45
BAB III METODE PENELITIAN
3.1. Kerangka Pemikiran Untuk menggambarkan bagaimana pengaruh capital gain IHSG dengan pergerakan yield obligasi pemerintah dan pengaruh tingkat suku bunga terhadap IHSG dan Government Bond, maka penulis memberikan gambaran pengaruh capital gain IHSG dengan yield Government Bond dan pengaruh SBI terhadap capital gain IHSG dan yield Government bond periode 2008 – 2012 sebagai dasar pembuatan hipotesis penelitian.
IHSG H2
SBI
H1 H3
GOV Bond
Gambar 3.1 Skema Kerangka Penelitian Dari skema pemikiran diatas, dapat dilihat bahwa penelitian tersebut menggunakan acuan penelitian terdahulu yaitu oleh Johansson (2010) yang menyimpulkan adanya hubungan antara IHSG dengan Indeks Bond dan juga
46
mengacu pada penelitian Kewal (2012) yang menyimpulkan bahwa SBI tidak berpengaruh terhadap IHSG. 3.2. Jenis Dan Sumber Data Jenis data yang akan digunakan dalam penelitian ini adalah data sekunder yang relevan dengan penelitian. Semua data yang digunakan merupakan data deret waktu (time series) dari tahun 2008 sampai 2012. Sumber data yang digunakan dalam penelitian ini adalah data sekunder berupa data yang mendukung variabel penelitian yang diperoleh dari informasi dan laporan dari Bursa Efek Indonesia, Yahoo Finance dan
Bank Indonesia. Data dari variabel independen dalam
penelitian ini adalah tingkat suku bunga (SBI), sedangkan data dari variabel dependen adalah (1) Capital Gain IHSG yang merupakan perubahan atau pergerakan harga saham seluruh emiten di BEI yang diukur pada setiap akhir bulan, dan (2) Yield Government Bond. 3.3. Definisi Operasional Variabel Variabel penelitian yang digunakan terdiri dari dua jenis, yaitu: 1. Variabel Independent Variabel ini merupakan variabel yang menyebabkan perubahan terhadap variabel dependent. Variabel independent yang diteliti oleh penulis adalah tingkat suku bunga. 2. Variabel dependent
47
Variabel ini merupakan variabel yang dipengaruhi karena adanya variabel independent. Variabel dependent dalam penelitian ini adalah Capital Gain IHSG dan Yield Government Bond. 3.4. Hipotesis Penelitian Hipotesis untuk menguji apakah terdapat hubungan antara variabel independent dengan variabel dependent. Beberapa hipotesis mengenai penelitian ini: 1.
Ho1: Tidak ada pengaruh yang signifikan capital gain IHSG dengan pergerakan yield obligasi pemerintah. Hi1: Ada pengaruh yang signifikan capital gain IHSG dengan pergerakan yield obligasi pemerintah.
2.
Ho2: Tidak ada pengaruh signifikan dari tingkat suku bunga dengan Capital Gain IHSG. Hi2: Ada pengaruh signifikan dari tingkat suku bunga dengan Capital Gain IHSG.
3.
Ho3: Tidak ada pengaruh signifikan dari tingkat suku bunga dengan Yield Government Bond. Hi3: Ada pengaruh signifikan dari tingkat suku bunga dengan Yield Government Bond.
