51
BAB IV ANALISIS DAN PEMBAHASAN
Pada bagian ini akan dilakukan pengujian terhadap data yang meliputi pemilihan model dengan membandingkan antara model linear dan model logarima, pengujian kausalitas, pengujian stasionaritas data (meliputi uji akar-akar unit dan uji kointegrasi), regresi OLS apabila data series yang dipergunakan stasioner atau berintegrasi pada level, atau pengujian model jangka pendek apabila antar variabel yang diamati memiliki hubungan linear pada tingkat integrasi first differences atau second differences. Seluruh data variabel penelitian yang dikumpulkan, yaitu IHSG dan PDBR harga konstan 2000 yang dapat dilihat pada lampiran 1. Data tersebut berupa data runtun waktu (time series) dengan skala data kuartalan, dengan periode penelitian kuartal pertama tahun 2000 sampai kuartal kedua tahun 2008. Tabel 4.1. Memperlihatkan rekapitulasi statistik deskriptif awal untuk data sampel yang dipergunakan dalam penelitian ini. Tabel 4.1 Rekapitulasi Statistik Sampel IHSG
PDBR
LGIHSG
LGPDBR
Mean
1,033.010
416,333.2
6.728850
12.93147
Median
734.0400
408,771.6
6.598561
12.92088
52
Maximum
2,726.930
518,248.8
7.910932
13.15821
Minimum
381.0500
339,447.4
5.942931
12.73507
Std.Dev.
709.8146
53,049.56
0.649130
0.126159
Skewness
1.009116
0.334596
0.384548
0.185567
Kurtosis
2.762439
1.920514
1.768028
1.830669
Observations
34
34
34
34
Tabel di atas memperlihatkan uji statistik deskriptif untuk variabel dengan nilai awal dan variabel dalam logaritma. Tujuan memperlihatkan kedua kelompok data ini adalah untuk mendeskripsikan sifat dari kedua kelompok data tersebut. Secara informal dapat dikatakan bahwa variabel logaritma akan memiliki fluktuasi dan standar deviasi yang lebih kecil. Namun secara formal belum bisa dikatakan bahwa data logaritma akan memberikan hasil estimasi ordinary least square (OLS) yang lebih baik daripada data awal. Pengujian secara formal akan dilakukan dengan menggunakan pengujian Akaike Information Criteria (AIC) dan Schwarz-Bayesia Criteria (SBC) untuk menentukan apakah model logaritma akan lebih baik daripada model linear biasa atau sebaliknya. Dari rekapitulasi uji statistik deskriptif diatas menunjukkan bahwa series IHSG selama periode kuartal pertama tahun 2000 sampai kuartal kedua tahun 2008 memiliki nilai rata-rata 1.033,010 median 734.0400, dan standar deviasi 709.8146. Nilai IHSG terendah pasca akhir masa krisis ekonomi sebelumnya pada awal tahun 2000 hingga akhir 2003 sekitar 380 poin dikarenakan masih traumanya investor di
53
pasar modal Indonesia akibat krisis ekonomi yang terjadi di pertengahan 1997 sehingga investor belum berani melakukan transaksi di pasar modal.
Namun
demikian nilai IHSG tertinggi terjadi pada akhir tahun 2007 (sekitar 2700 poin). Ini menunjukan bahwa mulainya recovery ekonomi pada akhir tahun 2003 ditanggapi positif oleh pelaku pasar modal yang ditunjukan oleh mulai kembalinya IHSG ke posisi yang tinggi. Nilai Skewness dari series menunjukkan angka 1.009116.
Skewness atau
kecondongan ini mengukur simetris tidaknya distribusi dari series di sekitar rataratanya. Nilai skewness yang positif mempunyai arti distribusi lebih condong ke kiri (mempunyai ekor kanan yang panjang), sedangkan nilai skewness yang negatif berarti distribusi condong ke kanan (mempunyai ekor kiri yang panjang). Karena skewness series ini menunjukkan nilai positif maka mengindikasikan bahwa distribusi series ini lebih condong ke kiri dari series di sekitar rata-ratanya. Nilai Kurtosis adalah mengukur kerataan (peakness atau flatness) dari distribusi suatu series. Nilai kurtosis pada distribusi normal adalah 3. Apabila nilai kurtosis lebih dari 3, distribusi berbentuk tinggi (leptukoric) relatif terhadap distribusi normal, dan apabila nilai kurtosis kurang dari 3, berarti distribusi berbentuk rata (platykurtic) relatif terhadap distribusi normal.
