23
III.
3.1
METODE PENELITIAN
Jenis dan Sumber Data Jenis data yang digunakan dalam penelitian ini adalah data sekunder yang
merupakan data time series dari bulan Januari 2002 sampai Desember 2009. Data yang digunakan adalah data total kredit yang disalurkan bank umum, data industrial production index (IPI) sebagai representasi (proxy) untuk menghitung pertumbuhan output, data consumer price index (CPI) yang mencerminkan tingkat inflasi, data Sertifikat Bank Indonesia (SBI) rate yang mencerminkan tingkat suku bunga, data nilai tukar mata uang Rupiah terhadap USD atau Exchange Rate (ER) dan data Indeks Harga Saham Gabungan (IHSG). Data-data tersebut diperoleh dari Statistik Ekonomi dan Keuangan Indonesia (SEKI) Bank Indonesia, Badan Pengawas Pasar Modal (BAPEPAM), Badan Pusat Statistik dan sumber data lain yang relevan. Data-data tersebut juga didukung dengan studi pustaka dari berbagai jurnal, artikel dan literatur lain yang terkait dengan penelitian ini.
3.2
Metode Analisis Data Metode yang digunakan dalam menganalisis data dalam penelitian ini
adalah metode Vector Autoregression (VAR) dan Vector Error Correction Model (VECM). Metode Vector Autoregressive (VAR) bertujuan untuk melihat apakah harga saham berpengaruh terhadap total kredit yang disalurkan perbankan, sedangkan metode Vector Error Correction Model (VECM) digunakan ketika variabel-variabel yang digunakan dalam penelitian ini tidak seluruhnya stasioner
24
pada level, tetapi stasioner pada first difference dan terdapat hubungan kointegrasi antara variabel-variabel tersebut. Semua data yang digunakan dalam penelitian ini ditransformasikan ke dalam bentuk logaritma natural (ln) kecuali untuk data SBI rate. Adapun perangkat lunak yang digunakan dalam pengolahan data penelitian ini menggunakan Microsoft Excel 2007 dan E-views 5.1. Vector Autoregression (VAR) adalah suatu sistem persamaan yang memperlihatkan setiap peubah sebagai fungsi linear dari konstanta dan nilai lag dari peubah itu sendiri serta nilai lag dari peubah lain yang ada dalam sistem. Keunggulan dari metode VAR antara lain (Gujarati, 2003): 1.
Metode ini sederhana, tanpa harus membedakan mana variabel endogen dan variabel eksogen
2.
Estimasinya sederhana, dimana metode OLS biasa dapat diaplikasikan pada tiap-tiap persamaan secara terpisah
3.
Karena bekerja berdasarkan data, metode VAR terbebas dari berbagai batasan teori ekonomi yang sering muncul termasuk gejala perbedaan semu (spurious variable
endogenity
dan
exogenity)
di
dalam
model
ekonometrik
konvensional terutama pada persamaan simultan, sehingga menghindari penafsiran yang salah 4.
Hasil perkiraan (forecast) yang diperoleh dengan menggunakan metode ini dalam banyak kasus lebih bagus dibandingkan dengan hasil yang didapat dengan menggunakan model persamaan simultan yang kompleks sekalipun. Selain itu, analisis VAR juga merupakan alat analisis yang sangat berguna, baik di dalam memahami adanya hubungan timbal balik (interrelationship)
25
antara variabel-variabel ekonomi, maupun di dalam pembentukan model ekonomi berstruktur. Selain keunggulan yang dimiliki, VAR juga mempunyai kekurangan atau kelemahan. Kelemahan metode VAR, di antaranya: 1.
Model VAR merupakan pengukuran yang tidak dilandasi teori tentang hubungan antarvariabel (model non-struktural)
2.
Mengingat tujuan utama model VAR untuk peramalan, maka model VAR kurang cocok untuk analisis kebijakan
3.
Pemilihan banyaknya lag yang diinginkan dalam persamaan dapat menimbulkan permasalahan
4.
Interpretasi koefisien yang didapat berdasarkan model VAR tidak mudah.
