ANALISIS PENGARUH KEBIJAKAN MONETER TERHADAP VOLATILITAS RETURN DI PASAR SAHAM BURSA EFEK INDONESIA OLEH : MARIO DWI PUTRA H

ANALISIS PENGARUH KEBIJAKAN MONETER TERHADAP VOLATILITAS RETURN DI PASAR SAHAM BURSA EFEK INDONESIA

OLEH : MARIO DWI PUTRA H14050206

DEPARTEMEN ILMU EKONOMI FAKULTAS EKONOMI DAN MANAJEMEN INSTITUT PERTANIAN BOGOR 2009

RINGKASAN

MARIO DWI PUTRA. Analisis Pengaruh Kebijakan Moneter Terhadap Volatilitas Return di Pasar Saham Bursa Efek Indonesia (dibimbing oleh SYAMSUL HIDAYAT PASARIBU) Indonesia merupakan salah satu negara yang memiliki pasar keuangan yang cukup berkembang terutama pasar saham. Pasar saham merupakan suatu kebutuhan bagi Indonesia, karena pesatnya aliran modal merupakan kesempatan guna memperoleh dana pembiayaan bagi pembangunan ekonomi. Perkembangan pasar keuangan terutama pasar saham sangat pesat saat ini di Indonesia. Di pasar saham, saham-saham yang berasal dari berbagai emiten (saham perusahaan yang terdaftar dilantai bursa) diperjual-belikan dengan nilai transaksi di pasar saham kurang lebih 22 trilliun rupiah per hari. Stabilitas pergerakan nilai saham merupakan suatu hal yang penting bagi kelangsungan transaksi di pasar ini, kondisi yang cenderung sangat tidak stabil akan membuat para pelaku di pasar saham menarik dana yang ada untuk menghindari resiko kerugian investasi. Berbagai faktor baik eksternal maupun internal akan dapat mempengaruhi kestabilan nilai saham tersebut, namun secara teori nilai saham tersebut dapat dipengaruhi oleh kebijakan moneter baik oleh suku bunga maupun jumlah uang beredar. Dimana suku bunga sebagai pembentuk ekspektasi terhadap aktivitas ekonomi di masa yang akan datang dan jumlah uang beredar akan mempengaruhi keputusan untuk konsumsi dan investasi. Bank Indonesia selaku Bank Sentral Indonesia berusaha mencapai tujuantujuan kebijakan moneter dengan mengendalikan suku bunga sebagai instrument kebijakan moneter, kebijakan moneter dapat mempengaruhi sektor riil melalui transmisi kebijakan moneter. Mekanisme transmisi kebijakan moneter umumnya dapat terjadi melalui lima jalur yaitu jalur suku bunga, jalur nilai tukar, jalur harga aset, jalur kredit, dan jalur ekspektasi. Mekanisme transmisi kebijakan moneter jalur harga aset yaitu melalui pasar saham dihubungkan terhadap ekonomi riil melalui pengaruhnya atas pengeluaran konsumsi dan pengeluaran investasi, selain itu kebijakan moneter sebagai salah satu pembentuk ekspektasi para pelaku pasar saham terhadap aktivitas ekonomi di masa yang akan datang. Penelitian ini menganalisis pengaruh kebijakan moneter terhadap volatilitas return di pasar saham, dimana yang akan dilihat pada penelitian ini adalah untuk membuktikan ada atau tidaknya pengaruh antara suku bunga dan jumlah uang beredar terhadap volatilitas return tiap sektor di pasar saham.Jenis data yang digunakan dalam penelitian ini adalah data sekunder berupa data time series dari tahun 2000 sampai dengan tahun 2008. Data tersebut diperoleh dari Badan Pusat Statistik (BPS), Bank Indonesia (BI), Bursa Efek Indonesia (BEI), dan instansi-instansi terkait lainnya. Hasil penelitian menunjukan bahwa volatilitas return untuk tiap sektor di pasar saham tidak semuanya dipengaruhi oleh suku bunga dan jumlah uang beredar, terdapat beberapa sektor yang tidak dipengaruhi oleh kedua hal tersebut, tetapi

jumlah uang beredar secara dominan lebih mempunyai pengaruh terhadap volatilitas return sektor-sektor di pasar saham.

ANALISIS PENGARUH KEBIJAKAN MONETER TERHADAP VOLATILITAS RETURN DI PASAR SAHAM BURSA EFEK INDONESIA

Oleh : MARIO DWI PUTRA H14050206

Skripsi Sebagai salah satu syarat untuk memperoleh gelar Sarjana Ekonomi pada Departemen Ilmu Ekonomi

DEPARTEMEN ILMU EKONOMI FAKULTAS EKONOMI DAN MANAJEMEN INSTITUT PERTANIAN BOGOR 2009

Judul Skripsi : Analisis Pengaruh Kebijakan Moneter Terhadap Volatilitas Return di Pasar Saham Bursa Efek Indonesia Nama

: Mario Dwi Putra

NIM

: H14050206

Menyetujui : Dosen Pembimbing,

Syamsul Hidayat Pasaribu, M.Si NIP : 19761020 200501 1 001

Mengetahui : Ketua Departemen Ilmu Ekonomi,

Dr. Ir. Rina Oktaviani, MS NIP : 19641023 198903 2 002

Tanggal Lulus

PERNYATAAN

DENGAN INI SAYA MENYATAKAN BAHWA SKRIPSI YANG BERJUDUL ”ANALISIS PENGARUH KEBIJAKAN MONETER TERHADAP VOLATILITAS RETURN DI PASAR SAHAM BURSA EFEK INDONESIA” BELUM PERNAH DIAJUKAN PADA PERGURUAN TINGGI LAIN ATAU LEMBAGA LAIN MANAPUN

UNTUK

TUJUAN

MEMPEROLEH

GELAR

AKADEMIK

TERTENTU. SAYA JUGA MENYATAKAN BAHWA SKRIPSI INI BENARBENAR HASIL KARYA SAYA SENDIRI DAN TIDAK MENGANDUNG BAHAN-BAHAN YANG PERNAH DITULIS ATAU DITERBITKAN OLEH PIHAK LAIN KECUALI SEBAGAI BAHAN RUJUKAN YANG DINYATAKAN DALAM NASKAH.

BOGOR, AGUSTUS 2009

MARIO DWI PUTRA H1405020

RIWAYAT HIDUP

Penulis bernama lengkap Mario Dwi Putra, lahir pada tanggal 29 september 1987 di Jakarta. Penulis merupakan anak kedua dari tiga bersaudara, dari pasangan Arles dan Sarni. Jenjang pendidikan penulis dilalui tanpa hambatan, dimulai dari TK Garuda, SDN Baktijaya 02, SLTPN 7 Depok dan dilanjutkan ke SMU Katolik Wijaya Kusuma yang kemudian pindah ke SMUN 106 Jakarta Timur. Pada tahun 2005, penulis resmi lulus dari SMUN 106 Jakarta Timur dan diterima di Institut Pertanian Bogor melalui jalur Undangan Seleksi Masuk IPB (USMI-IPB).Pada tahun pertama penulis memasuki Tingkat Persiapan Bersama (TPB). Pada tahun kedua, penulis resmi diterima menjadi mahasiswa pada program studi Ekonomi Pembangunan atau yang sekarang lebih dikenal menjadi Departemen Ilmu Ekonomi pada Fakultas Ekonomi dan Manajemen. Selama menjadi mahasiswa, penulis memliki banyak kegiatan antara lain penulis cukup aktif di berbagai kegiatan kemahasiswaan dan organisasi baik di dalam maupun di luar kampus IPB, penulis memperoleh beasiswa dari jaya teknik selama menjalani perkuliahan sarjana, selain itu penulis juga aktif beberapa kali mengikuti lomba-lomba karya tulis ilmiah dan kewirausahaan.

KATA PENGANTAR

Puji dan syukur kehadirat Tuhan YME karena atas berkat dan rahmat-Nya saya dapat menyelesaikan penyusunan skripsi ini. Judul skripsi ini adalah ”Analisis Pengaruh Kebijakan Moneter Terhadap Volatilitas Return di Pasar Saham Bursa Efek Indonesia”. Kebijakan moneter dan pergerakan nilai saham merupakan topik yang sangat menarik karena pasar saham sangat dibutuhkan sebagai salah satu sumber pembiayaan. Karena itu, penulis tertarik untuk melakukan penelitian dengan topik ini. Disamping hal tersebut, skripsi ini juga merupakan salah satu syarat untuk memperoleh gelar Sarjana Ekonomi pada Departemen Ilmu Ekonomi, Fakultas Ekonomi dan Manajemen, Institut Pertanian Bogor. Penulis mengucapkan terima kasih yang sebesar-besarnya, terutama kepada Syamsul Hidayat Pasaribu, M.Si, yang telah memberikan bimbingan baik secara teknis maupun teoritis dalam proses pembuatan skripsi ini sehingga dapat diselesaikan dengan baik. Ucapan terima kasih juga penulis tunjukan kepada Dr. Noer Azam Achsani, yang telah menguji hasil karya ini. Semua saran dan kritikan beliau merupakan hal yang sangat berharga dalam penyempurnaan skripsi ini. Selain itu, penulis juga mengucapkan terima kasih kepada Tanti Novianti, M.Si, terutama atas perbaikan tata cara penulisan skripsi ini. Meskipun demikian, segala kesalahan yang terjadi dalam penelitian ini, sepenuhnya merupakan tanggung jawab penulis. Penulis juga sangat terbantu oleh kritik dan saran dari para peserta pada Seminar Hasil Penelitian skripsi ini. Oleh karena itu, penulis sangat berterima kasih kepada mereka. Penulis juga berterima kasih kepada pihak-pihak lain yang telah membantu penulis dalam penyelesaian skripsi ini namun tidak bisa penulis sebutkan satu persatu. Akhirnya penulis mengucapkan terima kasih yang sebesar-besarnya kepada orang tua penulis, yaitu Bapak Arles dan Ibu Sarni serta saudara-saudara penulis. Kesabaran dan dorongan mereka sangat besar artinya dalam proses penyelesaian skripsi ini.

Penulis menyadari bahwa hasil penelitian ini masih banyak kekurangan, sehingga kritik serta saran yang membangun demi penyempurnaan hasil penelitian ini sangat diharapkan. Semoga karya ini dapat bermanfaat bagi semua pihak.

Bogor, Agustus 2009

Mario Dwi Putra H14050206

DAFTAR ISI

DAFTAR TABEL......................................................................................... x DAFTAR GAMBAR.................................................................................... xi DAFTAR LAMPIRAN................................................................................ xii I.

PENDAHULUAN...................................................................... 1 1.1. Latar Belakang...................................................................... 1 1.2. Perumusan Masalah.............................................................. 5 1.3. Tujuan Penelitian.................................................................. 7 1.4. Manfaat Penelitian................................................................ 7 1.5. Ruang Lingkup dan Batasan Penelitian................................ 7

II.

TINJAUAN PUSTAKA DAN KERANGKA PEMIKIRAN...

9

2.1 Tinjauan Teori....................................................................... 9 2.1.1. Kebijakan Moneter...................................................... 9 2.1.2. Investasi....................................................................... 10 2.1.3. Pasar Modal……………………..…………………... 11 2.1.3.1. Definisi Pasar Modal ……..………………. 11 2.1.3.2. Instrumen Pasar Modal……..……………... 12 2.1.4. Bursa Efek…………………………..………………. 14 2.1.5. Indeks Harga Saham Gabungan.................................. 15 2.1.6. Indeks Sektoral ........................................................... 16 2.1.7. Teori Tingkat Suku Bunga........................................... 17 2.1.8. Mekanisme Transmisi Kebijakan Moneter.................. 18 2.2. Penelitian Terdahulu............................................................. 19 2.3. Kerangka Pemikiran..............................................................20 2.4. Hipotesis Penelitian.............................................................. 23 III.

METODE PENELITIAN........................................................... 24 3.1. Jenis dan Sumber Data......................................................... 24 3.2. Metode Analisis.................................................................... 24

3.2.1. Analisis Model GARCH............................................ 24 3.2.2. Pemilihan Model Terbaik........................................... 28 3.2.3. Diagnostik Model....................................................... 29 3.2.3.1. Pengujian Kehomogenan Galat.................... 29 3.2.3.2. Pengujian Kebebasan Galat.......................... 30 IV.

PEMBAHASAN......................................................................... 32 4.1. Kebijakan Moneter dan Volatilitas Return........................... 32 4.2. Deskripsi Data...................................................................... 35 4.3. Hasil Empiris........................................................................ 39 4.3.1. Model GARCH Indeks Saham Gabungan.................. 44 4.3.2. Model GARCH Indeks per Sektor.............................. 43

V.

KESIMPULAN DAN SARAN................................................. 51 5.1. Kesimpulan........................................................................... 51 5.2. Saran..................................................................................... 52

DAFTAR PUSTAKA............................................................................. 54 LAMPIRAN............................................................................................ 56

DAFTAR TABEL

Nomor

Halaman

4.1.

Statistik Deskriptif............................................................................ 38

4.2.

Nilai AIC dan SBC Model GARCH CompositeIindex.................... 41

4.3.

GARCH (1,0) Estimasi Model Return Composite Index.................. 42

4.4.

Nilai AIC dan SBC Saham Tiap Sektor............................................ 44

4.5.

Probabilitas ARCH LM Test Tiap Model GARC…………………. 46

4.6.

Koefisien GARCH Model Estimasi dari Return Saham…………... 47

DAFTAR GAMBAR

Nomor

Halaman

1.1.

Pergerakan nilai Indeks Harga Saham Gabungan (IHSG)................ 2

2.1.

Mekanisme Transmisi Moneter Sebagai ”Black Box”..…………… 19

2.2.

Bagan Kerangka Alur Pemikiran....................................................... 23

4.1.

Perbandingan Suku Bunga dengan Jumlah Uang Beredar................ 33

4.2.

Return Indeks Sektoral...................................................................... 35

4.3.

Return Indeks Gabungan................................................................... 37

DAFTAR LAMPIRAN

Nomor 1.

Halaman Estimasi Model GARCH................................................................. 56

2. Uji Kebebasan Galat ACF dan PACF.............................................. 86 3. Uji ARCH LM-test........................................................................... 88 4. Statistik Deskriptif............................................................................ 94

I. PENDAHULUAN

1.1. Latar Belakang Indonesia merupakan salah satu negara yang memiliki pasar keuangan yang cukup berkembang terutama pasar saham. Pasar saham merupakan suatu kebutuhan bagi Indonesia, karena pesatnya aliran modal merupakan kesempatan guna memperoleh dana pembiayaan bagi pembangunan ekonomi. Hal tersebut penting mengingat masih terbatasnya tabungan dalam negeri bagi negara-negara yang sedang berkembang

sebagai

sumber

pembiayaan

kebutuhan

investasi.

Dengan

diberlakukannya kebijakan perekonomian terbuka, maka pasar menjadi bebas dan perkembangan teknologi menjadi lebih pesat, sehingga investor akan lebih mudah mengakses pasar modal di seluruh dunia. Pada pasar saham, saham yang berasal dari berbagai emiten (saham perusahaan yang terdaftar dilantai bursa) diperdagangkan dengan nilai transaksi kurang lebih 22 trilliun rupiah per hari (Bursa Efek Indonesia, 2008). Saham-saham tersebut diperdagangkan tiap harinya di lantai bursa Jakarta yang sering disebut Bursa Efek Indonesia (BEI). Ada beberapa jenis kelompok saham berdasarkan sub sektornya yang diperdagangkan di BEI yaitu Pertanian, Pertambangan, Basic Industry, Miscellanous Industry, Barang konsumsi, Properti dan Real Estate, Infrastruktur, Keungan,dan Perdagangan. Kedelapan sektor tersebut diklasifikasikan menurut klasifikasi industri yang ditetapkan Bursa Efek Indonesia (BEI).

2

3000 2500 2000 1500

IHSG

1000 500 0 2000 2001 2002 2003 2004 2005 2006 2007 2008 2009

Sumber : Bursa Efek Indonesia (2009). Gambar 1.1. Pergerakan Indeks Harga Saham Gabungan (IHSG) Periode 2000-2009

Perkembangan transaksi di pasar saham mengalami peningkatan dari tahun ke tahun, mulai dari tahun 2000 dimana periode akibat krisis 1998 sudah tidak terlalu mengganggu perekonomian, pasar saham mengalami pergerakan meningkat lebih cepat hingga tahun 2007. Awal tahun 2008 indeks harga saham gabungan masih berada pada posisi diatas 2000, tetapi mulai periode pertengahan hingga awal 2009 dampak resesi global mulai berpengaruh pada pergerakan saham di Indonesia, sehingga terus mengalami penurunan hingga level di bawah 1500. Pasar saham yang mengalami penurunan mengindikasikan adanya kekhawatiran bahwa resesi akan muncul. Walaupun pasar saham dalam kenyataannya berfluktuasi dan dapat memberi tanda-tanda yang salah tentang masa depan perekonomian, meskipun demikian sebenarnya ada keterkaitan antara pasar saham dan perekonomian. Mekanisme pelaksanaan perdagangan di BEI semuanya diatur dengan berbagai pertimbangan sehingga kerugian diminimalisasikan apabila terjadi kesalahan dalam sistem operasional transaksi, sehingga semua nilai saham yang terbentuk

3

didasarkan pada permintaan dan penawaran terhadap saham-saham yang ada dari para pelaku. Bank Indonesia sebagai Bank Sentral mempunyai tugas utama menjaga kestabilan makro ekonomi di Indonesia, stabilitas makro tercermin dari stabilitas harga, membaiknya pertumbuhan ekonomi, serta cukup luasnya kesempatan kerja, sedangkan tugas utama dari Bank Indonesia yaitu mencapai dan menjaga stabilitas nilai rupiah. Kebijakan moneter dilakukan dengan mempertimbangkan : fluktuasi kegiatan ekonomi, sifat perekonomian (terbuka atau tertutup), dan faktor-faktor fundamental ekonomi lainnya. Strategi kebijakan moneter tergantung dari tujuan yang ingin dicapai dan mekanisme transmisi yang diyakini berlaku pada perekonomian yang bersangkutan. Berdasarkan strategi dan transmisi yang dipilih, maka dirumuskan kerangka operasional kebijakan moneter. Dalam mencapai berbagai sasaran dalam kerangka operasional kebijakan moneter, Bank Indonesia mempunyai beberapa instrumen antara lain Operasi Pasar Terbuka (OPT), Fasilitas Diskonto, Giro Wajib Minimum (GWM), dan Imbauan. Sedangkan sasaran antara dan operasional yang dicapai adalah suku bunga. Suku bunga tersebut direfleksikan dalam BI-rate, dimana BI-rate dijadikan suku bunga acuan baik untuk suku bunga pinjaman ataupun suku bunga simpanan. Untuk sasaran akhir dari kebijakan moneter adalah pertumbuhan ekonomi dan inflasi. Perkembangan ekonomi mengalami pasang surut (fluktuasi). Pada periode tertentu tumbuh pesat, tetapi pada periode lain tumbuh lambat. Untuk itu, pemerintah atau otoritas moneter melakukan kebijakan stabilisasi makro agar perekonomian dapat tumbuh berkesinambungan. Kondisi demikian dicapai dengan pengelolaan sisi permintaan dan penawaran yang dikelola sedemikian rupa sehingga mengarah pada

4

keseimbangan (ekuilibrium). Kebijakan moneter sebagai bagian dari pengelolaan stabilisasi ekonomi makro, diterapkan sejalan dengan fluktuasi ekonomi (Business Cycle). Kebijakan moneter pada saat boom akan berbeda dengan saat perekonomian melambat. Pada saat boom, kebijakan moneter biasanya cenderung kontraktif, sementara pada saat perekonomian melambat, kebijakan moneter akan cenderung ekspansif. Kebijakan moneter dapat mempengaruhi sektor riil melalui transmisi kebijakan moneter. Mekanisme transmisi kebijakan moneter umumnya dapat terjadi melalui lima jalur yaitu jalur suku bunga, jalur nilai tukar, jalur harga aset, jalur kredit, dan jalur ekspektasi. Transmisi kebijakan moneter masing-masing negara berbeda-beda tergantung pada perbedaan struktur perekonomian, perkembangan pasar keuangan, dan sistem nilai tukar yang dianut. Transmisi kebijakan moneter yang dapat berlangsung dalam berbagai jalur tersebut akan berpengaruh terhadap sektor riil, sektor riil identik dengan pergerakan perekonomian dimana pergerakan sektor riil yang cepat merupakan sinyal bagi pasar bahwa perekonomian sedang bergairah. Dalam konteks mekanisme transmisi kebijakan moneter melalui pasar saham, perlakuan kebijakan moneter mempengaruhi harga saham, dimana hal itu dihubungkan terhadap ekonomi riil melalui pengaruhnya atas pengeluaran konsumsi dan pengeluaran investasi (Kontonikas, 2006). Pasar saham membentuk ekspektasi melalui perkiraan kemajuan perusahaan dengan mengharapkan deviden sebagai hasil dari investasi. Hal ini terkait dengan pergerakan aktivitas perekonomian di suatu negara sehingga pergerakan sektor riil dalam perekonomian sangat mempengaruhi tindakan para pelaku di lantai bursa.

