III. 3.1.
METODE PENELITIAN
Jenis dan Sumber Data Jenis data yang digunakan pada penelitian ini adalah data sekunder berupa
time series bulanan dari Januari 2007 sampai dengan Desember 2011. Data-data yang digunakan pada penelitian ini yaitu mengenai data pertumbuhan ekonomi (GDP), harga indeks pada JII, nilai kapitalisasi saham syariah, dan nilai perdagangan saham syariah yang kemudian dikaitkan dengan variabel moneter, seperti: SBI (Sertifikat Bank Indonesia), SBIS (Sertifikat Bank Indonesia Syariah), jumlah uang beredar (M2), dan Exchange Rate (XR). Data tersebut diperoleh dari Bursa Efek Indonesia (BEI), Statistik Ekonomi dan Keuangan Bank Indonesia (SEKI-BI), Badan Penanaman Modal (Bapepam), Departemen Keuangan Republik Indonesia, Badan Pusat Statistik (BPS), dan instansi-instansi terkait lainnya.
3.2.
Metode Interpolasi Metode interpolasi dapat membantu dalam memperbaiki tingkat kerapatan
suatu data. Dengan metode interpolasi ini, sebuah data dengan kerapatan titik pengamatan yang kurang baik, dapat kita perbaiki sehingga kerapatan titik pengamatan data tersebut menjadi lebih baik, sehingga data menjadi lebih akurat dalam penginterpretasian data. Dalam interpolasi, rumusan dari setiap metode merupakan pendekatan perhitungan dari perbandingan nilai suatu titik terkait dengan nilai titik lainnya pada sebaran data yang sama terhadap jarak antar titik tersebut secara matematis.
44
Artinya, ketika ada perbedaan harga nominal yang dilibatkan pada perhitungan tersebut, maka nilai dari hasil perhitungan tersebut akan berbeda walaupun titik dan metode yang digunakan adalah sama. Penggunaan metode ini dalam penelitian untuk mengasilkan data GDP bulanan. Hal ini dikarenakan data GDP yang diperoleh berupa data triwulan. Metode interpolasi dapat dioperasikankan melalui Eviews 6.
3.3.
Metode Analisis Metode analisis yang akan digunakan dalam penelitian ini adalah metode
analisi yang bersifat deskriptif dan kuantitatif dengan menggunakan alat analisis yang digunakan dalam penelitian ini adalah metode Granger Causality (Kausalitas Granger), Vector Auto Regression (VAR) dan Vector Error Correction Model (VECM) dalam mengolah beberapa data time series. Penelitian ini fokus pada analisis kecepatan atau time lag dan kekuatan respons suatu variabel terhadap shock variabel lainnya dalam sistem VAR. Sementara itu, hubungan antar variabel dalam model ini merupakan hubungan kausalitas dua arah atau hubungan timbal balik/model resiprokal. Metode analisis yang digunakan dalam penelitian ini adalah metode Vector Autoregression (VAR) apabila data yang digunakan telah stasioner pada tingkat level. Namun bila data belum stasioner pada tingkat level, maka analisis yang dilakukan akan disesuaikan yaitu dengan menggunakan metode Vector Error Corection Model (VECM). Hal ini perlu dilakukan karena bila kita meregresikan variabel-variabel yang tidak stasioner maka akan menimbulkan fenomena spurious regression (regresi palsu). Penggunaan metode ini diharapkan dapat
45
merepresentasikan bagaimana pasar modal syariah dan kebijakan moneter di Indonesia dapat memberikan dampak kepada GDP.
3.3.1. Variabel dan Definisi Operasional Untuk melihat bagaimana respon variabel moneter dengan perkembangan pasar modal syariah di Indonesia yang digambarkan melalui kapitalisasi saham syariah dan Jakarta Islamic Index. Adapun variabel yang digunakan dalam penelitian ini adalah sebagai berikut: a.
SBI dan SBIS menggambarkan risk free rate dimana yang digunakan dalam penelitian ini tingkat riil berupa data bulanan dan dinyatakan dalam satuan persen.
b.
M2 menunjukkan jumlah uang beredar luas yang terdiri dari uang kartal, uang giral, dan uang kuasi.
c.
XR menunjukkan nilai tukar Rupiah terhadap Dollar AS (Rp/USD).
d.
KS merupakan kapitalisasi saham syariah, yaitu nilai rata-rata saham syariah domestik yang tercatat
e.
