DAMPAK PERKEMBANGAN INDEKS HARGA SAHAM GABUNGAN (IHSG) TERHADAP PEUBAH – PEUBAH MAKROEKONOMI INDONESIA
ARDIAN FIRMANSAH
DEPARTEMEN STATISTIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR BOGOR 2014
PERNYATAAN MENGENAI SKRIPSI DAN SUMBER INFORMASI SERTA PELIMPAHAN HAK CIPTA Dengan ini saya menyatakan bahwa skripsi berjudul Dampak Perkembangan Indeks Harga Saham Gabungan (IHSG) terhadap Peubah-peubah Makroekonomi Indonesia adalah benar karya saya dengan arahan dari komisi pembimbing dan belum diajukan dalam bentuk apa pun kepada perguruan tinggi mana pun. Sumber informasi yang berasal atau dikutip dari karya yang diterbitkan maupun tidak diterbitkan dari penulis lain telah disebutkan dalam teks dan dicantumkan dalam Daftar Pustaka di bagian akhir skripsi ini. Dengan ini saya melimpahkan hak cipta dari karya tulis saya kepada Institut Pertanian Bogor. Bogor, Juli 2014 Ardian Firmansah NIM G14100055
ABSTRAK ARDIAN FIRMANSAH. Dampak Perkembangan Indeks Harga Saham Gabungan (IHSG) terhadap Peubah-peubah Makroekonomi Indonesia. Dibimbing oleh ITASIA DINA SULVIANTI dan NOER AZAM ACHSANI. Stabilitas sistem keuangan dapat mendorong beroperasinya pasar sehingga dapat meningkatkan perekonomian suatu negara. Pasar modal merupakan salah satu elemen penting dalam menjaga stabilitas sistem keuangan. Integrasi antara perkembangan pasar modal dan kondisi perekonomian menyebabkan banyak perhatian, sehingga banyak penelitian dilakukan terhadap integrasi tersebut. Penelitian ini mengevaluasi hubungan antara Indeks Harga Saham Gabungan (IHSG) dan indikator makroekonomi Indonesia. Hasil yang didapatkan dari penelitian ini adalah IHSG memiliki pengaruh yang cukup kuat terhadap peubah makroekonomi Indonesia. Ketika IHSG mengalami guncangan, beberapa peubah makroekonomi akan mengalami guncangan. Guncangan yang diberikan IHSG terhadap peubah makroekonomi hanya pada 4 periode awal sedangkan pada periode berikutnya peubah makroekonomi cenderung stabil. Berdasarkan hasil uji hubungan kausalitas, disimpulkan bahwa peubah yang memiliki hubungan 2 arah adalah peubah IHSG dan peubah IHK, peubah Indeks Harga Konsumen dan Industrial Production Index (IPI), serta jumlah uang beredar luas (M2) dan Indeks Harga Saham Gabungan. Kata kunci: makroekonomi, model koreksi kesalahan, sistem keuangan, uji kausalitas Granger
ABSTRACT ARDIAN FIRMANSAH. Impact of Stock Market Development on Indonesian Macroeconomic Variables. Supervised by ITASIA DINA SULVIANTI and NOER AZAM ACHSANI. Stability of the financial system could incourage market operation so as to bush the economy of a country. The capital market is one of the important elements in maintaining financial stability. The integration between the development of the capital market and economic conditions caused a lot of attention, so a lot of research done on the integration. This study evaluated the relationship between Jakarta Composite Index (JCI) and the Indonesian macroeconomic indicators. The results obtained from this study is JCI has a strong influence on Indonesian macroeconomic variables. When JCI shocks, some macroeconomic variables will experience shock. JCI shocks given to the macroeconomic variables only at the beginning of period 4, while in the next period of macroeconomic variables tend to be stable. Based on the causality test results, it was concluded that the variables that have a two-way relationship is JCI with Consumer Price Index (CPI), Consumer Price Index (CPI) with Industrial Production Index (IPI), and broad money supply (M2) with JCI. Keywords: error correction model, Granger causality test, macroeconomics, the financial system.
DAMPAK PERKEMBANGAN INDEKS HARGA SAHAM GABUNGAN (IHSG) TERHADAP PEUBAH – PEUBAH MAKROEKONOMI INDONESIA
ARDIAN FIRMANSAH
Skripsi sebagai salah satu syarat untuk memperoleh gelar Sarjana Statistika pada Departemen Statistika
DEPARTEMEN STATISTIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR BOGOR 2014
Judul Skripsi : Dampak Perkembangan Indeks Harga Saham Gabungan (IHSG) terhadap Peubah-peubah Makroekonomi Indonesia Nama : Ardian Firmansah NIM : G14100055
Disetujui oleh
Dra Itasia Dina Sulvianti, MSi Pembimbing I
Prof Dr Noer Azam Achsani Pembimbing II
Diketahui oleh
Dr Anang Kurnia, MSi Ketua Departemen
Tanggal Lulus:
PRAKATA Alhamdullillahi Rabbil ‘Alamin, puji syukur penulis ucapkan atas segala nikmat, karunia, petunjuk dan ilmu yang diberikan Allah SWT sehingga penulis dapat menyelesaikan penulisan karya ilmiah ini. Karya ilmiah ini berjudul Dampak Perkembangan Indeks Harga Saham Gabungan (IHSG) terhadap Peubah-peubah Makroekonomi Indonesia. Banyak ilmu, inspirasi, dan pelajaran yang sangat berharga dalam penyusunan karya ilmiah ini. Sehingga, dalam kesempatan ini penulis ingin mengucapkan terimakasih kepada : 1. Ibu Dra Itasia Dina Sulvianti, MSi dan Bapak Prof Dr Noer Azam Achsani yang telah membimbing penulis selama penyusunan karya ilmiah ini. 2. Bapak Dr Farit Mochammad Afendi, MSi selaku penguji yang telah memberikan saran untuk kelengkapan karya ilmiah ini. 3. Keluarga besar Departemen Statistika, FMIPA IPB, dosen dan seluruh staf, serta sahabat-sahabat statistika 47 tercinta, terimakasih atas segala bantuan dan doanya. 4. Kedua orang tua yang sangat penulis cintai, Mahmud dan Masiyah, terimakasih atas segala doa dukungan, dan kasih sayangnya. 5. Imdad, Dede, Delly, Fahmi, Amri, dan Doni terimakasih atas segala bantuan dan kebersamaannya. 6. Serta seluruh pihak yang telah membantu, terimakasih atas segala bantuannya. Semoga semua bantuan dan doa yang telah diberikan mendapatkan balasan dari Allah SWT, dan semoga karya ilmiah ini bermanfaat.
Bogor, Juli 2014 Ardian Firmansah
DAFTAR ISI DAFTAR TABEL
viii
DAFTAR GAMBAR
viii
DAFTAR LAMPIRAN
viii
PENDAHULUAN
1
Latar Belakang
1
Tujuan Penelitian
2
Manfaat Penelitian
2
Hipotesis Penelitian
3
TINJAUAN PUSTAKA
3
Pembentukan Model VECM METODE
3 7
Model Penelitian
7
Bahan
7
Prosedur Analisis Data
8
HASIL DAN PEMBAHASAN Eksplorasi Data Hubungan IHSG dengan Peubah Makroekonomi Indonesia SIMPULAN DAN SARAN
8 8 11 17
Simpulan
17
Saran
17
DAFTAR PUSTAKA
17
LAMPIRAN
19
RIWAYAT HIDUP
32
DAFTAR TABEL 1 2 3 4 5 6 7 8 9 10
Peubah, notasi, dan sumber data Hasil uji korelasi antar peubah Statistik deskriptif IHSG dan peubah makroekonomi Indonesia Hasil uji augmented Dickey-Fuller pada level dan differencing lag 1 Hasil dari uji hubungan kausalitas Granger pada lag ke-0 Hasil uji hubungan kausalitas Granger pada differencing pertama Hasil pemilihan lag Hasil uji kointegrasi Johansen Nilai AIC, SC dan RMSE model VAR/VECM Uji t model parsial IHSG
7 10 11 11 12 12 13 13 14 14
DAFTAR GAMBAR 1
2
3
Plot data aktual (a) Indeks Harga Saham Gabungan (IHSG) (b) Indeks Harga Konsumen (IHK) tahun dasar 1996 (c) Industrial Production Indeks (IPI) tahun dasar 2000 (d) Jumlah uang beredar luas (M2) (e) Nilai tukar (NT) (f) Sertifikat Bank Indonesia (SBI) periode Januari 1998 – Desember 2013 9 Dampak guncangan Indeks Harga Saham Gabungan (IHSG) terhadap (a) Indeks Harga Saham Gabungan (IHSG) (b) Indeks Harga Konsumen (IHK) (c) Industrial Production Indeks (IPI) (d) Jumlah uang beredar luas (M2) (e) Nilai tukar rupiah (f) Sertifikat Bank Indonesia (SBI) 15 Kontribusi pergerakan Indeks Harga Saham Gabungan (IHSG) terhadap variance decomposition peubah (a) Indeks Harga Saham Gabungan (IHSG), (b) Indeks Harga Konsumen (IHK), (c) Industrial Production Indeks (IPI), (d) Jumlah uang beredar luas (M2), (e) Nilai tukar rupiah, dan (f) Sertifikat Bank Indonesia (SBI) 16
DAFTAR LAMPIRAN 1 2 3 4 5 6 7 8 9
Hasil uji hubungan kausalitas Granger Stabilitas VAR Hasil uji kointegrasi Hasil pendugaan parameter VECM Hasil impulse response function setiap peubah Grafik impulse response function antar peubah Hasil forecast error decomposition of variance setiap peubah Grafik forecast error decomposition of variance antar peubah Plot sisaan setiap peubah
19 21 22 23 25 27 28 30 31
PENDAHULUAN Latar Belakang Sistem keuangan merupakan salah satu hal penting dalam perkembangan ekonomi suatu negara seperti menciptakan kepercayaan dan lingkungan yang mendukung bagi investor untuk berinvestasi. Stabilitas sistem keuangan dapat mendorong beroperasinya pasar sehingga dapat meningkatkan perekonomian suatu negara. Salah satu instrumen yang menjaga stabilitas sistem keuangan adalah pasar modal (Bank Indonesia 2007). Pasar modal merupakan tempat berbagai macam instrumen keuangan yang dapat diperjualbelikan dalam jangka panjang. Menurut Rusdin (2006) pasar modal merupakan sarana pengalokasian dana yang efisien. Perkembangan pasar modal di Indonesia ditandai dengan meningkatnya Indeks Harga Saham Gabungan (IHSG) sejak tahun 1998. Peningkatan IHSG ini diikuti dengan semakin banyaknya pemodal yang melakukan investasi dan semakin baik kondisi perekonomian di Indonesia. Integrasi antara perkembangan saham dan kondisi perekonomian menyebabkan banyak perhatian, sehingga banyak penelitian dilakukan terhadap integrasi tersebut. Menurut Ibrahim (2011), pada penelitian mengenai perkembangan pasar saham dan performa makroekonomi di Thailand, terdapat hubungan yang mengikat antara empat peubah secara simultan dalam jangka panjang. Selain itu, fungsi impuls response function (IRF) menunjukkan kecenderungan hubungan kausalitas dua arah antara pengembangan pasar saham dan Gross Domestic Product (GDP) riil. Hasil yang serupa juga dikemukakan Petros et al. (2012) yang meneliti efek pertukaran saham pada pembangunan ekonomi di Zimbabwe dengan menggunakan data GDP, kapitalisasi pasar, tingkat inflasi, perputaran uang, serta investasi asing. Hasil yang didapatkan yaitu terdapat hubungan yang positif signifikan antara pengembangan pasar saham dan pembangunan ekonomi. Penelitian Kehinde et al. (2013) mengenai capital market dan economic growth di negara Nigeria dengan menggunakan data pasar saham dan GDP rill selama tahun 1981-2010, memberikan hasil bahwa kapitalisasi pasar, saham pemerintah, dan nilai transaksi merupakan peubah pasar modal penting yang mampu mempengaruhi pertumbuhan ekonomi. Penelitian Olweny et al. (2011) mengenai performa pasar saham dan perkembangan ekonomi Kenya dengan pendekatan uji kausalitas dengan menggunakan data pasar saham, GDP, dan Customer Price Index (CPI), memberikan hasil bahwa terdapat hubungan kausalitas satu arah antara perkembangan pasar saham dan pertumbuhan ekonomi Kenya. Selain itu, pasar saham memiliki peran yang sangat penting dalam menentukan kegiatan ekonomi di Kenya. Menurut penelitian Rahimzadeh et al. (2012) mengenai dampak sektor perbankan dan pasar saham terhadap pertumbuhan ekonomi di negara-negara Middle East and North Africa (MENA), memberikan hasil bahwa pasar saham dan sektor perbankan memiliki dampak positif pada tingkat produksi dan pertumbuhan ekonomi di negara – negara MENA. Penelitian Osuala et al. (2013) mengenai hubungan kausalitas antara pasar saham dan pertumbuhan ekonomi di Nigeria dengan menggunakan data time series yang diperoleh dari bank sentral dari Nigeria untuk periode 1981-2009, ditemukan