5

Kebijakan moneter merupakan salah satu faktor pembentuk ekspektasi pada pasar saham, karena melalui kebijakan moneter akan sangat berpengaruh pada kinerja sektor riil, dimana kebijakan moneter akan mempengaruhi perkembangan sektor riil terutama konsumsi dan investasi yang kemudian akan membentuk ekspektasi untuk menjual atau membeli saham bagi para pelaku perdagangan saham di lantai bursa. Penjualan dan pembelian saham akan membentuk harga saham-saham yang diperdagangkan dilantai bursa, maka sebagai indikator kemajuan perusahaan yang terdaftar di Bursa Efek Indonesia (BEI) adalah kenaikan harga saham. Akibat dari struktur perekonomian yang belum menetap, faktor-faktor lain pembentuk ekspektasi, serta tindakan spekulatif dari para pelaku akan mempengaruhi perdagangan pasar saham. Sehingga ada kemungkinan pasar saham kurang respon terhadap kebijakan moneter sebagai salah satu pembentuk ekspektasi yang berpengaruh terhadap naik turunnya perkembangan pasar saham tersebut dalam artian perkembangan naik turun harga saham di pasar saham, akibatnya kebijakan moneter kurang bisa mempengaruhi prilaku para pemain di lantai bursa. 1.2. Perumusan Masalah Kebijakan moneter mempunyai pengaruh terhadap salah satu pasar keuangan terutama pasar saham. Kebijakan moneter dan pasar saham mempunyai keterkaitan melalui mekanisme transmisi kebijakan moneter. Indonesia merupakan salah satu negara berkembang yang mempunyai pasar keuangan yang cukup besar, volume harian transaksi yang cukup tinggi menandakan bahwa pasar keuangan terutama pasar saham di Indonesia menjadi salah satu pasar keuangan yang diminati para

6

investor untuk menanamkan modal guna mendapatkan return dari investasinya. Walaupun pasar saham yang ada di Indonesia dapat dikatakan pasar yang sangat berkembang, akan tetapi struktur perekonomian di Indonesia dapat dikatakan belum sepenuhnya menetap, sehingga seringkali transmisi kebijakan moneter yang dilakukan oleh bank sentral kurang reaktif terhadap sektor riil perekonomian. Kondisi tersebut menyebabkan ketidakpastian semakin tinggi muncul di pasar keuangan terutama pasar saham. Tingginya ketidakpastian di pasar saham seringkali menyebabkan berbagai tindakan spekulatif yang dilakukan para pemain saham, tindakan-tindakan demikian akan cenderung memunculkan kondisi yang tidak stabil, kondisi yang tidak stabil dari di pasar saham akan berpengaruh pada berbagai aktifitas ekonomi, sehingga seringkali gangguan pada pasar saham akan mempunyai pengaruh yang luas terhadap perekonomian secara makro. Secara teori, kebijakan moneter akan dapat mempengaruhi pasar saham, akan tetapi terkadang berbagai gangguan dapat menyebabkan terjadinya suatu kondisi yang sebaliknya, sehingga ada anggapan bahwa ”pasar saham sebagai independent source of macroeconomic volatility yang mana pengambil kebijakan berharap untuk dapat mempengaruhinya” (Ioannidis et al, 2006). Penelitian ini akan menganalisis kondisi keterkaitan antara kebijakan moneter dengan pasar saham di Indonesia dengan bertujuan untuk menjawab berbagai permasalahan di dalamnya antara lain : 1) Apakah keputusan pengambilan kebijakan moneter oleh Bank Indonesia sebagai Bank Sentral berpengaruh terhadap volatilitas return indeks pasar saham 2) Apakah penetapan kebijakan moneter dari Bank Sentral ditanggapi berbeda oleh tiap sub-sektor di pasar saham.

7

1.3. Tujuan Berdasarkan latar belakang dan permasalahan yang telah dipaparkan maka tujuan dari penelitian ini adalah : 1) Menganalisis pengaruh kebijakan moneter terhadap pasar saham, 2) Menganalisis ada atau tidaknya pengaruh keputusan kebijakan moneter oleh bank sentral terhadap volatilitas return indeks di pasar saham Indonesia, 3) Melihat reaksi indeks untuk tiap sub-sektor di pasar saham terhadap penetapan kebijakan moneter. 1.4. Manfaat Penelitian Manfaat yang dapat diberikan dari penelitian ini adalah : 1) Memberikan gambaran bagi para pelaku di pasar saham dan Bank Indonesia mengenai respon kebijakan moneter terhadap pasar saham, 2) Dapat mengindentifikasi keterkaitan antara kebijakan moneter dan harga aset finansial, sehingga memberikan pemahaman dalam mekanisme transmisi kebijakan moneter terhadap perubahan dalam harga aset finansial, 3) Sebagai bahan pertimbangan bagi pihak yang terkait dalam pengambilan keputusan

yang

berhubungan

dengan

kebijakan

moneter

dan

penawaran/pembelian saham. 1.5. Ruang Lingkup dan Batasan Penelitian Skripsi ini menyajikan analisis secara deskriptif dan kuantitatif dengan menggunakan ekonometrika mengenai pengaruh atau respon kebijakan moneter terhadap volatilitas return di pasar saham Bursa Efek Indonesia (BEI)

8

Selain itu, analisis dalam skripsi ini hanya terbatas pada analisis hubungan antara suku bunga yang dijadikan sebagai sasaran operasional dan sasaran antara oleh Bank Indonesia dan jumlah uang beredar dengan harga saham untuk tiap sektor dipasar saham, serta indeks saham gabungan. Dalam analisis ini faktor-faktor eksternal yang mungkin mempengaruhi dalam analisis dianggap konstan dalam skripsi ini.

9

II. TINJAUAN PUSTAKA

2.1. Tinjauan Teori 2.1.1. Kebijakan Moneter Kebijakan moneter merupakan kebijakan bank sentral atau otoritas moneter dalam bentuk pengendalian besaran moneter dan atau suku bunga untuk mencapai perkembangan kegiatan perekonomian yang diinginkan. Pengendalian itu berupa terjaganya stabilitas ekonomi makro, yaitu adanya stabilitas harga (rendahnya laju inflasi), membaiknya perkembangan output riil (pertumbuhan ekonomi), serta terbukanya kesempatan kerja yang besar. Kebijakan moneter yang dikenal terdapat dua macam yaitu kebijakan moneter kontraktif dan kebijakan moneter ekspansif. Kebijakan ekspansif dilakukan untuk mendorong kegiatan ekonomi, antara lain dengan meningkatkan jumlah uang yang beredar. Sedangkan kebijakan moneter kontraktif dilakukan untuk memperlambat kegiatan ekonomi dengan mengurangi jumlah uang yang beredar (Warjiyo, 2004). Instrumen moneter utama yang dipergunakan Bank Indonesia untuk mempengaruhi sasaran operasional tersebut adalah Operasi Pasar Terbuka (OPT), disamping instrumen lain seperti Fasilitas diskonto, Giro Wajib Minimum (GWM), ataupun Imbauan. Instrumen moneter OPT dilakukan melalui lelang surat-surat berharga, yang ditujukan untuk menambah atau mengurangi likuiditas di pasar uang, untuk mencapai sasaran operasional suku bunga yang telah ditetapkan.

10

Fasilitas diskonto adalah fasilitas kredit yang diberikan kepada bank-bank dengan tingkat diskonto yang ditetapkan oleh Bank Indonesia. GWM merupakan jumlah alat likuid minimum wajib dipelihara oleh bank dalam rekening gironya di Bank Indonesia. Selanjutnya imbauan digunakan oleh Bank Indonesia dengan tujuan agar semua bank dapat mengikuti langkah kebijakan moneter yang diinginkan Bank Indonesia (Warjiyo, 2004). 2.1.2. Investasi Menurut Mankiw (2003), investasi adalah barang-barang yang dibeli oleh individu dan perusahaan untuk menambah persediaan modal mereka. Menurut Lipsey (1997) Investasi adalah pengeluaran barang yang tidak dikonsumsi saat ini,dimana berdasarkan periode waktunya, investasi dapat terbagi menjadi tiga diantaranya : Investasi jangka pendek, investasi jangka menengah, dan investasi jangka panjang. Investasi merupakan komitmen sejumlah dana dalam suatu periode untuk mendapatkan pendapatan yang diharapkan di masa yang akan datang sebagai kompensasi unit yang diinvestasikan, mencakup waktu yang digunakan, tingkat inflasi yang diharapkan dan ketidakpastian masa mendatang. Pada dasarnya setiap orang atau perusahaan yang melakukan investasi mempunyai tujuan yang sama yaitu memperoleh kesejahteraan bagi dirinya atau perusahaan tersebut. Hal ini juga berlaku sama bagi perusahaan emiten yang berinvestasi di pasar modal. Perusahaan yang berinvestasi di pasar modal berharap dapat memperoleh keuntungan dalam bentuk capital gain yang pada akhirnya dapat

11

digunakan untuk meningkatkan investasi perusahaannya sehingga pendapatan perusahaan akan meningkat.

2.1.3. Pasar Modal 2.1.3.1. Definisi Pasar Modal Pasar modal adalah tempat bertemunya pihak yang membutuhkan dana (Borrower) dengan pihak yang kelebihan dana (Lender). Dalam hal ini lenders akan memberikan dananya kepada borrowers, sedangkan lenders akan memperoleh surat bukti (sekuritas) yang memiliki klaim atas aset-aset perusahaan. Umumnya produkproduk (sekuritas) yang ditawarkan di pasar modal adalah saham biasa, saham preferen, dan berbagai jenis obligasi, serta produk-produk derivatif. Pasar modal menurut undang-undang Republik Indonesia No.8 tahun 1995 adalah kegiatan yang bersangkutan dengan penawaran umum dan perdagangan efek, yaitu perusahaan publik yang berkaitan dengan efek yang diterbitkannya serta lembaga atau profesi yang berkaitan dengan efek. Adapun efek yang dimaksud disini adalah surat berharga atau saham. Definisi lain pasar modal adalah pelengkap sektor keuangan terhadap dua lembaga lainnya yaitu bank dan lembaga pembiayaan. Pasar modal menjembatani hubungan antara pemilik modal dalam hal ini disebut sebagai pemodal (investor) dengan peminjam dana dalam hal ini disebut emiten (perusahaan yang go public) (Setiawan, 2004). Pasar modal dirancang untuk investasi jangka panjang. Pengguna pasar modal ini adalah individu-individu, pemerintah, organisasi, dan perusahaan. Secara umum

12

pasar modal adalah suatu sistem keuangan yang terorganisasi, termasuk di dalamnya adalah bank-bank komersial dan semua lembaga perantara dibidang keuangan, serta keseluruhan surat-surat berharga yang beredar. Pasar modal merupakan tempat antara penawaran dan permintaan surat berharga, di tempat ini para pelaku pasar yaitu individu-individu atau badan usaha yang mempunyai kelebihan dana (surplus fund) melakukan investasi dalam surat berharga yang ditawarkan oleh emiten. Sebaliknya ditempat itu pula perusahaan (entities) yang membutuhkan dana menawarkan surat berharga dengan cara listing terlebih dahulu pada otoritas dipasar modal sebagai emiten. Proses transaksi pada dasarnya tidak dibatasi oleh lokasi dan dinding gedung pasar modal, karena transaksi dapat terjadi dimana pun juga. Meskipun demikian, dalam rangka menciptakan iklim usaha yang sehat dan dapat dipercaya, maka transaksi diatur dalam kerangka sistem yang terpadu dibawah kendali suatu pasar modal yang secara legal dijamin oleh undang-undang negara. Tanpa jaminan kepastian hukum dari negara, maka transaksi investasi tidak akan terlaksana dan tidak akan menghasilkan iklim yang kondusif. Jaminan yang diberikan negara akan mendorong pasar modal lebih efisien. 2.1.3.2. Instrumen Pasar Modal Pasar modal memperdagangkan instrumen pasar modal, yaitu semua suratsurat berharga (securities) yang diperdagangkan di bursa, instrumen pasar modal tersebut antara lain saham, obligasi, dan lain-lain.

13

a. Saham Saham dapat didefinisikan sebagai surat berharga bukti penyertaan atau pemilikan individu maupun institusi dalam suatu perusahaan. Dengan memiliki saham disebuah perusahaan maka manfaat yang dapat diperoleh adalah sebagai berikut ; 1) Deviden, adalah bagian dari keuntungan perusahaan yang dibagikan kepada pemilik saham, 2) Capital gain, adalah keuntungan yang diperoleh dari selisih jual dengan harga belinya, 3) Manfaat non-financial yaitu timbulnya kebanggan dan kekuasaan memperoleh hak suara dalam menentukan jalannya perusahaan. Dari berbagai saham yang dikenal di bursa, maka saham dapat dikelompokan menjadi dua yaitu saham biasa (common stock) dan preferen (preferred stock). Saham biasa merupakan saham yang tidak memperoleh hak istimewa. Pemegang saham biasa mempunyai hak untuk memperoleh deviden sepanjang perseroan memperoleh keuntungan, sedangkan saham preferen merupakan saham yang diberikan atas hak untuk mendapatkan deviden atau bagian kekayaan pada saat perusahaan dilikuidasi terlebih dahulu dari saham biasa, disamping itu mempunyai preferensi untuk mengajukan usul pencalonan direksi atau komisaris (Setiawan, 2004). b. Obligasi Obligasi merupakan bukti pengakuan utang dari perusahaan. Obligasi mengandung suatu perjanjian atau kontrak yang melibatkan kedua belah pihak, antara pemberi pinjaman dan penerima pinjaman. Penerbit obligasi menerima pinjaman dari

14

pemegang obligasi dengan ketentuan-ketentuan yang sudah diatur, baik mengenai jatuh tempo pelunasan utang, bunga yang dibayarkan, besarnya pelunasan dan ketentuan-ketentuan tambahan lainnya (Setiawan, 2004). 2.1.4. Bursa Efek Bursa efek adalah lembaga atau perusahaan yang menyelenggarakan atau menyediakan fasilitas sistem (pasar) untuk mempertemukan penawaran jual dan beli efek antar berbagai perusahaan atau perorangan yang terlibat dalam tujuan perdagangan efek perusahaan-perusahaan yang telah tercatat di Bursa Efek. Menurut undang-undang pasar modal nomor 8 tahun 1995 menjelaskan bahwa bursa efek adalah pihak yang menyelenggarakan dan menyediakan sistem dan atau sarana untuk mempertemukan penawaran jual dan beli efek kepada pihak-pihak lain dengan tujuan memperdagangkan efek diantara mereka. Di Indonesia, saat ini bursa efek yang ada adalah Bursa Efek Indonesia (BEI). Pemegang saham bursa efek adalah perusahaan efek yang telah memperoleh izin usaha sebagai perantara pedagang efek. Sebagai fasilitator bursa efek mempunyai tugas yang harus dilakukan kepada calon investor agar dapat menjadikan bursa efek lebih dikenal oleh publik yaitu : 1) Menyediakan sarana perdagangan efek, 2) Mengupayakan likuiditas instrumen yaitu mengalirnya dana secara cepat pada efek-efek yang dijual, 3) Menyebarluaskan informasi bursa ke seluruh lapisan masyarakat,

15

4) Memasyarakatkan pasar modal untuk menarik investor dan perusahaan yang go public, 5) Menciptakan instrumen dan jasa baru. Disamping itu, sebagai Self Regulatory Organization (SRO), bursa efek memliki tugas sebagai berikut : 1) Membuat peraturan yang berkaitan dengan kegiatan bursa, 2) Mencegah praktek transaksi yang dilarang melalui pelaksanaan fungsi pengawasan, 3) Ketentuan bursa efek mempunyai kekuatan hukum yang mengikat bagi pelaku pasar modal. 2.1.5. Indeks Harga Saham Gabungan (IHSG) Pasar modal saat ini tidak terlepas dari apa yang disebut Indeks Harga Saham. Untuk mengetahui bagaimana kegiatan ekonomi bergerak, naik dan turun, banyak orang akan melihatnya dari sisi indeks yang dicapai pada saat itu. Secara sederhana, indeks harga adalah suatu angka yang digunakan untuk membandingkan suatu peristiwa dengan suatu peristiwa lainnya. Demikian juga dengan indeks harga saham, indeks disini akan membandingkan perubahan harga saham dari waktu ke waktu. Apakah suatu harga saham mengalami penurunan atau kenaikan dibandingkan dengan suatu waktu tertentu. Indeks Harga Saham Gabungan (IHSG) menunjukan pergerakan harga saham secara umum yang tercatat di bursa efek. Indeks inilah yang paling banyak digunakan dan dipakai sebagai acuan tentang perkembangan kegiatan di pasar modal. IHSG bisa

16

dipakai untuk menilai situasi pasar secara umum atau mengukur apakah harga saham mengalami kenaikan atau penurunan. IHSG melibatkan seluruh harga saham yang tercatat di bursa. Untuk perhitungan Indeks Harga Saham ini kita harus menjumlahkan seluruh harga saham yang tercatat. Rumus untuk menghitung Indeks Harga Saham Gabungan adalah sebagai berikut :

IHSG 

H H

1

x100%

(2.1)

0

dimana ; ∑ H1 = Total harga semua saham pada waktu yang berlaku, ∑ H0 = Total harga semua saham pada waktu dasar. Dari angka indeks inilah kita bisa melihat apakah kondisi pasar sedang ramai, lesu, atau dalam keadaan stabil. Jika IHSG menunjukan diatas 100 berarti kondisi pasar sedang ramai, sedangkan pada saat IHSG menunjukan dibawah 100 berarti pasar sedang lesu. Jika IHSG menunjukan angka 100 maka pasar dikatakan stabil (Setiawan, 2004). 2.1.6. Indeks Sektoral Dalam Setiawan (2004) dijelaskan bahwa indeks sektoral Bursa Efek Indonesia (BEI) adalah sub indeks dari Indeks Harga Saham Gabungan (IHSG). Semua saham yang tercatat di Bursa Efek Indonesia(BEI) diklasifikasikan ke dalam sembilan sektor menurut klasifikasi industri yang telah ditetapkan Bursa Efek

17

Indonesia (BEI), yang diberi nama Jakarta Stock Exchange Industrial Clasification (JASICA), yaitu : 1) Sektor-sektor primer (ekstraktif) : a) Sektor pertanian, b) Sektor pertambangan. 2) Sektor-sektor sekunder (industri pengolahan/manufaktur) : a) Sektor industri dasar dan kimia, b) Sektor aneka industri, c) Sektor industri barang konsumsi. 3) Sektor-sektor tersier : a) Sektor properti dan real estate, b) Sektor keuangan, c) Sektor perdagangan, jasa, dan investasi. 2.1.7. Teori Tingkat Suku Bunga Para ekonom menyebutkan tingkat suku bunga yang dibayar bank sebagai tingkat suku bunga nominal (nominal interest rate) dan kenaikan dalam daya beli masyarakat sebagai tingkat suku bunga riil (real interest rate) (Mankiw, 2003). Jika i menyatakan tingkat suku bunga nominal, r tingkat suku bunga riil dan

∏

e

tingkat

infasi harapan, maka hubungan diantara ketiga variabel ini dapat ditulis sebagai berikut : r=i-∏e

(2.2)

18

Tingkat suku bunga riil adalah perbedaan di antara tingkat suku bunga nominal dan tingkat inflasi harapan. Tingkat suku bunga adalah tingkat bunga deposito bank-bank pemerintah bulanan, dimana hubungan negatif antara tingkat suku bunga dan harga saham adalah semakin tinggi tingkat suku bunga maka semakin rendah investasi (biaya modal yang semakin tinggi) yang pada akhirnya berdampak semakin turunnya harga-harga saham (Mankiw, 2003). 2.1.8. Mekanisme Transmisi Kebijakan Moneter Perekonomian sebuah negara yang terbuka (open economy) terdiri dari empat sektor yang saling berkaitan, yaitu sektor moneter, riil, fiskal, dan eksternal. Hubungan antara sektor moneter dan sektor riil terjadi melalui mekanisme transmisi (mechanism of transmission). Mekanisme transmisi kebijakan moneter pada dasarnya menggambarkan bagaimana kebijakan moneter yang ditempuh bank sentral mempengaruhi berbagai aktivitas ekonomi dan keuangan sehingga pada akhirnya dapat mencapai tujuan akhir yang ditetapkan, yaitu pertumbuhan ekonomi dan inflasi (Warjiyo, 2004). Mekanisme transmisi moneter dimulai dari tindakan bank sentral dengan menggunakan instrumen moneter dalam melaksanakan kebijakan moneternya. Tindakan itu kemudian berpengaruh terhadap aktivitas ekonomi dan keuangan melalui berbagai saluran transmisi kebijakan moneter, yaitu saluran uang, kredit, suku bunga, nilai tukar, harga aset, dan ekspektasi. Di bidang keuangan, kebijakan moneter berpengaruh terhadap perkembangan suku bunga, nilai tukar, dan harga saham

19

disamping volume dana masyarakat yang disimpan di bank, kredit yang disalurkan bank kepada dunia usaha, penanaman dana pada obligasi, saham maupun sekuritas lainnya. Sementara itu di sektor ekonomi riil kebijakan moneter selanjutnya mempengaruhi perkembangan konsumsi, investasi, ekspor, dan impor, hingga pertumbuhan ekonomi dan inflasi yang merupakan sasaran akhir kebijakan moneter. Dalam kenyataannya, mekanisme transmisi kebijakan moneter merupakan proses yang kompleks, dan karenanya dalam teori ekonomi moneter sering disebut ”black box” seperti digambarkan pada Gambar 2.1. Hal ini terutama karena transmisi banyak dipengaruhi oleh tiga faktor yaitu perubahan prilaku Bank Sentral, perbankan, dan para pelaku ekonomi dalam berbagai aktivitas ekonomi dan keuangannya, lamanya tenggat waktu (lag) sejak kebijakan moneter ditempuh sampai sasaran inflasi tercapai, serta terjadinya perubahan pada saluran-saluran transmisi moneter itu sendiri sesuai dengan perkembangan ekonomi dan keuangan di negara yang bersangkutan.