JII menggambarkan market return dan merupakan cerminan indeks saham syariah.
f.
NPS merupakan nilai perdagangan saham syariah secara keseluruhan dalam data bulanan.
g.
GDP menunjukkan nilai Gross Domestic Product
yang berlaku di
Indonesia. Nilai kapitalisasi saham syariah (KS) memiliki definisi operasional sebagai jumlah seluruh saham yang tercatat maupun yang telah diperdagangkan di pasar
46
modal syariah. Penggunaan kapitalisasi saham syariah pada JII karena penelitian ini menggunakan data dari Januari 2007 hingga Desember 2011, data yang tersedia di BEI adalah data kapitalisasi saham pada JII. Sedangkan indeks harga JII merupakan suatu besaran yang menunjukkan perubahan harga rata-rata saham syariah yang ada di pasar modal dibandingkan dengan harga saham pada saat penawaran perdananya (Initial Public Offering) . Melalu variabel operasional tersebut, bentuk pemodelan dalam penelitian ini, yaitu: GDP
= β0 + β1 JII + β2 KS + β3 NPS + β4 SBI + β5 SBIS + β6 M2 + β7 XR + Ut
(3.1)
3.3.2. Metode Granger Causality (Kausalitas Granger) Studi kausalitas ditujukan untuk mengukur kekuatan hubungan antar variabel dan menunjukkan arah hubungan sebab akibat yaitu X menyebabkan Y, Y menyebabkan X, atau X menyebabkan Y dan Y juga menyebabkan X. Uji kausalitas Granger dipercaya jauh lebih bermakna dari uji korelasi biasa. Penggunaan uji kausalitas Granger dapat mengetahui beberapa hal, sebagai berikut:
Apakah X mendahului Y, apakah Y mendahului X, atau hubungan X dan Y timbal balik.
Suatu variabel X dikatakan menyebabkan variabel lain Y, apabila Y saat ini diprediksi lebih baik dengan menggunakan nilai-nilai masa lalu X.
Asumsi dalam uji ini adalah bahwa X dan Y dianggap sepasang data runtut waktu yang memiliki kovarians linier yang stasioner.
47
Persamaan kausalitas Granger ini secara matematis dapat dituliskan sebagai berikut: Yt
=∑
Yt-1 + ∑
Xt-j + vtiX
Y jika bj > 0
(3.2)
Yt
= ∑ Xt-1 + ∑
Xt-j + utiX
X jika dj < 0
(3.3)
3.3.3. Model Vector Auto Regression (VAR) Christopher Sims (Gujarati, 2003) berpendapat, jika memang terdapat hubungan yang simultan antar variabel yang diamati, variabel tersebut perlu diperlakukan sama, sehingga tidak ada lagi variabel endogen dan eksogen. Berdasarkan pemikiran inilah Sims memperkenalkan konsep yang disebut Vector Auto Regression (VAR). Model VAR mengganggap bahwa semua variabel adalah endogen, secara formulatif dapat ditulis sebagai berikut : ∆ Xt = α + Σ3i=1Ai ∆ Xt-1 + υt, E(υt, υs) = Ω , jika t ≠ s
(3.4)
Dimana Ai matriks kuadrat ; υt menunjukkan rata-rata vektor zero, tidak ada korelasi variabel, dan kesejajaran matriks varian Ω, diasumsikan positif dan simetris ; α adalah 3 x 1 vektor kolom dari parameter-parameter ; vektor Xt adalah variabel-variabel endogen di atas. Setiap metode analisis memiliki kelebihan dan kekurangan. Pertama, kelebihan dari metode ini menurut Gujarati (2003) antara lain sebagai berikut : 1.
Metode sederhana tanpa harus membedakan variabel endogen dan eksogen.
2.
Estimasi sederhana, dimana metode OLS dapat diaplikasikan pada tiap-tiap persamaan secara terpisah.
48
3.
Terbebas dari berbagai batasan teori ekonomi yang sering muncul termasuk gejala perbedaan semu (spurious variable endogenity dan exogenity) dalam model ekonometrika konvensoinal karena bekerja berdasarkan data yang ada. Dengan begitu, metode ini dapat menghindarkan peneliti dari penafsiran yang salah.
4.
