(capital market) merupakan pasar untuk berbagai instrumen

7
BAB 2
LANDASAN TEORI
2.1
Pasar Modal
Pasar modal (capital market) merupakan pasar untuk berbagai instrumen
keuangan jangka panjang yang bisa diperjualbelikan, baik dalam bentuk utang,
ekuitas (saham), instrumen derivatif, maupun instrumen lainnya. Pasar modal
merupakan sarana pendanaan bagi perusahaan maupun institusi lain (misalnya
pemerintah) dan sarana bagi kegiatan berinvestasi. Dengan demikian pasar modal
memfasilitasi berbagai sarana dan prasarana kegitan jual beli dan kegiatan terkait
lainnya.
Pasar modal dapat dikatakan pasar abstrak, dimana yang diperjualbelikan
adalah dana-dana jangka panjang, yaitu dana yang keterkaitannya dalam investasi
lebih dari satu tahun. Di pasar modal, bertemunya para pialang atau broker yang
menjadi perantara antara penabung di pasar modal disebut investor dengan
pengusaha yang memerlukan modal, yang biasa disebut emiten.
Kalau pasar modal merupakan pasar untuk surat berharga jangka panjang,
maka pasar uang (money market) pada sisi lain merupakan pasar surat berharga
jangka pendek. Baik pasar modal maupun pasar uang merupakan bagian dari
pasar keuangan (finansial market).
Undang-undang Pasar Modal Nomor 8 Tahun 1995 memberikan
pengertian yang lebih spesifik mengenai pasar modal, yaitu ”kegiatan yang
bersangkuatan dengan penawaran umum dan perdagangan efek, perusahaan
publik yang berkaitan dengan efek yang diterbitkannya, serta lembaga dan profesi
yang berkaitan dengan efek.”
Universitas Sumatera Utara
8
Salah satu kelebihan pasar modal adalah kemampuannya menyediakan
modal dalam jangka panjang dan tanpa batas. Dengan demikian, untuk membiayai
investasi pada proyek-proyek jangka panjang dan memerlukan modal yang besar,
sudah selayaknya para pengusaha menggunakan dana-dana dari pasar modal.
Sedangkan untuk membiayai investasi jangka pendek, seperti kebutuhan modal
kerja, dapat digunakan dana-dana, (misalnya kredit) dari perbankan.
Pasar modal memberikan banyak manfaat, diantaranya:
a. Menyadiakan sumber pendanaan atau pembiayaan (jangka panjang) bagi
dunia usaha sekaligus memungkinkan alokasi sumber dana secara optimal.
b. Memberikan wahana investasi bagi investor
c. Memungkinkan penyebaran kepemilikan perusahaan sampai lapisan
masyarakat menengah.
d. Menciptakan lapangan kerja/profesi yang menarik.
e. Alternatif investasi yang memberikan potensi keuntungan dengan resiko
yang bisa diperhitungkan melalui keterbukaan, likuiditas, dan diversifikasi
investasi.
f. Menjadikan manajemen profesional
g. Solusi sukses
h. Indikator ekonomi makro
Pelaku pasar modal adalah seluruh unsur, bisa individu atau organisasi,
yang melakukan kegiatan di bidang pasar modal sehingga pasar modal bisa
melakukan kegiatan seperti yang kita liahat sehari-hari. Banyak pihak yang
mempunyai andil dalam kegiatan di pasar modal. Menurut bidang tugasnya,
pelaku pasar modal bisa dikelompokkan menjadi:
a. Pengawas
Untuk tugas pengawasan, secara resmi dilakukan oleh Bapepam-LK
(Badan Pengawas Pasar Modal Lembaga Keuangan). Bappepam-LK
adalah lembaga pemerintah di bawah Departemen Keuangan. Lembaga
Universitas Sumatera Utara
9
inilah yang bertugas membuat peraturan-peraturan sebagai pedoman bagi
seluruh pelaku pasar modal.
b. Penyelenggara Bursa
Yang mempunyai tugas menyelenggarakan bursa (perdagangan surat
berharga) adalah bursa efek.
c. Pelaku Utama
Pelaku inti transaksi di pasar modal adalah investor dan emiten. Hanya
saja, di pasar modal, pelaku inti ini tidak bisa melakukan transaksi secara
langsung, mereka harus dibantu oleh tenaga profesional yang dinyatakan
telah lulus ujian profesi dan dibuktikan dengan kepemilikan sertifikat.
Secara lengkap para pelaku utama terdiri atas:
1. Emiten
Emiten adalah perusahaan swasta atau BUMN (Badan Usaha Milik
Negara) yang mencari modal dari bursa efek dengan cara menerbitkan
efek (bisa saham, obligasi, right issue, dan waran).