2 bahwa terdapat hubungan kausalitas searah dari beberapa indikator kinerja pasar modal terhadap pertumbuhan ekonomi dalam jangka panjang. Dalam jangka pendek, tidak ada hubungan kausalitas antara indikator pembangunan pasar saham dan PDB. Hal ini menunjukkan bahwa pengembangan pasar saham bukanlah faktor utama yang mempengaruhi pertumbuhan ekonomi, akan tetapi pertumbuhan ekonomi yang sangat mempengaruhi perkembangan pasar saham di Nigeria. Hasil penelitian Badan Pengawas Pasar Modal dan Lembaga Keuangan (2008) mengenai analisis hubungan kointegrasi dan kausalitas serta hubungan dinamis antara aliran modal asing, peubah nilai tukar rupiah dan pergerakan IHSG di pasar Indonesia menunjukkan bahwa ke-tiga peubah tersebut memiliki hubungan kointegrasi atau keseimbangan jangka panjang. Berdasarkan hasil uji kausalitas Granger menunjukkan bahwa IHSG lebih mampu menjelaskan pengaruhnya terhadap aliran modal asing (capital inflow) yang masuk ke Indonesia sedangkan aliran modal asing (capital inflow) mampu menjelaskan pengaruhnya terhadap pergerakan nilai tukar rupiah. Hasil penelitian yang berbeda didapatkan oleh Puspitasari 2010 mengenai hubungan antara ILQ45 (Indeks 45 perusahaan Indonesia dengan tingkat liquiditas tinggi), suku bunga Bank Indonesia (SBI), tingkat inflasi, dan Indeks Harga Konsumen (IHK) dengan menggunakan metode vector autoregressive (VAR). Hasilnya menunjukkan bahwa perubahan ILQ45 dipengaruhi oleh ILQ45 itu sendiri, dan ILQ45 cenderung tidak mempengaruhi kondisi ekonomi makro Indonesia begitupun sebaliknya. Penggunaan data series yang sedikit menyebabkan model tidak sepenuhnya merepresentasikan keadaan sebenarnya sehingga perlu dilakukan penelitian lanjutan. Penilitian ini menganalisis hubungan antara indeks saham dan peubah makroekonomi Indonesia dengan mempertimbangkan peubah yang saling terintegrasi serta metode yang dapat mengatasi ketidakstasioneran peubah. Vector error correction model (VECM) merupakan salah satu metode yang mampu mengatasi permasalahan kestasioneran data dan mempertimbangkan peubah yang saling terintegrasi sedangkan untuk mengetahui hubungan kausalitas antar peubah digunakan uji kausalitas Granger. Tujuan Penelitian Tujuan penelitian ini adalah menganalisis dampak perkembangan Indeks Harga Saham Gabungan (IHSG) terhadap peubah makroekonomi Indonesia. Manfaat Penelitian Hasil dari penelitian ini diharapkan dapat memberikan manfaat bagi penulis sendiri maupun bagi pihak-pihak lain seperti: 1. Memperoleh gambaran mengenai dampak perkembangan Indeks Harga Saham Gabungan (IHSG) terhadap peubah makroekonomi Indonesia. 2. Bagi kalangan ekonomi diharapkan dapat memperluas pengetahuan mengenai hubungan antara pasar saham dan makroekonomi Indonesia. 3. Bagi kalangan statistika diharapkan dapat memperluas pengetahuan mengenai konsep time series analysis, seperti vector error correction model (VECM) dan analisis kausalitas.
3 Hipotesis Penelitian Hipotesis yang diuji pada penelitian ini adalah sebagai berikut: 1. Diduga kenaikan IHSG akan menyebabkan kenaikan Indeks Harga Konsumen (IHK) 2. Diduga kenaikan IHSG akan menyebabkan kenaikan Industrial Production Index (IPI) 3. Diduga kenaikan IHSG akan menyebabkan penurunan nilai tukar rupiah 4. Diduga kenaikan IHSG akan menyebabkan penurunan nilai Sertifikat Bank Indonesia (SBI) 5. Diduga kenaikan IHSG akan menyebabkan penurunan jumlah uang beredar luas (M2) 6. Diduga perubahan IHSG memberikan kontribusi yang tinggi terhadap perubahan peubah - peubah makroekonomi Indonesia.
TINJAUAN PUSTAKA Pembentukan Model VECM Vector Autoregressive (VAR) Vector autoregressive (VAR) merupakan salah satu metode yang digunakan untuk menganalisis hubungan antara peubah data deret waktu. Metode ini merupakan pengembangan dari univariat autoregressive (AR). Metode ini dikembangkan oleh Sims pada tahun 1980. Model umum VAR yang digunakan dalam penelitian ini yaitu (Enders 2004): 𝐲𝐭 = 𝚽𝟎 + 𝚽𝟏 𝐲𝐭−𝟏 + 𝚽𝟐 𝐲𝐭−𝟐 + ⋯ + 𝚽𝐩 𝐲𝐭−𝐩 + 𝐚𝐭 dengan, 𝐲𝐭 : vektor peubah endogen (y1t, y2t,…, ykt) berukuran k × 1 yang berisi k peubah pada waktu ke-t 𝚽𝟎 : vektor intersep berukuran k × 1 𝚽i : matriks parameter berukuran (k × k) untuk lag ke-i dengan i=1,2,…,p 𝐚t : vektor sisaan (a1t , a2t ,…, akt) berukuran k × 1 pada waktu ke-t. Asumsi yang diperlukan dalam menggunakan metode VAR yaitu peubah endogen bersifat stasioner. Kestasioneran Data Data stasioner merupakan asumsi yang digunakan dalam metode VAR. Data dikatakan stasioner jika distribusi peluang seluruh amatan konstan sepanjang waktu. Salah satu metode yang dapat digunakan untuk menguji kestasioneran data yaitu metode augmented Dickey-Fuller. Misalkan akan diuji data deret dengan model autoregressive (AR)(1) yang telah dilakukan proses differencing (pembedaan) sebagai berikut : ∆yt = ∅yt-1 + at dengan , ∆yt : differencing peubah respon pada waktu ke-t yt-1 : peubah respon pada waktu ke-(t-1)
4 ∅ at
: parameter model y : Galat model ∆yt pada waktu ke-t. Hipotesis yang diuji yaitu H0 : ∅ ≥ 0 ( data tidak stasioner) dan H1: ∅ < 0 (data stasioner). Nilai ∅ diduga dengan metode kuadrat terkecil. Statistik uji dituliskan sebagai berikut (Enders 2004): ̂ ∅ ADF= σ∅̂ dengan, ̂ ∅ : nilai dugaan ∅ ̂. 𝜎∅̂ : simpangan baku dari ∅ Nilai kritis yang digunakan adalah nilai kritis MacKinnon. Menurut Dickey dan Fuller (1979) jika nilai mutlak statistik ADF lebih kecil dari nilai kritis MacKinnon (K(n-p,α)) dengan n adalah banyaknya amatan, p adalah banyaknya lag, dan α adalah taraf nyata, maka dapat disimpulkan bahwa data tidak stasioner. Uji Kausalitas Granger Uji kausalitas Granger digunakan untuk melihat hubungan sebab akibat suatu peubah terhadap peubah lainnya. Asumsi yang diperlukan dalam uji hubungan kausalitas Granger adalah data telah stasioner. Secara umum model kausalitas Granger dituliskan sebagai berikut (Gujarati 2003): p
p
yt = ∑ αi yt-i + ∑ βi xt-i +a1t i=1 p
i=1 p
xt = ∑ γi xt-i + ∑ λi yt-i +a2t i=1
i=1
dengan, yt : peubah respon y pada waktu ke-t xt : peubah respon x pada waktu ke-t p : banyaknya lag αi , βi : parameter model kausalitas Granger peubah yt untuk i=1,2,…,p pada waktu ke-t λi , βi : parameter model kausalitas Granger peubah xt untuk i=1,2,…,p pada waktu ke-t a1t : galat dari model yt a2t : galat dari model xt. Menurut Granger, untuk menyelesaikan persamaan di atas, dibentuk 4 model regresi yaitu: 1. Persamaan untuk menguji hubungan x dan y : p p Unrestricted : yt = ∑i=1 αi yt-i + ∑i=1 βi xt-i +a1t p Restricted : yt = ∑i=1 αi yt-i +a1t Hipotesis yang diuji: H0 : α1 =…=αp =β1 =…=βp =0 (tidak ada hubungan antara x dan y) H1 : minimal terdapat satu αi ≠0 atau βi ≠0 ( ada hubungan antara x dan y). 2. Persamaan untuk menguji hubungan y dan x p p Unrestricted : xt = ∑i=1 γi xt-i + ∑i=1 λi yt-i +a2t
5 p Restricted : xt = ∑i=1 γi xt-i + a2t Hipotesis yang diuji: H0 : γ1 =…=γp =λ1 =…=λp =0 (tidak ada hubungan antara y dan x)
H1 : minimal terdapat satu γi ≠0 atau λi ≠0 ( ada hubungan antara y dan x). Statistik uji yang digunakan untuk dua hipotesis diatas adalah sebagai berikut: (RSSR -RSSUR ) Fhit =(n-k) p(RSSUR ) dengan, Fhit : nilai statistik uji F RSSR : jumlah kuadrat galat persamaan restricted RSSUR : jumlah kuadrat galat persamaan unrestricted n : banyaknya amatan p : banyaknya lag k : banyaknya parameter yang diduga pada persamaan unrestricted. Nilai kritis yang digunakan adalah distribusi F(p,n-k,α). Jika nilai Fhitung pada persamaan yang menguji hubungan antara x dan y lebih besar dari Ftabel maka dapat disimpulkan bahwa terdapat hubungan antara x dan y. Jika nilai Fhitung pada persamaan yang menguji hubungan antara y dan x lebih besar dari Ftabel maka dapat disimpulkan bahwa terdapat hubungan antara y dan x. Penentuan Panjang Lag Panjang lag optimal dalam model VAR digunakan untuk menangkap efek antara peubah di dalam model. Pemilihan panjang lag dalam model VAR digunakan metode information criteria. Metode information criteria yang dapat digunakan yaitu metode Schwarz’s information criteria (SIC), Akaike information criteria (AIC) dan Hannan and Quinn (HQ). Berikut ini merupakan perhitungan nilai SIC, AIC dan HQ (Tsay 2005): SIC(p)=n ln|Ʃ|+k2 p ln(n) AIC(p)=n ln|Ʃ|+2 k2 p HQ(p)=n ln|Ʃ|+2 k2 p ln( ln(n) ) dengan, SIC(p) : nilai Schwarz’s information criteria (AIC) pada lag ke-p AIC(p) : nilai Akaike information criteria (AIC) pada lag ke-p HQ(p) : nilai Hannan and Quinn (HQ) pada lag ke-p k : banyaknya parameter dalam model termasuk intersep p : banyaknya lag n : banyaknya amatan |Ʃ| : determinan matriks ragam/peragam sisaan. Uji Kointegrasi Johansen Kointegrasi merupakan kombinasi linier dari peubah yang tidak stasioner namun stasioner pada pembedaan (differencing) pertama. Uji kointegrasi dapat digunakan untuk mengetahui hubungan antar peubah dalam jangka panjang. Uji kointegrasi antar peubah menggunakan uji kointegrasi Johansen dengan hipotesis: H0 : rank = r H1 : rank > r dengan r adalah banyaknya kointegrasi.