Kebijakan Moneter

?

Inflasi Output

Sumber : Mishkin (1997). Gambar 2.1. Mekanisme Transmisi Moneter Sebagai ”Black Box”

20

2.2. Penelitian Terdahulu Dalam penelitian sebelumnya telah dikaji hubungan antara berbagai kebijakan moneter yang dilakukan oleh bank sentral di berbagai negara terkait dengan pasar saham di negara tersebut. Diantaranya penelitian yang dilakukan oleh Guidi (2008) mengenai efek kebijakan moneter terhadap volatilitas return dari italian stock market index mitbel. Penelitian ini mengkaji mengenai hubungan antara shock kebijakan moneter yang dilakukan oleh dua bank sentral yaitu European Central Bank dan Federal Reserve USA melalui pergerakan suku bunga, serta adanya berbagai berita kabar baik dan kabar buruk antara lain serangan teroris, kondisi bubble, invasi Irak, dan Euro introduction terhadap return indeks yang mana bukan secara agregat namun dalam sub-sektor indeks. Hasil dari penelitian ini menunjukan perbedaan dinamis, dalam agregat indeks seperti industri, finance, dan jasa, ditemukan adanya relative asymmetric effect antara berita baik dan berita buruk, di sisi lain hanya kebijakan moneter ekspansif European Central Bank (ECB) yang mampu mempengaruhi volatilitas return dari tiap sektor pada italian stock market. Ioannidas (2006) memeriksa mengenai hubungan antara kebijakan moneter dengan pasar saham dalam 13 negara yang diprediksikan akan menjadi negara maju atau sering disebut sebagai negara OECD. Pembatasan perubahan dalam kebijakan moneter yang diimplikasikan dengan lebih tingginya tingkat discount rate diikuti oleh penurunan dari return sejumlah besar negara yang di uji, lebih lanjut terjadi perubahan dalam ekspektasi return dimasa yang akan datang. Faktanya dalam pembetukan ekspektasi sebagai implikasi dari pembatasan terhadap kebijakan moneter nampak terjadi pengurangan terhadap ekspektasi aktivitas ekonomi di masa

21

yang akan datang sebagai konsekuensi dari penaikan suku bunga yang dilakukan oleh Bank Sentral. 2.3. Kerangka Pemikiran Kebijakan moneter yang dilakukan bank sentral yaitu Bank Indonesia, akan mempengaruhi pergerakan suku bunga (BI-rate). Pergerakan BI-rate yang ditetapkan oleh Bank Indonesia akan mempengaruhi pergerakan suku bunga lainnya, baik suku bunga kredit, deposito, dan lainnya. Hal ini dikarenakan pada ketetapan yang diputuskan oleh Bank Indonesia, bahwa BI-rate digunakan sebagai sasaran operasional dari kerangka kebijakan moneter, sehingga BI-rate akan menjadi acuan bagi pembentukan suku bunga lainnya. Pergerakan suku bunga ini akan memunculkan ekspektasi di pasar keuangan terutama pasar saham yang mempengaruhi perubahan harga aset dan kekayaan masyarakat, yang selanjutnya berpengaruh terhadap keputusan masyarakat untuk konsumsi dan investasi. Keputusan konsumsi dan investasi dari masyarakat merupakan bentuk dari pergerakan sektor riil perekonomian. Pergerakan suku bunga akan membentuk para pelaku/pemain saham di pasar saham, sehingga akan memunculkan keputusan para pemain saham untuk membeli atau menjual saham. Kondisi permintaan dan penawaran yang terjadi di pasar saham pada akhirnya akan berpengaruh terhadap pembentukan harga-harga saham emiten yang ada di lantai bursa, kemudian pembentukan harga saham dapat dilihat secara keseluruhan melalui pergerakan Indeks Harga Saham Gabungan (IHSG) yang kemudian berpengaruh terhadap return.

22

Suku Bunga

Instrumen Bank Indonesia

Likuiditas Pasar Uang

Jalur Trasmisi Kebijakan Moneter (Suku Bunga,Kredit,Harga Aset,Nilai Tukar, Ekspektasi)

Permintaan Domestik

Tekanan Inflasi Asing

Penawaran Domestik

Output Gap

Tekanan Inflasi Domestik

Inflasi

  

Gambar 2.2 Bagan Kerangka Alur Pemikiran

CPI Harga Aset Harga Lainnya

23

2.4. Hipotesis Penelitian Dari berbagai literatur dan artikel menunjukan bahwa kebijakan moneter dapat mempengaruhi pasar saham melalui transmisi kebijkan moneter dalam pengaruhnya terhadap harga aset. Kebijakan moneter yang bersifat ekspansif melalui penurunan suku bunga acuan atau BI-rate akan menyebabkan jumlah uang yang beredar lebih banyak kemudian perekonomian bergerak lebih cepat yang diindikasikan dengan pergerakan sektor riil, dimana adanya pertumbuhan dalam investasi dan konsumsi. Pergerakan sektor riil ini akan berpengaruh terhadap indeks dari harga-harga saham di pasar saham, dimana dengan adanya kelebihan likuiditas di pasar akan berpengaruh terhadap indeks tersebut. Pada akhirnya akan berdampak pada kenaikan return dari indeks tersebut. Sedangkan kebijakan moneter bersifat kontraktif memiliki pengaruh yang sebaliknya, karena kebijakan yang bersifat kontraktif menyebabkan jumlah uang beredar berkurang kemudian cenderung menyebabkan perekonomian melambat, dimana sektor riil yang melambat dan likuiditas yang ketat akan mempengaruhi indeks harga-harga saham sehingga akan terjadi pelemahan indeks di pasar saham, akibatnya terjadi penurunan return. Pengumuman kebijakan moneter oleh bank sentral dengan penetapan suku bunga acuan akan membentuk ekspektasi terhadap aktivitas ekonomi di masa yang akan datang, ekspektasi tersebut akan mempengaruhi perilaku para partisipan di pasar saham yang kemudian akan mempengaruhi return dari pasar saham.

24

III. Metode Penelitian

3.1. Jenis dan Sumber Data Jenis data yang digunakan dalam penelitian ini adalah data sekunder berupa data time series bulanan dari tahun 2000 sampai dengan tahun 2008. Data-data yang digunakan pada penelitian ini adalah data nilai indeks saham gabungan dan sektoral, jumlah uang beredar, dan suku bunga. Variabel SBI menunjukan pada nilai suku bunga dan M menunjuk pada jumlah uang yang beredar. Data tersebut diperoleh dari Badan Pusat Statistik (BPS), Bank Indonesia (BI), Bursa Efek Indonesia (BEI), dan instansi-instansi terkait lainnya. 3.2. Metode Analisis Metode analisis yang akan digunakan dalam penelitian ini adalah metode analisis yang bersifat deskriptif dan kuantitatif dengan menggunakan model ekonometrika yang merupakan hasil pengembangan model ARCH yaitu GARCH, untuk melihat pengaruh kebijakan moneter yang ditetapkan oleh bank sentral yaitu Bank Indonesia sebagai otoritas moneter terhadap return di pasar saham. 3.2.1. Analisis model GARCH Model ARCH memodelkan keheterogenan ragam (heteroskedasticity) yang tergantung pada informasi sebelumnya (conditional) secara autoregresif. Model ARCH diterapkan pada data deret waktu yang tidak memenuhi asumsi kehomogenan ragam. Contoh data yang memiliki ragam heterogen adalah data yang berhubungan

25

dengan dunia keuangan (harga saham, tingkat inflasi, tingkat suku bunga, fluktuasi harga,dll). Misalkan kita memiliki model persamaan regresi :

yt  xt  ut

(3.1)

dimana ut adalah proses white noise :

E (ut )  0

(3.2)

E (ut , uj )   2 untuk t  j dan 0 untuk t  j

(3.3)

xt disebut sebagai vektor fungsi rataan. Meskipun (3.3) berakibat ragam tak bersyarat dari ut adalah konstan (σ²), tetapi ragam bersyarat dapat berubah-ubah menurut waktu. Salah satu pendekatan dilakukan dengan menjabarkan kuadtrat ut :

ut  1u2t  1  ....  mu2t  m  vt

(3.4)

dimana Vt adalah proses white noise :

E (vt )  0 dan E (vt , vj )   2 untuk t = j dan 0 untuk t ≠ j

(3.5)

Sutriyati (2000) dijelaskan bahwa menurut Enders (1995) proses white noise Ut yang memenuhi persamaan (3.4) didefinisikan sebagai proses Autoregressive Condicional Heteroscedastic ordo-m (ARCH(m)). Bentuk

alternatif

ARCH(m) adalah :

ut  ht .vt

(3.6)

ht  c   1u 2 t  1   2u 2 t  2  .....   mu 2 t  m

(3.7)

dimana

proses

26

Dalam Pasaribu (2003) menjelaskan model GARCH digunakan untuk model yang tak linier dari ragam. Model ini dikembangkan dari model ARCH oleh Bollerslev (1986), untuk menghindari ordo ARCH yang besar. Berbeda dengan metode

umum

OLS

yang

menghendaki

adanya

varian

yang

konstan

(homoskedastisitas), pada model ini asumsi tersebut tidak berlaku lagi. Untuk menguji heteroskedastisitas dilakukan dengan metode ARCH (Engel, 1982) yang kemudian digeneralisasikan menjadi model GARCH oleh Bollerslev (1986). Secara umum model GARCH (q,p) dapat dijelaskan dengan model berikut :

yt  c1  c 2 xt  ut n 2

ht  k   pu p 1

(3.8) n

2

t p

   qh 2 t  q

(3.9)

q 1

Model GARCH terdiri dari dua persamaan. Persamaan 3.8 disebut mean equation dan persamaan 3.9 disebut variance equation. Sejak ht adalah satu periode awal ragam peramalan berdasarkan atas informasi masa lalu, yang sering disebut sebagai conditional variance. Persamaan conditional variance yang digambarkan dalam persamaan 2 secara spesifik. Persamaan tersebut adalah fungsi dari tiga hal yaitu : 

Mean : k,



Berita mengenai volatilitas dari periode sebelumnya, diukur sebagai lag dari 2 kuadrat galat dari mean equation : u t  p (ARCH term),



Periode terakhir peramalan variance : h 2 t  q (GARCH term).

27

Dalam Sutriyati (2004) dijelaskan bahwa model-model ARCH-GARCH yang umum digunakan adalah model yang paling sederhana, yaitu ARCH (1), ARCH (2), GARCH (1,1), dan GARCH (2,2). GARCH (1,1) merupakan model yang paling umum digunakan, misalnya dalam memodelkan data portofolio periode 1990-2000 dalam Engel (2001), model bagi Indeks Harga Saham S & P 500 periode tahun 1990 sampai dengan tahun 2000 dalam Lo (2003), model bagi data WPI periode tahun 1960 sampai dengan tahun 1990 dalam Enders (1995). Model yang dikenalkan oleh Engel (1982) biasanya mengindikasikan sebagai Autoregressive Conditional Heteroscedasticity Model (ARCH). Pengembangan model diajukan oleh Bollerslev (1986) yang menemukan Generalized ARCH (GARCH) models. Model ini mempunyai kecenderungan yang sama sebagai model ARCH, walaupun memperbolehkan varians bersyarat untuk bervariasi tidak hanya dalam fungsi dari eror sebelumnya, tetapi juga oleh lags-nya. Secara implisit restriksi dari spesifikasi ARCH dan GARCH adalah asymetry (Guidi, 2008). Dalam permodelan penelitian ini akan digunakan model GARCH. Untuk mengevaluasi hubungan antara return dengan kebijakan moneter, model akan memasukan jumlah uang beredar dan suku bunga, kemudian akan terbentuk persamaan sebagai berikut :

r t  c  ut

(3.10)

ht  k  1ht  1  ...  rht  r  1u 2 t  1  ...  mu 2 t  m  1SBIt  1Mt

(3.11)

Persamaan 3.10 disebut sebagai mean equation dan persamaan 3.11 disebut variance equation. Dalam persamaan GARCH tersebut variabel SBI merupakan suku

28

bunga acuan dari bank sentral yaitu Bank Indonesia dan M merupakan jumlah uang beredar. 3.2.2. Pemilihan Model Terbaik Pada umumnya, model dipilih setelah melalui uji diagnosa pada sisaan. Apabila pada diagnosa sisaan sudah tidak terdapat pengaruh ARCH, galat menyebar normal, serta tidak terdapat autokorelasi sisaan maka model yang diperoleh sudah tepat (fit) (Sutriyati, 2004). Akan tetapi belum ada cara bagaimana menentukan besarnya p dan q, kecuali dengan memilih bentuk yang paling sederhana. Sutriyati (2004) menjelaskan bahwa dalam analisis data, biasanya diperoleh beberapa model yang tepat yang dapat mewakili data yang dianalisis. Terkadang model terbaik mudah ditentukan, tetapi terkadang sulit dipilih. Beberapa Kriteria pemilihan berdasarkan pada statistik sisaan atau berdasarkan galat peramalan. Kriteria pemilihan model berdasarkan analisis sisaan, antara lain : 1) AIC (Akaike’s Information Criterion). AIC didefinisikan sebagai : AIC ( M )   2 ln[ maksimumlikelihood ]  2 M

(3.12)

Dengan M adalah jumlah parameter dalam model. Untuk N buah pengamatan, bentuk tersebut identik dengan : AIC ( M )  N ln  a2  2M

(3.13)

AIC cenderung memilih model dengan jumlah parameter yang lebih banyak. 2) SBC (Schwartz’s Bayesian Criterion) SBC ( M )  N ln  a2  M ln N ,

(3.14)

29

dimana  a2 adalah varian dari residual dugaan model. Dengan kata lain   t2 ,  t  p 1 ( n  p ) n

 a2 

(3.15)

 dimana  t2 adalah residual dugaan.

Penetuan model terbaik didasarkan pada nilai Akaike’s Information Criterion (AIC) dan Schwartz’s Bayesian Criterion (SBC). Model yang baik adalah model yang memiliki nilai AIC dan SBC terkecil. Perbandingan nilai AIC dan SBC memasukan akan minus artinya nilai yang diperbandingkan bukanlah nilai yang mutlak tetapi memasukkan unsur minus dalam perbandingan tersebut. AIC dan SBC dipengaruhi oleh jumlah pengamatan (N), sehingga hanya dapat digunakan untuk membandingkan model-model dari gugus data yang sama. 3.2.3. Diagnostik Model 3.2.3.1. Pengujian Kehomogenan Galat Prosedur pengujian hipotesis ragam galat dalam deret waktu secara formal adalah uji Engel Lagrange Muliplier (LM Test). Hipotesis yang akan diuji adalah konstan (homoscedastic) lawan galat merupakan proses ARCH atau GARCH. Dalam Sutriyati (2004), prosedur pengujian hipotesis menurut Enders (1995) sebagai berikut: 1)

Pendugaan model bagi deret xt menggunakan Metode Kuadrat Terkecil (OLS) dari : yt  a0  a1 yt 1  ...  an yt n   t

(3.16)

30

2)

Hitung Kuadrat sisaan, ˆt2 . Regresikan kuadrat sisaan tersebut untuk menduga parameter persamaan berikut :

ˆt2   0  1ˆt21   2ˆt22  ...   qˆt2 q 3)

(3.17)

Apabila tidak ada pengaruh ARCH atau GARCH, maka dugaan bagi 1 sampai  q haruslah sama dengan nol. Dengan sample sebanyak T buah sisaan, TR 2 cukup besar, maka hipotesis nol bahwa ragam adalah homogen ditolak, dan sebaliknya. Dengan lebih sederhana dapat dikatakan jika kesimpulan terima H0, maka

hasil menunjukan bahwa tidak mengandung efek ARCH, sedangkan sebaliknya jika kesimpulan tolak H0. 3.2.3.2. Pengujian Kebebasan Galat ACF didefinisikan sebagai hubungan antara Yt dan Yt k yaitu hubungan antara serangkaian pengamatan yang diurutkan menurut waktu. ACF dirumuskan sebagai berikut : n

 (Y  Y )(Y

t k

t

rk 

t  k 1

Y ) , untuk k=0,1,2……

n

 (Y  Y )

(3.18)

2

t

t 1

PACF didefinisikan sebagai ukuran tingkat keeretan hubungan antara Yt dan Yt k , apabila pengaruh dari lag 1,2,……..,k-1 dianggap terpisah. PACF merupakan koefeisien terakhir dari suatu persamaan autoregresi. Menurut Wei (1989) dimisalkan

31

suatu model autoregresi berordo k, jika kj (j=1,2,…….,k) menyatakan koefisien kej, maka kk dikatakan sebagai autokorelasi parsial (Sutriyati, 2004). Kebebasan galat dilakukan dengan uji autokorelasi pada sisaan masingmasing model. Pengujian didasarkan pada correlogram sisaan untuk tiap model yang telah dipilih. Jika pengujian menunjukan hasil yang tidak signifikan maka dapat disimpulkan model tersebut tidak memiliki autokorelasi pada sisaan, sedangkan sebaliknya bila pengujian menunjukan hasil yang signifikan, maka model tersebut memiliki autokorelasi pada sisaan.

