovarians dari
dan
,
.
C.
Analisis Runtun Waktu
Runtun waktu merupakan serangkaian pengamatan yang diperoleh pada
waktu yang berbeda dan interval waktu yang sama. Analisis runtun waktu pertama
kali diperkenalkan oleh George E. P. Box dan Gwilyn M Davis pada tahun 1905
melalui bukunya (Box&Jenkins, 1970). Kumpulan pengamatan pada runtun waktu
dinyatakan sebagai variabel yang dinotasikan sebagai Y. Pengamatan data diamati
pada waktu t1, t2, …tn. Dengan demikian, variabel pengamatan pada waktu t
dinotasikan Y
t. Analisis runtun waktu meliputi pola data, stasioneritas,
transformasi Box-Cox, Pembedaan (differencing) dan unit root test.
1.
Pola Data
Langkah awal dalam analisis runtun waktu adalah menentukan pola data.
Menurut Hanke dan Wichern (2005:58) terdapat empat tipe umumpola data pada
runtun waktu yaitu horisontal, musiman, siklis, dan trend. Suatu data dikatakan
berpola horisontal jika nilai data berfluktuasi di sekitar nilai rata- rata yang
konstan. Contoh plot data horisontal adalah pada gambar 2.1 yaitu berupa plot
data penjualan. Suatu produk yang penjualannya tidak meningkat atau menurun
pada waktu tertentu termasuk yang berpola horisontal.
(12)
12
Gambar 2. 1 Pola Data Horisontal (Makridakis, 1999:11)
Pola musiman jika data runtun waktu dipengaruhin oleh faktor musiman
(misalnya kuartal tahun tertentu, bulanan, mingguan, atau harian). Plot data
musiman dicontohkan pada gambar 2.2 yaitu berupa data penjualan minuman
ringan, es krim, dan penjualan bahan bakar.
Gambar 2. 2 Pola Data Musiman (Makridakis, 1999:11)
Pola siklis jika data runtun waktu dipengaruhi oleh fluktuasi ekonomi
jangka panjang seperti yang berhubungan dengan siklus bisnis. Contoh pola siklis
ditunjukkan pada gambar 2.3 yaitu dapat berupa data penjualan produk seperti
mobil, baja, dan peralatan utama lainnya.
(13)
13
Pola trend terjadi bilamana terdapat kenaikan atau penurunan jangka
panjang dalam data. Sebagai contoh plot data trend ditunjukkan pada gambar 2.4
yang dapat berupa Produk Domestik Bruto (PDB), dan berbagai indikator bisnis
atau ekonomi lainnya (Makridakis, et.al, 1999).
Gambar 2. 4 Pola Data Trend (Makridakis, 1999:11)
2.
Stasioneritas Data
Dalam analisis runtun waktu, stasioneritas yaitu fluktuasi data berada di
sekitar suatu nilai rata- rata yang konstan, tidak tergantung pada waktu dan
varians dari fluktuasi tersebut (Makridakis, 1999: 351). Stasioneritas merupakan
salah satu hal terpenting dalam data ekonomi runtun waktu. Apabila data yang
digunakan dalam model terdapat data yang tidak stasioner, maka data tersebut
dipertimbangkan kembali validitasnya. Data berkala dikatakan stasioner pada nilai
tengah (mean) jika data tersebut tidak terdapat perubahan nilai tengah dari waktu
ke waktu. Jika data tidak stasioner pada mean maka dapat dilakukan differencing
pada data. Data dikatakan stasioner dalam variansi jika pada plot data berkala
tidak memperlihatkan variansi yang jelas dari waktu ke waktu. Jika data tidak
stasioner pada variansi maka dapat dilakukan transformasi (Makridakis et al,
1999: 332-333).
(14)
14
3.
Transformasi Box- Cox
Suatu data yang tidak stasioner dalam varians, maka perlu dilakukan
transformasi Box-Cox. Transformasi Box- Cox pertama kali diperkenalkanoleh
Box dan Tiao Cox. Secara umum, transformasi Box- Cox (Wei, 2006 : 85) adalah
sebagai berikut:
(2. 12)
Not si λ mel mb ngk n p r meter tr nsform si. Tr nsform si dil kuk n
jik belum did p tk n nil i λ s m deng n 1. Jik λ bernil i 0, d p t dil kuk n
pendekatan sebagai berikut
(2. 13)
4.
Pembedaan (differencing)
Untuk mengatasi data yang tidak stasioner dalam rata- rata dapat dilakukan
proses pembedaan (differencing). Pembedaan dapat dilakukan hingga beberapa
kali hingga data menjadi stasioner. Metode pembedaan dilakukan dengan
mengurangi nilai data pada suatu periode dengan data periode sebelumnya. Notasi
B (operator back shift) dilakukan untuk proses differencing. Penggunaan notasi B
dalam differencing adalah sebagi berikut (Wei, 2006: 27)
BY
t=Y
t-1(2. 14)
Secara umum, proses differencing dapat ditulis
B
dY
t=Y
t-d(2. 15)
Differencing pada periode pertama adalah sebagi berikut
Y’
t= Y
t–
Y
t-1= Y
t–
BY
t= (1-B)Y
t(2. 16)
(15)
15
Y’’
t= Y’
t–
Y’
t-1=( Y
t–
Y
t-1)-( Y
t-1–
Y
t-2)
= Y
t–
2Y
t-1+ Y
t-2=(1-2B+B
2)Y
t=(1-B)
2Y
t(2. 17)
Sedangkan, differencing untuk periode ke- d dapat dituliskan manjadi
Y
dt=(1-B)
dY
t(2. 18)
5.
Unit Root Test
Unit root adalah sebuah atribut dari model statistik dari runtun waktu yang
memiliki parameter autoregressive 1. Jika dalam uji kestasioneran data terdapat
unit root berarti data tidak stasioner. Pengujian unit root dapat dilakukan dengan
uji Augmented Dickey Fuller(Johansen, 2005: 123).Jika data memiliki unit root
maka data dilakukan uji unit root. Jika suatu data terdapat unit root maka dapat
ditulis dengan persamaan autoregressive (Wei, 2006:196):
(
2. 19)
dengan
Y
t= variabel pengamatan pada waktu t
= koefisien intersep
= parameter autoregressive
= error
Salah satu cara untuk menguji keberadaan unit root dalam suatu variabel
adalah dengan Uji Augmented Dickey Fuller (ADF). Hipotesis yang digunakan
adalah (Enders, 1995 : 234)
H0 :
=1(terdapat unit root)
H1 :
1(tidak terdapat unit root)
(16)
16
̂
̂
(
2. 20)
dengan
̂
= estimator autoregressive
̂
= standar error estimator
Kriteria keputusaan H0 ditolak jika nilai statistik uji |ADF | memiliki nilai lebih
dari nilai kritisyaitu 0,05 (Enders, 1995 : 235).
D.