Pada series ini kurtosis bernilai
2.762439 berarti distribusi IHSG periode kuartal pertama 2000 hingga kuartal kedua 2008 ini relatif berbentuk tinggi (leptukortic) terhadap distribusi normal. Nilai mean PDBR Indonesia pada periode pengamatan adalah sekitar Rp. 416 trilyun, dengan nilai tertinggi pada kuartal kedua 2008 (sekitar Rp.518 trilyun) dan nilai terendah pada kuartal kedua 1999 (sekitar Rp. 339 trilyun).
54
Dengan menggunakan nilai logaritma, LGIHSG bernilai mean sekitar 6,72, dengan nilai tertinggi sekitar 7,91 dan nilai terendah sekitar 5,94.
Sementara
LGPDBR bernilai tengah 12,92 dengan nilai tertinggi 13,15 dan nilai terendah 12,73.
Pemilihan Model antara Linear dan Log-Linear Sebelum melakukan pengujian kausalitas untuk variabel IHSG dan PDBR, penulis melakukan terlebih dahulu pemilihan model antara model linear dan model log-linear untuk menentukan model mana yang lebih baik untuk mewakili periode pengamatan . Pemilihan antara model linear dan model log-linear dilakukan dengan menggunakan metode pemilihan model berdasarkan kriteria fit dan parsimory, yaitu Akaike
Information
Criteria
(AIC)
dan
Schwarz-Bayesia
Criteria
(SBC)
(Verbeek,2001). Untuk pengolahan data kriteria fit dan parsimony AIC dan SBC, penulis memakai software EViews 5.0.
Dengan cara melakukan regresi Ordinary Least
Squared (OLS), hubungan fungsional antar variabel dan kriteria fit dan parsimony bisa didapatkan. Tabel 4.2 dan 4.3 memperlihatkan hasil regresi OLS untuk model linear dan model log-linear secara berurutan.
55
Tabel 4.2 Hasil Regresi OLS untuk model Linear Dependent Variable: PDBR Method: Least Squares Date: 11/13/08 Time: 01:43 Sample: 2000Q1 2008Q2 Included observations: 34 Variable
Coefficient
Std. Error
t-Statistic
Prob.
C IHSG
4190.408 0.012546
344.9118 0.000822
-12.14922 15.26307
0.0000 0.0000
R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood Durbin-Watson stat
0.879228 0.875454 250.5016 2008034. 235.0111 0.612408
Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion
1033.010 709.8146 13.94183 14.03162
F-statistic Prob(F-statistic)
232.9614 0.000000
Tabel 4.3 Hasil Regresi OLS untuk Model Log-Linear Dependent Variable: LGPDBR Method: Least Squares Date: 11/13/08 Time: 01:55 Sample: 2000Q1 2008Q2 Included observations: 34 Variable
Coefficient
Std. Error
t-Statistic
Prob.