6 Statistik uji kointegrasi Johansen dituliskan sebagai berikut (Enders 2004): k
λtrace (r)= -n ∑ ln(1-λ̂ i ) i=r+1
dengan, λtrace (r): nilai λ trace untuk rank r. p λ̂i : nilai dugaan akar ciri yang didapatkan dari matriks П =-(I- ∑i=1 Φi), dengan Φi adalah matriks parameter berukuran k × k untuk lag ke-i, i=1,2,…,p dan I adalah matriks identitas berukuran k × k n : banyaknya amatan r : banyaknya kointegrasi Jika nilai λtrace < λtabel(n-r,α) maka dapat dikatakan terdapat kointegrasi. Vector Error Correction Model (VECM) Vector error correction model (VECM) digunakan ketika terjadi ketidakseimbangan di antara peubah yang saling terkointegrasi. Secara umum model VECM dengan lag p, banyaknya peubah k, dan rank kointegrasi r dituliskan sebagai berikut (Tsay 2005) : ∗ ∆𝐲𝐭 = 𝛍𝐭 + 𝚷yt−1 + 𝚽𝟏∗ Δyt−1 + ⋯ + 𝚽p−1 Δ𝐲t−p+1 + at dengan ∆yt adalah vektor differencing pertama peubah endogen (y1t, y2t,…, ykt) berukuran k × 1 yang berisi k peubah pada waktu ke-t. 𝛍𝐭 adalah vektor intersep 𝒑 berukuran k × 1. 𝚽𝒊∗ = − ∑𝒊=𝟏 𝚽𝒊 adalah matriks parameter VECM berukuran k × k untuk lag ke-i dengan i=1, 2, …, p-1. 𝚷 = 𝛂𝛃′ adalah matriks parameter VECM jangka panjang. α adalah matriks adjustment berukuran k × r sedangkan β adalah matriks kointegrasi berukuran k× r. Pendugaan parameter VECM digunakan metode kemungkinan maksimum. Impulse Response Function (IRF) Langkah selanjutnya setelah mendapatkan dugaan parameter model VECM adalah menentukan nilai impulse response function. Impulse response function (IRF) merupakan salah satu alat penting dalam model VAR. IRF melakukan penelusuran atas dampak suatu goncangan terhadap seluruh peubah. Unit goncangan yang dilakukan adalah terhadap galat. Jika terdapat k peubah dalam model VAR, maka terdapat k2 impulse response yang dapat dibuat (Brooks 2002). Misalkan terdapat model VAR dengan dua peubah. Kemudian melalui proses iterasi dinyatakan dalam vector moving average (VMA) dengan persamaan sebagai berikut (Enders 2004): ∞
yt =μ+ ∑ Φiεt-i i=0
∅ (i) ∅12 (i) dengan Φi= [ 11 ] adalah matriks response impulse berukuran 2 × 2 ∅21 (i) ∅22 (i) dengan i=1, 2, 3,…,∞ dan 𝛍 adalah matriks intersep. Matriks ∅i merupakan fungsi response impulse yang memberikan informasi mengenai pengaruh perubahan simpangan baku suatu peubah terhadap peramalan peubah lain untuk periode ke-t (Enders 2004). Pengaruh ini juga dapat dilihat melalui plot antara koefisien ∅jk(i) dengan i.
7 Forecast Error Decomposition of Variance (FEDV) FEDV merupakan alat analisis lain dalam model VAR. Analisis ini memberikan proporsi atas perubahan nilai suatu peubah yang disebabkan oleh guncangan peubah sendiri dan guncangan dari peubah lain. Tujuan analisis FEDV adalah untuk memprediksi kontribusi persentase ragam setiap peubah karena adanya perubahan peubah tertentu dalam sistem VAR. Keragaman sisaan yt+n dari model VAR adalah sebagai berikut (Enders 2004): σy(t)2 = σ2y1 [∅11 (0)2 + ∅11 (1)2 +…+∅11 (t-1)2 ] + σ2y2 [∅12 (0)2 + ∅12 (1)2 + … + ∅12 (t-1)2 ] + σ2yk [∅1k (0)2 + ∅1k(1)2 +… + ∅1k (t-1)2 ] dengan σy (t)2 adalah keragaman sisaan peubah y. σ2y1 , σ2y2 , …, σ2yk adalah keragaman peubah 1, 2, …, k. ∅11 , ∅12 , …, ∅1k adalah parameter model yt. Proporsi dari nilai σy(t)2 yang disebabkan oleh perubahan sisaan pada yk (k=1,2,3,…,n) diperoleh dari : σ2yk [∅1k (0)2 +∅1k (1)2 +…+∅1k (t-1)2 ] σy (t)2
METODE Model Penelitian Penelitian ini mengkaji mengenai hubungan Indeks Harga Saham Gabungan (IHSG) dengan peubah-peubah makroekonomi Indonesia baik hubungan jangka pendek maupun hubungan jangka panjang dengan metode vector error correction model (VECM), sehingga model yang digunakan dalam penelitian ini yaitu : ∆lnIHSGt = Γ10 + Γ11 lnIHSGt-1 + Γ12 lnIHK t-1 + Γ13 lnIPIt-1 + Γ14 lnM2t-1 + Γ15 lnNTt-1 + Γ16 lnSBIt-1 + Γ17 Trend + ∅10 + ∅11 ΔlnIHSGt-1 + ∅12 ΔlnIHK t-1 + ∅13 ΔlnIPIt-1 + ∅14 ΔlnM2t-1 + ∅15 ΔlnNTt-1 + ∅16 ΔlnSBIt-1 + at dengan Γ10 adalah intersep model untuk jangka panjang. Γ11 , Γ12 , … , Γ17 adalah parameter model untuk jangka panjang. ∅10 adalah intersep model untuk jangka pendek ∅11 ,…, ∅16 adalah parameter model untuk jangka pendek. Bahan Data yang digunakan dalam penelitian ini merupakan data sekunder yang didapatkan dari Bank Indonesia, Yahoo Finance, International Finance Statistics (IFS), dan Badan Pusat Statistik. Data terangkum dalam bentuk bulanan selama periode 1998-2013. Berikut ini merupakan deskripsi dan sumber data. Tabel 1 Peubah, notasi, dan sumber data Peubah Notasi Satuan Sumber Data Indeks harga saham gabungan IHSG Indeks Yahoo Finance Indeks Harga Konsumen IHK Indeks BPS RI Industrial Production Index IPI Indeks IFS Jumlah uang beredar luas M2 Miliar Rp SEKI-BI Sertifikat Bank Indonesia SBI Persen SEKI-BI Nilai tukar rupiah terhadap US $ NT Rp SEKI-BI
8
Prosedur Analisis Data Metode analisis yang digunakan dalam penelitian ini yaitu : 1. Analisis eksplorasi data untuk melihat karakteristik dari setiap peubah. 2. Melakukan transformasi logaritma untuk masing-masing peubah. 3. Menguji kestasioneran data dengan menggunakan uji augmented DickeyFuller (ADF). 4. Menentukan hubungan antar peubah kegiatan pasar modal terhadap peubah makroekonomi untuk dengan menggunakan uji kausalitas Granger. 5. Menentukan lag optimum model VECM dengan melihat nilai AIC, SIC, dan HQ. 6. Melakukan uji kointegrasi Johansen. Ketika nilai kointegrasi lebih besar dari 0 maka model yang digunakan adalah model VECM. Ketika kointegrasi sama dengan 0 maka model yang digunakan adalah model VAR dengan banyaknya pembedaan sampai lag ke-d. 7. Melakukan pendugaan parameter model VECM. 8. Memilih model terbaik dengan nilai root mean square error (RMSE), AIC, dan SC terkecil. Perhitungan RMSE digunakan rumus sebagai berikut (Willmott 2005) : RMSE=√
∑ni=1 (ŷ i -yi )2
n dengan ŷ i adalah nilai dugaan y ke-i. yi adalah nilai aktual y ke-i. n adalah banyaknya amatan. 9. Menentukan pengaruh guncangan antar peubah dengan menggunakan impuls response function (IRF). 10. Menentukan dampak proporsi keragaman peubah dengan menggunakan forecast error decomposition of variance (FEDV).