Fungsi Autokorelasi (Autocorrelation Function/ACF)
Autokorelasi merupakan korelasi atau hubungan antara data pengamatan
dalam suatu runtun waktu. Menurut Wei (2006: 10), untuk
yang stasioner
terdapat nilai rata-rata
dan variansi
, untuk
semua t adalah konstan. Kovarians antara
dan
dapat ditulis sebagai
berikut:
(2. 21)
Koefisien korelasi antara
dan
disebut autokorelasi lag-k dari
dan
dinotasikan dengan
. Rumus autokorelasi dinyatakan sebagai berikut:
√
(2. 22)
dimana
dengan,
= fungsi autokorelasi pada lag-
, k = 1, 2, 3, ...
= pengamatan pada saat
= pengamatan pada saat
(17)
17
= fungsi kovarians pada
lag-Fungsi autokovariansi
dan fungsi autokorelasi
dalam kondisi stasioner
memiliki sifat sebagai berikut:
1.
dan
2.
|
|
dan
|
|
3.
dan
Fungsi autokorelasi dapat diperkirakan dengan fungsi autokorelasi sampel adalah
sebagai berikut (Montgomery et al, 2008:30):
(2. 23)
dan
∑
̅
̅
(2. 24)
dengan,
= perkiraan fungsi autokovarian sampel
= banyak pengamatan
= pengamatan pada saat
= pengamatan pada saat
̅
= nilai rata-rata dari pengamatan
Pengujian untuk mengetahui apakah koefisien autokorelasi signifikan atau tidak
adalah sebagai berikut(Hanke & Wichhern, 2002):
Hipotesis yang dapat dibentuk yaitu
:
(koefisien autokorelasi lag-k tidak signifikan)
:
(koefisien autokorelasi lag-k signifikan)
Statistik uji yang digunakan
(18)
18
(2. 25)
dan
√
∑
(2. 26)
dengan,
= standar error autokorelasi pada lag ke-k
= autokorelasi pada lag ke-i
n
= banyak sampel pengamatan
ditolak jika
|
|
dengan derajat bebas df = n-1.
Menurut Montgomery et al (2008:31), signifikansi koefisien autokorelasi dapat
dilihat dengan selang kepercayaan
dengan pusat 0. Selang kepercayaan
dihitung menggunakan rumus sebagai berikut:
(2. 27)
Selang kepercayaan
dapat direpresentasikan dalam suatu plot autokorelasi
dengan bantuan software Minitab. Kriteria suatu lag signifikan jika koefisien
autokorelasi melebihi selang kepercayaan tersebut.
E.
Fungsi Autokorelasi Parsial (Partial Autocorrelation Function/PACF)
Fungsi autokorelasi parsial (PACF) digunakan untuk mengukur keeratan
hubungan antara
dan
setelah menghilangkan pengaruh dependensi linear
dalam variabel
,…,
. Fungsi PACF dapat dinyatakan sebagai
berikut (Wei, 2006: 12):
(19)
19
Misalkan
merupakan pengamatan pada saat t dengan asumsi
, maka
dpat dinyatakan sebagai berikut (Wei, 2006:12):
(2. 29)
dengan,
= parameter ke-i dari persamaan regresi
=error berdistribusi normal yang tidak berkorelasi dengan
,
j=1, 2, ..., k
Selanjutnya mengalikan
untuk kedua sisi pada rumus (2. 29) diperoleh
(2. 30)
Nilai harapan dari rumus (2. 30), diperoleh
(2. 31)
Berdasarkan definisi autokovarian pada rumus (2. 31), maka
(2. 32)
Jika kedua ruas pada rumus (2. 32) dibagi dengan
, diperoleh
(2. 33)
Karena
dan untuk j =1, 2, ..., k, rumus (2.
33) dapat dinyatakan sebagai berikut:
(20)
20
|
|
(2. 34)
|
|
|
|
(2. 35)
untuk
dan
maka autokorelasi parsial antara
dan
dapat
didefinisikan sebagai
|
|
|
|
(2. 36)
Hipotesisi koefisien autokorelasi parsial signifikan atau tidak adalah sebagai
berikut:
:
(koefisien autokorelasi parsial lag-k tidak signifikan)
:
(koefisien autokorelasi parsial lag-k signifikan)
Statistik Uji menggunakan uji t (Wei, 2006: 10):
(2. 37)
dan
√
(2. 38)
dengan,
= standar error autokorelasi parsial pada lag ke-k
= koefisien autokorelasi parsial pada lag ke-k
(21)
21
ditolak jika
|
|
dengan derajat bebas df = n-1.Signifikansi
koefisien autokorelasi parsial juga dapat dilihat dengan selang kepercayaan,
seperti pada koefisien autokorelasi
F. Proses White Noise
Suatu
dikatakan proses white noise jika
tidak saling berkorelasi.
Proses white noise ditetapkan dengan rata-rata konstan
, variansi
konstan
dan
untuk setiap
(Wei,
2006: 15).
Berdasarkan definisi, dengan demikian proses white noise
bersifat
stasioner dengan fungsi autokovarian
{
fungsi autokorelasi
{
fungsi autokorelasi parsial
{
Pengujian white noise dapat menggunakan bantuan software Minitab dengan
melihat plot fungsi autokorelasi dan fungsi autokorelasi parsial. Kriteria white
noise dipenuhi jika tidak ada lag pada fungsi autokorelasi dan fungsi autokorelasi
parsial yang melewati selang kepercayaan (Montgomery et al, 2008:32).
(22)
22
G.
Metode Maximum Likelihood
Metode maximum likelihood adalah salah satu metode mengestimasi
parameter- parameter dari suatu model. Fungi likelihood dapat dituliskan sebagai
berikut(Bain& Engelhardt, 1992:293):
(2. 39)
Pada penaksiran parameter digunakan lambing
untuk menyatakan parameter
secara umum. Misalkan
sampel acak dengan fungsi peluang
). Apabila
yaitu fungsi peluang bersama dari
sebagai
bilangan tertentu, maka (Bain & Engelhardt, 1992:293):
∏
(2. 40)
Dinamakan fungsi likelihood. Salah satu taksiran titik untuk parameter
ialah nilai
yang menghasilkan nilai maksimum untuk
. Jika fungsi
likelihood terlalu kompleks untuk didiferensialkan maka fungsi dapat diubah ke
bentuk logaritma.
Misalkan
sampel acak dengan fungsi peluang
. Setiap
nilai
yakni fungsi acak sampel yang berukuran n, dapat
memaksimumkan
yaitu
untuk setiap T, dinamakan penaksiran
maksimum likelihood untuk
.
H.
Model Autoregressive (AR)
Model Autoregressive (AR) dengan orde p dinotasikan dengan AR (p).
Bentuk umum model AR (p) adalah (Wei, 2006:33):
(23)
23
dengan
= koefisien autoregressive, i= 1,2,3,...p
= nilai variabel pada waktu ke-t
= error pada waktu ke
–
t
p
= orde AR
Persamaan (2.41) dapat dituliskan dengan operator B (backshift):
(2. 42)
dengan
, maka dari persamaan (2.42)
menjadi
(2. 43)
Orde AR yang sering digunakan dalam analisis runtun waktu adalah p = 1 atau
p = 2, yaitu model AR (1) dan AR(2)
model AR (1) memiliki bentuk umum
persamaan (2.44) dapat ditulis dengan operator B menjadi:
(2. 44)
(2. 45)
model AR (2) memiliki bentuk umum
persamaan (2.46) dapat ditulis dengan operator B menjadi:
(2. 46)
(24)
24
I.