3.5. Metode Analisis Data Alat analsis untuk mengolah data-data yang digunakan dalam penelitian adalah metode Vector Auto Regression (VAR) jika data-data yang digunakan
48
stasioner dan tidak terkointegrasi, atau dilanjutkan dengan metode Vector Error Correction Model (VECM) jika data-data yang digunakan tidak stasioner dan terkointegrasi. Data-data tersebut diolah dengan bantuan perangkat lunak (software) Eviews 4.0 . 3.5.1. Model Penelitian Semua data estimasi yang dipergunakan dalam VAR adalah dalam bentuk logaritma natural sesuai dengan pendapat Sims dalam Enders (2004), kecuali data yang sudah dalam bentuk persen atau data tersebut memiliki koefisien yang negatif (sangat kecil) yang tidak mungkin untuk diubah dalam bentuk logaritma natural. Salah satu alasannya adalah untuk memudahkan analisis, karena baik dalam impulse respons maupun variance decomposition, pengaruh shock dilihat dalam standar deviasi yang dapat dikonversi dalam bentuk presentase. Semua variabel adalah variabel endogen dalam metode VAR, sehingga dalam model penelitian ini dapat dilihat hubungan saling ketergantungan antara semua variabel. 3.5.2. Langkah-langkah Menguji VAR 3.5.2.1. Uji Stasioneritas Data (Uji Augmented Dickey-Fuller) Data deret waktu (time series) biasanya terdapat permasalahan dalam stasioneritas, sehingga dapat menjatuhkan validitas dari parameter yang diestimasi. Uji akar unit atau uji stasioneritas data digunakan untuk melihat apakah data yang diamati stationer atau tidak. Time series dikatakan stasioner jika secara stokastik data menunjukkan pola yang konstan dari waktu ke waktu atau
49
dengan kata lain tidak terdapat peningkatan atau penurunan data. Data yang tidak stasioner akan menghasilkan regresi palsu atau lancung (spurious regression). Spurious regression adalah regresi yang menggambarkan hubungan dua variabel atau lebih yang nampak signifikan secara statistik padahal kenyataannya tidak. Uji akar unit secara umum dapat dilakukan dengan melihat secara grafis (visual) apakah terdapat trend dalam data atau tidak, dan melihat variance data pada periode penelitian. Jika data pada level tidak stasioner, maka data dapat dimodifikasi menjadi selisih antar data sebelumnya (first difference) sehingga data menjadi stasioner, data ini kemudian disebut terintegrasi pada derajat pertama atau I(1). Variabel-variabel yang tidak stasioner pada level tidak dapat digunakan untuk melihat hubungan jangka panjang dalam VAR. Meskipun penggunaan first difference dalam VAR dapat digunakan, namun identifikasi restriksi jangka panjang tidak dapat dilakukan. Oleh karena itu, kestasioneran data harus diketahui sebelum menggunakan VAR. Uji akar-akar unit merupakan uji yang paling populer untuk mengetahui stasioner sebuah data. Untuk menguji akar-akar unit pada penelitian ini digunakan uji Augmented Dickey-Fuller (ADF) yang dikembangkan oleh Dickey dan Fuller, yaitu dengan membandingkan nilai ADF dengan nilai kritis Mac Kinnon 1%, 5% , dan 10%. Dalam tes ADF, jika nilai ADF lebih kecil dari nilai kritis Mac Kinnon maka dapat disimpulkan bahwa data tersebut stasioner. Jika data berdasarkan uji ADF tidak stasioner maka solusinya adalah dengan melakukan difference non stationary processes. Hasil series stasioner akan berujung pada penggunaan VAR dengan metode standar. Sementara series yang tidak stasioner akan berimplikasi
50
kepada penggunaan VAR dalam bentuk difference atau VECM. Keberadaan variabel yang tidak stasioner meningkatkan kemungkinan keberadaan hubungan kointegrasi antar variabel. 3.5.2.2. Uji Lag Optimal Penentuan lag ini sangat penting mengingat tujuan dikembangkannya model VAR adalah untuk melihat perilaku dan hubungan variabel dalam jangka pendek. Dengan lag yang terlalu sedikit maka residual dari regresi tidak akan menampilkan proses white noise sehingga model tidak dapat mengestimasi actual error secara tepat. Namun, jika memasukkan terlalu banyak lag maka dapat mengurangi kemampuan untuk menolak H0 karena tambahan parameter yang terlalu banyak akan mengurangi degrees of freedom (Gujarati, 2003). Selain itu, isu tentang penentuan panjang lag yang tepat akan menghasilkan residual yang bersifat Gaussian dalam arti terbebas dari permasalahan autokorelasi dan heteroskedasitas. Untuk kepentingan tersebut dapat digunakan beberapa kriteria untuk mengetahui optimal atau tidaknya lag yang digunakan. Beberapa kriteria tersebut adalah dengan metode Akaike Information Criterion (AIC), Schwarz Information Criterion (SIC), Final Prediction Error (FPE), dan Hannan Quinn (HQ). Tanda bintang menunjukkan lag optimal yang direkomendasikan oleh kriteria AIC, SIC, FPE dan HQ. 3.5.2.3. Uji Stabilitas VAR Uji stabilitas VAR harus dilakukan terlebih dahulu sebelum melakukan analisis impuls respon (IRF) dan analisis peramalan dekomposisi ragam galat
