BAB 3 METODE PENELITIAN
3.1.
Populasi dan Sampel Populasi dalam penelitian ini adalah berbagai pasar saham di dunia.Sampel
yang dipilih adalah pasar saham di Amerika Serikat, Inggris, Jerman, Perancis, Jepang, Hong Kong, dan Indonesia. Data yang dianalisis merupakan indeks saham pada pasar saham di negara-negara tersebut. Indeks saham yang digunakan dalam penelitian ini adalah sebagai berikut: 1.
Dow Jones Composite Average (DJA) Pasar saham Amerika Serikat merupakan pasar saham dengan kapitalisasi terbesar di dunia. DJA terdiri dari 65 saham perusahaan terkemuka Amerika Serikat, DJA merupakan kombinasi dari Dow Jones Industrial,
Transportation,
dan
Utilities
Average.
Indeks
ini
menggunakan perhitungan Price-Weighted Index. 2.
Financial Times Stock Exchanges (FTSE 100) Inggris memiliki pasar saham dengan nilai kapitalisasi terbesar di Eropa, dan kedua terbesar di dunia, di belakang Amerika Serikat. FTSE 100 terdiri dari 100 perusahaan dengan kapitalisasi terbesar yang diperdagangkan di London Stock Exchange. Indeks ini menggunakan perhitungan Capitalization-Weighted Index.
3.
Deutscher Aktien IndeX (DAX) Pasar saham Jerman merupakan salah satu pasar saham dengan nilai kapitalisasi terbesar di eropa dan dunia. DaX terdiri dari 30 saham
32
33
perusahaan utama yang diperdagangkan di Frankfurt Stock Exchange. Indeks ini menggunakan perhitungan Capitalization-Weighted Index. 4.
Cotation Assistee en Continu Index (CAC 40) CAC 40 merupakan indeks saham dari pasar saham Perancis yang merupakan salah satu pasar saham utama di Eropa. Terdiri dari 40 perusahaan terkemuka yang diperdagangkan di Paris Bourse. Indeks ini menggunakan perhitungan Capitalization-Weighted Index.
5.
Nikkei 225 (NIKKEI) Di benua Asia, Jepang memiliki pasar saham dengan nilai kapitalisasi terbesar. NIKKEI terdiri dari 225 perusahaan terkemuka yang diperdagangkan di Tokyo Stock Exchange. Indeks ini menggunakan perhitungan Price-Weighted Index.
6.
Hang Seng Index (HSI) Hong Kong memiliki pasar saham dengan nilai kapitalisasi terbesar kedua di Asia, di belakang Jepang. HIS terdiri dari 48 perusahaan utama di Hong Kong Stock Exchange. HIS dibagi menjadi 4 sub-indeks, yaitu Commerce & Industry, Properties, Finance, dan Utilities. Indeks ini menggunakan perhitungan Capitalization-Weighted Index.
7.
Indeks Harga Saham Gabungan (IHSG) Indeks Harga Saham Gabungan merupakan indeks saham yang digunakan oleh Bursa Efek Indonesia. IHSG terdiri dari 9 sektor, yaitu Pertanian, Pertambangan, Industri Dasar, Aneka Industri, Industri Barang Konsumsi, Properti, Infrastruktur, Keuangan dan Perdagangan. Indeks ini menggunakan perhitungan Capitalization-Weighted Index.
34
3.2.
Sumber Data Penelitian ini menggunakan data sekunder, yaitu data indeks saham DJA,
FTSE 100, DAX, CAC 40, NIKKEI, HASI, dan IHSG secara bulanan dari tahun 1998 - 2012. Data ini diperoleh dari situs Yahoo! Finance, yang beralamat di finance.yahoo.com. Daftar negara dan kode indeks saham dapat dilihat di Tabel 3.1. Tabel 3.1. Daftar Negara beserta Kode Indeks Saham Negara Amerika Serikat Inggris Jerman Perancis Jepang Hong Kong Indonesia
3.3.
Kode Indeks Saham DJA FTSE 100 DAX CAC 40 NIKKEI HSI IHSG
Variabel Penelitian Variabel yang akan diteliti adalah indeks saham masing-masing negara, yaitu
DJA, FTSE 100, DAX, CAC 40, NIKKEI, HSI, dan IHSG, yang akan dianalisa secara berpasangan. Dalam penelitian ini, terdapat 4 periode waktu yang akan dipakai untuk menganalisa variabel indeks saham, yaitu: 1. Periode Sebelum Krisis (Januari 1998 – November 2001) Periode sebelum titik awal pemicu krisis Subprime Mortgage, yaitu penurunan suku bunga perbankan yang dinyatakan oleh Federal Reserve (Bank Sentral Amerika) pada tanggal 11 Desember 2001 (U.S. Federal Reserve Board, 2001).