2. Investor
Investor adalah individu atau organisasi yang membelanjakan uangnya di
pasar modal.
3. Underwriter
Penjamin emisi yang merupakan terjemahan dari underwriter adalah
perusahaan swasta atau BUMN yang menjadi penanggung jawab atas
terjualnya efek emiten kepada investor.
4. Pialang
Pialang atau broker adalah perusahaan swasta atau BUMN yang aktivitas
utamanya adalah melakukan penjualan atau pembelian efek di pasar
sekunder.
5. Manajer Investasi
Manajer
investasi
(MI)
adalah
perusahaan
yang
kegiatannya
menyelenggarakan pengelolaan portofolio efek. Perusahaan inilah yang
menerbitkan sertifikat reksadana.
Universitas Sumatera Utara
10
6. Penasihat Investasi
Penasihat investasi (PI) adalah perusahaan atau perorangan yang kegiatan
usahanya memberi nasihat, membuat analisis, dan membuat laporan
mengenai efek kepada pihak lain, seperti MI, lembaga pengelola dana
pensiun ataupun pemodal perorangan.
d. Lembaga dan profesi penunjang pasar modal
Lembaga penunjang pasar modal yang membantu penerbitan efek terdiri
atas: Biro administrasi efek (BAE), custodian, wali amanat, penanggung,
lembaga kliring dan penjaminan (LKP), lembaga penyelesaian dan
penyimpangan (LPP). Sedangkan profesi penunjang pasar modal terdiri
atas: Akuntan publik, konsultan hukum, notaris, penilai.
2.1.1
Saham
Saham (stock atau share) dapat didefinisikan sebagai tanda penyertaan atau
pemilikan seseorang atau badan dalam suatu perusahaan atau perseroan terbatas.
Saham berwujud selembar kertas yang menerangkan bahwa pemilik kertas adalah
pemilik perusahaan yang menerbitkan surat berharga tersebut. Porsi kepemilikan
ditentukan oleh seberapa besar penyertaan yang ditanamkan di perusahaan
tersebut.
Saham merupakan surat berharga yang paling populer dan dikenal luas di
masyarakat. Ditinjau dari segi kemempuan dalam hak tagih atau klaim maka
saham terbagi atas :
1. Saham Biasa (common stock), yaitu saham yang menempatkan pemiliknya
pada posisi paling junior dalam pembagian dividen dan hak atas harta
kekayaan perusahaan apabila perusahaan tersebut dilikuidasi.
2. Saham preferen (preferred stock), yaitu saham yang memiliki karakteristik
gabungan antara obligasi dan saham biasa, karena bisa menghasilkan
Universitas Sumatera Utara
11
pendapatan tetap (seperti bunga obligasi), tetapi juga bisa tidak
mendatangkan hasil seperti yang dikehendaki investor.
Pada dasarnya, ada dua keuntungan yang diperoleh investor dengan
membeli atau memiliki saham, yaitu:
a. Dividen
Dividen (dividend) adalah pembagian keuntungan yang diberikan
perusahaan penerbit saham atas keuntungan yang dihasilkan perusahaan.
b. Capital gain
Capital gain merupakan selisih antara harga beli dan harga jual. Capital
gain terbentuk dengan adanya aktivitas perdagangan saham di pasar
sekunder.
Saham dikenal dengan karekteristik “imbal hasil tinggi, risiko tinggi”
(high risk, high return). Artinya, saham merupakan surat berharga yang
memberikan peluang keuntungan dan potensi risiko yang tinggi. Saham
memungkinkan investor untuk mendapatkan imbal hasil (capital gain) yang besar
dalam waktu singkat. Namun, seringkali berfluktuasinya harga saham, maka
saham juga dapat membuat investor mengalami kerugian besar dalam waktu
singkat.
2.1.2 Obligasi
Obligasi (bond) adalah surat berharga yang menunjukkan bahwa penerbit obligasi
meminjam sejumlah dana kepada masyarakat dan memiliki kewajiban untuk
membayar bunga secara berkala, dan kewajiban melunasi pokok utang pada waktu
yang telah ditentukan kepada pihak pembeli obligasi tersebut.
Sebagai instrumen atau efek utang (debt securities), obligasi memiliki
beberapa karakteristik antara lian:
a). Memiliki masa jatuh tempo
Universitas Sumatera Utara
12
b). Nilai pokok utang
c). Kupon obligasi
d). Peringkat obligasi
e). Dapat diperjualbelikan
Adapun keuntungan membeli obligasi antara lain:
1. Memberikan pendapatan tetap berupa kupon dimana pemegang obligasi
akan menerima pendapatan berupa bunga secara rutin selama waktu
berlakunya obligasi.