32

IV. HASIL DAN PEMBAHASAN

4.1. Kebijakan Moneter, Jumlah Uang Beredar, dan Volatilitas Return Perkembangan pasar saham yang semakin cepat menyebabkan keadaan di pasar saham semakin sulit untuk diprediksi. Nilai transaksi yang sedemikian besar per harinya dan berbagai faktor pembentuk yang dapat mempengaruhi merupakan hal yang menyebabkan return di pasar saham menjadi volatil. Pada saat tertentu dapat terjadi keadaan dimana return dari pasar tersebut menjadi sangat tinggi, disisi lain nilai tersebut dapat turun dengan sangat tajam hanya dalam tempo beberapa saat. Pergerakan yang demikian disebabkan oleh berbagai faktor penentu, baik dari dalam ataupun dari luar yang menyebabkan para pelaku di pasar saham melakukan keputusan pembelian atau penjualan di pasar saham yang kemudian mempengaruhi pergerakan tersebut. Pengukuran tingkat pengembalian (return) terkait dengan pengukuran besarnya hasil investasi, dalam hal keuangan pengukuran lebih menarik dilakukan terhadap data pengembalian atau return, karena hal itu mengukur besarnya hasil investasi. Sehingga dalam penelitian ini akan dilihat pengaruh kebijakan moneter terhadap volatilitas return di pasar saham. Kebijakan moneter Bank Indonesia dengan cara mengatur suku bunga sebagai salah satu instrumen bertujuan untuk mempengaruhi jumlah uang yang beredar, dalam kaitannya dengan hal ini, pergerakan suku bunga dan uang beredar secara teori bergerak secara berlawanan, dimana peningkatan suku bunga oleh Bank Sentral akan

33

mengurangi jumlah uang yang beredar, sedangkan sebaliknya saat Bank Sentral menurunkan suku bunga jumlah uang beredar akan meningkat. 15 14 13 12 11 10 9 8 7 2007M01

2007M07

2008M01 S BI

2008M07 JUB

Sumber : Bank Indonesia (2008). Gambar 4.1 Perbandingan Suku Bunga (SBI) dengan Jumlah Uang Beredar (JUB) Januari 2007 – Desember 2008

Pada Gambar 4.1 memperlihatkan perbandingan antara pergerakan suku bunga dengan jumlah uang beredar mulai periode Januari 2007 hingga Desember 2008. Jumlah uang beredar terlihat tidak bergerak secara berlawanan akibat pergerakan naik turunnya suku bunga, namun jika dilihat lebih lanjut keadaan tersebut masih kurang sesuai dengan teori dimana kebijakan ekspansif melalui penurunan suku bunga akan menyebabkan jumlah uang beredar meningkat. Hal ini diperlihatkan pada periode Januari 2007 hingga pertengahan 2008 dimana suku bunga terus bergerak ke arah penurunan sedangkan jumlah uang beredar bergerak meningkat walaupun jumlah kenaikannya tidak signifikan. Dalam teori kebijakan moneter menunjukan bahwa kebijakan moneter dapat mempengaruhi sektor rill melalui jalur harga aset, kebijakan moneter ekspansif maupun kontraktif akan mempengaruhi jumlah uang beredar dan kemudian melalui

34

mekanisme tersebut sejumlah uang akan terserap ataupun keluar dari pasar saham, sehingga mempengaruhi pergerakan return di pasar saham. Dalam Jovanovic (2008), Taylor (2007) menunjukan bahwa kebijakan moneter yang ekspansif menyebabkan jumlah likuiditas yang ada dimasyarakat menjadi naik, besarnya jumlah likuiditas ini akan menyebabkan meningkatnya harga aset apabila likuiditas yang disediakan terlalu banyak akan menyebabkan asset price bubble. Transmisi kebijakan moneter yang secara spesifik merupakan kebijakan moneter jalur harga aset adalah suatu mekanisme dimana Bank Sentral berusaha untuk mempengaruhi sektor riil melalui kebijakan yang ditetapkan. Mekanisme transmisi kebijakan moneter melalui jalur harga aset menekankan bahwa kebijakan moneter berpengaruh pada perubahan harga aset dan kekayaan masyarakat yang selanjutnya mempengaruhi pengeluaran investasi dan konsumsi. Apabila bank sentral meningkatkan suku bunga, pada gilirannya akan menekan harga pasar aset perusahaan, penurunan tersebut berakibat pada dua hal yaitu mengurangi kemampuan perusahaan untuk ekspansi dan menurunkan nilai kekayaan dan pendapatan, yang akhirnya mengurangi pengeluaran konsumsi (Warjiyo, 2004). Kebijakan moneter mempunyai peran penting dalam mempengaruhi return saham, penetapan suku bunga oleh bank sentral digunakan oleh para pemain di pasar saham yaitu mempengaruhi dengan membentuk ekspektasi terhadap aktivitas ekonomi dimasa yang akan datang (Ioannidis, 2006). Untuk mengetahui lebih lanjut akan lebih menarik jika menganalisis pengaruh kebijakan moneter terhadap pergerakan tingkat pengembalian (return) di pasar saham, sehingga dapat menjawab pertanyaan apakah kebijakan moneter dapat mempengaruhi pasar saham, lebih lanjut

35

akan dianalisis

dengan

menggunakan

model ekonometrika untuk

melihat

kemungkinan keterkaitan antara suku bunga dan jumlah uang beredar dengan pasar saham. 4.2. Deskripsi Data Dalam penelitian ini menganalisis pengaruh antara suku bunga dan jumlah uang beredar sebagai komponen moneter dengan perubahan return dari indeks harga saham di Bursa Efek Indonesia. Penelitian ini juga melihat pengaruh dari suku bunga dan jumlah uang beredar terhadap return dari indeks tiap sektor di pasar saham antara lain sektor pertanian, pertambangan, keuangan, properti, industri dasar, aneka industri, industri barang konsumsi, dan perdagangan. .8

.3 .2

.4 .1 .0

.0 -.1

-.4 -.2 -.8

-.3 00

01

02

03

04

05

06

07

08

00

01

02

03

AI

04

05

06

07

08

05

06

07

08

IB K

.8

.3

.6

.2

.4 .1

.2 .0

.0

-.2

-.1

-.4 -.2

-.6 -.8

-.3 00

01

02

03

04

05 ID

06

07

08

00

01

02

03

04 K

36

.2

.6

.1

.4

.0 .2

-.1 -.2

.0

-.3

-.2

-.4 -.4

-.5 -.6

-.6 00

01

02

03

04

05

06

07

08

00

01

02

03

PD

04

05

06

07

08

05

06

07

08

PT

.4

.3

.2

.2 .1

.0

.0 -.2 -.1 -.4

-.2

-.6

-.3

-.8

-.4 00

01

02

03

04

05

06

07

08

00

01

02

03

P

04 PR

Gambar 4.2 Return Indeks Harga Saham Sektoral Periode Januari 2000 s.d Desember 2008 *Keterangan AI = Aneka Industri

PD = Perdagangan

IBK = Industri Barang Konsumsi

PT = Pertambangan

ID = Industri Dasar

P = Pertanian

K=Keuangan

PR = Properti

Hal yang penting untuk diamati dalam penelitian ini adalah menjawab pertanyaan apakah kebijakan moneter di Indonesia mempunyai pengaruh terhadap volatilitas return di pasar saham. Pada Gambar 4.2 juga akan teramati fluktuasi dari return di pasar saham baik itu berupa return berdasarkan indeks gabungan, maupun return dari indeks tiap sektor yang ada di pasar saham. Pengamatan terhadap fluktuasi dari plot data return juga bermanfaat untuk mengidentifikasi adanya gejala awal

37

unsur heteroskedastisitas. Agar pengamatan terhadap plot data return lebih jelas, maka bisa diamati dari beberapa Gambar 4.2 di atas, dimana pada gambar tersebut di gambarkan plot data dari indeks tiap sektor yang ada di pasar saham Indonesia dan Gambar 4.3 di bawah menggambarkan plot data dari indeks gabungan di pasar saham. .2 .1 .0 -.1 -.2 -.3 -.4 00

01

02

03

04

05

06

07

08

IH S G

Gambar 4.3 Return Indeks Harga Saham Gabungan (IHSG) Periode Januari 2000 s.d Desember 2008 Pengamatan terhadap plot data return indeks harga saham gabungan dan indeks tiap sektor mununjukan fluktuasi disekitar nol, tetapi pada beberapa periode menunjukan adanya kenaikan atau penurunan data yang tajam. Dalam Firdaus (2006) dijelaskan bahwa data yang berfluktuasi di sekitar nol, tetapi pada beberapa periode terdapat kenaikan atau penurunan yang tajam mengindikasikan bahwa adanya unsur heteroskedastisitas dan bermakna bahwa pada jangka panjang varians dari return konstan, tetapi ada beberapa periode dimana varians relatif tinggi.

38

Pada penelitian ini, returns indeks gabungan dan return dari tiap sektor dihitung menggunakan nilai turunan log, dimana :

rt  ln( Pt )  ln( Pt  1) Beberapa statistik deskriptif return indeks saham ditampilkan pada Tabel 4.1

Tabel 4.1. Statistik Deskriptif Data Return Indeks Saham Gabungan dan Indeks Tiap Sektor Indeks Saham

Skewness

Kurtosis

Jarque-Bera

Prob

Test Aneka Industri

-0,51

20,18

1320,95

0,00

Industri Barang Konsumsi

0,18

4,87

16,16

0,00

Industri Dasar

0,53

10,42

250,55

0,00

Keuangan

-0,35

4,13

7,88

0,02

Perdagangan

-1,72

10,84

326,66

0,00

Pertambangan

0,53

10,42

250,55

0,00

Pertanian

-1,32

8,08

146,11

0,00

Properti

-0,04

3,76

2,63

0,27

Indeks Gabungan

-1,24

7,17

105,03

0,00

Berdasarkan pada Tabel 4.1 dapat diamati beberapa hal. Hal pertama yang diamati adalah pada indeks gabungan, dimana berdasarkan Tabel 4.1 menunjukan bahwa koefisien kemenjuluran (skewness) bernilai negatif, menunjukan bahwa sebaran menjulur ke kiri yang artinya memiliki distribusi yang miring ke kiri sehingga data cenderung menumpuk pada nilai yang tinggi. Nilai kurtosis digunakan untuk mengukur tingkat kepadatan sebaran, dari hasil pengamatan pada Tabel 4.1 nilai kurtosis lebih besar dari 3, hal ini merupakan gejala awal adanya heteroskedastisitas. Dalam Sutriyati (2004), Lo (2003) menjabarkan secara sistematis

39

bahwa sifat dari data dengan pengaruh GARCH antara lain adalah kurtosis yang selalu lebih besar dari 3. Indeks tiap sektor di pasar saham menunjukan hasil yang hampir serupa dengan indeks gabungan. Nilai kurtosis dari ke delapan sektor menunjukan nilai yang lebih besar dari 3 kecuali pada sektor poperti dimana nilainya hampir mendekati 3, maka hal ini menunjukan gejala awal adanya heteroskedastisitas. Beberapa sektor antara lain aneka industri, keuangan, perdagangan, pertanian, dan properti diperoleh skewness yang lebih kecil dari nol atau bernilai negatif, menunjukan distribusi yang miring ke kiri artinya data cenderung menumpuk pada nilai yang tinggi. Untuk sektor lainnya antara lain industri barang konsumsi, industri dasar, dan pertambangan diperoleh skewness yang lebih besar dari nol atau bernilai positif yang menggambarkan kemelujuran ke kanan, maka memiliki distribusi yang miring ke kanan artinya data cenderung menumpuk pada nilai yang rendah. 4.3. Hasil Empiris 4.3.1. Model GARCH Indeks Harga Saham Gabungan/Composite Index Secara teori telah dijelaskan dalam sub bab sebelumnya bahwa transmisi kebijakan moneter melalui harga aset dapat terjadi melalui perubahan suku bunga yang kemudian berpengaruh pada jumlah uang beredar dan kemudian berdampak pada nilai aset yang dimiliki. Selain itu penetapan suku bunga oleh Bank Sentral juga membentuk aktivitas ekonomi dimasa yang akan datang, sehingga akan membentuk ekspektasi di pasar saham yang kemudian akan berpengaruh terhadap return dari saham-saham tersebut. Akan tetapi seringkali dalam keadaan yang tidak pasti kondisi

40

tersebut tidak terjadi, selain karena banyaknya faktor yang mungkin berpengaruh terhadap pasar saham terdapat juga berbagai hambatan dalam transmisi kebijakan moneter. Untuk melihat pengaruh demikian maka kita akan memodelkan data yang diobservasi dengan model volatilitas yaitu GARCH (r,m) seperti pada Persamaan (3.11) yang terdapat dalam bagian metodologi yaitu : ht  k  1ht  1  ...  rht  r  1u 2 t  1  ...  mu 2 t  m  1SBIt  1Mt Secara umum model-model yang digunakan dalam premodelan GARCH adalah model-model yang sederhana yaitu GARCH(1), GARCH(1,1), dan GARCH(1,2) (Sutryati, 2004), tetapi dalam penelitian ini kita akan mencoba membentuk model yang lebih luas dengan kombinasi antara r = 1,2 dan m = 0,1,2 sehingga diperoleh 6 susunan model untuk tiap analisis sektor dipasar saham dan indeks gabungan. Untuk memilih model yang terbaik dilihat dari nilai SBC yang bernilai minimum. Dalam tahap ini akan dilihat secara keseluruhan pengaruh return indeks terhadap penetapan kebijakan moneter bank sentral yaitu suku bunga dan jumlah uang beredar. Untuk melihat pengaruh secara keseluruhan antara penetapan kebijakan moneter melalui perubahan suku bunga yang dilakukan oleh Bank Sentral dan jumlah uang yang beredar terhadap volatilitas return dipasar saham, maka kita analisis indeks dari saham gabungan yang merupakan gambaran harga aset secara keseluruhan. Berdasarkan pernyataan sebelumnya model yang akan dibentuk antara lain kombinasi antara r = 1,2 dan m = 0,1,2 yaitu GARCH (1), GARCH (1,1),

41

GARCH(1,2), GARCH(2,1),dan GARCH(2,2). Model yang dipilih adalah model yang memiliki nilai SBC yang minimum.

Tabel 4.2 Nilai AIC dan SBC Model GARCH Composite Index GARCH Model

AIC

SBC

GARCH(1,0)

-2,27

-2,15

GARCH(1,1)

-2,29

-2,14

GARCH(1,2)

-2,28

-2,10

GARCH(2,1)

-2,32

-2.15

GARCH(2,2)

-2.35

-2.15

Sumber : Lampiran 1 Catatan : Nilai cetak tabal menunjukan nilai SBC terkecil dari hasil estimasi model-model yang terbentuk.

Dalam pemilihan model akan dilihat nilai SBC dari masing-masing model yang terbentuk. Pada GARCH (1,2) menunjukan bahwa nilai SBC sebesar -2,10 nilai ini merupakan nilai yang paling besar diantara relima model yang terbentuk, sehingga GARCH (1,2) bukan merupakan model yang kita pilih. Dari antara ketiga model yaitu GARCH (1,0), GARCH (2,1), dan GARCH (2,2) memiliki nilai SBC yang terkecil dari relima model yang terbentuk, akan tetapi GARCH (1,0) merupakan model yang dipilih. Hal ini karena pembulatan desimal, sehingga ketiga model tersebut memiliki nilai yang sama. Dalam Lampiran 1 akan terlihat lebih jelas bahwa GARCH (1,0) yang memiliki nilai SBC yang terkecil.

42

Secara formal untuk melihat apakah model yang dipilih sudah baik, kita lakukan pengujian autokorelasi deret (dapat dilihat pada Lampiran 2), dimana untuk model GARCH (1,0) memiliki hasil yang tidak signifikan pada lag 2 dan seterusnya. ARCH LM test dilakukan untuk menguji apakah sisaan sudah menunjukan ada atau tidaknya efek ARCH, pada lampiran 3 menunjukan nilai probabilitas sama dengan 0.535998, nilai tersebut lebih dari α = 0.05 sehingga dapat disimpulkan model sudah tidak mengandung efek ARCH. Dari kedua pengujian tersebut dapat disimpulkan bahwa model GARCH yang dibentuk sudah baik. Dengan mengikuti persamaan (3.10) dan persamaan (3.11) kita akan membentuk model GARCH(2,1), GARCH(r,m), yaitu :

r t  c  ut ht  k  1ht  1  ...  rht  r  1u 2 t  1  ...  mu 2 t  m  1SBIt  1Mt Hasil pembentukan koefisien model ditampilkan pada tabel berikut :

Tabel 4.3. GARCH (1,0) Estimasi Model Composite Index Periode 2000-2008 Indeks Saham Gabungan (composite indeks) Mean equation c 0,02** (0,01) Variance equation k -0,08** (0,00)

δ 0,85** (0,00)

β

θ -4

1,3 x10 ** (0,01)

2,3 x10-3**

(0,00)

Sumber : Lampiran 1 Catatan : Angka dalam kurung merupakan nilai probabilitas (p-value). Bintang dua mengindikasikan bahwa koefisien signifikan secara statistik pada tingkat kritis 5%.

43

Koefisien JUB secara statistik signifikan dimana nilai probabilitas yang kurang dari α. Melalui model ini dapat diketahui bahwa jumlah uang beredar mempunyai pengaruh terhadap return di pasar saham, dimana koefisien tersebut bernilai positif. Sedangkan nilai koefisien suku bunga juga signifkan yang berarti suku bunga juga memiliki pengaruh terhadap volatilitas pasar saham. Hal ini memberikan hasil bahwa volatilitas return dipasar saham secara indeks mempunyai pengaruh terhadap jumlah uang yang beredar dan suku bunga. Suku bunga dan jumlah uang beredar memiliki koefisien yang positif yang berarti bahwa apabila terjadi peningkatan pada kedua variabel tersebut maka volatilitas return pada indeks gabungan akan mengalami peningkatan. Dari hasil ini bisa dikatakan bahwa pengendalian volatilitas return di pasar saham secara keseluruhan dapat dikendalikan oleh Bank Indonesia sebagai bank sentral. 4.3.2. Model GARCH Indeks Saham per Sektor Berdasarkan hasil permodelan sebelumnya kia telah melihat bahwa penetapan kebijakan moneter oleh bank sentral melalui perubahan suku bunga tidak mempunyai pengaruh terhadap volatilitas return, sedangkan perubahan jumlah uang beredar mempunyai pengaruh terhadap volatilias return di pasar saham, namun secara lebih spesifik kita tidak mengetahui apakah volatilitas return saham di tiap sektor memiliki pengaruh terhadap suku bunga dan uang beredar, ada kemungkinan tiap sektor dalam saham mempunyai tanggapan atau perilaku yang berbeda terhadap perubahan suku bunga dan jumlah uang beredar bila dibandingkan dengan hasil pengujian sebelumnnya.

44

Pembentukan model dilakukan terhadap model yang sederhana yaitu dengan mengkombinasikan antara r = 1, 2 dan m = 0, 1, 2 sehingga untuk tiap model sektor di pasar saham akan menghasilkan 5 susunan model. Pada awal pengujian kita akan melakukan pemilihan model terbaik dari beberapa model yang dibentuk, pemilihan model didasarkan pada nilai AIC dan SBC. Pada bagian ini hanya ditampilkan beberapa model karena model-model tersebut sudah cukup menjelaskan dengan baik. Untuk melihat secara lengkap dapat dilihat pada Lampiran 1. Tabel 4.4. Nilai AIC dan SBC Saham Tiap Sektor Saham tiap

GARCH

GARCH

GARCH

GARCH

(1,0)

(1,1)

(1,2)

(2,1)

Sektor AIC

SBC

AIC

SBC

AIC

SBC

AIC

SBC

AI

-1,34

-1,22

-1,50

-1,33

-1,45

-1,27

-1,34

-1,16

IBK

-2,32

-2,19

-2,29

-2,14

-2,39

-2,21

-2,27

-2,10

ID

-1,07

-0,95

-1,02

-1,05

-1,02

-0,85

-1,18

-1,01

K

-2,22

-2,09

-2,16

-2,00

-2,12

-1,95

-2,11

-1,94

Pd

-2,02

-1,90

-2,14

-1,99

-2,21

-2,03

-2,15

-1,97

Pt

-1,07

-0,94

-1,13

-0,98

-1,16

-0,98

-1,11

-0,93

P

-1,07

-0,94

-1,09

-0,94

-1,01

-0,83

-1,03

-0,85

Pr

-1,64

-1,52

-1,77

-1,62

-1,68

-1,50

-1,58

-1,40

Sumber : Lampiran 1 Catatan : Penggunaan nilai SBC terkecil dikarenakan bahwa SBC merupakan acuan terbaik dalam sample yang besar. SBC asymptotically consistent ketika AIC bias ke arah pemilihan model yang overparameterized dan studi dari Monte Carlo menunjukan bahwa dalam sample yang kecil, AIC bisa bekerja lebih baik dibanding SBC (Enders,2004).

Pemilihan model didasarkan pada nilai SBC yang terkecil, nilai yang tertera pada Tabel 4.3 menunjukan bahwa model yang terbaik yang digunakan pada tiap

45

sektor di pasar saham, ada beberapa menunjukan penggunaan model yang berbeda, tetapi ada beberapa juga yang sama. Dengan berdasarkan nilai SBC terkecil, pada saham sektor keuangan dan pertanian model yang dipilih adalah GARCH (1,0), untuk sektor industri barang konsumsi, perdagangan dan pertambangan adalah GARCH (1,2), aneka industri, industri dasar dan properti adalah GARCH (1,1) merupakan model yang memiliki nilai SBC yang minimum. Dalam pemilihan model selain didasarkan pada nilai SBC yang minimum,tetapi juga mempunyai koefisien yang nyata atau signifikan (Sutriyati, 2004). Untuk melihat apakah pemilihan model sudah tepat atau belum kita akan melakukan pengujian autokorelasi deret dan ARCH LM Test. Pada Tabel 4.5 ditunjukan pengujian deret autokorelasi terhadap model GARCH dari tiap sektor di pasar saham. Dari hasil pengujian deret autokorelasi model dari tiap sektor pasar saham yang dipilih menunjukan bahwa GARCH (1,0) untuk sektor keuangan dan pertanian tidak signifikan secara statistik, GARCH (1,2) untuk sektor industri barang konsumsi, perdagangan, dan pertambangan tidak signifikan, dan GARCH (1,1) untuk sektor aneka industri, industri dasar, dan property juga menunjukan hasil yang tidak signifikan secara statistik. Untuk menunjukan apakah model masih mengandung efek ARCH atau tidak dilakukan pengujian ARCH LM test untuk tiap model dari sektor-sektor di pasar saham. Pengujian ini dimaksudkan untuk mengidentifikasi hasil estimasi model yang telah terbentuk, sehingga melalui pengujian ini akan didapatkan model yang telah baik dengan didasarkan pada teori yang ada.

46

Tabel 4.5. Probabilitas ARCH LM Test tiap Model GARCH Model GARCH tiap Sektor ARCH LM Test Uji Kebebasan Pasar Saham Prob Galat Aneka Industri (Ai) 0,93 Tidak Signifikan GARCH(1,1) Industri Barang Konsumsi (Ibk) 0,80 Tidak Signifikan GARCH(1,2) Industri Dasar (Id) 0,12 Tidak Signifikan GARCH(2,1) Keuangan(K) 0,59 Tidak Signifikan GARCH(1,0) Perdagangan (Pd) 0,99 Tidak Signifikan GARCH(1,2) Pertambangan (Pt) 0,96 Tidak Signifikan GARCH(1,1) Pertanian (P) 0,15 Tidak Signifikan GARCH(1,2) Properti (Pr) 0,57 Tidak Signifikan GARCH(1,1) Sumber : Lampiran 2 dan Lampiran 3 Catatan : Nilai-nilai probabilitas (p-value) yang lebih besar dari tingkat kritis 0,05 (5%) menunjukan hasil pengujian tidak signifikan yang berarti tolak nul hipotesis.