Hasil perkiraan (forecast) yang diperoleh dengan metode ini dalam banyak kasus lebih bagus dibandingkan dengan hasil yang didapat dengan menggunakan model persamaan simultan yang kompleks sekalipun.
5.
Analisis VAR merupakan alat analisis yang sangat berguna dalam memahami adanya hubungan timbal balik (interrelationship) antara variabel-variabel ekonomi dan dalam pembentukan model ekonomi berstruktur. Sementara itu, kelemahan dari metode Vector Auto Regression (VAR)
antara lain sebagai berikut : 1.
Tidak dilandasi teori tentang hubungan antarvariabel (model non struktural).
2.
Tujuan utama model ini untuk peramalan, maka kurang sesuai untuk analisis kebijakan.
3.
Pemilihan banyaknya lag yang diinginkan dalam persamaan dapat menimbulkan permasalahan.
4.
Interpretasi koefisien yang didapat berdasarkan model VAR tidak mudah. Enders (2004) memformulasikan sistem tradisional bivarat order pertama
sebagai berikut: yt = b10 – b12zt + γ11 zt-1 + γ12 zt-1 + εyt
(3.5)
zt = b20 – b21yt + γ21 yt-1 + γ22 yt-1 + εzt
(3.6)
49 Dengan asumsi kedua variabel yt dan zt stasioner, εyt dan εzt merupakan white noise disturbance dengan standar deviasi σy dan σz, serta εyt dan εzt tidak berkorelasi white noise disturbance. Sementara itu, bentuk standar dari persamaan di atas pun dapat ditulis sebagai berikut: yt = a10 – a11yt-1 + a12 zt-1 + eyt
(3.7)
zt = a20 – a21yt-1 + a22 zt-1 + ezt
(3.8)
Dalam analisis VAR terdapat asumsi yang harus dipenuhi, yaitu semua peubah tak bebas harus bersifat stasioner dan semua sisaan harus bersifat white noise, yaitu memiliki rataan nol, ragam konstan dan diantara variabel tak bebas tak ada autokorelasi. Bentuk model penelitian dari berkembangnya pasar modal syariah dan kebijakan moneter yang berlaku dalam memengaruhi perekonomian Indonesia adalah: 11
1
1 31
=
[
]
+
[
[
]
]
[
13
1
1
1
1
1
3
3
3
3
3
-
3 3
33
1
3
1
3
1
3
1
3
1
3
-
+
+
-
]
-
[
-
]
50
3.3.4. Vector Error Correction Model (VECM) Vector Error Correction Model atau VECM merupakan bentuk VAR yang terestriksi (Enders, 2004). Restriksi tambahan ini harus diberikan karena keberadaan bentuk data yang tidak stasioner pada level, tetapi terkointegrasi. VECM kemudian memanfaatkan informasi restriksi kointegrasi tersebut ke dalam spesifikasinya. VECM karena itu sering disebut sebagai desain VAR bagi series non-stasioner
yang
memiliki
hubungan
kointegrasi.
Kointegrasi
adalah
terdapatnya kombinasi linear antara variabel yang non stasioner yang terkointegrasi pada ordo yang sama (Enders, 2004). Dianjurkan untuk memasukkan persamaan kointegrasi ke dalam model yang digunakan setelah dilakukan pengujian kointegrasi pada model yang digunakan. Data time series biasanya memiliki tingkat stasioneritas pada perbedaan pertama (first difference) atau I(1). Digunakan VECM apabila ternyata data yang digunakan memiliki derajat stasioneritas untuk mengantisipasi hilangnya informasi jangka panjang. Caranya adalah dengan mentransformasi persamaan awal pada level menjadi persamaan baru sebagai berikut : Δyt = b10 + b11Δyt-1 + b12Δzt-1 – λ(yt-1 – a10 – a11 yt-2 – a12 zt-1 ) + εyt
(3.9)
Δzt = b20 + b21Δyt-1 + b22Δzt-1 – λ(yt-1 – a20 – a21 yt-1 – a22 zt-2 ) + εyt
(3.10)
dimana a merupakan koefisien regresi jangka panjang, b merupakan koefisien regresi jangka pendek, λ merupakan parameter koreksi error, dan persamaan dalam tanda kurung menunjukkan kointegrasi di antara variabel y dan z. Ketika dua atau lebih variabel yang terlibat dalam suatu persamaan pada data level tidak stasioner maka kemungkinan terdapat kointegrasi pada persamaan tersebut. Jika setelah dilakukan uji kointegrasi terdapat persamaan kointegrasi
51
dalam model yang digunakan maka dianjurkan untuk memasukkan persamaan kointegrasi ke dalam model yang digunakan. Kebanyakan data time series stasioner pada perbedaan pertama. Maka untuk mengantisipasi hilangnya informasi jangka panjang dalam penelitian ini akan digunakan model VECM. VECM standar didapat dari model VAR dengan dikurangi xt-1. Adanya hubungan kointegrasi di antara kedua variabel mengisyaratkan bahwa sebuah formulasi error pada metode VAR dapat diestimasi.