51
(FEVD) melalui VAR stability condition check. Uji ini nantinya dimaksudkan untuk mengetahui valid atau tidaknya kedua analisis tersebut. Uji stabilitas VAR dilakukan dengan menghitung akar-akar dari fungsi polinomial atau dikenal dengan roots of characteristic polinomial. Model VAR tersebut dianggap stabil jika semua akar dari fungsi polinomial tersebut berada didalam unit circle atau jika nilai absolutnya lebih kecil dari satu sehingga IRF dan FEVD yang dihasilkan dianggap valid (Firdaus, 2011). 3.5.2.4. Uji Kointegrasi Uji kointegrasi bertujuan untuk menentukan apakah variabel-variabel yang tidak stasioner terkointegrasi atau tidak. Konsep kointegrasi dikemukakan oleh Engle dan Granger (1987) sebagai kombinasi linear dari dua atau lebih variabel yang tidak stasioner akan menghasilkan variabel yang stasioner. Kombinasi linear ini dikenal dengan istilah persamaan kointegrasi dan dapat diinterpretasikan sebagai hubungan keseimbangan jangka panjang diantara variabel. Persamaan tersebut dikatakan terkointegrasi jika trace statistic > critical value. Dengan demikian H0 = nonkointegrasi dengan hipotesis alternatifnya H1 = kointegrasi. Kita tolak H0 atau terima H1 jika trace statistic > critical value, yang artinya terjadi kointegrasi dalam persamaan. Tahapan analisis Vector Error Correction Model (VECM) dapat dilanjutkan setelah jumlah persamaan yang terkointegrasi telah diketahui. 3.5.2.5. Uji Kausalitas Granger (Granger Causality) Uji kausalitas granger digunakan untuk melihat arah hubungan suatu variabel dengan variabel yang lain. Pendekatan Granger mencoba menjawab
52
apakah {x} menyebabkan {y} atau apakah nilai {y} sekarang dapat dijelaskan oleh nilai {y} masa lalu dan kemudian apakah penambahan nilai lag {x} juga turut memengaruhi. Variabel {y} dikatakan Granger Caused oleh variabel {x} jika {x} membantu dalam memprediksi {y} atau nilai koefisien lag {x} signifikan secara stastistik. Uji kausalitas dengan menggunakan pendekatan Granger dapat dituliskan seperti persamaan berikut : Yt = α11 + α12 yt-1 + ... + α1t yt-1 + β11xt-1 + ...+ β1tx – 1 + εt ................(3.2) Xt = α21 + α22 yt-1 + ... + α2t yt-1 + β21xt-1 + ...+ β2tx – 1 + ut ................(3.3)
Dari hasil regresi persamaan (3.2) dan (3.3) di atas, maka akan dihasilkan empat kemungkinan nilai koefisien regresi, masing-masing nilai koefisien adalah:
1.
Jika secara statistik,
dan
maka terdapat
dan
maka terdapat
kausalitas satu arah dari {x} ke {y}. 2.
Jika secara statistik, kausalitas satu arah dari {y} ke {x}.
3.
Jika secara statistik,
dan
maka antara {y}
ke {x} tidak saling mempengaruhi antara satu dengan lainnya. 4.
Jika secara statistik, ,
dan
maka antara
{y} ke {x} terdapat hubungan kausalitas antara satu dengan lainnya.
53
Dalam penelitian, ada beberapa kasus yang dapat diintepretasikan dari persamaan Granger Causality : 1.
Unidirectional causality dari Y ke X, artinya kausalitas satu arah dari Y ke X terjadi jika koefisien lag Y pada persamaan Yt adalah secara statistik signifikan berbeda dengan nol, koefisien lag X pada persamaan Xt sama dengan nol.
2.
Unindirectional causality dari X ke Y, artinya kausalitas satu arah dari X ke Y terjadi jika koefisien lag X pada persamaan Xt adalah secara statistik signifikan berbeda dengan nol dan koefisien lag Y pada persamaan Yt secara statistik signifikan sama dengan nol.
3.
Feedback/bilateralcausality, artinya kausalitas timbal balik yang terjadi jika koefisien lag Y dan lag X adalah secara statistik signifikan berbeda dengan nol pada kedua persamaan Yt dan Xt.
4.
Independence, artinya tidak saling ketergantungan yang terjadi jika koefisien lag Y dan lag X adalah secara statistik sama dengan nol pada masing-masing persamaan Yt dan Xt.
Sedangkan hipotesis statistik untuk pengujian kausalitas dengan menggunakan pendekatan Granger adalah:
H0
, Suatu variabel tidak mempengaruhi variabel lainnya.
54
H0
Suatu variabel mempengaruhi variabel lainnya.
