BAB III METODE PENELITIAN A. Ruang Lingkup Penelitian Ditinjau

BAB III
METODE PENELITIAN
A.
Ruang Lingkup Penelitian
Ditinjau dari jenis datanya pendekatan penelitian yang digunakan dalam
penelitian ini adalah pendekatan kuantitatif. Yang dimaksud dengan penelitian
kuantitatif adalah pendekatan penelitian yang banyak dituntut menguakan angka,
mulai dari pengumpulan data, penafsiran terhadap data tersebut, serta penampilan
hasilnya. (Arikunto, 2006).
Penelitian ini memiliki lima variabel, satu variabel dependen dan tiga
variabel independen. Variabel dependen dalam penelitian ini adalah harga saham
perusahaan BUMN yang terdaftar di Bursa Efek Indonesia. Variabel independen
dalam penelitian ini adalah laju inflasi, kurs valuta asing, dan suku bunga (SBI).
Data yang digunakan merupakan data bulanan yaitu tahun 2007 – 2015.
B.
Sampel
Sugiyono (2007) menyatakan bahwa sampel adalah bagian dar jumlah dan
karakteristik yang dimiliki oleh populasi. Pemilihan sampel dalam penelitian ini
dengan menggunakan metode purposive sampling. Metode purposive sampling
adalah penentuan sampel yang tidak acak dan secara sengaja atau sesuai dengan
pertimbangan tertentu.
Sampel dalam penelitian adalah lima perusahaan BUMN yang memiliki aset
paling banyak yang terdaftar di Bursa Efek Indonesia periode 2007 - 2015.
Kelima perusahaan tersebut adalah sebagai berikut:
25
26
1. PT. Bank Rakyat Indonesia (Persero) Tbk. (BBRI)
2. PT. Bank Mandiri (Persero) Tbk. (BMRI)
3. PT. Perusahaan Gas Negara (Persero) Tbk. (PGAS)
4. PT. Bukit Asam (Persero) Tbk. (PTBA)
5. PT. Telekomunikasi Indonesia (Persero) Tbk. (TLKM)
C.
Jenis dan Sumber Data
Sumber data yang menjadi bahan analisis dalam penelitian ini adalah data
sekunder. Menurut Sugiyono (2007), sumber sekunder merupakan sumber yang
secara tidak langsung memberikan data kepada pengumpul data. Pengertian
tersebut dapat diambil kesimpulan bahwa data sekunder adalah data yang diambil
dan tgelah tersedia di buku-buku, majalah, jurnal, website, media online, dan
sumber lainnya. Yang secara tidak langsung berhubungan dengan penelitian.
Keuntungan utama dari penggunaan data sekunder adalah tidak memerlukan
banyak biaya untuk memperolehnya, selain itu data sekunder juga dapat
memunculkan banyak pilihan data yang mendukung dengan permasalahan yang
ditelti. Selain itu, kerugian dari penggunaan data sekunder yaitu, informasi yang
disajikan cenderung kurang frontier, pendefinisian dari sumber data yang
bervariasi, perbedaan ssatuan unit, dan kurangnya informasi untuk melakukan
verifikasi data. Jenis data yang digunakan peneliti dalam penelitian ini adalah:
1. Data kuantitatif
Data kuantitatif merupakan jenis data yang disajikan dalam bentuk
angka. Data ini menunjukkan nilai terhadap besaran atau variabel yang
27
diwakilinya. Sifat data ini adalah data rentet waktu (time series). Data
sekunder dalam penelitian ini meliputi :
a. Data Harga Saham Bulanan Perusahaan BUMN yang diperoleh dari
Yahoo Finance pada tahun 2007 – 2015.
b. Nilai tukar USD terhadap rupiah Amerika Serikat yang diperoleh dari
www.bi.go.id tahun 2007 – 2015.
c. Suku bunga yang ditentukan oleh Bank Indonesia uang diperoleh dari
www.bi.go.id tahun 2007 – 2015.
d. Tingkat Inflasi yang diperoleh dari www.bi.go.id tahun 2007 – 2015.
D.
Definisi Operasional Variabel
1. Variabel Independen
Variabel independen adalah kondisi-kondisi atau karakteristikkarakteristik yang oleh peneliti dimanipulasi dalam rangka untuk
menerangkan hubungan fenomena yang diobservasi. (Cholid Narbuko dan
H.Abu Achmadi, 1999:80). Pada penelitian ini yang menjadi variabel
independen adalah :
a. Suku bunga
Suku bunga Bank Indonesia (BI Rate) adalah suku bunga
kebijakan yang mencerminkan sikap atau stance kebijakan moneter
yang ditetapkan oleh bank Indonesia dan diumumkan kepada publik.
