41
BAB IV HASIL DAN PEMBAHASAN IV.1
Hasil dan Pengolahan Data
Pada bab ini akan dibahas mengenai proses dan hasil serta pembahasan
dari pengolahan data yang akan dilakukan. Data yang telah didapatkan akan diolah dengan menggunakan metode Vector Auto Regression (VAR) dengan bantuan program EView 7 for Windows. Untuk mengetahui hubungan dan besar pengaruh hubungan antara Indeks Harga Saham Gabungan (IHSG) terhadap tingkat suku bunga, nilai tukar Rupiah terhadap US Dollar, dan tingkat inflasi, serta kesimpulan berdasarkan atas uji hipotesis yang digunakan. Analisis yang digunakan pada penelitian ini merupakan analisis regresi berganda dengan metode estimasi VAR.
IV.1.1
uji akar unit (Unit Root Test) Dengan bantuan program Eviews, dilakukan Augmented
Dickey-Fuller test untuk melakukan uji akar unit (unit root test) untuk menguji apakah variabel tingkat suku bunga, nilai tukar Rupiah terhadap US Dollar, tingkat inflasi dan IHSG stasioner atau tidak (Test ini sebenarnya hanya merupakan pelengkap dari analisis VAR, menurut Dickey dan Fuller (1979) apabila data yang diamati adalah stationer, hal ini akan meningkatkan akurasi dari analisis VAR). Dengan mencakup trend dan intercept, diperoleh hasil perhitungan sebagai berikut:
42
Gambar 4.1 Uji Akar Unit Tingkat Suku Bunga Bank Indonesia
Gambar 4.2 Uji Akar Unit Nilai Tukar Rupiah terhadap Dollar
Gambar 4.3 Uji Akar Unit Indeks Harga Saham Gabungan
43
Gambar 4.4 Uji Akar Unit Tingkat Inflasi Data Dasar (Level)
Gambar 4.5 Uji Akar Unit Tingkat Inflasi Turunan Pertama (First Difference) Dari hasil uji akar-akar unit terhadap variabel yang diamati, ternyata variabel tingkat suku bunga, nilai tukar rupiah terhadap USD dan IHSG sudah stasioner pada data dasarnya (level), atau stasioner pada order 0, pada tingkat kepercayaan 99%. Sedangkan variabel inflasi stationer pada turunan pertamanya (first difference) atau stationer pada order 1, pada tingkat kepercayaan 99%.
44
IV.1.2
The Likelihood Ratio Test The likelihood ratio test digunakan untuk melihat
berapakah jumlah lag yang paling sesuai untuk suatu model. Test ini seharusnya dilakukan terhadap semua jumlah lag yang mungkin sesuai untuk model yang diamati. Dengan bantuan Eviews dapat diketahui langsung jumlah lag yang sesuai untuk suatu model.
Gambar 4.6 Penentuan Lag Kriteria pemilihan lag yang sesuai dapat dilakukan menggunakan statistik FPE, AIC, SC, maupun HQ. Model yang baik adalah model yang mampu memberikan tingkat residual (error) yang paling kecil. Dalam hal ini diwakilkan dengan nilai-nilai statistik tersebut
45
yang paling kecil. Dalam penelitian ini diketemukan lag = 2 merupakan lag model VAR yang sesuai berdasarkan seluruh kriteria yang ada.
IV.1.3
Analisa VAR
Setelah ditentukan lag = 2, berikutnya adalah analisis VAR
dengan dibantu software Eviews. Pada penelitian ini disajikan penggalan output analisis pada bagian dugaan model untuk data ilustrasi dengan lag = 2. Signifikan tidaknya lag dari suatu variabel terhadap variable endogenous lainnya dapat dievaluasi menggunakan nilai mutlak dari statistik-t (nilai yang ada dalam tanda kurun […]). Sebagai perbandingan dapat digunakan nilai kritis rule-of-thumb sebesar 2.00. Jika lebih besar dari 2.00 maka dikatakan signifikan. Nilai kritis yang tepat tentu saja harus disesuaikan dengan degree of freedom dari error dan tingkat kepercayaan yang digunakan.
46
Gambar 4.7 Hasil Analisis VAR Menggunakan EViews
47
Pada kasus di atas terlihat bahwa Pengaruh nilai lag -1 dan 2 dari masing-masing variabel yaitu KURS, INFL dan SBI tidak memberikan pengaruh yang signifikan terhadap IHSG. Adapun variabel INFL pada lag -1 mempunyai pengaruh yang paling kuat dengan arah positif diantara variabel lainnya walaupun tidak signifikan.
Dari output ini diperoleh model VAR sebagai berikut ini: IHSG
= 0.282002709339 * KURS(-1)
+ 0.281703437672 * KURS(-2)
+
0.828645980859 * INFL(-1) - 0.516183586432 * INFL(-2) + 0.290801221385 * SBI(-1)
- 0.888751069802 * SBI(-2)
+ 0.28783895586 * IHSG(-1)
+
0.0396510150253 * IHSG(-2) + 0.0105687800473
Penilaian mengenai kebaikan model yang diperoleh, disajikan pada penggalan output pada gambar 4.7. Karena ada beberapa persamaan dalam model VAR, yaitu sebanyak variabel yang terlibat, maka dihasilkan ringkasan goodness-offit dari setiap variabel. Besaran yang ada antara lain adalah nilai R2 yang identik dengan R2 pada model regresi biasa. Semakin besar nilainya tentu semakin baik/pas model yang didapatkan. Terdapat juga besaran yang menilai goodness-offit secara keseluruhan. Nilai ini berguna, jika nantinya akan dibandingkan dengan model VAR yang lain. Besaran yang digunakan adalah AIC dan SC di mana model yang lebih bagus adalah model dengan nilai AIC dan SC yang lebih kecil.
48
IV.1.4
Diagnostik Model
Setelah model diperoleh, langkah selanjutnya adalah memeriksa model. Salah satu diagnostik terhadap residual yang dapat dilakukan adalah memeriksa adanya korelasi serial antar residual pada beberapa lag dengan menggunakan Uji Portmanteau Q.
Gambar 4.8 Hasil Uji Portmanteau Q Terlihat dari output bahwa hingga periode ke 8, tidak ada komponen autokorelasi yang signifikan pada tingkat kesalahan 5% (semua pvalue > 5%).