HASIL DAN PEMBAHASAN Eksplorasi Data IHSG mengalami pergerakan yang tidak stabil (Gambar 1a). Sepanjang periode 1998 sampai periode 2007 IHSG mengalami peningkatan sedangkan pada tahun 2008 IHSG mengalami penurunan yang signifikan. Penurunan tersebut disebabkan oleh krisis keuangan yang melanda Eropa. IHSG merupakan peubah yang menggambarkan kondisi pasar saham di Indonesia. Kinerja pasar saham kembali membaik sejak periode awal tahun 2009. Dilihat dari karakteristik pergerakan data, IHSG merupakan peubah yang tidak stasioner dalam rataan. IHK memiliki pola trend positif sejak periode 1998 sampai 2013 (Gambar 1b). IHK mengalami penurunan yang cukup signifikan pada tahun 1999, hal ini diakibatkan oleh terjadinya krisis pada tahun 1998 yang memberikan dampak terhadap IHK. Adanya penurunan yang cukup signifikan pada periode tersebut menyebabkan terjadinya inflasi yang secara tidak langsung menyebabkan nilai
9 tukar rupiah melemah. Setelah tahun 1999 IHK kembali mengalami peningkatan yang stabil. Ekonomi Indonesia pada periode tersebut sudah dalam kondisi baik sedangkan pada periode 2007 sampai 2008 IHK mengalami lonjakan. Adanya krisis keuangan Eropa pada periode tersebut secara tidak langsung menyebabkan lonjakan pada IHK yang kemudian menyebabkan terjadinya inflasi. Dilihat dari karakteristik pergerakan data, peubah IHK tidak stasioner pada rataan. IPI mengalami fluktuasi yang cukup tinggi pada periode 1998 sampai 2005 (Gambar 1c). Hal ini diakibatkan oleh kegiatan produksi di Indonesia pada periode tersebut belum dalam kondisi yang baik. Nilai Industrial Production Index (IPI) memiliki pola trend positif. Pola trend positif tersebut menunjukkan bahwa nilai IPI semakin baik. Nilai IPI mulai stabil sejak kuartal pertama tahun 2006 sampai tahun 2013. Dilihat dari pergerakan data, nilai IPI tidak stasioner pada rataan. 6,000
600
5,000
500
4,000 400 3,000 300 2,000 200
1,000 0
100 1998
2000
2002
2004
2006
2008
2010
2012
1998
2000
2002
2004
(a)
2006
2008
2010
2012
2008
2010
2012
2008
2010
2012
(b)
180
4,000,000
160 3,000,000 140 120
2,000,000
100 1,000,000 80 60
0 1998
2000
2002
2004
2006
2008
2010
2012
1998
2000
2002
2004
(c)
2006
(d)
16,000
500,000
14,000
400,000
12,000
300,000
10,000
200,000
8,000
100,000
6,000
0 1998
2000
2002
2004
2006
(e)
2008
2010
2012
1998
2000
2002
2004
2006
(f)
Gambar 1 Plot data aktual (a) Indeks Harga Saham Gabungan (IHSG) (b) Indeks Harga Konsumen (IHK) tahun dasar 1996 (c) Industrial Production Indeks (IPI) tahun dasar 2000 (d) Jumlah uang beredar luas (M2) (e) Nilai tukar rupiah (f) Sertifikat Bank Indonesia (SBI) periode Januari 1998 – Desember 2013
10 Jumlah uang beredar luas (M2) di Indonesia (Gambar 1d) mengalami peningkatan pada periode 1998 sampai 2013. Jumlah uang beredar luas (M2) merupakan jumlah uang yang ada di bank dan di masyarakat. Adanya pola trend pada jumlah uang beredar luas (M2), mengindikasikan bahwa perekonomian Indonesia semakin baik. Secara grafis, jumlah uang beredar luas (M2) tidak terlihat guncangan yang tinggi. Jumlah uang beredar luas (M2) selalu meningkat sejak tahun 1998 sehingga M2 terlihat tidak dipengaruhi oleh kondisi ekonomi yang ada. Nilai tukar rupiah mengalami fluktuasi yang cukup tinggi, terutama terjadi pada periode 1998 sampai 2001, hal ini diakibatkan oleh terjadinya krisis di Indonesia pada periode tersebut (Gambar 1e). Guncangan nilai tukar rupiah kembali terjadi pada tahun 2008. Adanya krisis keuangan Eropa secara tidak langsung menyebabkan pelemahan nilai tukar rupiah pada periode tersebut. Nilai tukar rupiah kembali melemah pada tahun 2013. Melemahnya nilai tukar rupiah diakibatkan oleh penguatan nilai mata uang USD pada periode tersebut. Sertifikat Bank Indonesia (SBI) mengalami fluktuasi yang sangat tinggi (Gambar 1f). SBI pada periode 2004 sampai 2005 mengalami penurunan yang cukup drastis dari periode sebelumnya. Hal ini disebabkan oleh tidak dikeluarkannya SBI berjangka 3 bulan dan 6 bulan oleh Bank Indonesia sebagai dampak menguatnya pasar saham pada periode 2004 sampai 2007. Dilihat dari pola pergerakan data, SBI tidak stasioner pada ragam. Kesimpulan yang dapat diambil dari plot seluruh peubah yang akan digunakan pada penelitian adalah terdapat pola tidak stasioner. Salah satu uji formal yang dapat digunakan untuk melihat kestasioneran data yaitu uji augmented Dickey-Fuller. Uji Korelasi Antar Peubah Hasil uji korelasi antara peubah (Tabel 2) terlihat bahwa terdapat korelasi yang nyata diantara peubah, hal ini ditunjukan dari p-value < 0.05. Korelasi negatif terjadi antara SBI dengan peubah lainnya. Hal ini diakibatkan oleh terjadinya penguatan peubah M2, IHK, IPI, IHSG, dan NT. Menurut BI, ketika peubah-peubah tersebut mengalami penguatan, maka SBI yang dikeluarkan oleh Bank Indonesia mengalami penurunan. SBI merupakan salah satu kebijakan BI yang digunakan untuk menyeimbangkan kondisi ekonomi Indonesia. Tabel 2 Hasil uji korelasi antar peubah Peubah lnSBI p-value lnM2 p-value lnIHK p-value lnIPI p-value lnNT p-value
lnIHSG -0.266 0.000 0.948 0.000 0.926 0.000 0.831 0.000 0.159 0.028
lnSBI
lnM2
lnIHK
lnIPI
-0.239 0.001 -0.178 0.014 -0.162 0.025 -0.235 0.001
0.975 0.000 0.904 0.000 0.290 0.000
0.907 0.000 0.262 0.000
0.242 0.001
11 Statistik Deskriptif Hasil statistik deskriptif pada Tabel 3 terlihat bahwa simpangan baku tertinggi adalah IHSG. Hal ini diakibatkan oleh pergerakan nilai indeks saham di Indonesia yang cukup tinggi. Pergerakan yang cukup tinggi tersebut diakibatkan oleh kondisi perekonomian Indonesia yang belum stabil. Simpangan baku terkecil pada Tabel 3 adalah nilai tukar rupiah. Hal tersebut diakibatkan oleh pergerakan nilai tukar rupiah yang tidak terlalu tinggi. Nilai tukar rupiah bergerak pada nilai rataan. Pergerakan tertinggi nilai tukar rupiah hanya terjadi pada periode 1998 sampai 1999. Tabel 3 Statistik deskriptif IHSG dan peubah makroekonomi Indonesia Peubah Min Max StDev
lnIHSG 5.621 8.531 0.882
lnSBI 9.956 12.91 0.496
lnM2 12.972 15.131 0.5735
lnIHK 4.786 6.352 0.367
lnIPI 4.119 5.077 0.184
lnNT 8.814 9.609 0.111
Hubungan IHSG dengan Peubah Makroekonomi Indonesia Pengujian Kestasioneran Peubah Langkah awal dalam pembentukan model VAR/ VECM adalah melakukan uji stasioneritas terhadap semua peubah. Stasioneritas data merupakan kunci awal untuk menentukan model yang akan digunakan. Hasil uji augmented Dickey-Fuller pada Tabel 4 terlihat bahwa beberapa peubah tidak stasioner pada level. Pengujian augmented Dickey-Fuller dilakukan terhadap nilai Ø dari model AR setiap peubah. Berdasarkan hasil uji augmented Dickey-Fuller pada level disimpulkan bahwa peubah yang tidak stasioner adalah peubah IHSG, IPI, IHK, SBI, dan M2 sedangkan peubah yang telah stasioner adalah nilai tukar (NT). Selanjutnya dilakukan uji augmented Dickey-Fuller pada differencing pertama. Setelah dilakukan uji untuk seluruh peubah yang telah dilakukan differencing dengan lag satu, disimpulkan bahwa seluruh peubah telah stasioner. Tabel 4 Hasil uji augmented Dickey-Fuller pada level dan differencing lag 1 Peubah IHSG IPI IHK Sertifikat BI Nilai tukar rupiah Jumlah uang M2
D(0) -0.527 -2.764 -2.203 -2.600 -3.765 -0.066
Nilai ADF p-value D(0) D(1) 0.882 0.066 0.206 0.095 0.004 0.950
-10.960 -13.973 -9.978 -19.348 -12.109 -14.191
p-value D(1) 0.000 0.000 0.000 0.000 0.000 0.000
Pengujian Hubungan Kausalitas Granger Hasil uji hubungan kausalitas Granger pada Tabel 5 menunjukkan bahwa peubah yang memiliki hubungan 2 arah adalah peubah IHSG dan peubah IHK, peubah IHK dan IPI, serta M2 dan IHSG, artinya nilai IHSG mempengaruhi nilai
12 IHK, begitupun sebaliknya. Di antara peubah ini memiliki pengaruh yang cukup kuat, ketika terjadi ketidakseimbangan di antara peubah tersebut maka peubah lain akan mengalami guncangan. Nilai IHK pada Tabel 5 dipengaruhi oleh nilai M2. Ketika jumlah uang beredar luas (M2) mengalami peningkatan, maka secara tidak langsung akan menyebakan nilai IHK akan mengalami peningkatan. Nilai IHSG memiliki hubungan terhadap peubah nilai tukar. Menurut penilitian Fauzan (2014) volatilitas nilai tukar memiliki pengaruh terhadap nilai IHSG pada 2 periode sebelumnya sehingga dapat disimpulkan bahwa ketika saham di suatu negara terjadi guncangan yang meningkat, akan menyebabkan penguatan terhadap nilai tukar. Nilai IPI dan nilai tukar rupiah pada Tabel 5 dipengaruhi oleh nilai M2. Kesimpulan yang dapat diambil dari hasil uji kausalitas Granger tersebut adalah terdapat hubungan yang kompleks diantara peubah. Oleh sebab itu, ketika salah satu dari peubah mengalami guncangan akan menyebabkan guncangan pada peubah lainnya. Tabel 5 Hasil dari uji hubungan kausalitas Granger pada lag ke-0 Peubah lnIHSG lnIHK lnIPI lnNT lnM2 lnSBI lnIHSG − ↔ → → ↔ − lnIHK ↔ − ↔ ← → ← lnIPI ← ↔ − − ← → lnNT ← → − − → − lnM2 ↔ ← → ← − − lnSBI − → ← − − − Hasil uji hubungan kausalitas Granger (Tabel 6) pada pembedaan pertama disimpulkan bahwa tidak terdapat hubungan dua arah di antara peubah, hanya terdapat hubungan satu arah. Hubungan satu arah tersebut yaitu IHK mempengaruhi IHSG dan IPI sedangkan IHK dipengaruhi oleh nilai SBI dan Jumlah uang beredar (M2). Nilai SBI dipengaruhi oleh nilai IPI. Nilai tukar mempengaruhi nilai jumlah uang beredar (M2), IHK, dan IHSG. Sesuai dengan teori ekonomi, ketika terjadi pelemahan terhadap nilai tukar, maka akan menyebabkan masyarakat mengurangi jumlah pengeluaran terhadap suatu barang atau jasa, yang kemudian menyebabkan penurunan jumlah M2 dan pembelian saham akan menurun. Tabel 6 Hasil uji hubungan kausalitas Granger pada differencing pertama Peubah lnIHSG lnIHK lnIPI lnNT lnM2 lnSBI
lnIHSG − → − → − −
lnIHK ← − ← → − →
lnIPI − → − − − −
lnNT ← ← − − ← −
lnM2 − − − → − −
lnSBI − ← → − − −
Pemilihan lag VECM Pemilihan lag VAR dilakukan dengan cara menentukan nilai information criteria untuk setiap lag. Nilai information criteria terbaik merupakan nilai terkecil di antara lag. Berdasarkan perhitungan, nilai information criteria terkecil pada Tabel 7 terlihat bahwa lag terbaik terdapat pada lag 0 (p=0) untuk Schwarz