3.2.1 Model Umum VAR Secara umum model persamaan VAR ordo p dengan n peubah tak bebas pada waktu t dapat ditulis sebagai berikut (Arsana, 2003),
Yt A0 A1 Yt 1 A2Yt 2 ... ApYt p t ………………….. (3.1) atau, 1 1 Yt1 A A A'11 A'12 A'13 ... A '1 p Yt k e1t A13 ... A1 p Yt 1 11 12 2 ' 2 ' ' ' Y2 e A A A ... A Yt A21 A22 A23 ... A2 p Yt 1 22 23 2 p t k 2t 21 Y 3 A A 3 3 ' ' ' ' A33 ... A3 p Yt 1 ... A 31 A 32 A 33 ... A 3 p Yt k e3t t 31 32 ... ... ... ... ... ... ... ... ... ... ... ... ... ... p ' ' ' ' A p p Yt Ap1 Ap 2 Ap 3 ... App Yt 1 p1 A p 2 A p 3 ... A pp Yt k e pt …………………………………………………………………….. (3.2)
Dimana : p k
= Jumlah variabel dalam sistem persamaan = Jumlah lag dalam sistem persamaan
26
Yt A0 Ai εt
= Vektor peubah tak bebas (Y1t, Y2t,..., Ynt) berukuran n x 1, = Vektor intersep berukuran n x 1, = Matriks parameter berukuran n x n, untuk setiap i = 1, 2, ..., p, = Vektor sisaan (ε 1t, ε 2t, …, ε nt) berukuran n x 1.
3.2.2 Uji Stasioneritas Uji stasioneritas data merupakan syarat penting bagi analisis time series untuk menghindari adanya regresi lancung (spurious regression). Oleh karena itu, perlu dilakukan uji stasioneritas pada data-data yang akan digunakan dalam model. Pengertian data yang stasioner adalah data yang memiliki kecenderungan untuk mendekati nilai rata-ratanya dan berfluktuasi disekitar nilai rata-ratanya (Gujarati, 2003). Metode yang dapat digunakan untuk melihat kestasioneran data adalah metode Augmented Dicky Fuller (ADF) Test dan Phillip Pheron (PP) Test. Kebanyakan analisis time series menggunakan uji ADF. Sedangkan metode PP hanya digunakan pada data yang mengandung structural break, yaitu patahan pada pergerakan data yang terjadi karena adanya kejadian luar biasa dalam perekonomian, misal krisis ekonomi. Uji stasioneritas yang digunakan dalam penelitian ini yaitu menggunakan uji ADF. Jika nilai mutlak ADF statistik lebih besar dari MacKinnon Critical Value maka dapat disimpulkan series tersebut stasioner. Apabila suatu series tidak stasioner maka dapat dilakukan difference non stasionary processes atau uji stasioneritas pada tingkat difference.
27
3.2.3 Pemilihan Lag Optimum Penetapan lag optimal penting dilakukan karena dalam metode VAR lag optimal dari variabel endogen merupakan variabel independen yang digunakan dalam model. Penentuan lag optimum dapat menggunakan beberapa kriteria, seperti Likelihood Ratio (LR), Schwarz Information Criterion (SC), Akaike Information Criterion (AIC), Final Prediction Error (FPE) dan Hannan-Quinn Criterion (HQ). Pada penelitian ini lag optimum dipilih berdasarkan koefisien yang ditunjukkan oleh
Akaike
Information Criterion, secara matematis
persamaan AIC adalah sebagai berikut : AIC (k) = T ln
+ 2n
(3.3)
dimana : SSR
= The Residual Sum of Squares
k
= panjang lag
T
= jumlah yang diobservasi
n
= jumlah parameter yang diestimasi Besarnya lag optimal ditentukan oleh lag yang memiliki kriteria AIC yang
terkecil.
3.2.4 Uji Stabilitas Model VAR Uji stabilitas perlu dilakukan dalam model VAR yang digunakan. Hal tersebut dikarenakan jika hasil estimasi VAR yang digunakan dikombinasikan dengan model error correction-nya tidak stabil, maka kesimpulan yang didapat dari Impulse Responses dan Variance Decomposition menjadi tidak valid.
28
Stabilitas model VAR yang digunakan dapat dilihat dari inverse root karakteristik AR polinomialnya. Hal ini dapat dilihat dari nilai modulus di tabel AR roots-nya. Jika seluruh nilai AR roots-nya dibawah 1, maka model VAR tersebut stabil.