Hasil pengujian ARCH LM yang diperlihatkan pada Tabel 4.5 menunjukan bahwa tiap model memiliki hasil yang tidak signifikan yaitu memiliki nilai probabilitas yang lebih besar dari

nilai α = 0,05, maka dapat disimpulkan

keseluruhan model sudah tidak mengandung efek ARCH yang berarti model sudah baik. Dengan tetap mengacu pada persamaan (3.10) dan persamaan (3.11) akan dibentuk model GARCH sesuai dengan pemilihan model yang terbaik untuk melihat pengaruh suku bunga dan jumlah uang beredar terhadap return di pasar saham untuk tiap sektor.

r t  c  ut ht  k  1ht  1  ...  rht  r  1u 2 t  1  ...  mu 2 t  m  1SBIt  1Mt

47

Tabel 4.6. Koefisien GARCH, Model Estimasi dari Return Saham Tiap Sektor 2000-2008 Indeks tiap Sektor Mean equation Koef.

Ai

Ibk

Id

K

Pd

Pt

P

Pr

c

0,01 (0,33)

0,01 (0,24)

0,002 (0,48)

0,01 (0,11)

0,02* (0,02)

-0,02 (0,08)

0,02 (0,14)

0,01 (0,53)

Variance equation Koef.

Ai

Ibk

Id

K

Pd

Pt

P

Pr

k

-0,01 (0,94) 0,58* (0,01)

0,01* (0,00) -0,05* (0,00)

-0,24* (0,00)

0,01* (0,00) -0,13* (0,00)

-0,99* (0,00)

1,04* (0,00)

1,02* (0,00)

-1,2x10-4 (0,07) -2,2x10-4* (0,00)

0,001 (0,06) 0,01* (0,00)

-5,9x10-4 (0,40) -8,15x10-5 (0,97)

0,02* (0,00) 0,02 (0,61) -0,07** (0,00) 1,06** (0,00) -1,5x10-4*

-0,04* (0,00)

1,07* (0,00)

0,003 (0,97) 0,76* (0,00) 0,70* (0,00) -1,05* (0,00)

-1,1x10-4* (0,00) 0,001* (0,00)

-1,26x10-5 (0,57) -1,3x10-4* (0,00)

δ

-0,03 (0,67)

0,01* (0,00) 0,08* (0,00) -0,14* (0,00) 1,01* (0,00)

Β

-0,2x10-2* (0,00) -2,9x10-5 (0,99)

-5,5x10-5* (0,05) -2,7x10-4* (0,00)

α α2

θ

(0,00) -3,8x10-4* (0,00)

Sumber : Lampiran 1 Catatan : Angka dalam kurung merupakan nilai probabilitas (p-value). Bintang satu mengindikasikan bahwa koefisien signifikan secara statistik pada tingkat kritis 5%.

Koefisien variabel tersebut memperlihatkan hasil yang berbeda pada tiap sektor di pasar saham. Pada sektor saham industri barang konsumsi, pertambangan, dan pertanian koefisien β dan θ menunjukan hasil yang signifikan dengan nilai probabilitas yang lebih kecil dari titik kritis (α) yaitu 0,05. Hal ini menunjukan bahwa volatilitas return saham pada sektor-sektor tersebut mempunyai hubungan atau dipengaruhi oleh suku bunga dan jumlah uang beredar. Pada sektor keuangan, industri dasar dan properti koefisien θ signifikan secara statistik, sedangkan koefisien β tidak signifikan, dengan demikian volatilitas return

48

pada sektor-sektor tersebut dipengaruhi oleh jumlah uang beredar, tetapi tidak dipengaruhi oleh suku bunga. Pada sektor aneka industri koefisien β signifikan secara statistik. Hal ini berarti bahwa volatilitas return pada sektor aneka industri hanya dipengaruhi oleh suku bunga sebagai pembentuk ekspektasi, sedangkan jumlah uang beredar tidak memiliki pengaruh terhadap volatilitas return pada sektor aneka industri. Volatilitas return pada sektor perdagangan tidak dipengaruhi oleh suku bunga dan jumlah uang beredar, terlihat dari kedua koefisien dari sektor tersebut yaitu β dan θ yang tidak signifikan secara statistik, dimana nilai probabilitas dari kedua koefisien tersebut lebih besar dari titik kritis α = 0.05. Dari hasil pembentukan model secara keseluruhan dapat diamati bahwa pengumuman penetapan kebijakan moneter oleh bank sentral melalui penetapan suku bunga acuan mempunyai pengaruh terhadap empat sektor di pasar saham yaitu aneka industri, industri barang konsumsi, pertanian dan pertambangan. Sedangkan jumlah uang beredar lebih banyak mempunyai pengaruh terhadap beberapa sektor di pasar saham antara lain sektor industri barang konsumsi, industri dasar, keuangan, pertambangan, pertanian, dan properti. Suku bunga secara signifikan mempengaruhi empat sektor di pasar saham, sedangkan jumlah uang beredar mempengaruhi enam sektor di pasar saham, perbandingan kedua variabel dalam mempengaruhi sektorsektor di pasar saham cukup berbeda, dimana jumlah uang beredar lebih dominan mempengaruhi volatilitas return saham-saham dari tiap sektor di pasar saham. Dengan demikian dapat diketahui bahwa kedua variabel sama-sama mempengaruhi, akan tetapi jumlah uang beredar lebih dominan berpengaruh. Pengumuman bank sentral melalui penetapan suku bunga acuan dapat mempengaruhi volatilitas return di

49

pasar saham tergantung dari seberapa efektif kebijakan tersebut dapat mempengaruhi peredaran jumlah uang, hal ini dikarenakan pengaruh pergerakan suku bunga sebagai estimasi para pemain saham terhadap aktivitas ekonomi di masa yang akan datang kurang dominan dibanding pengaruh jumlah uang beredar terhadap volatilitas return dari saham-saham tersebut. Dalam Tabel 4.6 memperlihatkan masing-masing hasil dari permodelan GARCH, dimana pada masing-masing sektor tersebut terlihat ada beberapa sektor yang dipengaruhi oleh jumlah uang beredar, suku bunga, dan ada juga yang tidak dipengaruhi oleh keduanya. Sektor industri barang konsumsi, pertanian dan perdagangan dipengaruhi oleh pergerakan suku bunga dan jumlah uang beredar. Untuk sektor industri barang konsumsi dan pertambangan, keduanya menunjukan hasil negatif pada masing-masing koefisien θ dan β yang berarti bahwa suku bunga dan jumlah uang beredar menurunkan volatilitas return pada kedua sektor tersebut, dimana bila terjadi kenaikan pada suku bunga dan jumlah uang beredar akan menurunkan volatilitas return. Sedangkan pada sektor pertanian, suku bunga memiliki koefisien yang negatif dan jumlah uang beredar memiliki koefisien yang positif, hal ini berarti bahwa kenaikan pada suku bunga dan jumlah uang beredar ditanggapi berbeda. Untuk kenaikan suku bunga akan menyebabkan penurunan volatilitas return saham pada sektor pertanian, sedangkan kenaikan jumlah uang beredar menyebabkan peningkatan volatilitas return pada saham tersebut. Sektor industri dasar dan properti memiliki koefisien θ yang signifikan dan bernilai negatif, sehingga jumlah uang beredar menurukan volatilitas return pada kedua sektor tersebut, sedangkan untuk sektor keuangan memiliki koefisien θ signifikan dan

50

bernilai positif yang berarti bahwa jumah uang beredar meningkatkan volatilitas return pada sektor tersebut. Untuk sektor aneka industri volatilitas return saham sektor tersebut dipengaruhi oleh suku bunga, dimana koefisien β signifikan dan bernilai negatif, hal ini berarti perubahan pada suku bunga akan menurunkan volatilitas return pada saham sektor tersebut. Pada sektor perdagangan memiliki koefisien θ dan β yang tidak signifikan, sehingga volatilitas return tidak dipengaruhi oleh suku bunga dan jumlah uang beredar.

51

V. KESIMPULAN DAN SARAN

5.1. Kesimpulan Berdasarkan hasil dan pembahasan analisis pengaruh kebijakan moneter terhadap volatilitas return di pasar saham dapat disimpulkan bahwa : 1) Suku bunga dan jumlah uang beredar yang digunakan sebagai variabel untuk analisis terhadap volatilitas return menunjukan bahwa pada indeks harga saham gabungan sebagai indikator di pasar saham dipengaruhi oleh jumlah uang beredar, dan suku bunga. 2) Pada analisis tiap sektor di pasar saham, sektor industri barang konsumsi, pertanian dan pertambangan dipengaruhi oleh suku bunga dan jumlah uang beredar. 3) Pada sektor industri dasar, keuangan dan properti hanya jumlah uang beredar yang mempunyai pengaruh, sedangkan suku bunga tidak memiliki pengaruh. 4) Pada sektor perdagangan suku bunga jumlah uang beredar tidak memliki pengaruh terhadap volatilitas return pada sektor tersebut. Sedangkan pada sektor aneka industri, volatilitas return dipengaruhi hanya dipengaruhi oleh suku bunga, sedangkan jumlah uang beredar tidak mempengaruhi. 5) Suku bunga dan jumlah beredar mempunyai pengaruh yang berbeda pada tiap sektor, selain itu jumlah uang beredar lebih domninan mempengaruhi volatilitas return di pasar saham. Hal itu dilihat dari pengaruhnya terhadap beberapa sektor, dimana jumlah uang beredar lebih banyak mempengaruhi volatilitas return sektor-sektor dipasar saham bila dibandingkan dengan suku bunga.

52

5.2. Saran Dalam upaya menjaga stabilitas di pasar saham, sebaiknya dalam menjalankan kebijakan moneter, Bank Indonesia selaku otoritas moneter dapat lebih efektif dalam mempengaruhi jumlah uang beredar, karena jumlah uang beredar lebih memiliki pengaruh dominan terhadap volatilitas return di pasar saham dibandingkan dengan suku bunga sebagai pembentuk ekspektasi terhadap aktivitas ekonomi di masa yang akan datang. Perlu upaya dari Bank Sentral agar memiliki kajian yang lebih dalam agar kebijakan moneter yang dilakukan dengan menggerakan suku bunga dapat memiliki pengaruh terhadap pergerakan jumlah uang beredar, dimana pergerakan yang diharapkan dapat sesuai dengan teori yang ada. Adanya penelitian lanjutan mengenai topik penelitian ini dengan menganalisis keterkaitan instrumen kebijakan moneter dengan volatilitas return di pasar saham, karena dalam penelitian ini hanya sebatas pada suku bunga acuan bank sentral yaitu suku bunga Bank Indonesia sebagai variabel dalam analisis ini, akan tetapi ada kemungkinan instrumen lain seperti discount rate, Fasbi,dll mempunyai peran dalam mempengaruhi volatilitas return di pasar saham, baik indeks gabungan maupun indeks tiap sektor. Pada penelitian ini menunjukan bahwa volatilitas return indeks saham gabungan dipengaruhi oleh suku bunga dan jumlah uang beredar, dimana suku bunga dan jumlah uang beredar memiliki pengaruh yang positif. Apabila terjadi keadaaan dimana volatilitas return di pasar saham sangat tinggi akan menyebabkan resiko berinvestasi di pasar saham menjadi tinggi. Untuk menjaga agar volatilitas tidak terlalu tinggi, sebaiknya bank sentral melakukan kebijakan moneter dengan cara

53

menurunkan suku bunga ataupun menurunkan jumlah uang beredar. Karena kondisi pasar saham yang sangat volatil akan menyebabkan tingginya resiko dalam berinvestasi, sehingga investor ada kecenderungan untuk menarik dana dari pasar saham tersebut.

54

DAFTAR PUSTAKA

Enders, W. 2004. Applied Econometric Time Series. United States of America. Phoenix Color Corp. University of Alabama. Firdaus, M. 2006. Analisis Deret Waktu Satu Ragam. IPB press, Bogor. Guidi, F. 2008. “European Central Bank and Federal Reserve USA : Monetary Policy Effects on the Returns Volatility of the Italian Stock Market Index Mitbel”. Munich Personal Repec Archieve Papers, no.10759. Jovanovic, M dan Tobias Z. 2008. “Stock Market Uncertainty and Monetary Policy Reaction Function of the Federal Reserve Bank”. Ruhr Economic Papers, no.11. Ioannidis, C and Alexandros K. 2006. “The Impact of Monetary Policy on Stock Prices”. Journal of Policy Modeling, 30: 33-53. Mankiw, G.N. 2003. Teori Makroekonomi Edisi Kelima. Erlangga, Jakarta. Mishkin, F.S. 1997. The Economics of Money, Banking, and Financial Markets. Addison-Wesley, United States of America. Napolitano, O. 2006. “Is the Impact of ECB Monetary Policy on EMU Stock Market Return Asymmteric?”. University of Naples Parthenope Discussion Paper, no.1. Sutriyati.

2004. Pemodelan Heteroskedastisitas Pada Data Deret Waktu Menggunakan Model GARCH [Tesis]. Bogor: Institut Pertanian Bogor.

Syofyan, S. 2004. Perbandingan Peran Jalur Kredit, Jalur Suku Bunga, dan Jalur Nilai Tukar Dalam Mekanisme Transmisi Kebijakan Moneter di Indonesia [Tesis]. Depok: Universitas Indonesia. Pasaribu, S.H. 2003. Eviews Untuk Analisis Runtut Waktu (Time Series Analysis). Bogor. Setiawan, W. 2004. Penerapan GARCH dan EGARCH untuk mengukur volatilitas Bursa Efek Jakarta.[Tesis]. Depok: Universitas Indonesia. Warjiyo, P. 2004. Bank Indonesia Bank Sentral Republik Indonesia : Sebuah Pengantar. Pusat Pendidikan dan Studi Kebanksentralan (PPSK), Jakarta.

56

Lampiran Lampiran 1 Model GARCH Composite Index GARCH(1,0) Dependent Variable: RIHSG Method: ML - ARCH (Marquardt) - Normal distribution Date: 08/13/09 Time: 08:56 Sample (adjusted): 2000M02 2008M11 Included observations: 106 after adjustments Convergence achieved after 10 iterations Presample variance: backcast (parameter = 0.7) GARCH = C(2) + C(3)*GARCH(-1) + C(4)*SBI + C(5)*JUB Variable

Coefficient

Std. Error

z-Statistic

Prob.

C

0.017207

0.007012

2.453908

0.0141

-202.8446 20.36893 2.495857 417.4262

0.0000 0.0000 0.0126 0.0000

Variance Equation C GARCH(-1) SBI JUB R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood Durbin-Watson stat

-0.080094 0.853496 0.000130 0.002299 -0.019850 -0.060240 0.080056 0.647309 125.5548 1.425247

0.000395 0.041902 5.23E-05 5.51E-06

Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion Hannan-Quinn criter.

0.006305 0.077749 -2.274620 -2.148986 -2.223700

GARCH(1,1) Dependent Variable: RIHSG Method: ML - ARCH (Marquardt) - Normal distribution Date: 08/13/09 Time: 08:57 Sample (adjusted): 2000M02 2008M11 Included observations: 106 after adjustments Convergence achieved after 50 iterations Presample variance: backcast (parameter = 0.7) GARCH = C(2) + C(3)*RESID(-1)^2 + C(4)*GARCH(-1) + C(5)*SBI + C(6) *JUB Variable

Coefficient

Std. Error

z-Statistic

Prob.

C

0.011960

0.006750

1.771823

0.0764

Variance Equation

57

C RESID(-1)^2 GARCH(-1) SBI JUB R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood Durbin-Watson stat

-0.010419 0.338847 -0.397853 0.000561 0.000307 -0.005342 -0.055609 0.079881 0.638100 127.2716 1.445815

0.123851 0.116995 0.423359 0.000514 0.003521

-0.084128 2.896265 -0.939751 1.089850 0.087259

Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion Hannan-Quinn criter.

0.9330 0.0038 0.3473 0.2758 0.9305 0.006305 0.077749 -2.288144 -2.137383 -2.227040

GARCH(2,1) Dependent Variable: RIHSG Method: ML - ARCH (Marquardt) - Normal distribution Date: 08/13/09 Time: 08:58 Sample (adjusted): 2000M02 2008M11 Included observations: 106 after adjustments Convergence achieved after 74 iterations Presample variance: backcast (parameter = 0.7) GARCH = C(2) + C(3)*RESID(-1)^2 + C(4)*GARCH(-1) + C(5)*GARCH(-2) + C(6)*SBI + C(7)*JUB Variable

Coefficient

Std. Error

z-Statistic

Prob.

C

0.010278

0.006098

1.685416

0.0919

0.019656 3.569027 -1.726742 1.485799 1.241167 -0.002513

0.9843 0.0004 0.0842 0.1373 0.2145 0.9980

Variance Equation C RESID(-1)^2 GARCH(-1) GARCH(-2) SBI JUB R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood Durbin-Watson stat

0.001992 0.332445 -0.510337 0.452611 0.000257 -7.21E-06 -0.002636 -0.063402 0.080176 0.636383 130.0531 1.449717

0.101319 0.093147 0.295549 0.304624 0.000207 0.002869

Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion Hannan-Quinn criter.

0.006305 0.077749 -2.321757 -2.145869 -2.250469

58

GARCH(1,2) Dependent Variable: RIHSG Method: ML - ARCH (Marquardt) - Normal distribution Date: 08/13/09 Time: 08:57 Sample (adjusted): 2000M02 2008M11 Included observations: 106 after adjustments Convergence achieved after 34 iterations Presample variance: backcast (parameter = 0.7) GARCH = C(2) + C(3)*RESID(-1)^2 + C(4)*RESID(-2)^2 + C(5)*GARCH(-1) + C(6)*SBI + C(7)*JUB Variable

Coefficient

Std. Error

z-Statistic

Prob.

C

0.008246

0.006526

1.263603

0.2064

4.716059 3.077466 -1.260137 0.382548 0.779710 -5.770105

0.0000 0.0021 0.2076 0.7021 0.4356 0.0000

Variance Equation C RESID(-1)^2 RESID(-2)^2 GARCH(-1) SBI JUB R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood Durbin-Watson stat

0.016473 0.307114 -0.297436 0.268770 0.000278 -0.000449 -0.000629 -0.061273 0.080095 0.635109 127.7081 1.452624

0.003493 0.099794 0.236035 0.702577 0.000357 7.79E-05

Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion Hannan-Quinn criter.

0.006305 0.077749 -2.277512 -2.101625 -2.206224

GARCH(2,2) Dependent Variable: RIHSG Method: ML - ARCH (Marquardt) - Normal distribution Date: 08/13/09 Time: 08:59 Sample (adjusted): 2000M02 2008M11 Included observations: 106 after adjustments Convergence achieved after 38 iterations Presample variance: backcast (parameter = 0.7) GARCH = C(2) + C(3)*RESID(-1)^2 + C(4)*RESID(-2)^2 + C(5)*GARCH(-1) + C(6)*GARCH(-2) + C(7)*SBI + C(8)*JUB Variable

Coefficient

Std. Error

z-Statistic

Prob.

C

0.012450

0.006771

1.838889

0.0659

59

Variance Equation C RESID(-1)^2 RESID(-2)^2 GARCH(-1) GARCH(-2) SBI JUB R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood Durbin-Watson stat

-0.000580 0.148912 -0.333319 0.649225 0.458237 2.88E-05 1.58E-05 -0.006307 -0.078186 0.080731 0.638713 132.7283 1.444428

0.026455 0.107055 0.172554 0.165389 0.000294 5.18E-05 0.000764

-0.021926 1.390978 -1.931682 3.925443 1556.034 0.554985 0.020742

Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion Hannan-Quinn criter.

0.9825 0.1642 0.0534 0.0001 0.0000 0.5789 0.9835 0.006305 0.077749 -2.353365 -2.152350 -2.271892

Model GARCH Saham sektor Aneka Industri GARCH(1,0) Dependent Variable: RIHSAI Method: ML - ARCH (Marquardt) - Normal distribution Date: 08/13/09 Time: 09:10 Sample (adjusted): 2000M02 2008M12 Included observations: 107 after adjustments Convergence achieved after 33 iterations Presample variance: backcast (parameter = 0.7) GARCH = C(2) + C(3)*GARCH(-1) + C(4)*SBI + C(5)*JUB Variable

Coefficient

Std. Error

z-Statistic

Prob.

C

0.025176

0.009344

2.694470

0.0071

-44.89541 -3.064162 6.346082 913.4603

0.0000 0.0022 0.0000 0.0000

Variance Equation C GARCH(-1) SBI JUB R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood Durbin-Watson stat

-0.445330 -0.724413 0.008407 0.011190 -0.022297 -0.062387 0.143054 2.087360 76.76753 2.401290

0.009919 0.236415 0.001325 1.23E-05

Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion Hannan-Quinn criter.