35
2. Periode Krisis I (Desember 2001 – Juni 2007) Periode “bubbling” atau periode menggelembungnya harga properti skema Subprime Mortgage. Diawali dari penurunan suku bunga perbankan (11 Desember 2001) sampai sebelum penurunan massal rating (peringkat) suratsurat berharga seperti RMBS (Residential Mortgage Backed Security) atau Efek Beragun KPR, CDO (Collateralized Debt Obligation) atau Kewajiban Utang Kolateral, oleh lembaga pemeringkat kredit pada tanggal 10-12 Juli 2007. Menurut U.S. Permanent Subcommitee of Investigations (2011: 45), penurunan peringkat surat-surat tersebut merupakan pemicu terbesar krisis Subprime Mortgage. 3. Periode Krisis II (Juli 2007 – Januari 2010) Periode pecahnya “bubble” atau jatuhnya harga properti skema Subprime Mortgage. Diawali dengan penurunan peringkat RMBS dan CDO (10-12 Juli 2007) sampai dengan keluarnya laporan Trouble Asset Relief Program: Two Year Retrospective. U.S. Department of Treasury (2010: 1) pada laporan tersebut menyatakan bahwa kondisi pasar telah stabil dan sebagian besar kerugian pada bank telah dipulihkan pada tanggal 27 Januari 2010. 4. Periode Setelah Krisis (Februari 2010 – Desember 2012) Periode setelah krisis Subprime Mortgage telah berakhir, yang diawali dengan laporan stabilnya kondisi pasar oleh United States Department of Treasury sampai dengan Desember 2012, batasan penelitian ini.
36
3.4.
Tahapan Penelitian Tahapan penelitian yang akan dilakukan adalah sebagai berikut: Start
Identifikasi Masalah
Pengumpulan Data
Analisis dan Pengembangan Aplikasi
Kesimpulan
Finish
Gambar 3.1 Tahapan Penelitian 3.5.
Tahapan Pengembangan Aplikasi Tahapan pengembangan aplikasi yang akan dilakukan adalah sebagai berikut: Start
Perencanaan
Perancangan
Pemrograman
Pengujian
Implementasi
Finish
Gambar 3.2 Tahapan Pengembangan Aplikasi
37
3.6. Metode Analisis Langkah-langkah metode analisis pada penelitian ini adalah:
Start
Statistik Deskriptif
Uji Stasioneritas
Tidak Stasioner
Stasioner Tidak Kointegrasi
Uji Kointegrasi
Differencing Data Kointegrasi
Uji Lag Optimal
Uji Lag Optimal
Estimasi Model VAR
Estimasi Model VEC
Prediksi (Perbandingan MSE)
Uji Granger Causality
Finish
Gambar 3.3. Tahapan Analisis
1. Melakukan perhitungan statistik deskriptif pada data untuk mengetahui karakteristik data yang dipakai. Statistik deskriptif meliputi rata-rata, min, max, median, dan grafik.
38
2. Melakukan uji stasioneritas atau uji akar unit pada data deret waktu dengan menggunakan Augmented Dickey Fuller Test Hipotesis pada Augmented Dickey Fuller Test: H0 :
(Terdapat akar unit, variable y tidak stasioner)
H1 :
(Tidak terdapat akar unit, variable y stasioner)
3. Jika pada data terdapat akar unit atau tidak stasioner, akan dilakukan uji kointegrasi dengan menggunakan uji Johansen. Statistik uji maximum eigenvalue: H0 = Terdapat sebanyak r, r = 0,1,..,k-1 persamaan kointegrasi H1 = Terdapat r+1 persamaan kointegrasi
4. Melakukan Uji Lag Optimal dengan Uji Akaike’s Information Criterion (AIC) dan Schwarz Information Criterion (SIC). Jumlah lag yang dipilih adalah yang memiliki nilai AIC dan SIC yang terkecil.
4.
Membuat permodelan VAR atau VEC. Jika data sudah stasioner, atau tidak stasioner namun tidak berkointegrasi, akan digunakan model VAR. Jika data tidak stasioner dan berkointegrasi, akan digunakan model VEC.
5. Setelah data sudah stasioner dan sudah diketahui jumlah lag yang tepat, maka selanjutnya dilakukan Uji Granger Causality. Dengan menggunakan Uji signifikansi F, terdapat dua hipotesis yang digunakan:
39
H0 : y1 tidak menyebabkan y2 secara Granger H1 : y1 menyebabkan y2 secara Granger dan H0 : y2 tidak menyebabkan y1 secara Granger H1 : y2 menyebabkan y1 secara Granger
6. Melakukan prediksi dengan model yang sudah terbentuk, dan melakukan perbandingan MSE.
3.7.