Model Vector Autoregressive (VAR)
Model yang hanya memuat parameter autoregressive disebut model Vector
Autoregressive orde p atau VAR (p) (Wei,2006: 394).
(2. 48)
Pada persamaan (2.48)dapat bentuk operator B yaitu
(2. 49)
dimana
merupakan operator VAR (p)
B = operator backshift
= vektor yang memuat variabel pada waktu ke-t
I
= matriks identitas
= error pada waktu ke-t yang white noise
VAR p=1 merupakan model VAR (1) pada data bivariate didefinisikansebagai
(Wei, 2006:393)
atau
maka
[
] [
] [
]
atau
(25)
25
J.
Harga Penutupan Indeks Saham (Closing Prices)
Saham adalah surat berharga yang menjadi instrumen bukti kepemilikan
atau penyertaan dari individu atau institusi dalam suatu perusahaan (Rahardjo,
2006: 31). Wujud saham berupa selembar kertas yang menjelaskan bahwa pemilik
kertas tersebut merupakan bagian dari pemilik perusahaan yang menerbitkan surat
berharga tersebut. Menurut Cristopher Pass et al Indeks adalah suatu nilai angka
yang menggambarkanukuran relatif dari suatu variabel dalam periode tertentu.
Downes dan Goodman (2004) memiliki pengertian bahwa indeks adalah
gabungan statistik yang mengukur perubahan dalam ekonomi yang dapat
dinyatakan dalam persentase pada suatu periode tertentu. Menurut Darmadji
(2006:167) indeks harga saham adalah suatu indikator yang menunjukkan
pergerakan harga saham. Pada indeks harga saham dapat dikatakan stabil
ditunjukkan dengan indeks harga saham yang tetap. Indeks harga saham suatu
negara mencerminkan kondisi perekonomian suatu negara tersebut (Ludovicus,
2006: 14). Harga penutupan indeks saham adalah harga surat berharga yang
diperdagangkan pada akhir hari kerja perdagangan bursa (Samsul, 2006: 26)
K.
Jakarta Stock Exchange(JKSE)
Jakarta Stock Exchange(JKSE) adalah indeks gabungan dari seluruh saham
yang terdaftar di Bursa Efek Indonesia (BEI). BEI berwenang mengeluarkan dan
atau tidak memasukkan hasil perdagangan saham yang telah dikelompokkan pada
masing masing sektor (Bagus, 2015 : 15).
(26)
26
L.
Korea Stock Price Index(KOSPI)
KOSPI (Korea Stock Price Index) adalah indeks harga saham gabungan yang
dikeluarkan oleh Bursa Efek Korea. Pada 17 Juni 1998, KOSPI tercatat sebagai
indeks yang mencapai kenaikan tertinggi sebesar 8,50% pada saat krisis keuangan
Asia. Sejak Oktober 2007, KOSPI memiliki 10 saham tertinggi yaitu: Samsung
Electronics, POSCO, Hyundai Heavy Industries, Kookmin Bank, Korea Electric
Power, Shinhan Financial Group, SK Telcom, Woori Finance Holdings, LG
Display, danHyundai Motor.(Yuli, 2014).
M.
Nihon Keizai Shimbun(NIKKEI)
Nihon Keizai Shimbun (NIKKEI) adalah indeks harga saham pada Bursa
Saham Tokyo (Tokyo Stock Exchange/ TSE). NIKKEI 225 adalah kode indeks
harga saham Jepang yang menjadi patokan utama pergerakan bursa di kawasan
ASIA- Pasifik, sehingga NIKKEI 225 yang paling diminati investor- investor
saham di Asia. Indeks rata rata NIKKEI mencapai nilai tertinggi pada Desember
1989 di level 38.857,44 (Hastiajia, 2015).
N.
Philipines Stock Exchange Index(PSEI)
Philipines Stock Exchange Index(PSEI) adalah salah satu bursa saham di
Filipina yang dikeluarkan oleh Bursa Efek Filipina. PSEI salah satu indeks yang
utama di Asia Tenggara. PSEI pertama kali aktif dalam bursa saham internasional
pada tahun 1927(Bagus, 2015: 11).
(27)
27
BAB III
PEMBAHASAN
Pada bab ini, dibahas mengenai model Vector Error Correction (VEC),
prosedur pembentukan model Vector Error Correction (VEC), dan aplikasi model
Vector Error Correction (VEC) pada penutupan indeks harga saham JKSE,
KOSPI, NIKKEI, dan PSEI.
A.
Model Vector Error Correction (VEC)
Model Vector Error Correction (VEC) adalah suatu metode untuk
menganalisis data runtun waktu pada model Vector Autoregressive (VAR) yang
stasioner
pada
differencing
pertama
dan
memenuhi
uji
kointegrasi
(Lu
tkephol,2005: 246).
Dari model VAR (p) yang memiliki variabel yang tidak stasioner . Bentuk
umum VAR (p) adalah sebagai berikut (Lu
tkepohl,2005: 14):
(3. 1)
Dengan
= vektor yang memuat variabel pada waktu ke-t
= parameter VARorde p
= vektor yang memuat variabel pada waktu ke-t-p
Dari persamaan (3.1) dapat dinotasikan dalam bentuk VEC sebagai berikut
(Lu
tkepohl,2005: 248):
∑
(28)
28
dimana
∑
∑
Rank matriks
digunakan untuk menentukan banyak kombinasi linear yt
yang bersifat stasioner, selanjutnya rank matriks
disimbolkan dengan r.
Jika 0 <r <K, maka terdapat r vektor kointegrasi atau r kombinasi linear yang
stasioner dari yt . Matriks
selanjutnya dapat difaktorisasi menjadi
Π
=
αβ’
,
dengan
α
dan
β
adalah matriks berukuran K x r, dimana
β
merupakan matriks
koefisien jangka panjang dan mengandung vektor kointegrasi atau matriks
kointegrasi dan
α
merepresentasikan matriks koefisien dari variabel yang
memenuhi persamaaan linear (Lu
tkepohl,2005: 248).
Dari persamaan (3.1) dan (3.2) dapat dibentuk persamaan VEC sebagai
berikut (Lu
tkepohl,2005: 248):
∑
(3. 3)
dengan
didefinisikan matriks kovarian dengan
white noise
= differencing operator
Π
= matriks koefisien kointegrasi
= vektor yang memuat variabel pada waktu t-1
y
t= vektor yang memuat variabel pada waktu ke-t
Γ
i= parameter VEC dengan i= 1,2,3,..p-1
(29)
29
Pada model VAR(1) bivariate yang mengandung kointegrasi dengan nilai
kointegrasi 1 akan berbentuk(Lu
tkepohl,2005: 258).
Model VAR (1) bivariate nilai kointegrasi1 dapat dinotasikan sebagai berikut
(Lu
tkepohl,2005: 260):
Sehingga
model
VEC
dengan
nilai
kointegrasi1
dapat
dinotasikan
(Lu
tkepohl,2005: 260):
[ ]
dimana
[ ]
Estimasi parameter merupakan penduga nilai dari parameter populasi
dengan menggunakan nilai dari sampel. Model VEC memuat proses perhitungan
untuk mendapatkan nilai parameter dari model VEC.