13 information criteria (SIC), lag 1 (p=1) untuk Akaike information criteria (AIC) dan Hannan and Quinn information criteria (HQ), dan lag 8 (p=8) untuk likelihood ratio criteria (LR). Selanjutnya akan dilakukan pendugaan pada semua lag sehingga, didapatkan model dugaan yang terbaik. Lag VECM merupakan lag VAR ditambah satu sehingga dalam pendugaan parameter VECM akan digunakan lag 1,2 dan 8. Model dengan nilai RMSE, AIC, dan SC terkecil adalah model terbaik. Tabel 7 Hasil pemilihan lag Lag 0 1 2 3 4 5 6 7 8
LR NA 143.394 50.683 75.112 56.266 45.568 56.494 45.189 56.505*
AIC -21.002 -21.424* -21.328 -21.393 -21.356 -21.262 -21.255 -21.185 -21.213
SC -20.897* -20.687 -19.960 -19.394 -18.725 -18.000 -17.362 -16.660 -16.057
HQ -20.960 -21.100* -20.774 -20.583 -20.289 -19.934 -19.678 -19.350 -19.123
* Nyata pada (α) = 5%
Pengujian Kointegrasi Antar Peubah Tahapan selanjutnya setelah melakukan uji stasioneritas data, uji kausalitas dan penentuan lag adalah melakukan uji kointegrasi di antara peubah. Uji kointegrasi bertujuan untuk melihat hubungan jangka panjang diantara peubah. Uji kointegrasi yang digunakan adalah uji kointegrasi Johansen. Pengujian ini dilakukan secara bertahap dari rank (r) = 0. Jika keputusan menyatakan tolak H0, yaitu ketika λ trace lebih besar dari nilai kritis (λ tabel) maka pengujian dilanjutkan dengan r = r+1 hingga diperoleh r optimal (rank = r). Hasil uji kointegrasi antar peubah pada Tabel 8 terlihat bahwa terdapat dua kointegrasi di antara peubah. Model yang digunakan adalah vector error correction model (VECM). Selanjutnya dilakukan pendugaan parameter untuk setiap kointegrasi dan lag yang telah didapatkan. Tabel 8 Hasil uji kointegrasi Johansen H0 rank = r 0 1 2 3 4 5
H1 rank > r 0 1 2 3 4 5
λ trace (r)
Nilai Kritis
P-Value
194.204 105.397 56.299 22.891 8.971 2.760
117.708 88.804 63.876 42.915 25.872 12.518
0.000 0.002 0.184 0.882 0.961 0.904
Pendugaan Parameter Hasil perhitungan nilai AIC, SC, dan RMSE model parsial IHSG pada pendugaan parameter model untuk setiap nilai lag 1, 2, dan 8 (Tabel 9) terlihat bahwa model yang memiliki galat minimum yaitu model VECM(1) satu kointegrasi, VECM(9) satu kointegrasi serta VECM(9) tiga kointegrasi. Model VECM(9) tiga
14 kointegrasi memiliki nilai RMSE yang tertinggi dibandingkan model lainnya. Oleh sebab itu, model yang terbaik yang dapat digunakan untuk pendugaan parameter model adalah VECM(1) dengan satu kointegrasi. Plot sisaan model VECM(1) dengan satu kointegrasi pada Lampiran 9 terlihat bahwa sisaan setiap peubah telah stasioner pada rataan. Tabel 9 Nilai AIC, SC, dan RMSE model VAR/VECM Model VARD(1) VARD(8) VECM(1) 2 Kointegrasi VECM(1) 1 Kointegrasi VECM(2) 2 Kointegrasi VECM(2) 1 Kointegrasi VECM(9) 1 Kointegrasi VECM(9) 2 Kointegrasi VECM(9) 3 Kointegrasi
AIC
SC
-20.232 -21.213 -20.741 -20.642 -20.902 -20.780 -21.711 -21.822 -21.878
-19.514 -16.057 -19.579 -19.702 -19.118 -19.219 -15.673 -15.555 -15.382
RMSE MODEL IHSG 0.076 0.079 0.076 0.077 0.077 0.077 0.073 0.111 0.134
Hasil uji t pada pengaruh jangka pendek model VECM(1) dengan 1 kointegrasi (Tabel 10) menunjukan bahwa peubah yang memiliki pengaruh terhadap IHSG adalah nilai Sertifikat Bank Indonesia satu bulan sebelumnya, Indeks Harga Konsumen satu bulan sebelumnya, dan IHSG satu bulan sebelumnya. Peubah tersebut memiliki keterkaitan satu sama lain. Ketika nilai tukar rupiah melemah secara tidak langsung akan menyebabkan kenaikan harga konsumen, yang kemudian akan menyebabkan inflasi. Tabel 10 Uji t model parsial IHSG Peubah Persamaan kointegrasi 1 D(lnIHK(-1)) D(lnIHSG(-1)) D(lnIPI(-1)) D(lnM2(-1)) D(lnNT(-1)) D(lnSBI(-1)) Konstanta
T hitung -0.981 -2.756* 2.716* -0.033 -0.238 1.285 2.233* 2.655*
* Nyata pada (α) = 5%
Impuls Response Function (IRF) Lampiran 5 dan Lampiran 6 menyajikan hasil IRF untuk seluruh peubah. Dampak guncangan IHSG (Gambar 2a) terlihat bahwa IHSG mengalami kenaikan pada periode pertama dan kedua, pada periode berikutnya nilai IHSG akan kembali konstan. Dampak guncangan IHSG terhadap IHK (Gambar 2b) terlihat bahwa IHK mengalami peningkatan pada periode pertama dan kedua kemudian IHK kembali mengalami penurunan pada periode ke-empat. Guncangan yang IHK tersebut menyebabkan terjadinya inflasi pada empat periode awal.
15 Dampak guncangan IHSG terhadap IPI (Gambar 2c) terlihat bahwa terjadi penurunan nilai indeks pada periode pertama sampai periode kedua, akan tetapi nilai indeks kembali meningkat pada periode kedua sampai periode ke-empat. Dampak IHSG terhadap M2 pada Gambar 2d terlihat bahwa IHSG memberikan dampak negatif terhadap jumlah uang beredar luas (M2). Hal ini disebabkan oleh peralihan investasi yang dilakukan oleh masyarakat ke pasar saham ketika IHSG menguat. Dampak guncangan IHSG terhadap nilai tukar rupiah pada Gambar 2e terlihat bahwa IHSG memberikan efek penguatan terhadap nilai tukar rupiah pada tiga periode ke depan. Oleh sebab itu dapat disimpulkan bahwa IHSG memiliki peran penting terhadap perkembangan makroekonomi Indonesia. Ketika IHSG mengalami guncangan, akan menyebabkan peubah makroekonomi mengalami guncangan. (a) Response of lnIHSG to lnIHSG
(b) Response of lnIHK to lnIHSG
.096
.0006 .0005
.092 .0004 .088
.0003
.084
.0002 .0001
.080 .0000 .076
-.0001 5
10
15
20
25
5
30
(c) Response of lnIPI to lnIHSG
10
15
20
25
30
(d) Response of lnM2 to lnIHSG
-.004
.000
-.006
-.001
-.008 -.002 -.010 -.003
-.012 -.014
-.004 5
10
15
20
25
5
30
(e) Response of lnNT to lnIHSG
10
15
20
25
30
(f) Response of lnSBI to lnIHSG
-.020
.029 .028
-.024
.027 .026
-.028 .025 .024
-.032
.023 -.036
.022 5
10
15
20
25
30
5
10
15
20
25
30
Gambar 2 Dampak guncangan Indeks Harga Saham Gabungan (IHSG) terhadap (a) Indeks Harga Saham Gabungan (IHSG) (b) Indeks Harga Konsumen (IHK) (c) Industrial Production Indeks (IPI) (d) Jumlah uang beredar luas (M2) (e) Nilai tukar rupiah (f) Sertifikat Bank Indonesia (SBI)
16 Forecast Error Decompotition of Variance (FEDV) FEDV digunakan untuk melihat besarnya proporsi keragaman yang diberikan suatu peubah terhadap peubah lainnya akibat adanya guncangan. Hasil variance decomposition dapat dilihat pada Lampiran 7 dan Lampiran 8. Keragaman nilai IHSG akibat suatu guncangan, sebesar 92% disebabkan oleh IHSG itu sendiri sedangkan keragaman IHK yang disebabkan oleh IHSG sebesar 0% (Gambar 3). Hal ini menunjukkan bahwa IHSG tidak memberikan dampak yang besar terhadap IHK. Dampak yang serupa terdapat pada Gambar 3c, Gambar 3d, dan Gambar 3f, IHSG hanya memberikan keragaman yang kecil yaitu sebesar 2% sampai 4%, sehingga IHSG bukan merupakan peubah yang berpengaruh terhadap Industrial Production Index, jumlah uang beredar luas (M2), dan nilai Sertifikat Bank Indonesia. Keragaman nilai tukar yang disebabkan oleh IHSG pada Gambar 3e sebesar 22%, hal ini menunjukkan pergerakan nilai tukar rupiah di Indonesia dipengaruhi oleh IHSG. (a) Percent lnIHSG variance due to lnIHSG
(b) Percent lnIHK variance due to lnIHSG
100
100
80
80
60
60
40
40
20
20
0
0 5
10
15
20
25
30
5
10
15
20
25
30
(d) Percent lnM2 variance due to lnIHSG
(c) Percent lnIPI variance due to lnIHSG 100
100
80
80
60
60
40
40
20
20 0
0 5
10
15
20
25
5
30
10
15
20
25
30
(f) Percent lnSBI variance due to lnIHSG
(e) Percent lnNT variance due to lnIHSG 60
100
50
80
40
60
30 40 20 20
10
0
0 5
10
15
20
25
30
5
10
15
20
25
30
Gambar 3 Kontribusi pergerakan Indeks Harga Saham Gabungan (IHSG) terhadap variance decomposition peubah (a) Indeks Harga Saham Gabungan (IHSG), (b) Indeks Harga Konsumen (IHK), (c) Industrial Production Indeks (IPI), (d) Jumlah uang beredar luas (M2), (e) Nilai tukar rupiah, dan (f) Sertifikat Bank Indonesia (SBI)
17
SIMPULAN DAN SARAN Simpulan Model yang digunakan adalah vector error correction model (VECM) dengan satu lag dan satu kointegrasi. Indeks Harga Saham Gabungan (IHSG) memiliki cukup pengaruh terhadap beberapa peubah makroekonomi Indonesia, seperti nilai tukar rupiah, jumlah uang beredar luas (M2), nilai Sertifikat Bank Indonesia, serta Industrial Production Index. Ketika IHSG mengalami guncangan, maka beberapa peubah makroekonomi akan mengalami guncangan. Guncangan yang diberikan IHSG terhadap peubah makroekonomi hanya pada empat periode awal sedangkan pada periode berikutnya peubah makroekonomi cenderung stabil. Hasil uji hubungan kausalitas Granger disimpulkan bahwa peubah yang memiliki hubungan dua arah adalah peubah IHSG dan peubah IHK, peubah Indeks Harga Konsumen dan Industrial Production Index, serta jumlah uang beredar luas (M2) dan Indeks Harga Saham Gabungan. Saran Penelitian selanjutnya diharapkan mempertimbangkan peubah indeks saham internasional dalam analisis. Selain itu, peubah makroekonomi yang digunakan dapat diperbanyak sehingga diharapkan diperoleh hasil yang lebih baik. Metode lain yang dapat digunakan yaitu structural VAR dan VAR with exogenity.
DAFTAR PUSTAKA Badan Pengawas Pasar Modal dan Lembaga Keuangan. 2008. Analisis Hubungan Kointegrasi dan Kausalitas Serta Hubungan Dinamis Antara Aliran Modal Asing, Perubahan Nilai Tukar dan Pergerakan IHSG di Pasar Modal Indonesia[Studi Ilmiah]. Jakarta (ID) : Departemen Keuangan RI. Bank Indonesia. 2007. Booklet Stabilitas Sistem Keuangan. Jakarta (ID): Bank Indonesia. Brooks C. 2002. Introductary Econometrics for Finance. Cambridge (UK): Cambridge University Press. Dickey DA, Fuller WA. 1979. Distribution of the Estimators of Autoregressive Time Series With a Unit Root. Journal of the American Statistical Association : 427-431. Enders W. 2004. Applied Econometric Time Series. Second Edition. United States of America (US): John Wiley & Sons. Fauzan Priyono Anhar, Bustaman Arief. 2014. Volatility Transmission between Exchange Rates and Stock Prices in Indonesia post 1997 Asia Crisis. Working Paper in Economics and Development Studies. Gujarati Damodar N. 2003. Basic Econometrics. Fourth Edition. United States (US): McGraw-Hill.