3.5.3. Model Umum Vector Error Correction Model (VECM) Model VECM digunakan apabila terdapat persamaan yang terkointegrasi, dimana nilai trace statistic lebih besar dari pada critical value. Pada persamaan VECM telah terkandung parameter jangka pendek dan jangka panjang yang memungkinkan kita untuk mengetahui respon pada jangka pendek dan jangka panjang. Adapun spesifikasi model VECM secara umum adalah sebagai berikut (Nuryati, Siregar, dan Ratnawati, 2006):
ΔYt =
....................(2.1)
dimana : Yt = vektor yang berisi variabel yang dianalisis dalam penelitian = vektor intercept = vektor koefisien regresi t = time trend = αx β’ dimana β’ mengandung persamaan kointegrasi jangka panjang
55
= variabel in-level = matriks koefisien regresi k −1 = ordo VECM dari VAR = error term Dimana : ΔYt = Yt – Yt-1 (p-1) = ordo VECM dari VAR Γi = matriks koefisien regresi Yt-i = vektor lag variabel yang terdiri dari berbagai macam variabel yang digunakan μ0 = vektor intercept μ1 = vektor koefisien regresi α = matriks loading β = vektor koitegrasi Yt-1 = vektor lag pertama dalam variabel εt = vektor sisaan 3.5.4. Estimasi VAR
56
Estimasi VAR digunakan untuk melihat apakah variabel X mempengaruhi variabel Y dan sebaliknya dengan cara membandingkan nilai t statistik hasil estimasi dengan nilai t tabel. 3.5.4.1. Impulse Response Function Untuk mengetahui pengaruh shock dalam perekonomian maka digunakan metode impulse response. Selama koefisien pada persamaan struktural VAR di atas
sulit
untuk
diinterpretasikan
maka
banyak
praktisi
menyarankan
menggunakan impulse response function (IRF). Fungsi impulse response menggambarkan tingkat laju dari shock variabel yang satu terhadap variabel yang lainnya pada suatu rentang periode tertentu. Sehingga dapat dilihat lamanya pengaruh dari shock suatu variabel terhadap variabel lain sampai pengaruhnya hilang atau kembali ke titik keseimbangan. 3.5.4.2. Variance Decomposition Variance Decomposition atau biasa disebut Forecast Error Variance Decomposition (FEVD) merupakan perangkat model VAR yang memisahkan variasi dari sejumlah variabel menjadi variabel innovation, dengan asumsi variabel-variabel innovation tidak saling berkorelasi. Variance decomposition akan memberikan informasi mengenai proporsi dari pergerakan pengaruh shock pada sebuah variabel terhadap shock variabel yang lain pada periode saat ini dan periode yang akan datang. 3.6. Mekanisme Analisis Olah Data Proses analisis VAR dan VECM dapat dilihat pada Gambar 3.2.
57
Data Transformation No
Stationary at Level [I(0)]
Data Exploration Yes
Unit Root Test
Yes
VAR Level
Stationary at First Difference [I(1)]
Cointegration Test
VAR
VECM S-term
L-term
No
L-term
Optimal Order (K-1)
Cointegration Rank Innovation Accounting
IRF
FEVD
Sumber : Ascarya, 2009 Gambar 3.2. Proses Analisis VAR dan VECM Gambar 3.1 menjelaskan secara ringkas proses analisis VAR dan VECM melalui beberapa tahap. Pertama, ketika data dasar telah tersedia, kemudian data ditransformasi ke bentuk logaritma natural (ln) kecuali data yang sudah dalam bentuk persen. Unit roots test atau uji unit akar adalah uji awal yang dilakukan untuk mengetahui apakah data stasioner atau tidak stasioner. Jika data stasioner di
58
level, maka VAR dapat dilakukan pada level dan dapat mengestimasi hubungan jangka panjang antar variabel. Jika data tidak stasioner pada level, maka data harus diturunkan pada tingkat pertama (first difference). Keberadaan kointegrasi antar variabel pada data dapat diuji jika data stasioner pada turunan pertama. Jika tidak ada kointegrasi antar variabel, maka VAR hanya dapat dilakukan pada turunan pertamanya dan hanya dapat mengestimasi hubungan jangka pendek antar variabel, sehingga innovation accounting tidak akan bermakna untuk hubungan antar variabel dalam jangka panjang. Sedangkan, jika ada kointegrasi antar variabel, maka VECM dapat dilakukan menggunakan data turunan pertama untuk mengestimasi hubungan jangka pendek maupun jangka panjang antar variabel. Innovation accounting untuk VAR dan VECM akan bermakna untuk hubungan jangka panjang (Ascarya, 2009).