e. Variance Decomposition VD
Peramalan dekomposisi varian memberikan informasi mengenai berapa persen peran masing-masing guncangan terhadap variabilitas variabel tertentu. Uji
yang dikenal juga dengan The Cholesky Decomposition, digunakan untuk menyusun perkiraan error variance suatu variabel, yaitu seberapa besar perbedaan
antara variance sebelum dan sesudah terjadinya guncangan, baik guncangan yang berasal dari variabel itu sendiri maupun dari variabel lain. Dengan metode ini
dapat dilihat pula kekuatan dan kelemahan dari masing-masing variabel dalam mempengaruhi variabel lainnya dalam kurun waktu yang panjang.
3.5 Model Penelitian
Penelitian ini bertujuan untuk melihat pengaruh pergerakan harga minyak terhadap pergerakan indeks harga saham di Indonesia IHSG. Untuk mencapai
tujuan, maka penelitian ini menggunakan Model VAR sebagai berikut: X
t
= ∑ A
X +
t
3.16 Dalam matriks dapat dituliskan sebagai berikut:
∆lr ∆lo
∆lip sbi
= ∆lr
∆lo ∆lip
sbi ε
ε ε
ε 3.17
Dimana: ∆
= peubahanfirst difference dari logaritma natural indeks produksi pada periode t
∆ = peubahanfirst difference dari logaritma natural harga minyak riil pada periode t
∆ = peubahanfirst difference dari logaritma natural return saham riil pada
periode t = suku bunga untuk Sertifikat Bank Indonesia 1 Bulan
ij
= koefisien regresi pada model VAR = error
Untuk menghitung volatilitas return harga minyak riil menggunakan rujukan dari penelitian Sadorsky 1999 yaitu model GARCH 1,1 sebagai berikut:
lo
t
= +
∑ ∆lo +
t
,
t
| I
t-1
~ N0,h
t
, t= 1, ... , T 3.18
h
t
= +
ε + h 3.19
Residual untuk persamaan 3 di atas adalah ̂ dimana
̂ = Δ lo
t
– E Δlo
t
– E Δlo
t
| I
t-1
yang kemudian digunakan untuk mengukur guncangan ketidakpastianvolatilitas harga minyak. Volatility yang digunakan
dalam penelitian ini menggunakan rumus: v = h
3.20
Nilai dari yang akan digunakan dalam penelitian sebagai ukuran untuk
volatilitas harga minyak. Namun, model rujukan tersebut dikembangkan oleh penulis agar sesuai dengan kondisi harga minyak riil di Indonesia yaitu
berdasarkan model mean equation dari model ARIMA dan variance equation dari model ARCHGARCH terpilih tanpa mengubah estimasi akhir rumus
volatilitasnya, yaitu: Mean Equation : Best forecast
ARIMA untuk harga minyak lo
t
= +
ε + e
t
3.21 Variance Equation
: Best forecast ARCH-GARCH untuk harga minyak h
t
= +
ε 3.22
Volatilitas harga minyak =
v = ε h . Selanjutnya, Model ini yang digunakan
dalam penelitian ketika memasukkan unsur volatility harga minyak adalah sebagai berikut:
X
t
= ∑ A
X +
t
3.23 Dalam matriks dapat dituliskan sebagai berikut:
∆lr v
∆lip sbi
= ∆lr
v ∆lr
sbi ε
ε ε
ε 3.24
Dimana: ∆lip = first difference dari logaritma natural indeks produksi pada periode t
v = unsur volatilitas harga minyak
∆lr = first difference dari logaritma natural return saham riil pada periode t sbi = suku bunga untuk Sertifikat Bank Indonesia 1 Bulan
ij
= koefisien regresi pada model VAR = Error
IV. HASIL DAN PEMBAHASAN
4.1 Volatilitas Harga
Minyak 4.1.1 Deskripsi Data
Plot data harga minyak pada bulan Januari 2000 hingga bulan Desember 2011 dapat dilihat pada Gambar 4.1. Hal ini menunjukan bahwa harga minyak
mengalami fluktuasi antar waktu. Data tersebut mengindikasikan adanya conditional heteroscedasticity
Enders, 2004 dimana dalam jangka panjang varians dari data akan konstan, tetapi terdapat beberapa periode dimana varians
relatif tinggi.
Gambar 4.1. Indeks Harga Perdagangan Besar untuk Minyak Indonesia Data mean, median, maximum, dan minimum harga minyak dapat dilihat
pada Gambar 4.2. Koefisien kemenjuluran skewness yang merupakan ukuran kemiringan adalah lebih besar dari nol. Hal ini menunjukan bahwa data memiliki
distribusi yang miring ke kanan, artinya data cenderung menumpuk pada nilai yang rendah. Sedangkan, koefisien yang lebih kecil dari nol menunjukan data
memiliki distribusi yang miring ke kiri, artinya data cenderung menumpuk pada nilai yang tinggi. Data harga minyak memiliki nilai skweness yang bernilai
0.00 50.00
100.00 150.00
200.00 250.00
Jan ‐00
Aug ‐00
Mar ‐01
Oct ‐01
May ‐02
Dec ‐02
Jul ‐03
Feb ‐04
Sep ‐04
Apr ‐05
Nov ‐05
Jun ‐06
Jan ‐07
Aug ‐07
Mar ‐08
Oct ‐08
May ‐09
Dec ‐09
Jul ‐10
Feb ‐11
Sep ‐11
Apr ‐12