C LGIHSG
11.68904 0.184642
0.072481 0.010723
161.2701 17.21860
0.0000 0.0000
R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood Durbin-Watson stat
0.902582 0.899537 0.039987 0.051167 62.23939 0.757350
Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion F-statistic Prob(F-statistic)
12.93147 0.126159 -3.543494 -3.453708 296.4803 0.000000
56
Baik Tabel 4.2 maupun Tabel 4.3 memperlihatkan bahwa variabel IHSG dan variabel PDBR memiliki hubungan fungsional yang positif signifikan (lihat probabilitas statistic-t yang menunjukan signifikansi pada α=5%). Demikian juga dengan konstanta (C) yang dihasilkan pada model linear dan log-linear signifikan secara statistik. Karena sama-sama kedua model tersebut mewakili periode pengamatan pada penelitian ini maka penulis membandingkan AIC dan SBC pada kedua model tersebut. Pengambilan keputusan pada kedua kriteria ini adalah nilai yang lebih kecil menunjukan model yang lebih fit dan parsimory. Dari kedua model tersebut, terlihat lebih jelas bahwa nilai AIC dan SBC pada log=linear lebih baik daripada model linear. Dengan demikian dapat disimpulkan bahwa model log-linear lebih mewakili periode data yang digunakan. Tabel 4.4 Summary Hasil Regresi OLS Model Linear dan Log Linear Model Linear
Model Log linear
C (Prob)
0.0000
0.0000
IHSG (Prob)
0.0000
0.0000
AIC
13.94183
-3.543494
SBC
14.03162
-3.453708
Pengujian Stasioneritas Data yang tidak stationer bila diregresikan akan mudah menyebabkan regresi lancung. Data dikatakan stasioner bila memenuhi syarat berikut: (1) rata-rata dan variannya konstan sepanjang waktu, dan (2) kovarian antara dua data runtut waktu
57
tergantung pada kelambanan antara dua periode tersebut. Oleh karenanya data yang tidak stasioner harus dijadikan stasioner dulu. Pengujian stasioneritas dipergunakan untuk melihat perilaku data. Penerapan regresi OLS secara langsung kepada data series mengasumsikan bahwa data yang dipergunakan berintegrasi pada level (derajat nol). Apabila asumsi ini dilanggar maka regresi yang dihasilkan akan bersifat lancung (Spurious regression) (Granger dan Newbold, 1974). Berdasarkan studi yang dilakukan oleh Nelson dan Plosser (1984), data series makroekonomi sebagaian besar berintegrasi pada derajat satu (first differences). Karena itu, penerapan secara langsung regresi OLS menyebabkan uji-t tidak berdistribusi normal sehingga asumsi dasar OLS tidak terpenuhi.
Hasil
pengujian dengan regresi OLS untuk data series yang berintegrasi pada derajat yang lebih tinggi daripada nol akan menyebabkan bias estimasi. Untuk menghindari regresi lancung, penulis melakukan pengujian sifat data dengan menggunakan uji akar-akar unit (unit roots test) dan uji kointegrasi (cointegration). Pengujian akar-akar unit yang dipergunakan pada penelitian ini adalah uji Philips-Perron (PP).
Uji Akar Unit (Unit Roots Test) Salah satu metode yang memadai untuk memastikan keadaan stationeritas suatu series adalah Phillips Perron (PP) Test. Pengujian PP test ini adalah untuk melihat adanya akar-akar unit (Unit root test) atas data runtun waktu yang akan dianalisis, dimana hipotesa null ρ = 1 berarti data adalah non stasioner dan hipotesis
58
alternatifnya adalah ρ<1 yang berarti data telah stasioner. Apabila PP Test Statistic lebih kecil dari nilai absolut kritis MacKinnon, maka hipotesis null ρ = 1 ditolak, yang berarti bahwa data adalah stasioner.
Pengujian Akar Unit Data 2000:1 – 2008:2 Phillip-Peron Test untuk semua data series selama periode kuartal pertama 1999 hingga kuartal kedua 2008 ditunjukkan oleh hasil yang dapat dilihat pada tabel 4.5. Tabel 4.5 Rekapitulasi Pengujian Akar Unit Data Tingkat Level No Variabel penelitian
PP Test Statistic
MacKinnon 5% Critical Value
1
LGPDBR
1.045472
-2.954021
2
LGIHSG
0.514268
-2.954021
Berdasarkan tabel di atas nampak bahwa hasil uji tingkat level untuk variabel LGIHSG dan LGPDBR PP test statistic lebih besar dibandingkan MacKinnon 5% critical value, maka hipotesis null ρ = 1 diterima, yang berarti bahwa data nonstationer. Kemudian variabel LGIHSG dan LGPDBR yang masih belum stasioner selanjutnya diuji kembali pada tingkat difference. Tabel 4.6 merupakan rekapitulasi pengujian akar unit dengan metode Phillips Perron pada tingkat first difference.