0.004549 0.138790 -1.341449 -1.216551 -1.290817

60

GARCH(1,1) Dependent Variable: RIHSAI Method: ML - ARCH (Marquardt) - Normal distribution Date: 08/13/09 Time: 09:12 Sample (adjusted): 2000M02 2008M12 Included observations: 107 after adjustments Convergence achieved after 76 iterations Presample variance: backcast (parameter = 0.7) GARCH = C(2) + C(3)*RESID(-1)^2 + C(4)*GARCH(-1) + C(5)*SBI + C(6) *JUB Variable

Coefficient

Std. Error

z-Statistic

Prob.

C

0.009698

0.010099

0.960222

0.3369

-0.078519 2.501759 -0.390144 2.807787 -0.006286

0.9374 0.0124 0.6964 0.0050 0.9950

Variance Equation C RESID(-1)^2 GARCH(-1) SBI JUB R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood Durbin-Watson stat

-0.012964 0.583637 -0.034340 0.002242 -2.92E-05 -0.001389 -0.050963 0.142282 2.044669 85.41420 2.451427

0.165104 0.233291 0.088019 0.000799 0.004646

Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion Hannan-Quinn criter.

0.004549 0.138790 -1.484378 -1.334499 -1.423619

GARCH(1,2) Dependent Variable: RIHSAI Method: ML - ARCH (Marquardt) - Normal distribution Date: 08/13/09 Time: 09:13 Sample (adjusted): 2000M02 2008M12 Included observations: 107 after adjustments Convergence achieved after 29 iterations Presample variance: backcast (parameter = 0.7) GARCH = C(2) + C(3)*RESID(-1)^2 + C(4)*RESID(-2)^2 + C(5)*GARCH(-1) + C(6)*SBI + C(7)*JUB Variable

Coefficient

Std. Error

z-Statistic

Prob.

C

0.004967

0.010376

0.478722

0.6321

Variance Equation

61

C RESID(-1)^2 RESID(-2)^2 GARCH(-1) SBI JUB R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood Durbin-Watson stat

0.006282 0.390650 -0.235590 0.569206 0.000846 -0.000322 -0.000009 -0.060010 0.142893 2.041851 84.36101 2.454810

0.078201 0.157782 0.176201 0.344805 0.000842 0.002234

0.080334 2.475892 -1.337056 1.650807 1.004579 -0.143929

Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion Hannan-Quinn criter.

0.9360 0.0133 0.1812 0.0988 0.3151 0.8856 0.004549 0.138790 -1.446000 -1.271142 -1.375115

GARCH(2,2) Dependent Variable: RIHSAI Method: ML - ARCH (Marquardt) - Normal distribution Date: 08/13/09 Time: 09:15 Sample (adjusted): 2000M02 2008M12 Included observations: 107 after adjustments Convergence achieved after 34 iterations Presample variance: backcast (parameter = 0.7) GARCH = C(2) + C(3)*RESID(-1)^2 + C(4)*RESID(-2)^2 + C(5)*GARCH(-1) + C(6)*GARCH(-2) + C(7)*SBI + C(8)*JUB Variable

Coefficient

Std. Error

z-Statistic

Prob.

C

0.002988

0.009682

0.308640

0.7576

0.054356 2.759256 -0.765134 0.597052 1.479535 1.096399 -0.112338

0.9567 0.0058 0.4442 0.5505 0.1390 0.2729 0.9106

Variance Equation C RESID(-1)^2 RESID(-2)^2 GARCH(-1) GARCH(-2) SBI JUB R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood Durbin-Watson stat

0.005953 0.582246 -0.209311 0.271449 0.079170 0.001085 -0.000349 -0.000128 -0.070844 0.143622 2.042093 86.08252 2.454519

0.109514 0.211015 0.273561 0.454649 0.053510 0.000989 0.003110

Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion Hannan-Quinn criter.

0.004549 0.138790 -1.459486 -1.259649 -1.378475

62

Model GARCH Saham Sektor Industri Barang Konsumsi GARCH(1,0) Dependent Variable: RIHSIBK Method: ML - ARCH (Marquardt) - Normal distribution Date: 08/13/09 Time: 09:19 Sample (adjusted): 2000M02 2008M12 Included observations: 107 after adjustments Convergence achieved after 6 iterations Presample variance: backcast (parameter = 0.7) GARCH = C(2) + C(3)*GARCH(-1) + C(4)*SBI + C(5)*JUB Variable

Coefficient

Std. Error

z-Statistic

Prob.

C

0.005175

0.008075

0.640832

0.5216

88.40886 3.959727 -1.090940 -47.27402

0.0000 0.0001 0.2753 0.0000

Variance Equation C GARCH(-1) SBI JUB R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood Durbin-Watson stat

0.059161 0.699173 -5.03E-05 -0.001650 -0.000025 -0.039242 0.078135 0.622720 128.8957 1.997222

0.000669 0.176571 4.61E-05 3.49E-05

Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion Hannan-Quinn criter.

0.005559 0.076646 -2.315807 -2.190909 -2.265175

GARCH(1,1) Dependent Variable: RIHSIBK Method: ML - ARCH (Marquardt) - Normal distribution Date: 08/13/09 Time: 09:22 Sample (adjusted): 2000M02 2008M12 Included observations: 107 after adjustments Convergence achieved after 9 iterations Presample variance: backcast (parameter = 0.7) GARCH = C(2) + C(3)*RESID(-1)^2 + C(4)*GARCH(-1) + C(5)*SBI + C(6) *JUB Variable

Coefficient

Std. Error

z-Statistic

Prob.

C

0.006359

0.007570

0.840056

0.4009

Variance Equation

63

C RESID(-1)^2 GARCH(-1) SBI JUB R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood Durbin-Watson stat

0.063180 0.085971 0.425817 6.27E-05 -0.001777 -0.000110 -0.049621 0.078524 0.622773 128.6889 1.997053

0.001213 0.050567 0.259982 0.000119 8.69E-06

52.07584 1.700149 1.637868 0.528000 -204.6140

Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion Hannan-Quinn criter.

0.0000 0.0891 0.1014 0.5975 0.0000 0.005559 0.076646 -2.293250 -2.143371 -2.232491

GARCH(1,2) Dependent Variable: RIHSIBK Method: ML - ARCH (Marquardt) - Normal distribution Date: 08/13/09 Time: 09:23 Sample (adjusted): 2000M02 2008M12 Included observations: 107 after adjustments Convergence achieved after 12 iterations Presample variance: backcast (parameter = 0.7) GARCH = C(2) + C(3)*RESID(-1)^2 + C(4)*RESID(-2)^2 + C(5)*GARCH(-1) + C(6)*SBI + C(7)*JUB Variable

Coefficient

Std. Error

z-Statistic

Prob.

C

0.009630

0.008293

1.161201

0.2456

85.48383 4.712993 -14.03358 48.47800 -1.942265 -37.75725

0.0000 0.0000 0.0000 0.0000 0.0521 0.0000

Variance Equation C RESID(-1)^2 RESID(-2)^2 GARCH(-1) SBI JUB R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood Durbin-Watson stat

0.010140 0.082088 -0.142671 1.008809 -5.49E-05 -0.000271 -0.002848 -0.063019 0.079024 0.624478 134.7257 1.991601

0.000119 0.017417 0.010166 0.020810 2.83E-05 7.19E-06

Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion Hannan-Quinn criter.

0.005559 0.076646 -2.387396 -2.212538 -2.316511

64

GARCH(2,1) Dependent Variable: RIHSIBK Method: ML - ARCH (Marquardt) - Normal distribution Date: 08/13/09 Time: 09:23 Sample (adjusted): 2000M02 2008M12 Included observations: 107 after adjustments Convergence achieved after 21 iterations Presample variance: backcast (parameter = 0.7) GARCH = C(2) + C(3)*RESID(-1)^2 + C(4)*GARCH(-1) + C(5)*GARCH(-2) + C(6)*SBI + C(7)*JUB Variable

Coefficient

Std. Error

z-Statistic

Prob.

C

0.008015

0.008123

0.986645

0.3238

26.73398 1.585049 0.369487 0.050970 0.515661 -41.20405

0.0000 0.1130 0.7118 0.9593 0.6061 0.0000

Variance Equation C RESID(-1)^2 GARCH(-1) GARCH(-2) SBI JUB R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood Durbin-Watson stat

0.036442 0.077355 0.410038 0.051183 6.11E-05 -0.001007 -0.001036 -0.061099 0.078953 0.623350 128.4467 1.995205

0.001363 0.048803 1.109749 1.004178 0.000118 2.44E-05

Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion Hannan-Quinn criter.

0.005559 0.076646 -2.270032 -2.095174 -2.199147

GARCH(2,2) Dependent Variable: RIHSIBK Method: ML - ARCH (Marquardt) - Normal distribution Date: 08/13/09 Time: 09:24 Sample (adjusted): 2000M02 2008M12 Included observations: 107 after adjustments Convergence achieved after 21 iterations Presample variance: backcast (parameter = 0.7) GARCH = C(2) + C(3)*RESID(-1)^2 + C(4)*RESID(-2)^2 + C(5)*GARCH(-1) + C(6)*GARCH(-2) + C(7)*SBI + C(8)*JUB Variable

Coefficient

Std. Error

z-Statistic

Prob.

C

0.009098

0.007383

1.232389

0.2178

Variance Equation

65

C RESID(-1)^2 RESID(-2)^2 GARCH(-1) GARCH(-2) SBI JUB R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood Durbin-Watson stat

0.007169 -0.005576 -0.113661 0.509882 0.541930 -0.000117 -0.000168 -0.002153 -0.073012 0.079394 0.624045 135.4745 1.992983

2.08E-05 0.063186 0.058084 0.509530 0.508919 5.23E-07 3.59E-06

344.4865 -0.088248 -1.956849 1.000692 1.064865 -223.3422 -46.75269

Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion Hannan-Quinn criter.

0.0000 0.9297 0.0504 0.3170 0.2869 0.0000 0.0000 0.005559 0.076646 -2.382700 -2.182862 -2.301688

Model GARCH Saham Sektor Industri Dasar GARCH(1,0) Dependent Variable: RIHSID Method: ML - ARCH (Marquardt) - Normal distribution Date: 08/13/09 Time: 09:30 Sample (adjusted): 2000M02 2008M12 Included observations: 107 after adjustments Convergence achieved after 11 iterations Presample variance: backcast (parameter = 0.7) GARCH = C(2) + C(3)*GARCH(-1) + C(4)*SBI + C(5)*JUB Variable

Coefficient

Std. Error

z-Statistic

Prob.

C

0.003933

0.009941

0.395642

0.6924

-142.6650 36.64804 0.335987 751.9074

0.0000 0.0000 0.7369 0.0000

Variance Equation C GARCH(-1) SBI JUB R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood Durbin-Watson stat

-0.202585 0.964572 2.86E-05 0.005892 -0.000368 -0.039598 0.162926 2.707563 62.31609 1.695671

0.001420 0.026320 8.50E-05 7.84E-06

Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion Hannan-Quinn criter.

0.000883 0.159793 -1.071329 -0.946430 -1.020697

66

GARCH(1,1) Dependent Variable: RIHSID Method: ML - ARCH (Marquardt) - Normal distribution Date: 08/13/09 Time: 09:30 Sample (adjusted): 2000M02 2008M12 Included observations: 107 after adjustments Convergence achieved after 33 iterations Presample variance: backcast (parameter = 0.7) GARCH = C(2) + C(3)*RESID(-1)^2 + C(4)*GARCH(-1) + C(5)*SBI + C(6) *JUB Variable

Coefficient

Std. Error

z-Statistic

Prob.

C

0.002842

0.003993

0.711875

0.4765

6.855610 -3.290722 20.25022 -1.832574 -8.854915

0.0000 0.0010 0.0000 0.0669 0.0000

Variance Equation C RESID(-1)^2 GARCH(-1) SBI JUB R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood Durbin-Watson stat

0.009194 -0.052705 1.074276 -0.000128 -0.000226 -0.000152 -0.049664 0.163712 2.706978 70.27774 1.696038

0.001341 0.016016 0.053050 6.96E-05 2.55E-05

Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion Hannan-Quinn criter.

0.000883 0.159793 -1.201453 -1.051575 -1.140694

GARCH(1,2) Dependent Variable: RIHSID Method: ML - ARCH (Marquardt) - Normal distribution Date: 08/13/09 Time: 09:31 Sample (adjusted): 2000M02 2008M12 Included observations: 107 after adjustments Convergence achieved after 19 iterations Presample variance: backcast (parameter = 0.7) GARCH = C(2) + C(3)*RESID(-1)^2 + C(4)*RESID(-2)^2 + C(5)*GARCH(-1) + C(6)*SBI + C(7)*JUB Variable

Coefficient

Std. Error

z-Statistic

Prob.

C

-0.001996

0.011939

-0.167226

0.8672

67

Variance Equation C RESID(-1)^2 RESID(-2)^2 GARCH(-1) SBI JUB R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood Durbin-Watson stat

0.015835 -0.005939 0.033125 0.983860 -0.000165 -0.000398 -0.000328 -0.060347 0.164543 2.707455 61.64507 1.695739

0.001124 0.048740 0.051920 0.036194 5.93E-05 1.28E-06

14.09034 -0.121847 0.637997 27.18314 -2.787153 -311.1984

Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion Hannan-Quinn criter.

0.0000 0.9030 0.5235 0.0000 0.0053 0.0000 0.000883 0.159793 -1.021403 -0.846545 -0.950518

GARCH(2,1) Dependent Variable: RIHSID Method: ML - ARCH (Marquardt) - Normal distribution Date: 08/13/09 Time: 09:31 Sample (adjusted): 2000M02 2008M12 Included observations: 107 after adjustments Convergence achieved after 57 iterations Presample variance: backcast (parameter = 0.7) GARCH = C(2) + C(3)*RESID(-1)^2 + C(4)*GARCH(-1) + C(5)*GARCH(-2) + C(6)*SBI + C(7)*JUB Variable

Coefficient

Std. Error

z-Statistic

Prob.

C

-0.006323

0.007086

-0.892344

0.3722

-22.99115 3.684445 -2.427242 23.90477 -1.366431 21.36349

0.0000 0.0002 0.0152 0.0000 0.1718 0.0000

Variance Equation C RESID(-1)^2 GARCH(-1) GARCH(-2) SBI JUB R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood Durbin-Watson stat

-0.138924 0.062982 -0.175941 0.981659 -0.000241 0.004166 -0.002053 -0.062176 0.164685 2.712124 70.31551 1.692820

0.006042 0.017094 0.072486 0.041065 0.000176 0.000195

Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion Hannan-Quinn criter.

0.000883 0.159793 -1.183467 -1.008610 -1.112582

68

GARCH(2,2) Dependent Variable: RIHSID Method: ML - ARCH (Marquardt) - Normal distribution Date: 08/13/09 Time: 09:32 Sample (adjusted): 2000M02 2008M12 Included observations: 107 after adjustments Convergence achieved after 19 iterations Presample variance: backcast (parameter = 0.7) GARCH = C(2) + C(3)*RESID(-1)^2 + C(4)*RESID(-2)^2 + C(5)*GARCH(-1) + C(6)*GARCH(-2) + C(7)*SBI + C(8)*JUB Variable

Coefficient

Std. Error

z-Statistic

Prob.

C

-0.007776

0.013018

-0.597330

0.5503

-34.72956 0.610079 -0.374445 18.76658 -7.847495 -2.094687 288.1406

0.0000 0.5418 0.7081 0.0000 0.0000 0.0362 0.0000

Variance Equation C RESID(-1)^2 RESID(-2)^2 GARCH(-1) GARCH(-2) SBI JUB R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood Durbin-Watson stat

-0.008586 0.035666 -0.024955 1.617448 -0.623917 -3.75E-05 0.000264 -0.002964 -0.073881 0.165590 2.714591 62.23301 1.691282

0.000247 0.058461 0.066645 0.086188 0.079505 1.79E-05 9.17E-07

Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion Hannan-Quinn criter.

0.000883 0.159793 -1.013701 -0.813863 -0.932690

Model GARCH Saham Sektor Keuangan GARCH(1,0) Dependent Variable: RIHSK Method: ML - ARCH (Marquardt) - Normal distribution Date: 08/13/09 Time: 11:44 Sample (adjusted): 2000M02 2008M12 Included observations: 107 after adjustments Convergence achieved after 39 iterations Presample variance: backcast (parameter = 0.7) GARCH = C(2) + C(3)*GARCH(-1) + C(4)*SBI + C(5)*JUB Variable

Coefficient

Std. Error

z-Statistic

Prob.

C

0.011427

0.007199

1.587326

0.1124

69

Variance Equation C GARCH(-1) SBI JUB R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood Durbin-Watson stat

-0.241942 -0.987536 0.001335 0.006930 -0.000115 -0.039335 0.081777 0.682120 123.6030 1.700948

0.007722 0.015126 0.000700 0.000131

-31.33305 -65.28851 1.906255 52.82029

Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion Hannan-Quinn criter.

0.0000 0.0000 0.0566 0.0000 0.010572 0.080214 -2.216878 -2.091980 -2.166246

GARCH(1,1) Dependent Variable: RIHSK Method: ML - ARCH (Marquardt) - Normal distribution Date: 08/13/09 Time: 11:45 Sample (adjusted): 2000M02 2008M12 Included observations: 107 after adjustments Failure to improve Likelihood after 71 iterations Presample variance: backcast (parameter = 0.7) GARCH = C(2) + C(3)*RESID(-1)^2 + C(4)*GARCH(-1) + C(5)*SBI + C(6) *JUB Variable

Coefficient

Std. Error

z-Statistic

Prob.

C

0.007446

0.006943

1.072425

0.2835

-0.108044 -0.530281 -0.176062 0.781855 0.128501

0.9140 0.5959 0.8602 0.4343 0.8978

Variance Equation C RESID(-1)^2 GARCH(-1) SBI JUB R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood Durbin-Watson stat

-0.010233 -0.076460 -0.273245 0.000581 0.000352 -0.001533 -0.051114 0.082239 0.683088 121.4403 1.698538

0.094709 0.144187 1.551979 0.000744 0.002738

Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion Hannan-Quinn criter.

0.010572 0.080214 -2.157763 -2.007885 -2.097004

70

GARCH(1,2) Dependent Variable: RIHSK Method: ML - ARCH (Marquardt) - Normal distribution Date: 08/13/09 Time: 11:46 Sample (adjusted): 2000M02 2008M12 Included observations: 107 after adjustments Failure to improve Likelihood after 63 iterations Presample variance: backcast (parameter = 0.7) GARCH = C(2) + C(3)*RESID(-1)^2 + C(4)*RESID(-2)^2 + C(5)*GARCH(-1) + C(6)*SBI + C(7)*JUB Variable

Coefficient

Std. Error

z-Statistic

Prob.

C

0.006525

0.008279

0.788123

0.4306

0.026017 -0.742447 0.107838 0.049458 0.108051 0.038509

0.9792 0.4578 0.9141 0.9606 0.9140 0.9693

Variance Equation C RESID(-1)^2 RESID(-2)^2 GARCH(-1) SBI JUB R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood Durbin-Watson stat

0.001445 -0.076171 0.048006 0.283312 8.56E-05 6.70E-05 -0.002570 -0.062724 0.082692 0.683794 120.5932 1.696783

0.055558 0.102595 0.445169 5.728335 0.000793 0.001740

Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion Hannan-Quinn criter.

0.010572 0.080214 -2.123238 -1.948380 -2.052353

GARCH(2,1) Dependent Variable: RIHSK Method: ML - ARCH (Marquardt) - Normal distribution Date: 08/13/09 Time: 11:46 Sample (adjusted): 2000M02 2008M12 Included observations: 107 after adjustments Convergence achieved after 66 iterations Presample variance: backcast (parameter = 0.7) GARCH = C(2) + C(3)*RESID(-1)^2 + C(4)*GARCH(-1) + C(5)*GARCH(-2) + C(6)*SBI + C(7)*JUB Variable

Coefficient

Std. Error

z-Statistic

Prob.

C

0.004878

0.008625

0.565633

0.5716

71

Variance Equation C RESID(-1)^2 GARCH(-1) GARCH(-2) SBI JUB R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood Durbin-Watson stat

-0.001021 -0.071863 0.384691 0.355360 0.000105 5.55E-05 -0.005086 -0.065391 0.082796 0.685511 119.9491 1.692535

0.029050 0.051892 0.357647 0.881124 0.000257 0.000822

-0.035162 -1.384862 1.075618 0.403303 0.410074 0.067511

Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion Hannan-Quinn criter.

0.9720 0.1661 0.2821 0.6867 0.6818 0.9462 0.010572 0.080214 -2.111198 -1.936340 -2.040313

GARCH(2,2) Dependent Variable: RIHSK Method: ML - ARCH (Marquardt) - Normal distribution Date: 08/13/09 Time: 11:47 Sample (adjusted): 2000M02 2008M12 Included observations: 107 after adjustments Convergence achieved after 36 iterations Presample variance: backcast (parameter = 0.7) GARCH = C(2) + C(3)*RESID(-1)^2 + C(4)*RESID(-2)^2 + C(5)*GARCH(-1) + C(6)*GARCH(-2) + C(7)*SBI + C(8)*JUB Variable

Coefficient

Std. Error

z-Statistic

Prob.

