Analisis hubungan dinamis antara indeks harga

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.