B.
Prosedur Pembentukan dengan Analisis Model Vector Error Correction
(VEC)
Analisis model VEC merupakan analisis runtun waktu yang sering
digunakan untuk menganalisis jangka panjang suatu data. Prosedur yang
dilakukan dalam metode tersebut adalah
1.
Identifikasi Model
a.
Stasioneritas
Langkah awal yang dilakukan dalam pembentukan model VEC adalah
mengidentifikasi data dengan plot data runtun waktu. Pembuatan plot runtun
waktu dilakukan untuk menduga kestasioneran data. Selanjutnya kestasioneran
dapat diuji denganuji transformasi Box-Cox untuk mengetahui stasioner dalam
(30)
30
varians dan uji unit root salah satu metode menggunakan uji Augmented Uji
Dickey Fuller (ADF).Adapun hipotesisnya:
H
0: data stasioner
H1 : data tidak stasioner
Data dikatakan mengandung unit root jika |nilai ADF| lebih kecil dari nilai
kritis dari |tabel ADF|. Jika data mengandung unit root maka data dapat dilakukan
differencing sampai data stasioner/ tidak mengandung unit root.
b.
Uji Kointegrasi Johansen
Kointegrasi adalah suatu hubungan jangka panjang antar variabel. Konsep
kointegrasi dikemukakan pertama kali oleh Engle dan Granger (1987). Tahun
1988 dikembangkan oleh Johansen dan disempurnakan oleh Johansen dan
Juselius di tahun 1990. Pada konsep kointegrasi yang dipaparkan Johansen jika
dua variabel yang tidak stasioner sebelum differencing namun stasioner pada
differencing pertama, besar kemungkinan akan terjadi kointegrasi atau hubungan
jangka panjang. Salah satu menguji kointegrasi adalah dengan uji Johansen. Uji
kointegrasi digunakan untuk variabel yang terintegrasi pada orde 1 dan orde 0
.Hipotesis yang digunakan pada uji kointegrasi Johansen yaitu
H0:
,dengan r=
0,1,…k
-1(terdapat nilai kointegrasi)
H1:
(tidak terdapat nilai kointegrasi)
Untuk menguji hipotesis ini dapat menggunakan statistik uji trace (Rosadi,
2010: 220).
| ∑
(31)
31
dengan
T
= banyak pengamatan
k
= lag input pada model VEC
r
= nilai kointegrasi
= nilai eigen terbesar terbesar ke i
dan menguji hipotesis ini dapat menggunakan statistik uji maximum eigen value
(Rosadi, 2010: 220):
|
|
|
untuk r= 0, 1, …,
k-1
Kriteria keputusan adalah tolak H0 jika LRtr > nilai kritis taraf nyata 5%.
c.
Penentuan Lag Optimal
Untuk memilih orde lag p dapat digunakan kriteria informasi (information
criteria) yaitu Hannan Quinn Criteria (HQC) yang dapat didefinisikan sebagai
̂
dengan
p
= orde pada model VEC
T
= banyak pengamatan
k
= laginput pada model VEC
̂
= estimator varian kovarian error
Dengan nilai p dipilih sebagai p yang meminimalkan kriteria informasi dalam
interval 1,…, pmax atau dengan kata lain kriteria informasi dipilih yang terkecil
(Rosadi, 2011: 20) .
(32)
32
2.
Estimasi Parameter
Parameter model VEC adalah
Π
,
Γ
, dan
dalam proses estimasi
digunakan model maximum likelihood estimation (Lu
tkepohl,2005:294).
Penggunaan estimasi maximum likelihood pada model VEC sangat kompleks
untuk dikerjakan secara manual. Oleh karena itu pengerjaan estimasi tersebut
dapat dilakukan dengan menggunakan software. Sehingga diperoleh maksimum
dari ln L adalah
|
|
atau ekuivalen dengan meminimumkan determinan
α
dan
β
(Lu
tkepohl, 2005:
295). Uji signifikansi parameter dapat dilakukan dengan uji hipotesis sebagai
berikut :
Ho :
= 0 dengan i
= 1,2, …
p-1 (parameter VEC tidak signifikan)
H
1:
≠
0 (parameter VEC signifikan)
Statistik uji yang digunakan sebagai berikut:
̂
̂
dengan
̂
= estimator parameter VEC
̂
= standar error estimator
Kriteria keputusan yang digunakan adalah H
0ditolak jiak |t| >t
α/2df, df =
n-np dimana n menunjukkan banyak data dan n-np adalah banyakdata pada orde p
yang dipakai atau H
0ditolak jika p-
value < α
.
(33)
33
3.
Uji Kesesuaian Model
Model dikatakan memadai jika error (ut) memenuhi proses white noise yang
tidak berkorelasi (independen). Untuk mendeteksi suatu proses white noise pada
analisis error dilakukan uji autokorelasi error dengan menyajikanplot ACF/
PACF dan uji normalitas (Lu
tkepohl, 2004: 127)
a.
Uji Autokorelasi error
Hipotesisi yang digunakan untuk menguji autokorelasi error yaitu
H
0: E(u
t, u’
t-1) = 0 dengan (tidak terdapat korelasi pada error)
H1 : minimal terdapat satu E(ut
, u’
t-1)
≠ 0 (
terdapat korelasi pada error)
Dengan menyajikan plot residu dengan asumsi jika terdapat plot keluar
garis kritis maka H
0ditolak (Wei, 2006 : 110)
b.
Uji Normalitas Error
Asumsi lain yang harus dipenuhi adalah uji kenormalan error. Uji
kenormalan dilakukan untuk mengetahui error berdistribusi normal atau tidak. Uji
kenormalan dilakukan dengan menggunakan uji Jerque-Bera (JB). Hipotesis yang
digunakan sebagai berikut (Lu
tkepohl, 2004: 129):
H
0: error berdistribusi normal
H1 : error tidak berdistribusi normal
statistik uji yang digunakan yaitu (Rosadi, 2010: 111):
[
]
Kriteria keputusan adalah H0 ditolak jika p-
value < α
atau JB
> χ
2(K). Dengann dalah banyak data.
(34)
34
4.
Peramalan Data
Ketepatan model yang digunakan untuk meramal data periode yang akan
datang dapat dihitung dengan Mean Absolute Percentage (MAPE) yaitu
(Makridakis, 1999: 110)
|
|
100%
dengan
Yt = data akual
F
t= data ramalan
Semakin kecil nilai MAPE mengindikasikan data hasil peramalan mendekati nilai
aktual. Nilai MAPE yang kecil dapat diasumsikan kurang dari 10% (Makridakis,
1999: 110).
Adapun skema pemodelan dengan menggunakan model VEC disajikan
pada Gambar 3.1 berikut:
(35)
35
C.