3.2.5 Uji Kointegrasi Dalam VAR semua variabel yang digunakan harus stasioner. Apabila variabel tidak stasioner, maka perlu dilakukan uji kointegrasi. Kointegrasi menggambarkan kombinasi linier dari variabel-variabel yang tidak stasioner. Jika variabel yang tidak stasioner terkointegrasi, maka kombinasi linier antar variabel dalam sistem akan bersifat stasioner, sehingga dapat diperoleh persamaan yang stabil (Enders, 1995). Pengujian hubungan kointegrasi dilakukan dengan menggunakan lag optimum sesuai dengan pengujian sebelumnya. Sementara penentuan asumsi deterministik yang melandasi pembentukan persamaan kointegrasi didasarkan pada nilai kriteria informasi AIC dan SIC. Berdasarkan asumsi deterministik tersebut akan diperoleh informasi mengenai banyaknya hubungan kointegrasi antar variabel sesuai metode Trace dan Max. Berdasarkan uji Johansen akan didapat rank kointegrasi (r). Rank kointegrasi dari vektor yt adalah banyaknya vektor kointegrasi yang saling bebas. Untuk itu akan diuji hipotesis sebagai berikut: H0 : rank ≤ r H1 : rank > r
29
Jika rank kointegrasi yang didapat lebih besar dari nol, maka model yang digunakan adalah Vector Error Correction Model (VECM). Jika rank kointegrasi sama dengan nol maka model yang digunakan adalah VAR dengan pendifferensian sampai lag ke-d.
3.2.6 Model Umum Vector Error Correction Model umum VECM adalah sebagai berikut (Johansen (1991) dalam Al Sharkas (2004)), k-1
ΔYt =μ+ Γi Δx t-i +αβ'Yt-k +ε t …………………………. (3.4) i=1
Dimana :
Δ Yt μ k εt Γi
= = = = = =
α β
= =
notasi first difference p x 1 vektor terintegrasi pada order satu p x 1 konstanta vektor Lag p x 1 vektor Gaussian white noise residual p x p matriks penyesuaian jangka pendek antara variabelvariabel pada lag i p x r speed of adjustment p x r vektor kointegrasi
3.2.7 Impulse Response Function (IRF) Setelah melakukan uji VAR, diperlukan adanya metode yang dapat mencirikan struktur dinamis yang dihasilkan oleh VAR secara jelas. IRF menunjukkan bagaimana respon dari setiap variabel endogen sepanjang waktu terhadap kejutan dari variabel itu sendiri dan variabel endogen lainnya. Fungsi dari impulse response ini adalah untuk mengetahui pengaruh suatu variabel
30
terhadap variabel tertentu apabila terjadi guncangan atau shock suatu variabel. Fungsi yang kedua adalah untuk mengetahui besarnya nilai guncangan terhadap variabel yang ada.
3.2.8 Variance Decomposition (VD) Metode Variance Decomposition (VD) dapat menjelaskan seberapa jauh peranan suatu variabel ekonomi dalam menjelaskan guncangan variabel ekonomi lainnya. Metode ini dapat pula digunakan untuk melihat kekuatan dan kelemahan dari masing-masing variabel dalam mempengaruhi variabel lainnya dalam kurun waktu yang panjang. Dekomposisi varians merinci varians dari error peramalan menjadi komponen-komponen yang dapat dihubungkan dengan setiap variabel endogen dalam model. Dengan menghitung persentase squared prediction error dari sebuah variabel akibat guncangan dalam variabel-variabel lain, dapat dilihat seberapa besar error peramalan variabel tersebut disebabkan oleh variabel itu sendiri dan variabel-variabel lainnya.
3.3 Model Penelitian Dalam penelitian ini akan dilihat hubungan antara harga saham dan kredit yang disalurkan perbankan dengan menggunakan variabel-variabel seperti total kredit bank umum di Indonesia, indeks harga konsumen, IPI (Industrial Production Index), suku bunga SBI, nilai tukar dan IHSG (Indeks Harga Saham Gabungan). Sehingga model penelitian dapat ditulis sebagai berikut:
31
(3.5) dimana: ln_kredit
: total kredit bank umum
ln_cpi
: consumer price index (indeks harga konsumen)
ln_er
: exchange rate (nilai tukar)
sbi
: suku bunga sertifikat bank Indonesia
ln_ihsg
: indeks harga saham gabungan
ln_ipi
: industrial production index (indeks produksi industri) Dalam metode yang digunakan pada penelitian ini, semua data yang
diestimasi adalah dalam bentuk logaritma natural kecuali variabel-variabel yang sudah dalam persen. Hal ini dilakukan untuk memudahkan dalam menganalisis Variance Decomposition maupun Impulse Respon Function. Dengan demikian semua data dalam penelitian ini diubah dalam bentuk logaritma natural.