Perancangan Layar Tampilan awal program akan memiliki pilihan File, dan Analyze. seperti
pada gambar 3.4. Dalam File akan ada pilihan untuk membuka, Import Data, About dan Exit. Jika pengguna memilih untuk memasukkan data, data akan muncul pada halaman awal aplikasi. Dalam Analyze, user dapat memilih Stationarity Test atau VAR and Granger Causality Test.
File
Analyze Table
Gambar 3.4. Halaman Awal Aplikasi
40
Stationary Test Data
Variable Run Test Test Statistic Show Plot
Critical Value
Result
Lag Optimal
Add
Gambar 3.5. Halaman Stationarity Test
Jika user memilih Stationarity Test, akan muncul layar seperti pada Gambar 3.5. User akan diminta untuk memilih variabel yang akan diujikan. Dengan memilih Run Test, akan melakukan proses dan menampilkan hasil uji. User juga dapat melihat plot dari variabel yang diujikan dengan memilih Show Plot. Setelah itu, user dapat memilih Lag Optimal untuk berlanjut ke proses berikutnya. Tampilan Lag Optimal ditunjukkan pada Gambar 3.6. User akan diminta untuk memasukkan variabel pertama dan kedua, jumlah lag maksimal, dan tipe. Dengan memilih Run maka akan ditampilkan hasil lag yang optimal beserta nilainya.
Lag Optimal Data
Lag Selection
Criteria Values
Run
VAR
First Variable Second Variable Lag(s) Type Add
Gambar 3.6. Halaman Lag Optimal
41
Tampilan layar VAR ditunjukkan oleh Gambar 3.7. Variabel, lag dan tipe yang muncul akan sama dengan yang dipilih pada halaman Lag Optimal. User hanya perlu memilih Run untuk menjalankan perhitungan dan menampilkan hasil estimasi model VAR. Pada pengujian Granger Causality,seperti pada Gamber 3.8, user juga tidak perlu memasukkan variabel, karena variabel yang dipilih sudah ditentukan pada penguijan Lag Optimal. User cukup memilih Run Test untuk mengetahui hasil uji Granger Causality.
VAR First Variable
Model 1
Model 2
Second Variable Lag(s) Type Run
Granger Causality
Lag Optimal
Gambar 3.7. Halaman VAR Granger Causality First Variable
F Stat
F Table
Result Second Variable F Stat Run Test
F Table
Result
Lag Optimal
Gambar 3.8. Halaman Granger Causality
42
3.8.
Perancangan UML 3.8.1. Use Case Diagram
Import Data <<depends on>> <<depends on>>
Stationarity Test Lag Optimal Test User
<<depends on>>
Granger Causality Test <<depends on>>
Estimating VAR Model
Gambar 3.6 Use Case Diagram
Aktor, dalam hal ini user, dapat memasukkan data, mengolah dan menganalisis data. Dalam mengolah dan menganalisis data, akan tergantung pada proses import data yang harus terlebih dahulu dilakukan. Berbagai uji yang dapat dilakukan saat mengolah dan menganalisa data adala uji stasioneritas, uji lag optimal, permodelan VAR dan uji kausalitas Granger.