Analisis Data Menggunakan Model Vector Error Correction (VEC)
Data yang digunakan pada analisis model adalah variabel Y1 yaitu data
penutupan pada indeks saham gabungan Jakarta (JKSE), Y
2yaitu indeks saham
gabungan Jepang (NIKKEI), Y3 yaitu indeks saham Korea Selatan (KOSPI), dan
Y
4indeks saham Filiphina (PSEI). Data diambil dari www.yahoo.finance.com
yang merupakan data sekunder pada periode 15 Maret 2012
–
10 Januari 2017
sebanyak 1195 (data selengkapnya dapat dilihat di lampiran 1 halaman 60) yang
berupa data mingguan.
Plot data empat indeks saham dapat ditunjukkan pada gambar 3.2
Gambar 3. 2 Plot Data Indeks Sahan,JKSE, KOSPI, NIKKEI, dan PSEI periode
15 Maret 2012- 10 Januari 2017
Plot data JKSE, KOSPI, NIKKEI, dan PSEI mengalami kenaikan dan
penurunan secara bersamaan dipertengahan tahun 2013. Kejadian yang serupa
(36)
36
juga dialami pada akhir tahun 2014 dan awal tahun 2016 . Pada indeks saham
PSEI mengalami penurunan. Sehingga dapat diduga dari plot tersebut antar empat
saham saling memiliki pengaruh.
Gambar 3. 3 Hasil Plot Box- Cox pada Y1, Y2, Y3, dan Y4
Nilai estimasi Y
1, Y
2, Y
3, dan Y
4yang diperoleh dari Box- Cox pada gambar
3.3 dengan nilai
pada masing- masing saham yang dihasilkan menunjukkan
angka sebesar 0,00. Nilai
yang didapatkan tidak mendekati angka satu maka
data cenderung tidak stasioner dalam varian. Ketidakstasioneran dalam varian
dapat diatasi dengan transformasi.
(37)
37
Gambar 3. 4 Hasil Plot Transformasi Box- Cox pada Y
1, Y
2, Y
3, dan Y
4Data Y1, Y2, Y3, dan Y4 setelah ditransformasi dapat dilihat pada gambar 3.4
yang memiliki nilai
pada Y1sebesar 1,23, Y2 sebesar 0,87, Y3
sebesar 1,19, Y4
sebesar 1,28 dan rounded value sebesar 1,00. Nilai
yang mendekati angka satu
maka dapat diartikan bahwa data Y1, Y2, Y3, dan Y4 stasioner dalam varian.
Uji stasioner yang dapat digunakan adalah uji Augmented- Dickey Fuller
(ADF) dan differencing untuk mengetahui data keempat saham stasioner dalam
rata- rata. Hasil ADF yang didapat ditunjukkan pada table 3.1 dan 3.2:
Tabel 3. 1 Tabel Hasil Uji ADF dengan e-views
Variabel Nilai ADF
Nilai Kritis
Keterangan
1%
5%
10%
Y
1-1.519808
-3.4387
-2.8644
-2.5683
Tidak Stasioner
Y2
-0.833823
-3.4387
-2.8644
-2.5683
Tidak Stasioner
Y3
-4.020811
-3,4344
-2.8644
-2.5683
Stasioner
Y4
-0.580868
-3.4387
-2.8644
-2.5683
Tidak Stasioner
(38)
38
Variabel Y1, Y2, dan Y4 nilai |nilai ADF|> nilai kritis pada taraf nyata 1%,
5%, dan 10% . Pada variabel Y3 nilai |nilai ADF|< nilai kritis pada taraf nyata 1%,
5%, dan 10% dapat dilihat pada tabel 3.1. Pada plot ACF dan PACF yang
ditunjukkan pada lampiran 2, 4, 6, dan 8 halaman 89, 91, 93, dan 95,
mengindikasikan bahwa data belum stasioner dalam rata- rata karena lag pada plot
ACF dan PACF keluar dari garis kritis. Berdasarkan tabel 3.1 dan plot ACF dan
PACFvariabel Y1, Y2, dan Y4 disimpulkan tidak stasioner dalam rataan dan harus
dilakukandifferencingpada Y
1, Y
2, dan Y
4.
Tabel 3. 2 Hasil ADF pada differencing pertama
Variabel
Nilai
ADF
Nilai Kritis
Keterangan
1%
5%
10%
Y1
-17.03758
-3.4387
-2.8644 -2.5683
Stasioner
Y
2-16.44089
-3.4387
-2.8644 -2.5683
Stasioner
Y3
-16.88168
-3.4387
-2.8644 -2.5683
Stasioner
Y4
-17.39049
-3.4387
-2.8644 -2.5683
Stasioner
Pada tabel 3.2 variabel Y1, Y2, Y3 dan Y4 nilai |nilai ADF| > nilai kritis pada
taraf nyata 1%, 5%, dan 10%.Data yang telah differencing pertama dapat dilihat
pada plot ACF dan PACF yang ditunjukkan pada lampiran 2, 5, 7, dan 9 halaman
90, 92, 94, dan 96, mengindikasikan bahwa data stasioner dalam rata- rata karena
lag pada plot ACF dan PACF tidak keluar dari garis kritis. Berdasarkan hasil ADF
tabel 3.2 pada differencing pertama variabel Y1, Y2,Y3 ,dan Y4 disimpulkan data
stasioner dalam rataan pada differencing pertama.
Selanjutnya untuk menentukan orde dari model maka akan ditentukan Lag
Optimal dapat direpresentasikan dari nilai Hannan Quinn Criteria (HQC).
(39)
39
Tabel 3. 3 Hasil Lag Optimal HQC
Lag HQ
0
-10.23627
1
-24.95341
2
-24.95347*
3
-24.92878
4
-24.91700
5
-24.89335
6
-24.86306
7
-24.84846
8
-24.82452
Berdasarkan tabel 3.3 dapat direpresentasikan bahwa HQC pada lag 2
memiliki nilai terkecil dari lag lainnya. Dapat disimpulkan bahwa lag optimal
pada keempat indeks saham terdapat pada lag 2. Hasil penentuan orde lag dapat
dilihat pada lampiran 19 halaman 102.
Selanjutnya akan dilakukan uji kointegrasi pada lag 2. Uji kointegrasi
dilakukan dengan metode Johansen.
Tabel 3. 4 Hasil Uji Kointegrasi Johansen pada eviews
H0rank=r H1rank>1 LRtrace Nilai Kritis
= 5%
Max-eigen statistic
Nilai Kritis =
5%
0
0
64,23822
47,21
29,263223843
27,07
1
1
34,9750
29,68
23,174729277
20,97
2
2
11,800267832
15,41
10,8956147061 14,07
3
3
0,9046531259
3,76
0,90465312591 3,76
Pada tabel 3.4 yang ditunjukkan pada lampiran 18 halaman 101 dapat
direpresentasikan bahwa nilai trace statistic dan maximum eigen statistic memiliki
nilai yang lebih besar dari nilai kritis dengan taraf nyata 5%. Oleh karena itu,
dapat disimpulkan bahwa terdapat nilai kointegrasi 1 pada data tersebut.
(40)
40
Model yang dapat digunakan untuk merepresentasikan adanya nilai
kointegrasi adalah model VEC.