BI Rate diumumkan oleh Dewan Gubernur Bank Indonesia
setiap Rapat Dewan Gubernur bulanan dan diimplementasikan pada
operasi moneter yang dilakukan Bank Indonesia melalui pengelolaan
28
likuiditas (liquidity management) di pasar uang untuk mencapai
sasaran operasional kebijakan moneter.
b. Nilai tukar USD terhadap Rupiah
Nilai tukar yang digunakan dalam penelitian ini adalah nilai
tukar nominal (nominal exchange rate) USD/Rupiah. Dolar AS (US$)
merupakan mata uang utama di dunia. Sebagian besar mata uang yang
ada di dunia pada umumnya menggunakan Dolar AS sebagai acuan
dalam menentukan nilai tukarnya.
c. Inflasi
Data yang digunakan adalah tingkat inflasi dengan satuan persen
yang terbentuk dari kebijakan moneter yang ditetapkan oleh Bank
Indonesia. Indikator yang sering digunakan untuk mengukur tingkat
inflasi adalah Indeks Harga Konsumen (IHK). Perubahan IHK dari
waktu ke waktu menunjukkan pergerakan harga dari paket barang dan
jasa yang dikonsumsi masyarakat. (www.bi.go.id, 2016)
2. Variabel Dependen
Variabel dependen adalah tipe variabel yang dijelaskan atau
dipengaruhi oleh variabel independen. Penjelasan dan prediksi fenomena
secara sistematis digambarkan dalam variabilitas variabel-variabel
dependen yang dijelaskan atau dipengaruhi oleh variabel-variabel
independen. Pada penelitian ini yang menjadi variabel dependen adalah
29
Harga Saham. Indeks Harga Saham Perusahaan Rokok yang terdaftar di
Bursa
Efek
mencerminkan
Indonesia
mencerminkan
pergerakan
saham
angka
sektor
yang
barang
mewakili
konsumsi
/
yaitu
perusahaan rokok yang tercatat di BEI. Data Indeks Harga Saham
Perusahaan Rokok yang digunakan dalam penelitian ini adalah nilai dari
rata rata harian harga penutupan bulanan dari Data Indeks Harga Saham
Perusahaan Rokok yang terdaftar di Bursa Efek Indonesia.
E.
Metode Analisis
Untuk mengetahui seberapa besar pengaruh nilai tukar, pertumbuhan
ekonomi, suku bunga SBI, dan inflasi terhadap variable dependen yaitu harga
saham perusahaan BUMN maka dilakukan pendekatan analisis Vector Auto
Regresion (VAR).
Jika data yang diteliti adalah stasioner pada first difference, maka model
VAR akan dikombinasikan dengan model koreksi kesalahan (error correction
model) menjadi Cointegratedi VAR atau Vector Eros Correction Model (VECM).
Selain itu dalam penelitian ini akan diuraikan fungsi impulse response dan
variance decomposition yang merupakan property dari model VAR. Hal tersebut
digunakan untuk melihat goncangan dari variabel inovasi terhadap variabel
lainnya.
30
1. Vector Autoregressive (VAR)
Vector Auto Regresion (VAR) sigunakan untuk memproyeksikan
sistem variabel – variabel runtut waktu. Selain itu juga dapat dugunakan
untuk menganalisis dampak dinamis dari faktor gangguan yang terdapat
dalam sistem variabel tersebut. Analisi VAR biasanya dipadankan dengan
suatu
model
persamaan
simultan,
karena
dalam
analisis
VAR
dipertimbangkan beberapa variabel endogen secara bersama-sama dalam
suatu model. Perbedaannya dengan model persamaan simultan adalah
dalam analisis VAR masing-masing variabel selain diterangkan oleh
nilainya di masa lampau, juga dipengaruhi oleh nilai masa lalu dari semua
variabel endogen lainnya dalam model yang diamati. Dalam analisis VAR
biasanya tidak terdapat variabel eksogen. (Agung, 2009)
Sistem VAR tidak bergantung kepada teori ekonomi. Variabelvariabel yang berinteraksi pada sistem persamaan VAR dapat dipilih
selama terdapat hubungan yang relevan antara variabel dengan teori
ekonomi atau dengan kata lain dapat dijelaskan secara logika. Sistem
persamaan VAR, tidak mensyaratkan variabel perlakuan khusus terhadap
variabel, tidak membedakan variabel endogen dengan eksogen, maka
harus sama dalam perlakuanterhadap variabel. Jadi dapat disimpulkan
bahwa model VAR mengutamakan pemilihan variabel yang diteliti dan lag
optimum yang dapat menangkap keterkaitan antar variabel sebagai focus
dalam proses pembentukan sistem persamaan.