2. Keuntungan atas penjualan obligasi dimana pemegang obligasi dapat
memperjualbelikan obligasi yang dimilikinya. Jika menjual lebih tinggi
dibanding dengan harga belinya, maka tentu saja pemegang obligasi
tersebut mendapatkan selisih yang disebut dengan capital gain.
Meskipun termasuk surat berharga dengan tingkat resiko yang relatif
rendah, namun obligasi tetap mengandung beberapa resiko, antara lain:
1. Resiko perusahaan tidak mampu membayar kupon obligasi maupun
mengembalikan pokok obligasi.
2. Resiko pergerakan tingkat suku bunga.
Saham merupakan surat berharga yang bersifat penyertaan, artinya jika
seseorang membeli saham suatu perusahaan, maka ia telah melakukan penyertaan
modal atas perusahaan tersebut. Sebaliknya, obligasi merupakan surat berharga
utang, artinya jika seseorang membeli obligasi suatu perusahaan, maka ia telah
meminjamkan dana keperusahaan tersebut, seperti halnya bank memberikan
pinjaman kepada persahaan.
Saham dan obligasi merupakan dua surat berharga paling populer dipasar
modal. Saham dan obligasi memiliki perbedaan antara lain:
Variabel
Saham
Obligasi
Sifat
Penyertaan
Utang
Jangka waktu
Tidak terbatas
Terbatas
Universitas Sumatera Utara
13
Keuntungan
Dividen, capital gain
Bunga, capital gain
Hak suara
Mempunyai hak suara
Tidak mempunyai hak
suara
Hak atas likuiditas
Lebih
rendah
dari Lebih tinggi dibanding
obligasi atau kreditor
2.2
pemegang saham
Indeks Harga Saham
Indeks harga saham adalah suatu indikator yang menunjukkan pergerakan harga
saham. Indeks berfungsi sebagai indikator tren pasar, artinya pergerakan indeks
menggambarkan kondisi pasar pada saat pasar sedang aktif atau lesu.
Dipasar modal indeks diharapakan memiliki lima fungsi, yaitu:
a) Sebagai indikator tren pasar.
b) Sebagai indikator tingakat keuntungan .
c) Sebagai tolak ukur (benchmark) kinerja suatu portofolio.
d) Memfasilitasi pembentukan portofolio dengan strategi pasif.
e) Memfasilitasi berkembangnya produk derivatif.
Di Bursa Efek Jakarta terdapat enam jenis indeks, antara lain:
1. Indeks Individual, menggunakan indeks harga massing-masing saham
terhadap harga saham dasarnya, atau indeks massing-masing saham yang
tercatat di BEJ.
2. Indeks Harga Saham Sektoral, menggunakan saham yang termasuk
dalam masing-masing sektor, misalnya sektor keuangan, pertambangan,
dan lain-lain. Indeks sektoral terbagi atas sembilan sektor, yaitu:
a. Pertanian
b. Pertambangan
c. Industri dasar
Universitas Sumatera Utara
14
d. Aneka industri
e. Konsumsi
f. Propertis
g. Infrastruktur
h. Keuangan
i. Perdagangan, jasa, dan manufaktur
3. Indeks Harga Saham Gabungan (IHSG), menggunakan semua saham
yang tercatat sebagai komponen perhitungan indeks.
4. Indeks LQ-45, yaitu indeks yang terdiri atas 45 saham pilihan dengan
mengacu pada dua variabel, yaitu likuiditas perdagangan dan kapitalisasi
pasar. Setiap enam bulan, terdapat saham-saham baru yang termasuk
kedalam LQ-45 tersebut.
5. Indeks Syariah atau JII (Jakarta Islamic Indeks), merupakan indeks
yang terdiri atas 30 saham, yang mengakomodasi syariah investasi dalam
islam atau indeks yang berdasarkan syariah islam.
6. Indeks Papan Utama dan Papan Pengembangan, yaitu indeks harga
saham yang secara khusus didasarkan pada kelompok saham yang tercatat
di BEJ, yaitu kelompok papan utama dan papan pengembangan.
Ada beberapa pendekatan atau metode perhitungan yang digunakan untuk
menghitung indeks diantaranya:
a. Menghitung rata-rata (arithmatic mean) harga saham yang masuk dalam
anggota indeks.
b. Menghitung rata-rata geometris (geometric mean) dari indeks individual
saham yang masuk anggota indeks.
c. Menghitung rata-rata tertimbang nilai pasar.
Universitas Sumatera Utara
15
Umumnya
semua
indeks
harga
saham
gabungan
(composite)
menggunakan metode rata-rata tertimbang termasuk di BEJ.