Tabel 3. 5 Hasil Estimasi Parameter dan Uji Signifikansi Model VEC orde 2
dengan Nilai Kointegrasi 1
Parameter Estimator p-value Keterangan Parameter Estimator p-value Keterangan
0,071123 0,02887 Signifikan -0,032949 0,0288 Signifikan
-0,039212 0,04222 Signifikan 0,00936 0,04212 Signifikan
-0,06211 0,02200 Signifikan -0,016077 0,02195 Signifikan
-0,010258 0,03025 Signifikan 0,027233 0,03018 Signifikan
-0,011321 0,01979 Signifikan -0,047091 0,0198 Signifikan
-0,099118 0,02895 Signifikan 0,026927 0,02895 Signifikan
0,031783 0,01509 Signifikan 0,014219 0,01509 Signifikan
-0,003547 0,02074 Signifikan -0,039415 0,02074 Signifikan
0,056798 0,03801 Signifikan 0,077185 0,03796 Signifikan
-0,118258 0,05559 Signifikan 0,059802 0,05552 Signifikan
0,031676 0,02897 Signifikan 0,013904 0,02893 Signifikan
0,051764 0,03983 Signifikan 0,094664 0,03978 Signifikan
0,079863 0,02775 Signifikan -0,012509 0,02791 Signifikan
0,029944 0,04059 Signifikan 0,041315 0,04082 Signifikan
0,031429 0,02116 Signifikan 0,060101 0,02128 Signifikan
0,085778 0,02908 Signifikan -0,051574 0,02925 Signifikan
Berdasarkan tabel 3.5 yang ditunjukkan pada lampiran 18 halaman 108
diperoleh masing- masing parameter nilainya kurang dari 0,05. Berdasarkan hasil
estimasi parameter yang telah diperoleh, maka didapat persamaan model VEC
orde2 dengan nilai kointegrasi 1 sebagai berikut:
Persamaan VEC orde 2 dengan nilai kointegrasi 1 menyertakan koefisien
sebagai berikut:
(41)
41 [ ] [ ] [ ] [ ] [ ] [ ] [ ]
atau dapat ditulis dengan masing masing model VAR orde 2 dengan nilai
kointegrasi 1 sebagai berikut:
[ ] [ ] [ ] [ ] [ ] [ ] [ ] [ ]
Setelah dilakukan estimasi parameter dilakukan uji kesesuaian model
dengan pengujian error independensi dan uji normalitas.
Pengujian error independensi dengan menyajikan plot ACF dan PACF
dari residu data:
Gambar 3. 5 Plot ACF dan PACF error pada Data Y1
30 28 26 24 22 20 18 16 14 12 10 8 6 4 2 1,0 0,8 0,6 0,4 0,2 0,0 -0,2 -0,4 -0,6 -0,8 -1,0 Lag A u to c o rr e la ti o n
Autocorrelation Function for Y1
(with 5% significance limits for the autocorrelations)
30 28 26 24 22 20 18 16 14 12 10 8 6 4 2 1,0 0,8 0,6 0,4 0,2 0,0 -0,2 -0,4 -0,6 -0,8 -1,0 Lag P a rt ia l A u to c o rr e la ti o n
Partial Autocorrelation Function for Y1
(42)
42
Pada gambar 3.5 menunjukkan plot ACF dan PACF hasil error pada data
Y1 yang dimodelkan dengan model VEC orde 2 tidak ada garis plot yang keluar
dari garis kritis. Dapat disimpulkan model VEC orde 2 kointegrasi 1 sesuai
dengan data Y1.
Gambar 3. 6 Plot ACF dan PACF error pada Data Y2
Pada gambar 3.6 menunjukkan plot ACF dan PACF hasil error pada data
Y2 yang dimodelkan dengan model VEC orde 2 tidak ada garis plot yang keluar
dari garis kritis. Dapat disimpulkan model VEC orde 2 nilai kointegrasi 1 sesuai
dengan data Y
2.
Gambar 3. 7 Plot ACF dan PACF error pada Data Y
3Pada gambar 3.7 menunjukkan plot ACF dan PACF hasil error pada data
Y
3yang dimodelkan dengan model VEC orde 2 tidak ada garis plot yang keluar
30 28 26 24 22 20 18 16 14 12 10 8 6 4 2 1,0 0,8 0,6 0,4 0,2 0,0 -0,2 -0,4 -0,6 -0,8 -1,0 Lag A u to c o rr e la ti o n
Autocorrelation Function for Y2 (with 5% significance limits for the autocorrelations)
30 28 26 24 22 20 18 16 14 12 10 8 6 4 2 1,0 0,8 0,6 0,4 0,2 0,0 -0,2 -0,4 -0,6 -0,8 -1,0 Lag P a rt ia l A u to c o rr e la ti o n
Partial Autocorrelation Function for Y2 (with 5% significance limits for the partial autocorrelations)
30 28 26 24 22 20 18 16 14 12 10 8 6 4 2 1,0 0,8 0,6 0,4 0,2 0,0 -0,2 -0,4 -0,6 -0,8 -1,0 Lag A u to c o rr e la ti o n
Autocorrelation Function for Y3 (with 5% significance limits for the autocorrelations)
30 28 26 24 22 20 18 16 14 12 10 8 6 4 2 1,0 0,8 0,6 0,4 0,2 0,0 -0,2 -0,4 -0,6 -0,8 -1,0 Lag P a rt ia l A u to c o rr e la ti o n
Partial Autocorrelation Function for Y3 (with 5% significance limits for the partial autocorrelations)
(43)
43
dari garis kritis. Dapat disimpulkan model VEC orde 2 kointegrasi 1 sesuai
dengan data Y3
Gambar 3. 8 Plot ACF dan PACF error data Y
4Pada gambar 3.8 menunjukkan plot ACF dan PACF hasil error pada data
Y
3yang dimodelkan dengan model VEC orde 2 tidak ada garis plot yang keluar
dari garis kritis. Dapat disimpulkan model VEC orde 2 nilai kointegrasi 1 sesuai
dengan data Y
3Selain dilakukan uji error autokorelasi independen, dilakukan pula uji
normalitas. Hipotesis yang digunakan pada uji normalitas yaitu
H
0: error berdistribusi normal
H1 : error tidak berdistribusi normal
Uji
normalitas
menggunakan
uji
Jerque-Bera
(JB).
Kriteria
keputusanuntuk uji normalitas adalah tolak Ho jika
atau nilai
Pada uji normalitas yang ditunjukkan pada lampiran 22
halaman 105 diperoleh nilai p-value sama dengan 1,6541. Nilai p- value tersebut
lebih besar dari 0,05, sehingga H
0diterima dan dapat disimpulkan error
berdistribusi normal.
30 28 26 24 22 20 18 16 14 12 10 8 6 4 2 1,0 0,8 0,6 0,4 0,2 0,0 -0,2 -0,4 -0,6 -0,8 -1,0 Lag A u to c o rr e la ti o nAutocorrelation Function for Y4 (with 5% significance limits for the autocorrelations)
30 28 26 24 22 20 18 16 14 12 10 8 6 4 2 1,0 0,8 0,6 0,4 0,2 0,0 -0,2 -0,4 -0,6 -0,8 -1,0 Lag P a rt ia l A u to c o rr e la ti o n
Partial Autocorrelation Function for Y4 (with 5% significance limits for the partial autocorrelations)
(44)
44
Hasil kesesuaian model menunjukkan bahwa model tersebut memenuhi
asumsi error autokorelasi independen dan normalitas error, sehingga model
tersebut layak digunakan untuk peramalan.