18 Ibrahim M. 2011. Stock Market Development and Macroeconomic Performance in Thailand. Jurnal of Enginering Economics. Vol 22(3), 230-240. Kehinde A, Ademola Ishola S, Kadiri Kayode I, Adekunjo Felix O. 2013. Capital Market and Economic Growth in Nigeria an Empirical Analysis. IOSR Journal Of Humanities And Social Science (IOSR-JHSS. Vol 6(6), 60-68. Olweny Tobias O, Kimani D. 2011. Stock Market Performance and Economic Growth Empirical Evidence from Kenya Using Causality Test Approach. Advances in Management & Applied Economics. Vol 1(3), 153–196. Osuala Alex E, Okereke J E, Nwansi G U. 2013. Does Stock Market Promote Economic Growth in an Emerging Market? a Causality Investigation. International Business and Social Sciences Research Conference Jan 3-4; Dubai. Dubai (UEA) Petros J. 2012. The effect of The Stock exchange on Economic Growth: a Case of The Zimbabwe Stock Exchange. Research in Business and Economics Journal. Puspitasari D. 2010. Analisis Hubungan ILQ45 dengan Faktor Makroekonomi Melalui Model VAR [Skripsi]. Bogor (ID): Departemen Statistika IPB. Rahimzadeh F. 2012. Banking Sector, Stock Market and Economic Growth: Evidence from Mena Countries. International Journal of Social Sciences And Humanity Studies. Vol 4(2) ISSN: 1309-8063. Rusdin. 2006. Pasar Modal : Teori, Masalah, dan Kebijakan dalam Praktik. Bandung (ID): Alfabeta. Tsay R S. 2005. Analysis of Financial Time Series. Second Edition. United States of America (US) : John Wiley & Sons Willmott CJ, Matsuura K. 2005. Advantages of the Mean Absolute Error (MAE) Over the Root Mean Square Error (RMSE) in Assessing Average Model Performance. Clim Res. 30:79-82.
19 Lampiran 1 Hasil uji hubungan kausalitas Granger Null hypothesis:
Obs
lnIHSG does not Granger Cause lnIHK lnIHK does not Granger Cause lnIHSG lnIPI does not Granger Cause lnIHK lnIHK does not Granger Cause lnIPI lnM2 does not Granger Cause lnIHK lnIHK does not Granger Cause lnM2 lnNT does not Granger Cause lnIHK lnIHK does not Granger Cause lnNT lnSBI does not Granger Cause lnIHK lnIHK does not Granger Cause lnSBI lnIPI does not Granger Cause lnIHSG lnIHSG does not Granger Cause lnIPI lnM2 does not Granger Cause lnIHSG lnIHSG does not Granger Cause lnM2 lnNT does not Granger Cause lnIHSG lnIHSG does not Granger Cause lnNT lnSBI does not Granger Cause lnIHSG lnIHSG does not Granger Cause lnSBI lnM2 does not Granger Cause lnIPI lnIPI does not Granger Cause lnM2 lnNT does not Granger Cause lnIPI lnIPI does not Granger Cause lnNT lnSBI does not Granger Cause lnIPI lnIPI does not Granger Cause lnSBI lnNT does not Granger Cause lnM2 lnM2 does not Granger Cause lnNT lnSBI does not Granger Cause lnM2 lnM2 does not Granger Cause lnSBI lnSBI does not Granger Cause lnNT lnNT does not Granger Cause lnSBI
190 190 190 190 190 190 190 190 190 190 190 190 190 190 190
FStatistic 3.48080 5.69242 2.73921 12.1071 21.6355 0.81503 12.6195 1.52661 3.81677 2.01081 0.65834 9.45534 3.65394 6.11733 2.18559 3.25963 1.44456 1.23444 14.2122 0.75740 0.77227 2.00312 0.65275 7.96020 5.07275 1.17290 0.92005 1.43839 1.78081 0.08731
Prob. 0.0328 0.0040 0.0672 1.E-05 4.E-09 0.4442 7.E-06 0.2200 0.0238 0.1368 0.5189 0.0001 0.0278 0.0027 0.1153 0.0406 0.2385 0.2934 2.E-06 0.4703 0.4634 0.1378 0.5218 0.0005 0.0072 0.3118 0.4003 0.2400 0.1714 0.9164
20 Lampiran 1 Hasil uji hubungan kausalitas Granger (lanjutan) Null Hypothesis: Obs F-Statistic Prob. D(lnIHSG) does not Granger Cause D(lnIHK) 189 1.01867 0.3631 D(lnIHK) does not Granger Cause D(lnIHSG) 8.00950 0.0005 D(lnIPI) does not Granger Cause D(lnIHK) 189 0.87148 0.4201 D(lnIHK) does not Granger Cause D(lnIPI) 7.09008 0.0011 D(lnM2) does not Granger Cause D(lnIHK) 189 22.2987 2.E-09 D(lnIHK) does not Granger Cause D(lnM2) 0.28470 0.7526 D(lnNT) does not Granger Cause D(lnIHK) 189 10.0746 7.E-05 D(lnIHK) does not Granger Cause D(lnNT) 1.52775 0.2198 D(lnSBI) does not Granger Cause D(lnIHK) 189 3.03672 0.0504 D(lnIHK) does not Granger Cause D(lnSBI) 0.19331 0.8244 D(lnIPI) does not Granger Cause D(lnIHSG) 189 0.59102 0.5548 D(lnIHSG) does not Granger Cause D(lnIPI) 0.65177 0.5223 D(lnM2) does not Granger Cause D(lnIHSG) 189 2.26214 0.1070 D(lnIHSG) does not Granger Cause D(lnM2) 1.73966 0.1785 D(lnNT) does not Granger Cause D(lnIHSG) 189 4.34917 0.0143 D(lnIHSG) does not Granger Cause D(lnNT) 1.46032 0.2348 D(lnSBI) does not Granger Cause D(lnIHSG) 189 1.49270 0.2275 D(lnIHSG) does not Granger Cause D(lnSBI) 0.04148 0.9594 D(lnM2) does not Granger Cause D(lnIPI) 189 0.66041 0.5179 D(lnIPI) does not Granger Cause D(lnM2) 0.93393 0.3949 D(lnNT) does not Granger Cause D(lnIPI) 189 0.56239 0.5708 D(lnIPI) does not Granger Cause D(lnNT) 0.61043 0.5442 D(lnSBI) does not Granger Cause D(lnIPI) 189 1.44087 0.2394 D(lnIPI) does not Granger Cause D(lnSBI) 3.50506 0.0321 D(lnNT) does not Granger Cause D(lnM2) 189 7.61065 0.0007 D(lnM2) does not Granger Cause D(lnNT) 1.78288 0.1710 D(lnSBI) does not Granger Cause D(lnM2) 189 0.67735 0.5092 D(lnM2) does not Granger Cause D(lnSBI) 0.04035 0.9605 D(lnSBI) does not Granger Cause D(lnNT) 189 2.22153 0.1113 D(lnNT) does not Granger Cause D(lnSBI) 0.12817 0.8798
21 Lampiran 2 Stabilitas VAR Root 0.534762 -0.256003 - 0.108820i -0.256003 + 0.108820i 0.177897 - 0.153958i 0.177897 + 0.153958i -0.189790
Modulus 0.534762 0.278171 0.278171 0.235266 0.235266 0.189790
No root lies outside the unit circle. VAR satisfies the stability condition.
22 Lampiran 3 Hasil uji kointegrasi
Selected (0.05 level*) Number of Cointegrating Relations by Model Data Trend: None None Linear Linear Quadratic Test Type No Intercept Intercept Intercept Intercept Intercept No Trend No Trend No Trend Trend Trend Trace 3 3 2 2 3 Max-Eig 2 3 2 3 3 *Critical values based on MacKinnon-Haug-Michelis (1999) Information Criteria by Rank and Model Data Trend: None None Linear Linear Rank or No Intercept Intercept Intercept Intercept No. of CEs No Trend No Trend No Trend Trend Schwarz Criteria by Rank (rows) and Model (columns) 0 -19.37475 -19.37475 -19.51423 -19.51423 1 -19.45697 -19.43316 -19.46794 -19.70238* 2 -19.32596 -19.30600 -19.35483 -19.57924 3 -19.10977 -19.14628 -19.14571 -19.40964 4 -18.85071 -18.87889 -18.85948 -19.11874 5 -18.54971 -18.56415 -18.55210 -18.79778 6 -18.23010 -18.22174 -18.22174 -18.45057
Quadratic Intercept Trend -19.37432 -19.57759 -19.47687 -19.33489 -19.06730 -18.77299 -18.45057
Unrestricted Cointegration Rank Test (Trace) Hypothesized Trace 0.05 No. of CE(s) Eigenvalue Statistic Critical Value Prob.** None * 0.421406 207.1714 117.7082 0.0000 At most 1 * 0.210116 103.2121 88.80380 0.0031 At most 2 0.172553 58.39701 63.87610 0.1326 At most 3 0.065836 22.40900 42.91525 0.8990 At most 4 0.037335 9.469458 25.87211 0.9456 At most 5 0.011720 2.239963 12.51798 0.9521 Trace test indicates 2 cointegrating eqn(s) at the 0.05 level * denotes rejection of the hypothesis at the 0.05 level **MacKinnon-Haug-Michelis (1999) p-values
23 Lampiran 4 Hasil pendugaan parameter VECM Cointegrating Eq: lnIHSG(-1) lnIHK(-1) lnIPI(-1) lnM2(-1) lnNT(-1) lnSBI(-1) @TREND(98M01) C
CointEq1
t-hitung
1.000000 -37.05355 -23.51941 -22.37072 10.81545 0.793408 0.503130 477.9667
-8.79075 -7.75918 -6.81142 5.07831 1.83306 9.39132
Standard errors 4.21506 3.03117 3.28430 2.12974 0.43283 0.05357