C

0.006094

0.008913

0.683728

0.4941

0.086650 -2.126243 0.196107 0.253245 0.043670 0.070503 -0.041425

0.9309 0.0335 0.8445 0.8001 0.9652 0.9438 0.9670

Variance Equation C RESID(-1)^2 RESID(-2)^2 GARCH(-1) GARCH(-2) SBI JUB R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood Durbin-Watson stat

0.001537 -0.073505 0.045623 0.829575 0.088486 6.69E-06 -2.71E-05 -0.003146 -0.074075 0.083132 0.684187 120.2252 1.695808

0.017742 0.034570 0.232643 3.275776 2.026249 9.49E-05 0.000655

Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion Hannan-Quinn criter.

0.010572 0.080214 -2.097667 -1.897829 -2.016655

72

Model GARCH Saham Sektor Perdagangan GARCH(1,0) Dependent Variable: RIHSPD Method: ML - ARCH (Marquardt) - Normal distribution Date: 08/13/09 Time: 11:53 Sample (adjusted): 2000M02 2008M12 Included observations: 107 after adjustments Convergence achieved after 85 iterations Presample variance: backcast (parameter = 0.7) GARCH = C(2) + C(3)*GARCH(-1) + C(4)*SBI + C(5)*JUB Variable

Coefficient

Std. Error

z-Statistic

Prob.

C

0.002317

0.009152

0.253233

0.8001

-2.543344 -1.385654 2.190922 2.441287

0.0110 0.1659 0.0285 0.0146

Variance Equation C GARCH(-1) SBI JUB R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood Durbin-Watson stat

-0.249733 -0.595633 0.001768 0.007010 -0.003498 -0.042851 0.089972 0.825682 113.1627 1.478277

0.098191 0.429857 0.000807 0.002872

Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion Hannan-Quinn criter.

-0.002869 0.088104 -2.021732 -1.896833 -1.971100

GARCH(1,1) Dependent Variable: RIHSPD Method: ML - ARCH (Marquardt) - Normal distribution Date: 08/13/09 Time: 11:53 Sample (adjusted): 2000M02 2008M12 Included observations: 107 after adjustments Convergence achieved after 95 iterations Presample variance: backcast (parameter = 0.7) GARCH = C(2) + C(3)*RESID(-1)^2 + C(4)*GARCH(-1) + C(5)*SBI + C(6) *JUB Variable

Coefficient

Std. Error

z-Statistic

Prob.

C

0.011108

0.007828

1.419096

0.1559

73

Variance Equation C RESID(-1)^2 GARCH(-1) SBI JUB R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood Durbin-Watson stat

-0.005488 0.801859 -0.090983 0.000293 0.000177 -0.025406 -0.076169 0.091398 0.843708 120.7167 1.446693

0.086267 0.165920 0.138876 0.000345 0.002436

-0.063617 4.832797 -0.655143 0.847690 0.072460

Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion Hannan-Quinn criter.

0.9493 0.0000 0.5124 0.3966 0.9422 -0.002869 0.088104 -2.144237 -1.994359 -2.083479

GARCH(1,2) Dependent Variable: RIHSPD Method: ML - ARCH (Marquardt) - Normal distribution Date: 08/13/09 Time: 11:54 Sample (adjusted): 2000M02 2008M12 Included observations: 107 after adjustments Convergence achieved after 60 iterations Presample variance: backcast (parameter = 0.7) GARCH = C(2) + C(3)*RESID(-1)^2 + C(4)*RESID(-2)^2 + C(5)*GARCH(-1) + C(6)*SBI + C(7)*JUB Variable

Coefficient

Std. Error

z-Statistic

Prob.

C

0.017101

0.007301

2.342317

0.0192

0.034145 6.105606 5.294139 -15.68619 0.841820 -0.033082

0.9728 0.0000 0.0000 0.0000 0.3999 0.9736

Variance Equation C RESID(-1)^2 RESID(-2)^2 GARCH(-1) SBI JUB R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood Durbin-Watson stat

0.002994 0.755792 0.704036 -1.052046 0.000591 -8.15E-05 -0.051864 -0.114976 0.093031 0.865477 125.0951 1.410305

0.087692 0.123787 0.132984 0.067068 0.000702 0.002462

Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion Hannan-Quinn criter.

-0.002869 0.088104 -2.207386 -2.032528 -2.136501

74

GARCH(2,1) Dependent Variable: RIHSPD Method: ML - ARCH (Marquardt) - Normal distribution Date: 08/13/09 Time: 11:54 Sample (adjusted): 2000M02 2008M12 Included observations: 107 after adjustments Convergence achieved after 72 iterations Presample variance: backcast (parameter = 0.7) GARCH = C(2) + C(3)*RESID(-1)^2 + C(4)*GARCH(-1) + C(5)*GARCH(-2) + C(6)*SBI + C(7)*JUB Variable

Coefficient

Std. Error

z-Statistic

Prob.

C

0.009325

0.006543

1.425059

0.1541

-0.329758 3.546430 -0.912002 1.325202 0.350047 0.347287

0.7416 0.0004 0.3618 0.1851 0.7263 0.7284

Variance Equation C RESID(-1)^2 GARCH(-1) GARCH(-2) SBI JUB R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood Durbin-Watson stat

-0.030525 0.756021 -0.109776 0.307782 7.41E-05 0.000914 -0.019336 -0.080496 0.091581 0.838713 121.9787 1.455309

0.092569 0.213178 0.120368 0.232253 0.000212 0.002632

Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion Hannan-Quinn criter.

-0.002869 0.088104 -2.149135 -1.974277 -2.078250

GARCH(2,2) Dependent Variable: RIHSPD Method: ML - ARCH (Marquardt) - Normal distribution Date: 08/13/09 Time: 11:55 Sample (adjusted): 2000M02 2008M12 Included observations: 107 after adjustments Convergence achieved after 183 iterations Presample variance: backcast (parameter = 0.7) GARCH = C(2) + C(3)*RESID(-1)^2 + C(4)*RESID(-2)^2 + C(5)*GARCH(-1) + C(6)*GARCH(-2) + C(7)*SBI + C(8)*JUB Variable

Coefficient

Std. Error

z-Statistic

Prob.

C

0.009073

0.006728

1.348639

0.1775

Variance Equation

75

C RESID(-1)^2 RESID(-2)^2 GARCH(-1) GARCH(-2) SBI JUB R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood Durbin-Watson stat

-0.011722 0.774856 -0.034217 -0.065061 0.316910 4.70E-05 0.000371 -0.018547 -0.090565 0.092007 0.838064 121.9475 1.456436

0.092364 0.212388 0.481723 0.608004 0.234743 0.000213 0.002611

-0.126908 3.648307 -0.071031 -0.107008 1.350026 0.220329 0.142158

Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion Hannan-Quinn criter.

0.8990 0.0003 0.9434 0.9148 0.1770 0.8256 0.8870 -0.002869 0.088104 -2.129859 -1.930022 -2.048848

Model GARCH Saham Sektor Pertambangan GARCH(1,0) Dependent Variable: RIHSPT Method: ML - ARCH (Marquardt) - Normal distribution Date: 08/13/09 Time: 11:58 Sample (adjusted): 2000M02 2008M12 Included observations: 107 after adjustments Convergence achieved after 11 iterations Presample variance: backcast (parameter = 0.7) GARCH = C(2) + C(3)*GARCH(-1) + C(4)*SBI + C(5)*JUB Variable

Coefficient

Std. Error

z-Statistic

Prob.

C

0.003940

0.009941

0.396340

0.6919

-143.2441 36.65238 0.336235 784.1776

0.0000 0.0000 0.7367 0.0000

Variance Equation C GARCH(-1) SBI JUB R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood Durbin-Watson stat

-0.202579 0.964593 2.86E-05 0.005892 -0.000369 -0.039600 0.162925 2.707555 62.31662 1.695666

0.001414 0.026317 8.49E-05 7.51E-06

Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion Hannan-Quinn criter.

0.000883 0.159792 -1.071339 -0.946440 -1.020706

76

GARCH(1,1) Dependent Variable: RIHSPT Method: ML - ARCH (Marquardt) - Normal distribution Date: 08/13/09 Time: 11:58 Sample (adjusted): 2000M02 2008M12 Included observations: 107 after adjustments Convergence achieved after 27 iterations Presample variance: backcast (parameter = 0.7) GARCH = C(2) + C(3)*RESID(-1)^2 + C(4)*GARCH(-1) + C(5)*SBI + C(6) *JUB Variable

Coefficient

Std. Error

z-Statistic

Prob.

C

-0.007414

0.013161

-0.563292

0.5732

0.445609 -1.912884 24.22212 -3.555782 -0.363782

0.6559 0.0558 0.0000 0.0004 0.7160

Variance Equation C RESID(-1)^2 GARCH(-1) SBI JUB R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood Durbin-Watson stat

0.009693 -0.024372 1.044729 -0.000145 -0.000231 -0.002721 -0.052361 0.163922 2.713921 66.48247 1.691689

0.021753 0.012741 0.043131 4.07E-05 0.000636

Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion Hannan-Quinn criter.

0.000883 0.159792 -1.130513 -0.980635 -1.069755

GARCH(1,2) Dependent Variable: RIHSPT Method: ML - ARCH (Marquardt) - Normal distribution Date: 08/13/09 Time: 11:59 Sample (adjusted): 2000M02 2008M12 Included observations: 107 after adjustments Convergence achieved after 30 iterations Presample variance: backcast (parameter = 0.7) GARCH = C(2) + C(3)*RESID(-1)^2 + C(4)*RESID(-2)^2 + C(5)*GARCH(-1) + C(6)*SBI + C(7)*JUB Variable

Coefficient

Std. Error

z-Statistic

Prob.

C

-0.021027

0.011849

-1.774591

0.0760

Variance Equation

77

C RESID(-1)^2 RESID(-2)^2 GARCH(-1) SBI JUB R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood Durbin-Watson stat

0.015060 0.020712 -0.066436 1.056695 -0.000149 -0.000382 -0.018978 -0.080116 0.166070 2.757920 69.02835 1.664700

2.57E-08 0.041146 0.039184 0.025726 2.06E-05 1.16E-05

585840.3 0.503371 -1.695483 41.07554 -7.239348 -32.81411

Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion Hannan-Quinn criter.

0.0000 0.6147 0.0900 0.0000 0.0000 0.0000 0.000883 0.159792 -1.159408 -0.984550 -1.088523

GARCH(2,1) Dependent Variable: RIHSPT Method: ML - ARCH (Marquardt) - Normal distribution Date: 08/13/09 Time: 11:59 Sample (adjusted): 2000M02 2008M12 Included observations: 107 after adjustments Convergence achieved after 30 iterations Presample variance: backcast (parameter = 0.7) GARCH = C(2) + C(3)*RESID(-1)^2 + C(4)*GARCH(-1) + C(5)*GARCH(-2) + C(6)*SBI + C(7)*JUB Variable

Coefficient

Std. Error

z-Statistic

Prob.

C

-0.011171

0.011588

-0.963996

0.3350

0.188390 3.119046 -1.996634 21.10253 -1.799382 -0.118394

0.8506 0.0018 0.0459 0.0000 0.0720 0.9058

Variance Equation C RESID(-1)^2 GARCH(-1) GARCH(-2) SBI JUB R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood Durbin-Watson stat

0.011803 0.064190 -0.084784 0.984319 -0.000284 -0.000211 -0.005744 -0.066089 0.164988 2.722103 65.94493 1.686604

0.062653 0.020580 0.042463 0.046645 0.000158 0.001779

Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion Hannan-Quinn criter.

0.000883 0.159792 -1.101774 -0.926916 -1.030889

78

GARCH(2,2) Dependent Variable: RIHSPT Method: ML - ARCH (Marquardt) - Normal distribution Date: 08/13/09 Time: 12:00 Sample (adjusted): 2000M02 2008M12 Included observations: 107 after adjustments Convergence achieved after 31 iterations Presample variance: backcast (parameter = 0.7) GARCH = C(2) + C(3)*RESID(-1)^2 + C(4)*RESID(-2)^2 + C(5)*GARCH(-1) + C(6)*GARCH(-2) + C(7)*SBI + C(8)*JUB Variable

Coefficient

Std. Error

z-Statistic

Prob.

C

-0.008196

0.010417

-0.786739

0.4314

-0.311287 0.562864 -0.635820 5.165766 -1.761570 -0.566745 0.328553

0.7556 0.5735 0.5249 0.0000 0.0781 0.5709 0.7425

Variance Equation C RESID(-1)^2 RESID(-2)^2 GARCH(-1) GARCH(-2) SBI JUB R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood Durbin-Watson stat

-0.008676 0.092799 -0.120471 1.642881 -0.611042 -2.79E-05 0.000262 -0.003259 -0.074196 0.165614 2.715375 71.09331 1.690783

0.027870 0.164870 0.189473 0.318032 0.346873 4.93E-05 0.000799

Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion Hannan-Quinn criter.

0.000883 0.159792 -1.179314 -0.979476 -1.098303

Model GARCH Saham Sektor Pertanian GARCH(1,0) Dependent Variable: RIHSP Method: ML - ARCH (Marquardt) - Normal distribution Date: 08/13/09 Time: 13:32 Sample (adjusted): 2000M02 2008M12 Included observations: 107 after adjustments Convergence achieved after 18 iterations Presample variance: backcast (parameter = 0.7) GARCH = C(2) + C(3)*GARCH(-1) + C(4)*SBI + C(5)*JUB Variable

Coefficient

Std. Error

z-Statistic

Prob.

C

0.017783

0.011914

1.492611

0.1355

79

Variance Equation C GARCH(-1) SBI JUB R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood Durbin-Watson stat

-0.041117 1.044292 0.000109 0.001140 -0.001687 -0.040969 0.147891 2.230916 62.20709 1.725283

3.54E-05 0.020297 1.72E-05 4.97E-09

-1161.081 51.45021 6.351360 229213.4

Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion Hannan-Quinn criter.

0.0000 0.0000 0.0000 0.0000 0.011858 0.144952 -1.069291 -0.944393 -1.018659

GARCH(1,1) Dependent Variable: RIHSP Method: ML - ARCH (Marquardt) - Normal distribution Date: 08/13/09 Time: 13:33 Sample (adjusted): 2000M02 2008M12 Included observations: 107 after adjustments Convergence achieved after 191 iterations Presample variance: backcast (parameter = 0.7) GARCH = C(2) + C(3)*RESID(-1)^2 + C(4)*GARCH(-1) + C(5)*SBI + C(6) *JUB Variable

Coefficient

Std. Error

z-Statistic

Prob.

C

0.013865

0.013200

1.050386

0.2935

-5.422268 1.541387 -10.91437 -0.664134 5.893817

0.0000 0.1232 0.0000 0.5066 0.0000

Variance Equation C RESID(-1)^2 GARCH(-1) SBI JUB R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood Durbin-Watson stat

-0.993244 0.049295 -0.924161 -0.000778 0.029955 -0.000194 -0.049708 0.148510 2.227591 64.08830 1.727858

0.183179 0.031981 0.084674 0.001172 0.005082

Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion Hannan-Quinn criter.

0.011858 0.144952 -1.085763 -0.935884 -1.025004

80

GARCH(1,2) Dependent Variable: RIHSP Method: ML - ARCH (Marquardt) - Normal distribution Date: 08/13/09 Time: 13:33 Sample (adjusted): 2000M02 2008M12 Included observations: 107 after adjustments Convergence achieved after 10 iterations Presample variance: backcast (parameter = 0.7) GARCH = C(2) + C(3)*RESID(-1)^2 + C(4)*RESID(-2)^2 + C(5)*GARCH(-1) + C(6)*SBI + C(7)*JUB Variable

Coefficient

Std. Error

z-Statistic

Prob.

C

0.017516

0.015261

1.147791

0.2511

-87.32889 5.913113 -67.00507 30.09478 1.496334 219.6098

0.0000 0.0000 0.0000 0.0000 0.1346 0.0000

Variance Equation C RESID(-1)^2 RESID(-2)^2 GARCH(-1) SBI JUB R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood Durbin-Watson stat

-0.036668 0.218715 -0.217331 1.007484 5.64E-05 0.001044 -0.001538 -0.061631 0.149351 2.230586 60.79993 1.725538

0.000420 0.036988 0.003244 0.033477 3.77E-05 4.76E-06

Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion Hannan-Quinn criter.

0.011858 0.144952 -1.005606 -0.830748 -0.934721

GARCH(2,1) Dependent Variable: RIHSP Method: ML - ARCH (Marquardt) - Normal distribution Date: 08/13/09 Time: 13:34 Sample (adjusted): 2000M02 2008M12 Included observations: 107 after adjustments Convergence achieved after 65 iterations Presample variance: backcast (parameter = 0.7) GARCH = C(2) + C(3)*RESID(-1)^2 + C(4)*GARCH(-1) + C(5)*GARCH(-2) + C(6)*SBI + C(7)*JUB Variable

Coefficient

Std. Error

z-Statistic

Prob.

C

0.016395

0.012939

1.267100

0.2051

81

Variance Equation C RESID(-1)^2 GARCH(-1) GARCH(-2) SBI JUB R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood Durbin-Watson stat

0.009449 0.108526 1.397429 -0.772692 -0.000527 6.83E-05 -0.000989 -0.061049 0.149311 2.229363 62.03037 1.726485

0.169078 0.049368 0.115949 0.136805 0.000308 0.004857

0.055886 2.198303 12.05210 -5.648132 -1.711718 0.014059

Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion Hannan-Quinn criter.

0.9554 0.0279 0.0000 0.0000 0.0869 0.9888 0.011858 0.144952 -1.028605 -0.853747 -0.957720

GARCH(2,2) Dependent Variable: RIHSP Method: ML - ARCH (Marquardt) - Normal distribution Date: 08/13/09 Time: 13:34 Sample (adjusted): 2000M02 2008M12 Included observations: 107 after adjustments Convergence achieved after 35 iterations Presample variance: backcast (parameter = 0.7) GARCH = C(2) + C(3)*RESID(-1)^2 + C(4)*RESID(-2)^2 + C(5)*GARCH(-1) + C(6)*GARCH(-2) + C(7)*SBI + C(8)*JUB Variable

Coefficient

Std. Error

z-Statistic

Prob.

C

0.018625

0.013171

1.414155

0.1573

0.081857 0.731375 0.405929 5.899036 -3.724652 -1.411033 -0.014794

0.9348 0.4646 0.6848 0.0000 0.0002 0.1582 0.9882

Variance Equation C RESID(-1)^2 RESID(-2)^2 GARCH(-1) GARCH(-2) SBI JUB R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood Durbin-Watson stat

0.014480 0.079980 0.067871 1.279242 -0.694613 -0.000525 -7.52E-05 -0.002201 -0.073063 0.150153 2.232060 61.78533 1.724398

0.176898 0.109356 0.167200 0.216856 0.186491 0.000372 0.005081

Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion Hannan-Quinn criter.

0.011858 0.144952 -1.005333 -0.805496 -0.924322

82

Model GARCH Saham Sektor Properti GARCH(1,0) Dependent Variable: RIHSPR Method: ML - ARCH (Marquardt) - Normal distribution Date: 08/13/09 Time: 13:38 Sample (adjusted): 2000M02 2008M12 Included observations: 107 after adjustments Convergence achieved after 6 iterations Presample variance: backcast (parameter = 0.7) GARCH = C(2) + C(3)*GARCH(-1) + C(4)*SBI + C(5)*JUB Variable

Coefficient

Std. Error

z-Statistic

Prob.

C

0.005897

0.011179

0.527475

0.5979

-7.090013 5.620826 0.770274 47.36541

0.0000 0.0000 0.4411 0.0000

Variance Equation C GARCH(-1) SBI JUB R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood Durbin-Watson stat

-0.012265 0.970286 3.02E-05 0.000354 -0.000001 -0.039216 0.104557 1.115091 92.84581 1.746228

0.001730 0.172623 3.92E-05 7.48E-06

Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion Hannan-Quinn criter.

0.005986 0.102566 -1.641978 -1.517079 -1.591346

GARCH(1,1) Dependent Variable: RIHSPR Method: ML - ARCH (Marquardt) - Normal distribution Date: 08/13/09 Time: 13:38 Sample (adjusted): 2000M02 2008M12 Included observations: 107 after adjustments Convergence achieved after 19 iterations Presample variance: backcast (parameter = 0.7) GARCH = C(2) + C(3)*RESID(-1)^2 + C(4)*GARCH(-1) + C(5)*SBI + C(6) *JUB Variable

Coefficient

Std. Error

z-Statistic

Prob.

C

0.006077

0.009564

0.635327

0.5252

Variance Equation

83

C RESID(-1)^2 GARCH(-1) SBI JUB R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood Durbin-Watson stat

0.005791 -0.125595 1.024597 -1.26E-05 -0.000134 -0.000001 -0.049506 0.105074 1.115091 100.5031 1.746228

0.000277 0.028331 0.051782 2.21E-05 1.34E-05

20.90676 -4.433200 19.78658 -0.570777 -10.04068

Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion Hannan-Quinn criter.