43
3.8.2. Activity Diagram 3.8.2.1 Activity Diagram Import Data
User
System
Memilih Menu File
Memilih Import Data Membuka Layar Pilihan Data Memilih Data
Batal Memasukkan Data
Setuju Memasukkan Data
Memilih Cancel
Memilih OK
Menampilkan Data di Layar Utama
Menampilkan Layar Utama
Gambar 3.7. Activity Diagram Import Data
44
3.8.2.2 Activity Diagram Stationarity Test
User
System
Memilih Menu Stationarity Test Menampilkan Layar Stationarity Test Memasukkan Variable, dan Type
Melakukan Uji Stasioner Melihat Plot
Menampilkan Hasil Uji Stasioneritas
Memilih Run Test
Memilih Show Plot
Menampilkan Plot
Gambar 3.8. Activity Diagram Stationarity Test
45
3.8.2.3 Activity Diagram Estimating VAR Model dan Granger Causality Test
User
System
Memilih Menu VAR and Causality Menampilkan Layar Lag Optimal Memilih Variabel, Max Lag dan Type
Memilih Run
Menampilkan Hasil Lag Optimal
Memilih VAR
Menampilkan Layar VAR
Memilih Run
Menampilkan Hasil Model VAR
Memilih Granger Causality
Menampilkan layar Granger Causality
Memilih Run
Menampilkan Hasil Uji Granger Causality
Gambar 3.9. Activity Estimating VAR Model dan Granger Causality Test
46
3.8.3. Class Diagram <
> Home +datapath: String +rpath: String +data: double
1
<> Browse
Stationarity
1..*
+browse() 1 1 1..*
1
<> UICon
1..*
+variable: String +lag: int +ty pe: String +code: String
+varnames: String +varlag: int +showstationarity() +showlagoptimal() +showvar() +showgranger()
1
1
1..*
1..* 1
-var1: String -var2: String -coef1: double -coef2: double -lag: int -ty pe: String
1..*
+setselectedvariable() +requestadftest() +requestlotest() +requestmvar() +requestgrangertest() +selectdata()
1
<> MVARUI
+setadfvariable() +computeadf()
<> DataCon
1
+varstat: String +lagstat: int +type: String -crit: double -critv: double -result: String +DataList: String
1..*
1
1 1..*
+computegranger()
1..*
-variable: String -variable2: String -lag: int -type: String -coef1: double -doef2: double
<> GrangerUI
+setoptimallag() +getlag() +computemvar()
1
<> LOUI +firstv: String +secondv: String -maxlag: int +type: String +datalist: String +aic: int -hq: int -sc: int -fpe: int -laic: double -lhq: double -lsc: double -lfpe: double
1..*
-variable: String -variable2: String -lag: int -fstat1: double -fstat2: double -df: double -tabelf: double -gcresult1: String -gcresult2: String
MVAR
+dataloc: String +datanames: String +datalist: double +rloc: String +variable: String +getdata() +setvariable()
1
Granger
1..* 1..*
1..*
Data
1
-vargc1: String -vargc2: String -lag: int -fstat1: double -fstat2: double -df: double -tabelf: double -gcresult1: String -gcresult2: String
1..*
1
<> StationarityUI
-variable: String -lag: int -type: String -crit: double -critv: double -result: String
LagOptimal -variable: String -variable2: String -maxlag: int -type: String -aic: int -hq: int -sc: int -fpe: int -laic: double -lhq: double -lsc: double -lfpe: double +setlovariable() +computelo()
1
Gambar 3.10. Class Diagram
47
3.8.4. Sequence Diagram 3.8.4.1. Sequence Diagram Import Data
<> :Home
User
<> :Browse
<> :DataCon
:Data
Select Import Data browse() Show Data Select Data
selectdata() setdata() data saved Send Data
Show Data
Gambar 3.11. Sequence Diagram Import Data
3.8.4.2. Sequence Diagram Stationarity Test
User
<> :Home
<> :StationarityUI
<> :UICon
<> :DataCon
:Data
Select Stationary Test showstationarity() getvariable() send names Activate Stationarity Page Show Stationarity Page Select Variable setselectedvariable() setadfvariable() adf variable selected Input Lag, Select Run Test requestadftest() computeadf() compute result Send Result Show Result
Gambar 3.12. Sequence Diagram Stationarity Test
:Stationarity
48
3.8.4.3. Sequence Diagram Lag Optimal Test
<> :Home
User
Select VAR and Granger Cusality
<> :LOUI
<> :UICon
<> :DataCon
:Data
:LagOptimal
:MVAR
showlagoptimal() getvariable() send names Activate Lag Optimal Page
Show Lag Optimal Page Select Variable
setselectedvariable() setlovariable()
lo variable selected
Input Max Lag, Select Type, Select Run Test requestlotest()
computelo() send result setoptimallag() variables and max lag selected Send Result Show Result
Gambar 3.13. Sequence Diagram Lag Optimal Test
3.8.4.4. Sequence Diagram Estimating VAR Model
User
<> :LOUI
<> :MVARUI
<> :UICon
<> :DataCon
Select VAR showVAR() getlag() send variable names and max lag Activate VAR Page Show VAR Page Select Run Test requestmvar() computemvar() send var send result Show Result
Gambar 3.14. Sequence Diagram Estimating VAR Model
:MVAR
49
3.8.4.5. Sequence Diagram Granger Causality Test
User
<> :MVARUI Select Granger Causality
<> :GrangerUI
<> :UICon
<> :DataCon
:MVAR
showgranger() getmaxlag() send variable names and max lag
Show Granger Page
Activate Granger Page
Select Run Test requestgrangertest() computegranger() send granger send result Show Result
Gambar 3.15. Sequence Diagram Granger Causality Test
:Granger