24 Lampiran 4 Hasil pendugaan parameter VECM (lanjutan) Error Correction: D(lnIHSG) CointEq1 0.002706 (0.00276) [ 0.98096] D(lnIHSG(-1)) 0.211581 (0.07791) [ 2.71569] D(lnIHK(-1)) -1.481659 (0.53763) [-2.75590] D(lnIPI(-1)) -0.002684 (0.08100) [-0.03313] D(lnM2(-1)) -0.092971 (0.39071) [-0.23795] D(lnNT(-1)) 0.169180 (0.13167) [ 1.28488] D(lnSBI(-1)) 0.054737 (0.02451) [ 2.23336] C 0.021716 (0.00818) [ 2.65510] R-squared 0.129670 Adj. R-squared 0.096196 Sum sq. resids 1.110629 S.E. equation 0.078118 F-statistic 3.873731 Log likelihood 218.9010 Akaike AIC -2.220010 Schwarz SC -2.083294 Mean dependent 0.011482 S.D. dependent 0.082170
D(lnIHK) 0.001320 (0.00030) [ 4.41745] 0.011529 (0.00844) [ 1.36625] 0.411762 (0.05823) [ 7.07120] 0.025258 (0.00877) [ 2.87924] 0.151457 (0.04232) [ 3.57906] 0.007870 (0.01426) [ 0.55185] -0.009421 (0.00265) [-3.54893] 0.002409 (0.00089) [ 2.71937] 0.562383 0.545551 0.013029 0.008461 33.41265 641.2254 -6.665530 -6.528814 0.007612 0.012551
Determinant resid covariance (dof adj.) Determinant resid covariance Log likelihood Akaike information criterion Schwarz criterion
3.17E-17 2.45E-17 2016.019 -20.64231 -19.70238
( ) adalah standard errors [ ] adalah t-hitung
D(lnIPI) 0.015093 (0.00215) [ 7.03307] -0.134111 (0.06060) [-2.21290] -2.175804 (0.41821) [-5.20269] -0.304528 (0.06300) [-4.83347] -0.257454 (0.30392) [-0.84711] -0.055866 (0.10242) [-0.54545] 0.002388 (0.01906) [ 0.12525] 0.027958 (0.00636) [ 4.39438] 0.356411 0.331657 0.672020 0.060765 14.39843 266.6284 -2.722404 -2.585687 0.004555 0.074329
D(lnM2) D(lnNT) 0.002562 0.004493 (0.00066) (0.00214) [ 3.89990] [ 2.10208] -0.030423 -0.131500 (0.01855) (0.06037) [-1.63976] [-2.17829] -0.248269 -0.927595 (0.12803) (0.41658) [-1.93917] [-2.22668] -0.001572 -0.039545 (0.01929) (0.06276) [-0.08151] [-0.63011] -0.139172 -0.015909 (0.09304) (0.30274) [-1.49581] [-0.05255] 0.033987 0.045640 (0.03135) (0.10202) [ 1.08395] [ 0.44734] -0.003442 -0.018457 (0.00584) (0.01899) [-0.58978] [-0.97188] 0.015282 0.011294 (0.00195) (0.00634) [ 7.84598] [ 1.78205] 0.120364 0.076085 0.086532 0.040550 0.062981 0.666807 0.018602 0.060529 3.557693 2.141124 491.5363 267.3682 -5.089856 -2.730191 -4.953139 -2.593474 0.011364 0.001745 0.019464 0.061795
D(lnSBI) -0.000952 (0.00718) [-0.13267] -0.012587 (0.20264) [-0.06211] 2.118650 (1.39838) [ 1.51508] -0.607718 (0.21067) [-2.88470] -0.803879 (1.01623) [-0.79104] 0.111014 (0.34247) [ 0.32416] -0.147208 (0.06375) [-2.30923] -0.007992 (0.02127) [-0.37567] 0.106799 0.072445 7.513573 0.203183 3.108790 37.28141 -0.308225 -0.171509 -0.002901 0.210969
25 Lampiran 5 Hasil impulse response function setiap peubah Period 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15
lnIHSG 0.078118 0.094857 0.095990 0.096287 0.096090 0.095833 0.095544 0.095323 0.095152 0.095024 0.094927 0.094853 0.094798 0.094756 0.094724
lnIHK 0.000000 -0.013385 -0.020777 -0.021365 -0.021444 -0.021336 -0.021342 -0.021316 -0.021300 -0.021283 -0.021272 -0.021263 -0.021256 -0.021251 -0.021247
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15
0.000000 0.001004 0.001264 0.001499 0.001794 0.002051 0.002246 0.002391 0.002501 0.002584 0.002647 0.002694 0.002730 0.002757 0.002778
0.008461 0.011531 0.011481 0.011268 0.011225 0.011212 0.011194 0.011176 0.011162 0.011152 0.011144 0.011139 0.011134 0.011131 0.011128
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15
0.000000 -0.009297 -0.006510 -0.005908 -0.005163 -0.004995 -0.004763 -0.004617 -0.004491 -0.004402 -0.004333 -0.004281 -0.004242 -0.004213 -0.004191
0.000000 -0.023141 -0.018419 -0.018997 -0.018400 -0.018724 -0.018690 -0.018738 -0.018739 -0.018755 -0.018761 -0.018768 -0.018773 -0.018776 -0.018779
Response of lnIHSG: lnIPI lnM2 0.000000 0.000000 -0.004031 -0.002856 -0.008745 -0.008144 -0.006180 -0.008858 -0.004509 -0.008452 -0.002774 -0.008012 -0.001625 -0.007690 -0.000695 -0.007450 -9.30E-06 -0.007264 0.000518 -0.007123 0.000912 -0.007016 0.001212 -0.006936 0.001437 -0.006875 0.001607 -0.006829 0.001736 -0.006794 Response of lnIHK: 0.000000 0.000000 -0.000352 0.002268 -0.002541 0.002198 -0.004460 0.001623 -0.005840 0.001222 -0.006870 0.000948 -0.007652 0.000741 -0.008246 0.000581 -0.008695 0.000460 -0.009033 0.000369 -0.009289 0.000300 -0.009482 0.000247 -0.009628 0.000208 -0.009738 0.000178 -0.009821 0.000156 Response of lnIPI: 0.060765 0.000000 0.020690 -0.011070 0.027769 -0.014180 0.022762 -0.013950 0.022724 -0.014197 0.021021 -0.014507 0.020343 -0.014768 0.019623 -0.014943 0.019164 -0.015074 0.018786 -0.015173 0.018512 -0.015248 0.018300 -0.015305 0.018142 -0.015348 0.018022 -0.015380 0.017932 -0.015405
lnNT 0.000000 0.012012 0.014711 0.012917 0.011430 0.010282 0.009423 0.008752 0.008244 0.007860 0.007570 0.007351 0.007185 0.007060 0.006966
lnSBI 0.000000 0.011558 0.014702 0.015715 0.015598 0.015449 0.015300 0.015195 0.015109 0.015045 0.014996 0.014959 0.014931 0.014910 0.014894
0.000000 0.001340 0.003338 0.004725 0.005698 0.006446 0.007021 0.007457 0.007786 0.008034 0.008221 0.008363 0.008470 0.008550 0.008611
0.000000 -0.001701 -0.001824 -0.001613 -0.001435 -0.001310 -0.001216 -0.001143 -0.001088 -0.001046 -0.001014 -0.000990 -0.000972 -0.000958 -0.000948
0.000000 0.006499 0.005475 0.006883 0.007966 0.008920 0.009530 0.010007 0.010361 0.010632 0.010836 0.010990 0.011106 0.011194 0.011260
0.000000 0.002918 0.006118 0.005571 0.005901 0.005959 0.006110 0.006179 0.006244 0.006288 0.006323 0.006349 0.006368 0.006383 0.006394
26 Lampiran 5 Hasil impulse response function setiap peubah (lanjutan) Period 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15
lnIHSG 0.000000 -0.002176 -0.002395 -0.002236 -0.002066 -0.001971 -0.001897 -0.001842 -0.001798 -0.001766 -0.001741 -0.001722 -0.001708 -0.001698 -0.001690
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15
0.000000 -0.009921 -0.012110 -0.012271 -0.012063 -0.012021 -0.011983 -0.011955 -0.011928 -0.011908 -0.011893 -0.011882 -0.011873 -0.011867 -0.011862
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15
0.000000 -0.001058 0.007106 0.004555 0.004819 0.004774 0.005101 0.005234 0.005365 0.005450 0.005520 0.005571 0.005610 0.005640 0.005662
Response of lnM2: lnIHK lnIPI lnM2 0.000000 0.000000 0.018602 -0.002904 -0.003757 0.014947 -0.002983 -0.004464 0.014472 -0.002883 -0.005223 0.014284 -0.002804 -0.005643 0.014207 -0.002827 -0.006072 0.014108 -0.002837 -0.006374 0.014022 -0.002846 -0.006611 0.013959 -0.002850 -0.006785 0.013911 -0.002854 -0.006918 0.013875 -0.002857 -0.007018 0.013848 -0.002859 -0.007093 0.013828 -0.002861 -0.007150 0.013813 -0.002862 -0.007193 0.013801 -0.002863 -0.007226 0.013792 Response of lnNT: 0.000000 0.000000 0.000000 -0.009257 -0.008825 -0.002166 -0.009770 -0.008395 -0.004109 -0.009416 -0.009098 -0.004163 -0.009017 -0.008916 -0.004007 -0.009047 -0.009237 -0.004012 -0.009053 -0.009395 -0.004067 -0.009066 -0.009553 -0.004109 -0.009066 -0.009654 -0.004138 -0.009068 -0.009736 -0.004159 -0.009070 -0.009796 -0.004176 -0.009071 -0.009842 -0.004188 -0.009072 -0.009877 -0.004198 -0.009073 -0.009903 -0.004205 -0.009074 -0.009923 -0.004210 Response of lnSBI: 0.000000 0.000000 0.000000 0.018224 -0.035568 -0.014558 0.037505 -0.004139 0.002038 0.031813 -0.016496 0.001686 0.032520 -0.014846 0.000634 0.031957 -0.017364 0.000238 0.032227 -0.017643 3.66E-05 0.032142 -0.018474 -0.000112 0.032154 -0.018891 -0.000245 0.032130 -0.019290 -0.000346 0.032126 -0.019558 -0.000422 0.032119 -0.019773 -0.000478 0.032114 -0.019930 -0.000521 0.032111 -0.020051 -0.000554 0.032108 -0.020141 -0.000578 Nonfactorized One Std.Dev.