3.4.
Analisis Perilaku Data
3.4.1. Uji Stasioneritas Salah satu syarat dalam analisis VAR adalah data yang stasioner. Uji stasioneritas ini perlu dilakukan, karena suatu analisa regresi sebaiknya tidak dilakukan apabila data yang digunakan tidak stasioner. Data yang tidak stasioner akan memunculkan masalah autokorelasi. Analisis regresi data time series menghasilkan R2 padahal koefisien regresi tidak signifikan, masalah ini disebut regresi semu atau spurious regression. Asumsi stasioneritas ini mempunyai konsekuensi penting untuk menterjemahkan data dalam model ekonomi, karena data yang stasioner akan tidak terlalu bervariasi dan cenderung mendekati nilai rata-ratanya
(Gujarati,
2003).
Uji
stasioneritas
data
dilakukan
dengan
menggunakan uji akar-akar unit (unit root test), uji derajat integrasi (integration test), dan Augmented Dicky Fuller test (ADF) test. Data bersifat stasioner apabila nilai
mutlak ADF lebih besar dari nilai kritis (Crtical Value test).Unit root
stochastic process dimulai dengan model berikut: Yt = ρ Yt-1 - Yt-1 + ε t
-1≤ ρ ≤ + 1
(3.11)
52 dimana ɛt adalah white noise error term. Jika ρ = 1 maka disebut unit root artinya nonstasionary stochastic process. Manipulasi (3.11) dengan cara mengurangkan Yt-1 pada kedua sisi menghasilkan persamaan Yt - Yt-1 = ρ Yt-1 - Yt-1 + εt = (ρ-1) Yt-1 + εt ΔYt
= δ Yt-1 + εt
Secara praktis uji hipotesis nol adalah δ = . Jika δ =
(3.12) atau ρ = 1 maka
dapat dinyatakan mengandung unit root, artinya time series adalah non-stasioner. Apabila δ =
atau ρ = 1 maka persamaan (3.12) dapat ditulis menjadi:
Yt - Yt-1 = Yt-1 - Yt-1 + εt ΔYt = εt
(3.13)
merukapan white noise error term menjadi stasioner, artinya stasioner pada kondisi first difference.
3.4.2. Uji Lag Optimum Tahap kedua yang harus dilakukan dalam membentuk model VAR yang baik adalah menentukan panjang lag (ordo) optimal. Penentuan lag optimal dapat diidentifikasi dengan menggunakan Akaike Info Criterion (AIC), Schwarz Criterion (SC), Hannan-Quinn Criterion (HQ), dan sebagainya. Penentuan lag optimal dapat juga dilakukan dengan membandingkan Adjusted R2 variabel VAR dari masing-masing kandidat selang. Selang optimal akan dipilih dari sistem VAR dengan selang tertentu yang menghasilkan nilai Adjusted R2 terbesar pada variabel-variabel penting di dalam sistem. Pada metode
53
VAR, lag yang terlalu panjang akan membuang derajat bebas dengan percuma dan lag yang terlalu pendek dapat menyebabkan spesifikasi model yang salah.