Berdasarkan ada tidaknya restriksi maka VAR dibedakan menjadi 2
yaitu VAR tanpa retriksi (Unrestrictes VAR) dan VAR dengan retriksi
31
(Restricted VAR). Kemudian VAR tanpa restriksi dibedakan menjadi 2
jenis, yaitu VAR pada tingkat level (VAR in Level) dan VAR pada tingkat
turunan atau differential (VAR in difference). Pada VAR dengan Retriksi
juga dibedakan menjadi 2 yaitu : Vector Error Corection Model (VECM)
dan Structural VAR(SVAR).
Dalam penelitian ini, peneliti menggunakan Restricted VAR. Pada
penelitian ini dimaksudkan untuk memberi gambaran keseimbangan pada
jangka panjang. Maka agar dapat digunakan untuk analisis jangka panjang
penelitian ini menggunakan kombinasi antara model VAR dengan matriks
kointegrasi. Kombinasi antara model VAR dengan matriks kointegrasi
dapat menghasilkan model VAR yang kointegrasi (cointegrasi VAR),
kombinasi dari kedua persamaan ini dikenal dengan Vector Error
Correction (VECM).
2. Vector Error Correction (VECM)
Vector Autoregressive (VAR) merupakan salah satu bentuk khusus
dari sitem persamaan simultan. Model VAR dapat diterapkan apabila
semua peubah yang digunakan telah stasioner, akan tetapi jika ada
beberapa peubah di dalam vector 𝑍𝑡 tidak stasioner maka model Vector
Error Correction (VECM) yang akan digunakan dengan syarat terdapat
satu atau lebih hubungan kointegrasi antar peubah (Gujarati, 2004).
Sampai saat ini teori ekonometrika berlandaskan asumsi bahwa data
adalaH stationer (Hendri : 1989) Data yang stationer pada dasarnya tidak
32
memiliki variasi yang terlalu besar selama periode observasi dan memiliki
kecenderungan untuk mendekati nilai rata-ratanya (Granger, 1986).
Untuk mengetahui apakah data runtun waktu yang digunakan stationer
atau tidak, akan dilakukan uji akar-akar dan uji derajat integrasi. Data yang
tidak stationer ditandai dengan R², juga uji t yang relative tinggi namun
memiliki nilai statistik durbin Watson yang rendah, bahkan lebih rendah
dari R². Hal tersebut memberikan indikasi bahwa regresi yang dihasilkan
lancing atau semrawut dan dikenal dengan regresi lancung (Gujarati,
1995). Regresi Lancung mengakibatkan koefisien regresi penaksir tidak
efisien, peramalan berdasarkan regresi tersebut akan meleset jauh dan uji
baku yang umum untuk koefisien regresi terkait menjadi tidak valid.
Apabila variabel-variabel yang diteliti memiliki derajat integrasi yang
sama, maka dapat dilakukan estimasi regresi kointegrasi. Regresi
kointegrasi ditaksir untuk menguji apakah residual regresi yang dihasilkan
stationer atau tidak (Insukindro. 1994). Apabila hasil uji residual regresu
kointegrasinya juga stationer, maka model dinamis yang cocok adalah
model koreksi kesalahan (Kusumastuti, 1996).
3. Tahapan Model Penelitian VAR/VECM
a. Pengujian Stationer Data
Menurut Gujarati (1995), masalah yang ditemuka dalam data
time series adalah masalah stationer data. Masalah stationer
merupakan masalah yang sangat penting dalam mengestimasi data
karena jika regresi yang dilakukan menghasilkan data yang tidak
33
stationer maka akan menghasilkan regresi palsu. Regresi palsu dapat
dilihat dari nilai R-squared yang tinggi dan t-statistic yang keliatan
signifikan namun tidak memiliki arti jika dikaitkan dengan teori
ekonomi.
Uji stationer dapat dilakukan dengan menggunakan model
grafik, correlogram dan akar unit. Untuk uji akar unit dapat dibedakan
menjadi Dickey Fuller Test, Augmented Dickey Fuller Test, dan Philip
Peron Test.
Menurut
Gujarati
(2003),
uji
stationer
data
dengan
menggunakan Uji Dickey Fuller, dimulai dari sebuah proses
autoregresi orde pertama. Jika menunjukan hasil data stationer, maka
dapat langsung menggunakan metode VAR. Namun jika data ternyata
tidak stationer pada estimasi pertama maka data tersebut harus diubah
dahulu kedalam bentuk diferensialnya atau menggunakan metode
VECM karena indikasi memiliki sifat kointegrasi dalam data yang
tidak stationer.
Formulasi uji Augmented Dickey Fuller adalah
sebagai berikut :
∆𝑌𝑡 = 𝛽1 + 𝛽2 𝑡 + 𝜎𝑌𝑡−1 + ∑𝑚
𝑖=1 ∝𝑖 𝑌𝑡−1 + ∈𝑡 ……………….