59
Tabel 4.6 Rekapitulasi pengujian akar unit data First Differences No Variabel penelitian
PP Test Statistic
MacKinnon 5% Critical Value
1
LGPDBR
-15.44900
-2.957110
2
LGIHSG
-4.603558
-2.957110
Hasil pengujian menunjukkan bahwa pada first difference, variabel LGIHSG yang non-stasioner pada tingkat level , kini telah memiliki nilai PP Test Statistic lebih kecil dibandingkan MacKinnon 5% critical value. Maka hipotesis null ρ = 1 ditolak, yang berarti bahwa data telah stasioner. Begitu juga dengan variabel LGPDBR untuk nilai PP test statistic lebih kecil dibandingkan MacKinnon 5% critical value sehingga data telah stationer. Dari pengujian akar-akar unit ini dapat disimpulkan bahwa uji kointegrasi dapat dilakukan karena kedua data series memiliki derajat integrasi yang sama yaitu pada tingkat first differences. Model jangka panjang hubungan fungsional antara LGIHSG dan LGPDBR dapat dilihat pada tabel 4.7. Terlihat bahwa dalam jangka panjang pertumbuhan ekonomi (LGPDBR) memberikan pengaruh yang positif signifikan terhadap kinerja pasar modal (LGIHSG) dimana variabel LHPDBR mampu menjelaskan pengaruhnya sebanyak 89% terhadap variabel LGIHSG. ( lihat R-squared = 0,898888).
60
Tabel 4.7. Model Jangka Panjang Hubungan Pasar Modal dan Pertumbuhan Ekonomi Dependent Variable: LGIHSG Method: Least Squares Date: 11/15/08 Time: 07:49 Sample: 2000Q1 2008Q2 Included observations: 34 Variable
Coefficient
Std. Error
t-Statistic
Prob.
C LGPDBR
-21.81261 9.264890
1.406024 0.549306
-15.51369 16.86653
0.0000 0.0000
R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood Durbin-Watson stat
0.898888 0.895728 0.030760 0.030277 71.15934 0.755347
Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion F-statistic Prob(F-statistic)
1.901964 0.095257 -4.068197 -3.978411 284.4799 0.000000
Uji Kointegrasi Dua variabel yang tidak stationer sebelum didiferensikan namun stasioner pada tingkat diferensi pertama, besar kemungkinan akan terjadi kointegrasi, yang berarti terdapat hubungan jangka panjang diantara keduanya.
Uji kointegrasi
berusaha menguji apakah terdapat kombinasi linear antar kedua variabel. Salah satu cara untuk menguji keberadaan kointegrasi adalah dengan berdasarkan pendekatan vector autoregressions (VAR) Johansen. Tabel 4.7 menyajikan hasil uji kointegrasi Johansen.
Uji Kointegrasi
Johansen dilakukan dengan menggunakan pajang lag = 4. Pemilihan lag didasarkan
61
atas Akaike Information Criteria (AIC). Menggunakan panjang lag ini, residual pada setiap persamaan VAR bebas dari masalah normalitas dan autokorelasi. Tabel 4.8 Johansen Cointegration Test Date: 11/15/08 Time: 05:31 Sample (adjusted): 2001Q2 2008Q2 Included observations: 29 after adjustments Trend assumption: Linear deterministic trend Series: LGIHSG LGPDBR Lags interval (in first differences): 1 to 4
Hypothesized No. of CE(s)
Eigenvalue
Trace Statistic
5 Percent Critical Value
1 Percent Critical Value
None * At most 1 *
0.314744 0.159992
16.01687 5.055959
15.41 3.76
20.04 6.65
Trace test indicates 2 cointegrating equation(s) at the 5% level Trace test indicates no cointegration at the 1% level *(**) denotes rejection of the hypothesis at the 5%(1%) level
Berdasarkan nilai trace statistic dan maximum eigenvalen pada nilai kritis 5%, terdapat dua vektor kointegrasi antara variabel LGIHSG dan LGPDBR. Hal ini mengindikasikan bahwa seluruh variabel cenderung bergerak menuju ekuilibrium dalam jangka panjang. Dengan kalimat lain, dalam setiap periode jangka pendek, variabel LGIHSG dan LGPDBR cenderung saling menyesuaikan untuk mencapai ekuilibrium jangka panjang. Engle dan Granger (1987) berargumen bahwa apabila sekelompok data series memiliki kombinasi linear maka model koreksi kesalahan (error correction model – ECM) dapat dipergunakan untuk mengestimasi data series yang ada. Pada penelitian
62
ini, ECM yang akan dipergunakan adalash prosedur dua langkah Engle dan Granger (1987).