0.0000 0.0000 0.0000 0.5682 0.0000 0.005986 0.102566 -1.766413 -1.616535 -1.705655

GARCH(1,2) Dependent Variable: RIHSPR Method: ML - ARCH (Marquardt) - Normal distribution Date: 08/13/09 Time: 13:39 Sample (adjusted): 2000M02 2008M12 Included observations: 107 after adjustments Convergence achieved after 47 iterations Presample variance: backcast (parameter = 0.7) GARCH = C(2) + C(3)*RESID(-1)^2 + C(4)*RESID(-2)^2 + C(5)*GARCH(-1) + C(6)*SBI + C(7)*JUB Variable

Coefficient

Std. Error

z-Statistic

Prob.

C

-0.000573

0.008602

-0.066573

0.9469

0.217360 -0.998379 -0.334503 5.278818 -0.588168 -0.129803

0.8279 0.3181 0.7380 0.0000 0.5564 0.8967

Variance Equation C RESID(-1)^2 RESID(-2)^2 GARCH(-1) SBI JUB R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood Durbin-Watson stat

0.006488 -0.089125 -0.031254 0.904649 -3.68E-05 -0.000113 -0.004128 -0.064376 0.105816 1.119693 96.86476 1.739050

0.029851 0.089270 0.093433 0.171373 6.26E-05 0.000871

Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion Hannan-Quinn criter.

0.005986 0.102566 -1.679715 -1.504857 -1.608830

84

GARCH(2,1) Dependent Variable: RIHSPR Method: ML - ARCH (Marquardt) - Normal distribution Date: 08/13/09 Time: 13:40 Sample (adjusted): 2000M02 2008M12 Included observations: 107 after adjustments Convergence achieved after 6 iterations Presample variance: backcast (parameter = 0.7) GARCH = C(2) + C(3)*RESID(-1)^2 + C(4)*GARCH(-1) + C(5)*GARCH(-2) + C(6)*SBI + C(7)*JUB Variable

Coefficient

Std. Error

z-Statistic

Prob.

C

0.002414

0.011378

0.212161

0.8320

2.883071 0.092191 0.250095 -0.083090 -0.563599 -51.87049

0.0039 0.9265 0.8025 0.9338 0.5730 0.0000

Variance Equation C RESID(-1)^2 GARCH(-1) GARCH(-2) SBI JUB R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood Durbin-Watson stat

0.048617 0.008795 0.705224 -0.187718 -0.000303 -0.001165 -0.001225 -0.061298 0.105662 1.116456 91.38527 1.744093

0.016863 0.095399 2.819824 2.259203 0.000537 2.25E-05

Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion Hannan-Quinn criter.

0.005986 0.102566 -1.577295 -1.402437 -1.506410

GARCH(2,2) Dependent Variable: RIHSPR Method: ML - ARCH (Marquardt) - Normal distribution Date: 08/13/09 Time: 13:40 Sample (adjusted): 2000M02 2008M12 Included observations: 107 after adjustments Convergence achieved after 26 iterations Presample variance: backcast (parameter = 0.7) GARCH = C(2) + C(3)*RESID(-1)^2 + C(4)*RESID(-2)^2 + C(5)*GARCH(-1) + C(6)*GARCH(-2) + C(7)*SBI + C(8)*JUB Variable

Coefficient

Std. Error

z-Statistic

Prob.

C

0.002306

0.010784

0.213867

0.8307

Variance Equation

85

C RESID(-1)^2 RESID(-2)^2 GARCH(-1) GARCH(-2) SBI JUB R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood Durbin-Watson stat

0.006511 -0.136957 0.002243 1.043611 -0.024733 -6.10E-06 -0.000153 -0.001300 -0.072098 0.106199 1.116539 100.2088 1.743963

0.009984 0.056911 0.065380 0.022608 0.066591 4.60E-05 0.000295

0.652136 -2.406496 0.034303 46.16061 -0.371419 -0.132723 -0.519097

Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion Hannan-Quinn criter.

0.5143 0.0161 0.9726 0.0000 0.7103 0.8944 0.6037 0.005986 0.102566 -1.723528 -1.523691 -1.642517

86

Lampiran 2 ACF dan PACF untuk lag 1-10 Composite Index

1 2 3 4 5 6 7 8 9 10

AC

PAC

0.050 -0.047 -0.060 0.017 0.005 0.029 0.029 -0.018 0.053 -0.029

0.050 -0.049 -0.055 0.021 -0.002 0.027 0.028 -0.019 0.061 -0.035

Q-Stat 0.2744 0.5151 0.9131 0.9462 0.9495 1.0437 1.1383 1.1770 1.5033 1.6042

PAC

1 0.177 0.177 2 0.017 -0.015 3 -0.086 -0.089 4 -0.074 -0.045 5 0.019 0.043 6 0.084 0.070 7 0.120 0.087 8 0.020 -0.018 9 -0.025 -0.015 10 0.072 0.108

Q-Stat 3.4298 3.4610 4.2814 4.9075 4.9502 5.7640 7.4546 7.4996 7.5738 8.1989

0.600 0.773 0.822 0.918 0.967 0.984 0.992 0.997 0.997 0.999

0.064 0.177 0.233 0.297 0.422 0.450 0.383 0.484 0.578 0.609

PAC

1 0.157 0.157 2 0.054 0.030 3 0.028 0.015 4 0.041 0.034 5 0.009 -0.004 6 -0.022 -0.027 7 0.096 0.104 8 0.101 0.074 9 0.048 0.016 10 0.092 0.078

PAC

Q-Stat

1 0.051 0.051 2 0.090 0.088 3 0.026 0.017 4 0.017 0.007 5 -0.007 -0.012 6 0.065 0.064 7 0.043 0.039 8 -0.053 -0.069 9 -0.079 -0.085 10 0.007 0.023

0.2847 1.1869 1.2623 1.2936 1.2991 1.7843 2.0038 2.3355 3.0692 3.0757

Prob 0.594 0.552 0.738 0.862 0.935 0.938 0.960 0.969 0.961 0.980

Sektor Industri Dasar

Prob

Sektor Keuangan

AC

AC

Prob

Sektor Industri Barang Konsumsi AC

Sektor Aneka Industri

1 2 3 4 5 6 7 8 9 10

AC

PAC

0.024 -0.143 0.159 -0.032 0.024 0.005 0.100 -0.050 -0.080 -0.038

0.024 -0.144 0.170 -0.069 0.083 -0.047 0.146 -0.104 -0.014 -0.116

Q-Stat 0.0652 2.3382 5.1642 5.2809 5.3486 5.3514 6.5212 6.8132 7.5716 7.7479

Prob 0.798 0.311 0.160 0.260 0.375 0.500 0.480 0.557 0.578 0.653

Sektor Perdagangan

Q-Stat 2.7113 3.0379 3.1233 3.3121 3.3216 3.3779 4.4461 5.6423 5.9214 6.9397

Prob 0.100 0.219 0.373 0.507 0.651 0.760 0.727 0.687 0.748 0.731

AC

PAC

1 0.195 0.195 2 -0.064 -0.106 3 0.101 0.142 4 0.095 0.038 5 0.012 0.005 6 0.151 0.160 7 0.091 0.010 8 -0.016 -0.012 9 -0.052 -0.070 10 0.033 0.024

Q-Stat 4.1917 4.6427 5.7846 6.8137 6.8295 9.4688 10.438 10.468 10.793 10.925

Prob 0.041 0.098 0.123 0.146 0.234 0.149 0.165 0.234 0.290 0.363

87

Sektor Pertambangan

AC

PAC

1 0.178 0.178 2 0.037 0.005 3 -0.090 -0.100 4 -0.054 -0.021 5 0.017 0.038 6 0.086 0.073 7 0.087 0.052 8 0.029 0.003 9 -0.026 -0.022 10 0.077 0.107

Q-Stat

Sektor Pertanian

Prob

3.5048 3.6530 4.5601 4.8846 4.9184 5.7644 6.6398 6.7409 6.8232 7.5304

0.061 0.161 0.207 0.299 0.426 0.450 0.467 0.565 0.656 0.675

Q-Stat

Prob

Sektor Properti

AC

PAC

1 0.050 0.050 2 0.229 0.227 3 0.106 0.091 4 0.031 -0.028 5 0.070 0.027 6 0.044 0.034 7 0.054 0.033 8 -0.000 -0.029 9 -0.070 -0.102 10 -0.055 -0.059

0.2745 6.1142 7.3845 7.4953 8.0524 8.2774 8.6215 8.6215 9.2092 9.5742

0.600 0.047 0.061 0.112 0.153 0.218 0.281 0.375 0.418 0.479

AC

PAC

1 0.104 0.104 2 -0.032 -0.043 3 -0.018 -0.010 4 -0.030 -0.028 5 0.046 0.052 6 0.050 0.038 7 0.131 0.127 8 0.063 0.041 9 0.029 0.033 10 0.074 0.078

Q-Stat 1.1979 1.3113 1.3486 1.4480 1.6869 1.9736 3.9805 4.4526 4.5520 5.2185

Prob 0.274 0.519 0.718 0.836 0.891 0.922 0.782 0.814 0.871 0.876

88

Lampiran 3 ARCH LM-Test Composite Index Heteroskedasticity Test: ARCH F-statistic Obs*R-squared

0.260946 0.265341

Prob. F(1,103) Prob. Chi-Square(1)

0.6106 0.6065

Test Equation: Dependent Variable: WGT_RESID^2 Method: Least Squares Date: 08/13/09 Time: 09:02 Sample (adjusted): 2000M03 2008M11 Included observations: 105 after adjustments Variable

Coefficient

Std. Error

t-Statistic

Prob.

C WGT_RESID^2(-1)

0.955128 0.050322

0.197434 0.098510

4.837715 0.510829

0.0000 0.6106

R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood F-statistic Prob(F-statistic)

0.002527 -0.007157 1.741417 312.3509 -206.2223 0.260946 0.610564

Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion Hannan-Quinn criter. Durbin-Watson stat

1.006463 1.735218 3.966139 4.016691 3.986624 1.980361

Sektor Aneka Industri Heteroskedasticity Test: ARCH F-statistic Obs*R-squared

0.007019 0.007154

Prob. F(1,104) Prob. Chi-Square(1)

0.9334 0.9326

Test Equation: Dependent Variable: WGT_RESID^2 Method: Least Squares Date: 08/13/09 Time: 19:47 Sample (adjusted): 2000M03 2008M12 Included observations: 106 after adjustments Variable

Coefficient

Std. Error

t-Statistic

Prob.

C WGT_RESID^2(-1)

1.014360 0.008215

0.350225 0.098055

2.896307 0.083781

0.0046 0.9334

89

R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood F-statistic Prob(F-statistic)

0.000067 -0.009547 3.454772 1241.287 -280.8121 0.007019 0.933392

Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion Hannan-Quinn criter. Durbin-Watson stat

1.022763 3.438397 5.336078 5.386331 5.356446 1.999384

Sektor Industri Barang Konsumsi Heteroskedasticity Test: ARCH F-statistic Obs*R-squared

0.065187 0.066399

Prob. F(1,104) Prob. Chi-Square(1)

0.7990 0.7967

Test Equation: Dependent Variable: WGT_RESID^2 Method: Least Squares Date: 08/13/09 Time: 09:26 Sample (adjusted): 2000M03 2008M12 Included observations: 106 after adjustments Variable

Coefficient

Std. Error

t-Statistic

Prob.

C WGT_RESID^2(-1)

0.852902 0.024901

0.166114 0.097529

5.134424 0.255317

0.0000 0.7990

R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood F-statistic Prob(F-statistic)

0.000626 -0.008983 1.452342 219.3670 -188.9548 0.065187 0.798983

Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion Hannan-Quinn criter. Durbin-Watson stat

0.875299 1.445863 3.602920 3.653174 3.623288 1.973336

Sektor Industri Dasar Heteroskedasticity Test: ARCH F-statistic Obs*R-squared

2.402679 2.393586

Prob. F(1,104) Prob. Chi-Square(1)

Test Equation: Dependent Variable: WGT_RESID^2 Method: Least Squares Date: 08/13/09 Time: 09:34 Sample (adjusted): 2000M03 2008M12 Included observations: 106 after adjustments

0.1242 0.1218

90

Variable

Coefficient

Std. Error

t-Statistic

Prob.

C WGT_RESID^2(-1)

0.807763 0.150244

0.196248 0.096928

4.116042 1.550058

0.0001 0.1242

R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood F-statistic Prob(F-statistic)

0.022581 0.013183 1.781663 330.1297 -210.6180 2.402679 0.124165

Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion Hannan-Quinn criter. Durbin-Watson stat

0.951230 1.793524 4.011660 4.061913 4.032028 1.982860

Sektor Keuangan Heteroskedasticity Test: ARCH F-statistic Obs*R-squared

0.292857 0.297651

Prob. F(1,104) Prob. Chi-Square(1)

0.5896 0.5854

Test Equation: Dependent Variable: WGT_RESID^2 Method: Least Squares Date: 08/13/09 Time: 11:48 Sample (adjusted): 2000M03 2008M12 Included observations: 106 after adjustments Variable

Coefficient

Std. Error

t-Statistic

Prob.

C WGT_RESID^2(-1)

1.064421 -0.053159

0.172407 0.098230

6.173875 -0.541163

0.0000 0.5896

R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood F-statistic Prob(F-statistic)

0.002808 -0.006780 1.465082 223.2325 -189.8806 0.292857 0.589553

Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion Hannan-Quinn criter. Durbin-Watson stat

1.011745 1.460141 3.620388 3.670641 3.640756 1.998561

91

Sektor Perdagangan Heteroskedasticity Test: ARCH F-statistic Obs*R-squared

5.96E-05 6.08E-05

Prob. F(1,104) Prob. Chi-Square(1)

0.9939 0.9938

Test Equation: Dependent Variable: WGT_RESID^2 Method: Least Squares Date: 08/13/09 Time: 19:16 Sample (adjusted): 2000M03 2008M12 Included observations: 106 after adjustments Variable

Coefficient

Std. Error

t-Statistic

Prob.

C WGT_RESID^2(-1)

1.013864 -0.000757

0.191231 0.098001

5.301780 -0.007722

0.0000 0.9939

R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood F-statistic Prob(F-statistic)

0.000001 -0.009615 1.689755 296.9484 -205.0038 5.96E-05 0.993854

Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion Hannan-Quinn criter. Durbin-Watson stat

1.013106 1.681690 3.905732 3.955986 3.926100 2.001248

Sektor Pertambangan Heteroskedasticity Test: ARCH F-statistic Obs*R-squared

0.002417 0.002464

Prob. F(1,104) Prob. Chi-Square(1)

0.9609 0.9604

Test Equation: Dependent Variable: WGT_RESID^2 Method: Least Squares Date: 08/13/09 Time: 12:22 Sample (adjusted): 2000M03 2008M12 Included observations: 106 after adjustments Variable

Coefficient

Std. Error

t-Statistic

Prob.

C WGT_RESID^2(-1)

0.989995 -0.004821

0.203253 0.098057

4.870760 -0.049166

0.0000 0.9609

R-squared Adjusted R-squared S.E. of regression

0.000023 -0.009592 1.841096

Mean dependent var S.D. dependent var Akaike info criterion

0.985245 1.832329 4.077286

92

Sum squared resid Log likelihood F-statistic Prob(F-statistic)

352.5218 -214.0962 0.002417 0.960881

Schwarz criterion Hannan-Quinn criter. Durbin-Watson stat

4.127540 4.097654 1.998601

Sektor Pertanian Heteroskedasticity Test: ARCH F-statistic Obs*R-squared

2.116305 2.113985

Prob. F(1,104) Prob. Chi-Square(1)

0.1487 0.1460

Test Equation: Dependent Variable: WGT_RESID^2 Method: Least Squares Date: 08/13/09 Time: 13:35 Sample (adjusted): 2000M03 2008M12 Included observations: 106 after adjustments Variable

Coefficient

Std. Error

t-Statistic

Prob.

C WGT_RESID^2(-1)

0.979355 0.141143

0.236903 0.097022

4.133984 1.454752

0.0001 0.1487

R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood F-statistic Prob(F-statistic)

0.019943 0.010520 2.158379 484.4943 -230.9498 2.116305 0.148749

Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion Hannan-Quinn criter. Durbin-Watson stat

1.139868 2.169822 4.395280 4.445533 4.415648 1.974699

Sektor Properti Heteroskedasticity Test: ARCH F-statistic Obs*R-squared

0.319386 0.324531

Prob. F(1,104) Prob. Chi-Square(1)

Test Equation: Dependent Variable: WGT_RESID^2 Method: Least Squares Date: 08/13/09 Time: 13:42 Sample (adjusted): 2000M03 2008M12 Included observations: 106 after adjustments

0.5732 0.5689

93

Variable

Coefficient

Std. Error

t-Statistic

Prob.

C WGT_RESID^2(-1)

1.140688 -0.055353

0.185772 0.097945

6.140240 -0.565142

0.0000 0.5732

R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood F-statistic Prob(F-statistic)

0.003062 -0.006524 1.570303 256.4484 -197.2324 0.319386 0.573194

Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion Hannan-Quinn criter. Durbin-Watson stat

1.080749 1.565205 3.759101 3.809355 3.779469 1.987685

94

Lampiran 4 Statistik Deskriptif Composite Indeks Date: 07/28/09 Time: 23:29 Sample: 2000M01 2008M12

Aneka Industri Date: 07/28/09 Time: 23:24 Sample: 2000M01 2008M12

RIHSG Mean Median Maximum Minimum Std. Dev. Skewness Kurtosis

0.007066 0.016820 0.145105 -0.377197 0.077781 -1.241104 7.170979

RIHSAI Mean Median Maximum Minimum Std. Dev. Skewness Kurtosis

0.004549 0.004069 0.771647 -0.775396 0.138790 -0.510850 20.18266

Jarque-Bera Probability

105.0313 0.000000

Jarque-Bera Probability

1320.949 0.000000

Sum Sum Sq. Dev.

0.756080 0.641281

Sum Sum Sq. Dev.

0.486723 2.041832

Observations

107

Observations

107

Industri Barang Konsumsi Date: 07/28/09 Time: 23:29 Sample: 2000M01 2008M12 RIHSIBK Mean Median Maximum Minimum Std. Dev. Skewness Kurtosis

0.005559 0.011900 0.277092 -0.227298 0.076646 0.175553 4.871323

Jarque-Bera Probability

16.16201 0.000309

Sum Sum Sq. Dev.

0.594794 0.622704

Observations

107

95

Industri Dasar

Keuangan

Date: 07/28/09 Time: 23:30 Sample: 2000M01 2008M12

Date: 07/28/09 Time: 23:31 Sample: 2000M01 2008M12 RIHSK

RIHSID Mean Median Maximum Minimum Std. Dev. Skewness Kurtosis

0.000883 0.014844 0.708751 -0.619277 0.159793 0.530043 10.42121

Mean Median Maximum Minimum Std. Dev. Skewness Kurtosis

0.010572 0.008761 0.238538 -0.292529 0.080214 -0.353729 4.125148

Jarque-Bera Probability

250.5499 0.000000

Jarque-Bera Probability

7.875445 0.019493

Sum Sum Sq. Dev.

0.094478 2.706568

Sum Sum Sq. Dev.

1.131234 0.682042

Observations

107

Observations

107

Perdagangan Date: 07/28/09 Time: 23:31 Sample: 2000M01 2008M12 RIHSPD Mean Median Maximum Minimum Std. Dev. Skewness Kurtosis Jarque-Bera Probability

-0.002869 0.012383 0.176824 -0.498390 0.088104 -1.720221 10.83795 326.6628 0.000000

Sum Sum Sq. Dev.

-0.306991 0.822803

Observations

107

96

Pertambangan

Pertanian

Date: 07/28/09 Time: 23:32 Sample: 2000M01 2008M12

Date: 07/28/09 Time: 23:33 Sample: 2000M01 2008M12 RIHSP

RIHSPT Mean Median Maximum Minimum Std. Dev. Skewness Kurtosis

0.000883 0.014840 0.708750 -0.619280 0.159792 0.530006 10.42127

Mean Median Maximum Minimum Std. Dev. Skewness Kurtosis

0.011858 0.019187 0.368659 -0.702069 0.144952 -1.321887 8.077779

Jarque-Bera Probability

250.5533 0.000000

Jarque-Bera Probability

146.1147 0.000000

Sum Sum Sq. Dev.

0.094500 2.706555

Sum Sum Sq. Dev.

1.268757 2.227159

Observations

107

Observations

107

Properti Date: 07/28/09 Time: 23:33 Sample: 2000M01 2008M12 RIHSPR Mean Median Maximum Minimum Std. Dev. Skewness Kurtosis

0.005986 0.005849 0.284596 -0.340201 0.102566 -0.043574 3.763025

Jarque-Bera Probability

2.629532 0.268537

Sum Sum Sq. Dev.

0.640541 1.115090

Observations

107