3.4.3. Uji Kointegrasi ( Cointegration Approach ) Uji kointegrasi merupakan lanjutan dari uji akar-akar unit dan uji derajat integrasi. Uji kointegrasi dimaksudkan untuk mengetahui perilaku data dalam jangka panjang antar variabel terkait apakah berkointegrasi atau tidak seperti yang dikehendaki oleh teori ekonomi. Untuk dapat melakukan uji kointegrasi, harus yakin terlebih dahulu bahwa variabel-variabel yang terkait dalam pendekatan ini mempunyai derajat integrasi yang sama atau tidak. Implikasi pentingnya jika dua variabel atau lebih mempunyai derajat integrasi yang berbeda, misal: X=1(1) dan Y=1 (2), maka kedua variabel tersebut tidak dapat berkointegrasi. Cara pengujiannya adalah dengan menguji residualnya berintegrasi atau tidak. Apabila residualnya berintegrasi, berarti data tersebut sudah memenuhi prasyarat dalam pembentukan dan estimasi model dinamis. Untuk melakukan uji kointegrasi dilakukan dengan beberapa macam uji, yaitu: Engle-Granger test (EG), Augmented Engle-Granger (AEG) test , dan Cointegrating Regression Durbin Watson (CRDW). Namun, pada penelitian ini, penulis hanya akan menggunakan Cointegrating Regression Durbin-Watson (CRDW). Caranya adalah dengan meregres variabel dependen dengan variabel independen, setelah nilai DW diketahui, maka DW dibandingkan. Apabila nilai DW hitung lebih besar dari DW tabel maka variabel tersebut telah berkointegrasi, yang artinya antar variabel-variabel tersebut dalam jangka panjang terjadi hubungan yang equilibrium (Gujarati,2003).
54
Dalam penelitian ini untuk menguji apakah kombinasi variabel yang tidak stasioner terkointegrasi dapat diuji dengan menggunakan uji kointegrasi Johansen, yang ditunjukkan oleh persamaan matematis berikut ini : Δyt = β0 + πyt-1 + ∑
i Δyt-1
+ εt
( 3.14 )
Persamaan tersebut terkointegrasi jika trace statistic > critical value. Dengan demikian hipotesis yang terjadi adalah tolak H0 atau terima H1, yang artinya terjadi kointegrasi. Tahapan analisis dilanjutkan dengan analisis Vector Error Correction Model (VECM) setelah jumlah persamaan yang terkointegrasi telah diketahui.
3.4.4. Impulse Response Function (IRF) Estimasi dengan menggunakan VECM untuk lebih lanjut dapat dilihat dari IRF. IRF menunjukkan bagaimana respon dari setiap variabel endogen sepanjang waktu terhadap guncangan dalam variabel itu sendiri dan variabel endogen lainnya. Fungsi dari impulse response ini untuk mengetahui pengaruh suatu variabel terhadap variabel tertentu apabila terjadi guncangan atau shock suatu variabel. Fungsi yang kedua adalah untuk mengetahui besarnya nilai guncangan terhadap variabel yang ada. Analisis fungsi impuls respon (Impulse Response Function) atau disingkat dengan IRF dalam analisis ini dilakukan untuk menilai respon dinamik pasar modal syariah yang ditinjau dari sisi JII terhadap guncangan (shock) variabel jumlah uang beredar (M2), Sertifikat Bank Indonesia (SBI), Sertifikat Bank Indonesia Syariah (SBIS), GDP, dan exchange rate. Impulse Response Function sementara itu bertujuan untuk mengisolasi suatu guncangan agar lebih spesifik
55
artinya suatu variabel yang dapat dipengaruhi oleh shock atau guncangan tertentu. Shock spesifik tersebut tidak dapat diketahui melainkan shock secara umum apabila suatu variabel tidak dapat dipengaruhi oleh shock.
3.4.5. Forecast Error Variance Decomposition (FEVD) Metode yang dapat dilakukan untuk melihat bagaimana perubahan dalam suatu variabel yang ditunjukkan oleh perubahan error variance dipengaruhi oleh variabel-variabel lainnya adalah FEVD. Metode ini mencirikan suatu struktur dinamis dalam model VAR. Metode ini dapat melihat kekuatan dan kelemahan masing-masing variabel dalam memengaruhi variabel lainnya dalam kurun waktu yang panjang. Peramalan dekomposisi varian memberikan informasi mengenai persen peran masing-masing guncangan terhadap variabilitas tertentu atau menelaah sumber-sumber fluktuasi pada suatu variabel tertentu. Metode ini merinci ragam dari peramalan galat menjadi komponen-komponen yang dapat dihubungkan dengan setiap variabel endogen dalam model. Uji yang dikenal dengan The Cholesky Decomposition ini digunakan untuk menyusun perkiraan error varians suatu variabel, yaitu seberapa besar perbedaan antara error variance sebelum dan sesudah terjadinya shock yang berasal dari dirinya sendiri maupun dari variabel lain.