Peramalan menggunakan model VEC orde 2 dengan nilai kointegrasi 1
dapat diambil sampel pada data Y1 , Y2, Y3, dan Y4 mulai pada periode 5 januari
2017 - 3 Maret 2017.
Tabel 3. 6 Data Hasil Peramalan dan Data Aktual Penutupan Indeks Saham JKSE
5 Januari 2017- 3 April 2017
Periode
Y1
ε
2Data Aktual
Data
Ramalan
03/04/2017 5653,48584
5735,053768
6653,326878
27/03/2017 5568,105957 5663,774681
9152,504752
20/03/2017 5567,133789 5583,621071
271,8304677
13/03/2017 5540,432129 5570,372952
896,4528819
06/03/2017 5390,676758 5711,200256
102735,3128
27/02/2017 5391,214844 5408,933262
313,9423364
20/02/2017 5385,905762 5004,960344
145119,4115
13/02/2017 5350,932129 5275,418528
5702,303936
06/02/2017 5371,668945 5291,56316
6416,93679
30/01/2017 5360,76709
5301,975973
3456,395438
23/01/2017 5312,839844 5293,786406
363,0334996
16/01/2017 5254,311035 5294,110541
1584,000678
10/01/2017 5272,98291
5289,647542
277,7099597
06/01/2017 5316,36377
5293,4535
524,8804715
05/01/2017 5347,021973 5278,028667
4760,076273
MSE
24019,00989
root of MSE
154,9806758
(45)
45
Gambar 3. 9 Plot Data Ramalan dan Data Aktual Penutupan Indeks Saham JKSE
Periode 5 Januari 2017
–
3 April 2017
Peramalan data Y1 dapat dilihat pada tabel 3.6dan gambar 3.9. Pada tabel
3.6 menunjukkan bahwa data dari hasil peramalan menggunakan model VEC orde
2 dan nilai kointegrasi 1 mendekati data aktual. Hal ini dapat dibuktikan pada
MAPE 1,7498 %. Oleh karena itu, model VEC orde 2 dengan nilai kointegrasi 1
dapat melakukan peramalan dengan baik pada data Y
1.
Tabel 3. 7Data Hasil Peramalan dan Data Aktual Penutupan Indeks Saham
NIKKEI periode 5 Januari 2017- 3 April 2017
Periode
Y2
ε
2Data Aktual
Data Ramalan
03/04/2017
18664,63086
17635,0229
1060093
27/03/2017
18909,25977
17943,8864
931946
20/03/2017
19262,5293
17229,486
4133265
13/03/2017
19521,58984
17462,3628
4240416
06/03/2017
19604,60938
18531,7102
1151113
27/02/2017
19469,16992
18451,9939
1034647
20/02/2017
19283,53906
18328,8459
911439
13/02/2017
19234,61914
18298,9363
875502
06/02/2017
19378,92969
18176,2813
1446363
30/01/2017
18918,19922
18253,3297
442051
23/01/2017
19467,40039
18173,1773
1675013
(46)
46
10/01/2017
19287,2793
18292,7404
989108
06/01/2017
19454,33008
18420,5176
1068768
05/01/2017
19520,68945
18522,9764
995431
MSE
1805182,058
root of MSE
1343,570637
MAPE
6,3272 %
Gambar 3. 10 Plot Data Ramalan dan Data Aktual Penutupan Indeks Saham
NIKKEI periode 5 Januari 2017
–
3 April 2017
Peramalan data Y
2dapat dilihat pada tabel 3.7 dan gambar 3.10. Pada
tabel 3.7 menunjukkan bahwa data dari hasil peramalan menggunakan model
VEC orde 2 dan nilai kointegrasi 1 mendekati data aktual. Hal ini dapat
dibuktikan pada MAPE 6,3272 %. Oleh karena itu, model VEC orde 2 dengan
nilai kointegrasi 1 dapat melakukan peramalan dengan baik pada data Y2 .
Tabel 3. 8 Data Hasil Peramalan dan Data Aktual Penutupan Indeks Saham
KOSPI periode Januari 2017- 3 April 2017
Periode
Y3
ε2
Data Aktual
Data Ramalan
03/04/2017
2151,73
2293,52
20104,4041
27/03/2017
2160,23
2228,29
4632,1636
20/03/2017
2168,95
2204,58
1269,4969
13/03/2017
2164,58
2203,37
1504,6641
06/03/2017
2097,35
2200,24
10586,3521
27/02/2017
2078,75
2190,06
12389,9161
(47)
47
13/02/2017
2080,58
2183,24
10539,0756
06/02/2017
2075,08
2182,27
11489,6961
30/01/2017
2073,16
2180,27
11472,5521
23/01/2017
2083,59
2179,11
9124,0704
16/01/2017
2065,61
2075,32
94,2841
10/01/2017
2076,79
2063,69
171,61
06/01/2017
2048,78
2068,19
376,7481
05/01/2017
2049,12
2066,61
305,9001
MSE
8518,671325
root of MSE
92,2966485
MAPE
3,6073%
Gambar 3. 11 Plot Data Ramalan dan Data Aktual Penutupan Indeks Saham
KOSPI 5 periode Januari 2017
–
3 April 2017
Peramalan data Y3 dapat dilihat pada tabel 3.8 dan gambar 3.11. Pada
tabel 3.8 menunjukkan bahwa data dari hasil peramalan menggunakan VEC orde
2 dan nilai kointegrasi 1 mendekati data aktual. Hal ini dapat dibuktikan pada
MAPE 3,6073%. Oleh karena itu, model VEC orde 2 dengan nilai kointegrasi 1
dapat melakukan peramalan dengan baik pada data Y3.
(48)
48
Tabel 3. 9 Data Hasil Peramalan dan Data Aktual Penutupan Indeks Saham PSEI
5 periode Januari 2017- 3 April 2017
Periode
Y
4ε
2Data
Aktual
Data
Ramalan
03/04/2017
7583,75
7507,05
5882,89
27/03/2017
7311,72
7587,06
75812,1
20/03/2017
7269,62
7508,72
57168,8
13/03/2017
7345,02
7453,17
11696,4
06/03/2017
7146,27
7445,68
89646,3
27/02/2017
7247,12
7417,28
28954,4
20/02/2017
7258,99
7450,3
36599,5
13/02/2017
7244,79
7446,32
40614,3
06/02/2017
7235,21
7435,56
40140,1
30/01/2017
7226,7
7365,03
19135,2
23/01/2017
7333,67
7364,18
930,86
16/01/2017
7232,66
7368,14
18354,8
10/01/2017
7238,52
7349,15
12239
06/01/2017
7276,34
7354,34
6084
05/01/2017
7248,2
7244,61
12,8881
MSE
36939,3
root of MSE
192,196
MAPE
2,222%
Gambar 3. 12 Plot Data Ramalan dan Data Aktual Penutupan Indeks Saham
PSEI periode 5 Januari 2017 - 3 April 2017
Peramalan data Y
4dapat dilihat pada tabel 3.9 dan gambar 3.18. Pada
tabel 3.9 menunjukkan bahwa data dari hasil peramalan menggunakan VEC orde
(49)
49
2 dan nilai kointegrasi 1 mendekati data aktual. Hal ini dapat dibuktikan pada
MAPE 2,222%. Oleh karena itu, model VEC orde 2 dengan nilai kointegrasi 1
dapat melakukan peramalan dengan baik pada data Y
4.