Pengujian Kausalitas Granger Hasil pengujian kausalitas Granger dapat dilihat pada Tabel dibawah ini. Tabel 4.9 Granger Causality Test Pairwise Granger Causality Tests Date: 11/15/08 Time: 05:54 Sample: 2000Q1 2008Q2 Lags: 2 Null Hypothesis: LGPDBR does not Granger Cause LGIHSG LGIHSG does not Granger Cause LGPDBR
Obs
F-Statistic
Probability
32
7.92437 2.37253
0.00196 0.11240
Terlihat bahwa pada pengujian arah kausalitas berasal dari LGPDBR ke LGIHSG dimana mempelihatkan nilai F-Statistik yang lebih besar (F-Stat=7.92437) dan nilai probalitas yang lebih kecil 5% (Prob = 0.00196). Dengan demikian dapat disimpulkan bahwa untuk kasus Indonesia dengan periode pengamatan dari kuartal pertama tahun 2000 sampai kuartal kedua tahun 2008, hipotesis growth-lead finance yang berlaku. Dalam hal ini, pertumbuhan ekonomi Indonesia mendorong terciptanya permintaan di pasar keuangan. Hasil ini dapat dijelaskan dengan argumen belum efisiennya pasar modal Indonesia. Hasil pengujian ini memperkuat hasil penelitian yang dilakukan oleh Suyanto dan Ch. Ruth Elisabeth (2004) dengan mengambil perspektif pasar keuangan dari sisi pasar modal, juga temuan yang dihasilkan oleh
63
Susianto (1997) yang memperlihatkan bahwa efisiensi pasar modal Indonesia masih dalam bentuk lemah.
Tabel 4.10 Engle-Granger Error Correction Model Dependent Variable: D(LGIHSG) Method: Least Squares Date: 11/15/08 Time: 05:48 Sample (adjusted): 2000Q2 2008Q2 Included observations: 33 after adjustments Variable
Coefficien t
Std. Error
t-Statistic
Prob.
C D(LGPDBR) RESID01(-1)
0.005999 0.136666 -0.318442
0.003134 1.615556 0.095498
1.914021 0.084594 -3.334533
0.0652 0.9331 0.0023
R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood Durbin-Watson stat
0.290994 0.243727 0.015608 0.007308 92.02732 1.524250
Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion F-statistic Prob(F-statistic)
0.005995 0.017947 -5.395595 -5.259549 6.156368 0.005751
Tabel 4.10 memperlihatkan hasil pengujian ECM untuk Engle-Granger (EG). Hasil pengujian model ECM memperlihatkan bahwa error correction term (ECT) yang ditunjukan oleh RESID01(-1) memiliki tanda negatif sesuai yang diharapkan dengan tingkat signifikansi secara statistic pada α = 1%. Hal ini menunjukkan bahwa disekuilibrium jangka pendek akan mengarah ke ekuilibrium jangka panjang dengan kecepatan penyesuaian yang cukup cepat karena semakin koefisien ECT mendekati nol, semakin cepat tingkat penyesuaian yang akan terjadi dari disekuilibrium jangka pendek ke ekuilibrium jangka panjang.
Begitu juga sebaliknya. Dimana tingkat
64
penyesuian dapat dihitung dari 1-ג, untuk גadalah nilai absolut koefisien ECT. Pada penelitian ini, tingkat penyesuaian adalah sebesar 1-0,32 = 0,68.