(1)
𝑌𝑡 = variabel yang diamati periode t
𝑌𝑡−1 = nilai variabel Y pada satu periode sebelumnya,
𝛽1 = konstanta
𝛽2 = koefisien tren
∝𝑖 = koefisien variabel lag Y.
34
m = panjangnya lag.
∈𝑡 = white noise error terms.
Untuk pendugaan pengujian unit root, dilakukan dengan
hipotesis sebagai berikut :
𝐻0 : γ = 1
𝐻0 : γ ≠ 1 : no unit root
Jika data suatu variabel memiliki unti root, maka dapat
disimpulkan bahwa data variabel tersebut tidak stationer.
b. Uji Penentu Lag Optimal
Langkah selanjutnya adalah menetukan panjangnya lag yang
optimal. Dalam VAR, penentuan panjangnya lag merupakan hal yang
penting karena lag yang terlalu panjang akan mengurangi banyaknya
degree of freedom, sedangkan terlalu pendek akan mengarah pada
kesalahan spesifikasi (Gujarati, 2003). Indikator yang digunakan
adalah Akaike Information Criterion (AIC) dan Schwarz Information
Criterion (SIC). Prinsip kedua indikator tersebut adalah memberikan
penalty atas penambahan regressor pada suatu persamaan termasuk
dalam persamaan yang mengandung lag. Nilai terendah dari indikator
AIC san SIC merupakan nilai yang lebih disukai. Dengan demikian,
dalam menentukan panjang lag yang dipilih adalah kriteri SIC dan
AIC yang terkecil.
35
c. Uji Kointegrasi
Tahap
selanjutnya
adalah
uji
kointegrasi.
Kointegrasi
merupakan suatu hubungan jangka panjang antara variabel-variabel
yang stationer pada derajat integrasi yang sama. Uji ini digunakan
untuk mengetahui perilaku data dalam jangka panjang atara variabel
terkait apakah berkointegrasi atau tidak seperti yang dikehendaki oleh
teori ekonomi. Untuk dapat melakukan uji kointegrasi, maka harus
diyakini bahwa variabel-variabel yang terkait dalam pendekatan ini
mempunyai derajat integrasi yang sama atau tidak.
Dalam konsep kointegrasi, dua atau lebih variabel non-stationer
akan terkointegrasi bila kombinasinya juga linier sejalan dengan
berjalannya waktu, meskipun bisa terjadi masing-masing variabelnya
bersifat non stationer. Apabila data tersebut terkointegrasi, maka
terdapat hubungan jangka panjang atau variabel.
Uji Kointegrasi dalampenelitian ini adalah uji kointegrasi
Johansen.
Ho = non-kointegrasi
H1 = kointegrasi
Jika t-trace statistic > t-McKinnon maka tolak Ho atau H1 yang
artinya terjadi kointegrasi. Tahapan analisis dilanjutkan dengan
analisis VECM setelah jumlah persamaan yang terkointegrasi telah
diketahui.
36
d. Analisis Impulse Response Function (IRF)
Impulse Response Function (IRF) merupakan respon dari sebuah
variabelsependen jika mendapat guncangan atau inovasi variabel
independen sebesar satu standard deviasi. IRF mengukur pengaruh
guncangan pada waktu tersebut dan pengaruhnya di masa yang akan
datang.
IRF berfungsi untuk mengetahui pengaruh suatu variabel
terhadap variabel tertentu apabila terjadi guncangan atau shock suatu
variabel. Kemudian IRF juga berfungsi untuk mengetahui besarnya
nilai guncangan terhadap variabel yang ada. Apabila suatu variabel
yang dapat dipengaruhi oleh shock, maka shock spesifik tersebut tidak
dapat diketahui melainkan secara umum.
b. Analisis Forecasting Error Variance Decomposition
Analisis Variance Decomposition menggambarkan relative
pentingnya setiap variabel dalam model VAR/VECM karena adanya
shock atau seberapa kuat komposisi dari peranan variabel tertentu
terhadap variabel lain. Berbede dengan tahap sebelumnya yaitu IRF,
DV berguna untuk memprediksi presentase kontribusi varian setiap
variabel karena adanya perubahan variabel tertentu, sedangkan IRF
digunakan untuk melacak dampak shock dari satu variabel endogen
terhadap variabel lainnya dalam model VAR/VECM.
37
Metode DV ini dapat digunakan untuk mengetahui kelemahan
dan kekuatan masing-masing variabel dalam mempengaruhi variabel
lainnya dalam persamaan untuk kurun waktu jangka panjang. Maka
varians
dekomposisi
kepentingan
relative
memberikan
dari
informasi
tentang
tingkat
masing-masing
inobasi
dalam
mempengaruhi variabel-variabel dalam VECM.