(50)
50
BAB IV
KESIMPULAN DAN SARAN
A.
Kesimpulan
Berdasarkan pembahasan mengenai model Vector Error Correction (VEC)
pada penutupan indeks saham JKSE, KOSPI, NIKKEI, dan PSEI, maka dapat
diambil kesimpulan:
1.
Model VEC dengan orde 2 dengan nilai kointegrasi 1 yaitu :
2.
Prosedur pembentukan model VEC yaitu:
a.
Identifikasi model meliputi stasioneritas, uji kointegrasi menggunakan uji
kointegrasi johansen, dan penentuan lag.
b.
Estimasi parameter dan pengujian signifikansi parameter. Pengujian estimasi
parameter menggunakan metode maximum likelihood estimation (MLE).
c.
Uji kesesuaian model meliputi uji autokorelasi error dengan menyajikan plot
ACF/ PACF, dan uji normalitas degan uji normalitas jerque bera.
d.
Peramalan. Tahap terakhir adalah penerapan model untuk meramalkan data.
Ketepatan model yang digunakan untuk meramal data periode yang akan
datang dapat dihitung dengan Mean Absolute Percentage (MAPE). Model
dengan hasil peramalan yang baik memiliki MAPE kurang dari 10%
(51)
51
3.
Model VECM orde 2 dan memiliki nilai kointegrasi 1 dengan empat variabel
yaitu:
[ ] [ ] [ ] [ ] [ ] [ ] [ ]dapat dinotasikan dengan model VAR yaitu:
[ ] [ ] [ ] [ ] [ ] [ ] [ ] [ ]
Model VEC yang sesuai pada data JKSE, KOSPI, NIKKEI, dan PSEI yaitu
VEC orde 2 dengan nilai kointegrasi 1. Model dengan hasil peramalan yang baik
memiliki Mean Absolute Percentage Error (MAPE) kurang dari 10%. Hasil
peramalan data ramalan JKSE memiliki MAPE sebesar 1,7498 %,data PSEI
memiliki MAPE sebesar 2,222 %, data ramalan KOSPI memiliki MAPE sebesar
3,6073 %, dan data ramalan NIKKEI memiliki MAPE sebesar 6,3272 %. Oleh
karena itu, dapat disimpulkan pada model VEC orde 2 dengan nilai kointegrasi 1
(52)
52
memiliki model yang baik pada penerapan harga penutupan indeks saham JKSE,
NIKKEI, KOSPI, dan PSEI.
B.
Saran
Dalam penulisan skripsi ini, penulis hanya melakukan analisis model VEC
dan aplikasinya. Bagi pembaca yang berminat dengan permasalahan runtun waktu
khususnya model VEC, penulis menyarankan untuk:
1.
Membahas mengenai model Threshold VEC yaitu model VEC yang lebih
multivariat.
2.
Membahas mengenai perbandingan model VEC dan VAR dalam aplikasinya.
3.
Masukan sebagai investor pada pemilihan model yang tepat supaya prediksi
(53)
53
DAFTAR PUSTAKA
Abdullahi, F. L. (2010). Foriegn Private Investment and Economic Growth in
Nigeria: A Cointegrated VAR and Granger Causality Analysis. CBN
Journal of Apllied Statistics, Vol.2. No.2. Hlm. 12-20.
Anton, H. (2010). Elementary Linear Algebra. New York: Anton Textbook, Inc.
Asari, F. (2011). A Vector Error Correction Model (VECM) Approach in
Explaining the Relationship Between Interest Rate and Inflation Towards
Exchange Rate Volatility in Malaysia. World Applied Science Journal,
Vol 12. hlm: 49-56.
Bagus, I. (2015). Pengaruh Indeks Bursa Saham Regional Terhadap Indeks
Harga Saham Gabungan Bursa Efek Indonesia. Laporan Akhir Unggulan.
Bali: Universitas Udayana.
Bain, L. ,. (1992). Introduction to Probability and Mathematical Statistic.
California: Duxbury Press.
BEI. (2016). Rata- Rata Nilai Transaksi Harian Pekan ini Naik 118,73%. diakses
pada tanggal 15 Januari 2017, dari Indonesia Stock Exchange:
http://www.idx.co.id
Box, G., & Jenkins, G. (1970). Time Series Analysis: Forecast and Control. New
York: Wiley.
Brockwell, P., & Davis, R. (2002). Introduction to Time Series and Forecasting.
Colorado: Springer.
Chamalwa, H. &. ( 2016). A Vector Autoregressive (VAR ) Coitegration and
Vector Error Correction Model (VECM) Approach for Financial Deeping
Indicators And Economic Growth in Nigeria. American Journal of
Mathematical Analysis. , Vol 4. No.1. Hlm.1-6.
Cristhoper, P. (2002). Relationship Marketing , Creating Stakeholder Value.
Oxford: Butterworth- Heinemann Ed.
Darmadji, T. (2012). Pasar Modal di Indonesia Pendekatan Tanya Jawab.
Jakarta: Salemba Empat.
Downes, J. &. (2009). Dictonary of Finance and Investment Terms. New York:
Barron Educational Series, Inc.
(1)
101
(2)
102
(3)
103
Lampiran 23Prosedur Menggunakan Software E-views pada VECM 1. Cara untuk transformasi dan differencing pertama pada data
Untuk menstasionerkan data, lakukan turunan pertama
Klik data > pilih proc> pilih generate by equation akan muncul sebagai berikut:
(4)
104 2. Penentuan Nilai ADF
Klik pada views > unit root test >pilih ujiAugmented Dickey Fuller , jika ingin firstdifferencing klik pada differencing 1
3. Prosedur uji kointegrasi
(5)
105 4. Estimasi VAR
Dari menu utama Eviews: Quick > Estimate VAR
5. Pembentukan Lag
Dari workfile: View > Lag structure > Lag length criteria. Pada Lags to include, masukan lag maksimum yang diperoleh. Klik OK.
6. Estimasi Model VEC
Setelah melakukan uji kointegrasi, lakukan estimasi Model VEC Klik Quick >Estimate VAR
Kemudian klik Cointegration: Isi/Pilih :
• Number of cointegration: isikan jumlah kointegrasi sesuai hasil prosedur sebelumnya
• Deterministic Trend Spesification: gunakan pilihan sesuai prosedur sebelumnya
• Klik OK, akan diperoleh estimas model VEC.
7. Setelah mengestimasi sistem model VEC, dari workfile klik Procs > Make Model, akan muncul tampilan berikut:
(6)