lnNT 0.000000 0.003734 0.003825 0.004201 0.004565 0.004876 0.005103 0.005273 0.005402 0.005499 0.005572 0.005628 0.005670 0.005701 0.005725
lnSBI 0.000000 -0.000286 0.000120 0.000154 0.000199 0.000238 0.000278 0.000307 0.000329 0.000345 0.000357 0.000367 0.000374 0.000379 0.000383
0.060529 0.066233 0.065251 0.064851 0.064924 0.065139 0.065282 0.065386 0.065462 0.065521 0.065566 0.065600 0.065625 0.065644 0.065659
0.000000 -0.003026 -0.002136 -0.002283 -0.002327 -0.002352 -0.002323 -0.002307 -0.002293 -0.002283 -0.002276 -0.002270 -0.002266 -0.002263 -0.002260
0.000000 0.006096 0.001144 0.006147 0.006894 0.007714 0.008230 0.008729 0.009084 0.009358 0.009561 0.009716 0.009832 0.009920 0.009987
0.203183 0.173120 0.171804 0.169478 0.170498 0.170450 0.170626 0.170662 0.170734 0.170775 0.170812 0.170837 0.170857 0.170872 0.170883
27 Lampiran 6 Grafik impulse response function antar peubah Res pons e of LNIHK to Choles ky One S.D. Innovations
Res pons e of LNIHSG to Choles ky One S.D. Innovations
.015
.12
.010 .08 .005 .000
.04
-.005 .00 -.010 -.015
-.04 2
4
6
8
LNIHK LNM2
10
12
14
LNIHSG LNNT
16
18
2
20
4
LNIPI LNSBI
6
8
LNIHK LNM2
Res pons e of LNIPI to Choles ky One S.D. Innovations
10
12
14
LNIHSG LNNT
16
18
20
LNIPI LNSBI
Res pons e of LNM2 to Choles ky One S.D. Innovations
.06
.020 .016
.04
.012 .008
.02
.004 .00
.000 -.004
-.02
-.008 -.04
-.012 2
4
6
8
LNIHK LNM2
10
12
14
LNIHSG LNNT
16
18
2
20
4
LNIPI LNSBI
6
8
LNIHK LNM2
Res pons e of LNNT to Choles ky One S.D. Innovations
10
12
14
LNIHSG LNNT
16
18
20
LNIPI LNSBI
Res pons e of LNSBI to Choles ky One S.D. Innovations
.06
.20 .15
.04
.10 .02 .05 .00 .00 -.02
-.05
-.04
-.10 2
4
6 LNIHK LNM2
8
10
12
LNIHSG LNNT
14
16
18
LNIPI LNSBI
20
2
4
6 LNIHK LNM2
8
10
12
LNIHSG LNNT
14
16
18
LNIPI LNSBI
20
28
Lampiran 7 Hasil forecast error decomposition of variance setiap peubah Period 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15
S.E. 0.008461 0.015313 0.020941 0.025976 0.030700 0.035191 0.039469 0.043543 0.047423 0.051123 0.054655 0.058032 0.061266 0.064369 0.067351
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15
0.078118 0.124466 0.160307 0.190121 0.215918 0.238923 0.259865 0.279218 0.297300 0.314335 0.330488 0.345883 0.360620 0.374776 0.388415
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15
0.060765 0.072166 0.084248 0.092877 0.100604 0.107388 0.113618 0.119378 0.124784 0.129898 0.134772 0.139442 0.143936 0.148276 0.152480
Variance decomposition of lnIHK: lnIHK lnIHSG lnIPI lnM2 100.0000 0.000000 0.000000 0.000000 94.02686 0.028616 1.021532 3.614268 87.61326 0.015315 4.435574 5.509528 81.97038 0.010001 8.432338 6.178416 77.25177 0.008215 12.07299 6.428393 73.33729 0.009933 15.18361 6.530281 70.10818 0.013577 17.78502 6.566654 67.44920 0.017970 19.94540 6.570464 65.25490 0.022495 21.73834 6.558550 63.43426 0.026837 23.23173 6.539761 61.91320 0.030849 24.48277 6.518620 60.63286 0.034480 25.53791 6.497391 59.54691 0.037728 26.43417 6.477165 58.61891 0.040618 27.20094 6.458418 57.82009 0.043183 27.86154 6.441302 Variance decomposition of lnIHSG: 1.541415 98.45859 0.000000 0.000000 5.186842 93.24748 0.078116 0.113870 7.659435 89.91801 0.223156 0.070346 8.991659 88.32651 0.191603 0.052865 9.795371 87.45397 0.154169 0.045547 10.34099 86.90240 0.125969 0.042136 10.74588 86.51120 0.109316 0.040699 11.05956 86.21562 0.101806 0.040373 11.31040 85.98254 0.100477 0.040626 11.51564 85.79303 0.103159 0.041176 11.68673 85.63542 0.108220 0.041866 11.83145 85.50211 0.114589 0.042610 11.95536 85.38784 0.121554 0.043358 12.06254 85.28885 0.128669 0.044081 12.15609 85.20231 0.135662 0.044766 Variance decomposition of lnIPI: 5.894104 0.839459 93.26644 0.000000 19.61094 3.640224 75.19247 0.941823 24.53619 3.968459 68.04071 2.250870 28.04461 4.227360 63.16833 2.902923 30.35732 4.349837 59.88485 3.300578 32.27046 4.471673 57.12803 3.585102 33.79971 4.564609 54.87335 3.804990 35.08266 4.643694 52.95266 3.979904 36.16798 4.709692 51.30482 4.122498 37.10364 4.766556 49.86864 4.241324 37.91806 4.815813 48.60709 4.342134 38.63402 4.859001 47.48995 4.428909 39.26819 4.897144 46.49464 4.504499 39.83377 4.931086 45.60283 4.571016 40.34114 4.961477 44.79982 4.630055
lnNT 0.000000 0.246056 1.204615 2.283127 3.244694 4.063122 4.748641 5.318457 5.791579 6.185746 6.516013 6.794601 7.031265 7.233751 7.408208
lnSBI 0.000000 1.062673 1.221706 1.125740 0.993937 0.875767 0.777931 0.698503 0.634131 0.581674 0.538554 0.502761 0.472757 0.447363 0.425677
0.000000 0.631374 0.957470 1.016274 0.999879 0.961815 0.919409 0.878162 0.840170 0.805980 0.775531 0.748511 0.724544 0.703251 0.684287
0.000000 0.742321 1.171582 1.421086 1.551062 1.626695 1.673500 1.704484 1.725794 1.741017 1.752232 1.760735 1.767347 1.772609 1.776884
0.000000 0.473772 0.646487 0.888508 1.156419 1.444990 1.725941 1.994995 2.247473 2.482331 2.699122 2.898427 3.081201 3.248648 3.402046
0.000000 0.140771 0.557288 0.768270 0.950998 1.099742 1.231399 1.346089 1.447536 1.537505 1.617786 1.689683 1.754327 1.812652 1.865460
29 Lampiran 7 Hasil forecast error decomposition of variance setiap peubah (lanjutan) Period 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15
Variance decomposition of lnM2: lnIHK lnIHSG lnIPI lnM2 lnNT 0.800168 0.152329 5.547389 93.50011 0.000000 0.393551 2.054858 11.93994 84.62262 0.979033 0.262669 2.763079 14.84932 80.75985 1.357262 0.196143 3.024929 17.07962 78.05414 1.637963 0.159943 3.117851 18.73312 76.10114 1.880395 0.137802 3.148537 20.10187 74.50833 2.095069 0.123538 3.150722 21.23001 73.20410 2.281996 0.113995 3.139304 22.17561 72.11659 2.443521 0.107430 3.121810 22.97232 71.20307 2.583030 0.102776 3.102173 23.64970 70.42799 2.703740 0.099387 3.082375 24.22960 69.76533 2.808495 0.096859 3.063385 24.72956 69.19455 2.899739 0.094927 3.045642 25.16339 68.69959 2.979545 0.093418 3.029304 25.54219 68.26763 3.049656 0.092215 3.014379 25.87488 67.88838 3.111531 Variance decomposition of lnNT: 0.060529 0.351565 12.18578 5.246035 31.42800 50.78862 0.093346 0.169920 17.20915 8.725867 27.25496 46.54965 0.116600 0.144148 19.59831 9.331077 25.26803 45.57158 0.135852 0.120689 20.73903 9.777908 24.26144 45.01263 0.152697 0.102532 21.35939 10.01610 23.72737 44.70472 0.167975 0.089975 21.73755 10.21804 23.37214 44.49113 0.182026 0.080910 21.98980 10.37793 23.11438 44.34533 0.195106 0.074033 22.16626 10.51258 22.91723 44.23809 0.207388 0.068613 22.29499 10.62541 22.76218 44.15704 0.219000 0.064231 22.39210 10.72168 22.63691 44.09342 0.230041 0.060618 22.46759 10.80435 22.53361 44.04232 0.240585 0.057588 22.52775 10.87599 22.44698 44.00036 0.250693 0.055013 22.57675 10.93845 22.37333 43.96532 0.260414 0.052799 22.61740 10.99328 22.30996 43.93560 0.269789 0.050875 22.65168 11.04168 22.25490 43.91007 Variance decomposition of lnSBI: 0.203183 6.338485 1.562699 4.651001 0.038714 1.323199 0.261829 4.265575 1.665849 2.837570 0.100048 1.655249 0.310330 3.066456 2.025005 3.104090 0.108508 1.617982 0.350284 2.445632 2.099012 2.724857 0.142820 1.734540 0.386638 2.039495 2.141744 2.523272 0.158264 1.826048 0.419752 1.757070 2.170007 2.328190 0.169778 1.906994 0.450513 1.546701 2.195006 2.178357 0.178969 1.975657 0.479306 1.384744 2.215134 2.050163 0.186978 2.036342 0.506488 1.256038 2.232012 1.942839 0.193751 2.089457 0.532293 1.151365 2.246216 1.850954 0.199571 2.136148 0.556914 1.064551 2.258387 1.771998 0.204598 2.177223 0.580499 0.991399 2.268897 1.703480 0.208980 2.213493 0.603167 0.928926 2.278054 1.643632 0.212824 2.245623 0.625017 0.874959 2.286090 1.590994 0.216215 2.274194 0.646131 0.827878 2.293191 1.544419 0.219224 2.299695 Cholesky Ordering: lnIHK lnIHSG lnIPI lnM2 lnNT lnSBI S.E. 0.018602 0.026565 0.032588 0.037866 0.042658 0.047103 0.051252 0.055155 0.058846 0.062352 0.065696 0.068896 0.071966 0.074920 0.077769
lnSBI 0.000000 0.010004 0.007816 0.007205 0.007558 0.008399 0.009630 0.010979 0.012331 0.013619 0.014816 0.015911 0.016905 0.017803 0.018613 0.000000 0.090447 0.086849 0.088294 0.089888 0.091155 0.091652 0.091812 0.091782 0.091666 0.091504 0.091325 0.091141 0.090963 0.090793 86.08590 89.47571 90.07796 90.85314 91.31118 91.66796 91.92531 92.12664 92.28590 92.41575 92.52324 92.61375 92.69094 92.75755 92.81559
30 Lampiran 8 Grafik forecast error decomposition of variance antar peubah Variance Decomposition of LNIHK
Variance Decomposition of LNIHSG
120
100
100
80
80 60 60 40 40 20
20 0
0 2
4
6
8
LNIHK LNM2
10
12
14
LNIHSG LNNT
16
18
2
20
4
LNIPI LNSBI
6
8
LNIHK LNM2
Variance Decomposition of LNIPI
10
12
14
LNIHSG LNNT
16
18
20
LNIPI LNSBI
Variance Decomposition of LNM2
100
100
80
80
60
60
40
40
20
20
0
0 2
4
6
8
LNIHK LNM2
10
12
14
LNIHSG LNNT
16
18
2
20
4
LNIPI LNSBI
6
8
LNIHK LNM2
Variance Decomposition of LNNT
10
12
14
LNIHSG LNNT
16
18
20
LNIPI LNSBI
Variance Decomposition of LNSBI
60
100
50
80
40 60 30 40 20 20
10 0
0 2
4
6 LNIHK LNM2
8
10
12
LNIHSG LNNT
14
16
18
LNIPI LNSBI
20
2
4
6 LNIHK LNM2
8
10
12
LNIHSG LNNT
14
16
18
LNIPI LNSBI
20
31 Lampiran 9 Plot sisaan setiap peubah D(LNIHK) Residuals
D(LNIHSG) Residuals
.08
.3
.06
.2 .1
.04
.0 .02 -.1 .00
-.2
-.02
-.3
-.04
-.4 1998
2000
2002
2004
2006
2008
2010
2012
1998
2000
2002
D(LNIPI) Residuals
2004
2006
2008
2010
2012
2010
2012
2010
2012
D(LNM2) Residuals
.3
.12
.2 .08 .1 .0
.04
-.1
.00
-.2 -.04 -.3 -.4
-.08 1998
2000
2002
2004
2006
2008
2010
2012
1998
2000
D(LNNT) Residuals
2002
2004
2006
2008
D(LNSBI) Residuals
.4
0.8 0.4
.2
0.0 .0 -0.4 -.2
-0.8
-.4
-1.2 1998
2000
2002
2004
2006
2008
2010
2012
1998
2000
2002
2004
2006
2008
32 RIWAYAT HIDUP Penulis dilahirkan di Kota Bandar Lampung, Provinsi Lampung pada tanggal 6 Januari 1992 sebagai anak kedua dari 3 saudara kandung, putra dari pasangan Bapak Mahmud dan Ibu Masiyah. Pendidikan formal sejak SD hingga SMA penulis selesaikan di Kota Bandar Lampung. Pada tahun 2004 penulis menyelesaikan pendidikan di SDN 06 Gedung Air, kemudian melanjutkan pendidikan di SMP Negeri 25 Bandar Lampung sampai tahun 2007. Pada tahun 2010 penulis menyelesaikan pendidikan di SMA Negeri 3 Bandar Lampung, kemudian melanjutkan pendidikan di IPB melalui jalur Undangan Seleksi Masuk IPB (USMI). Setahun kemudian penulis diterima sebagai mahasiswa Departemen Statistika, Fakultas Matematika dan Ilmu Pengetahuan Alam IPB. Penulis mengikuti program minor Matematika Keuangan dan Aktuaria, Departemen Matematika, FMIPA IPB. Selama mengikuti perkuliahan, penulis mendapatkan beasiswa Tjipta Sarjana Bangun Desa (TSBD) Eka Tjipta Foundation (ETF), selain itu penulis aktif dalam lembaga struktural Bina Desa BEM KM IPB periode 2011/2012 sebagai direktur. Penulis juga aktif dalam himpunan keprofesian Gamma Sigma Beta sebagai ketua umum periode 2012/2013 serta ketua bidang pengabdian masyarakat Ikatan Himpunan Mahasiswa Statistika Indonesia (IHMSI) periode 2012/2014. Selama praktik lapang, penulis ditempatkan di Bagian Penelitian dan Pengembangan PT. Perkebunan Nusantara VII dari bulan Juli 2013 sampai September 2014