Seperti halnya perhitungan indeks di bursa lainnya, perhitungan indeks di
BEJ menggunakan rata-rata tertimbang dari nilai pasar (market value weighted
average index). Rumus dasar perhitungan indeks adalah:
Indeks =
𝑁𝑖𝑙𝑎𝑖 𝑃𝑎𝑠𝑎𝑟
𝑁𝑖𝑙𝑎𝑖 𝐷𝑎𝑠𝑎𝑟
x 100
Nilai pasar adalah kumulatif jumlah saham hari ini dikali harga pasar hari
ini atau disebut sebagai kapitalisasi pasar. Sedangkan Nilai dasar adalah nilai
yang dihitung berdasarkan harga perdana dari masing-masing saham atau
berdasarkan harga yang telah dikoreksi jika perusahaan telah melakukan kegiatan
yang menyebabkan jumlah saham yang tercatat di bursa berubah. Penyesuaian
dilakukan agar indeks benar-benar mencerminkan pergerakan harga saham.
Para
investor dapat memantau posisi indeks harga saham melalui
beberapa cara antara lain:
1. Memantau pergerakan indeks harga saham melalui monitor yang terdapat
di kantor perusahaan efek.
2. Melihat indeks harga saham melalui situs Web bursa atau fasilitas Internet
lainnya.
3. Melihat indeks harga saham melaui surat kabar.
4. Memantau indeks harga saham melalui radio atau televisi.
5. SMS (Short Message System)
Beberapa nama indeks yang umum di lingkungan pasar modal regional:
Nama Indeks
Nama Bursa
Kuala Lumpur Composite
Bursa Malaysia
Straits Times
Stock Exchange of Singapore
SET
The Stock Exchange of Thiland
Universitas Sumatera Utara
16
Hang Seng
The Stock Exchange of Hongkong
Nikkei 225
Tokyo Stock Exchange
Shanghai Composite
Shanghai Stock Exchange
FTSE 100
London Stock Exchange
Dow Jones industrial Average New York Stock Exchange
(DJIA)
All Ordineries
2.3
Australian Stock Exchange
Uji Perilaku Data
Uji perilaku data mencakup analisis data dan estimasi model regresi yang
menunjukkan hubungan variabel dependen dengan variabel independennya.
Analisis perilaku data bertujuan untuk mengetahui apakah data-data penelitian
sudah stasioner pada level dan apakah data penelitian berintegrasi pada derajat
yang sama. Untuk itu digunakan uji stsioneritas dengan menggunakan Uji
Augmented Dickey-Fuller.
2.3.1
Uji Stasioner
Sekumpulan data dinyatakan stasioner jika nilai rata-rata dan varian dari data
time series tersebut tidak mengalami perubahan secara sistematik sepanjang waktu
atau dengan kata lain rata-rata dan variannya konstan. Penelitian ini menggunakan
Uji Augmented Dickey-Fuller untuk melihat stasioner data.
Mengapa data harus stasioner? ini berkaitan dengan metode estimasi yang
digunakan. Tidak stasionernya data akan mengakibatkan kurang baiknya model
yang diestimasi. Uji stasioner data dilakukan dengan menguji stasioneritas pada
data asli dan uji derajat integrasi dilakukan apabila data belum stasioner pada
level. Dimana uji derajat integrasi dilakukan dengan menguji stasioner data pada
first difference, atau second difference.
Universitas Sumatera Utara
17
Uji derajat integrasi dilakukan untuk mengetahui pada derajat diferensi ke
berapa data yang diamati stasioner. Uji derajat integrasi digunakan apabila pada
uji akar unit ditemukan bahwa data yang diamati tidak stasioner, uji derajat
integrasi dilakukan dengan menguji ulang menggunakan nilai perbedaan
pertamanya (first difference). Apabila dengan data first difference juga belum
stasioner maka selanjutnya dilakukan pengujian dengan data dari perbedaan kedua
(second difference) dan seterusnya hingga diperoleh data yang stasioner. Data
time series X dikatakan berintegrasi pada derajat 𝑖 atau ditulis 𝑋(𝑖), jika data
tersebut didiferensialkan sebanya 𝑖 kali untuk mencapai data yang stasioner.
Uji akar unit (Unit Root) merupakan pengujian yang sangat populer dan
dikenalkan oleh David Dickey dan Whyne Fuller. Untuk memudahkan pengertian
mengenai Uji akar unit, perhatikan model berikut:
𝑌𝑡 = 𝜌𝑌𝑡−1 + 𝑢𝑡
Jika 𝜌 = 1, maka model menjadi random walk tanpa trend. Disini kita
akan menghadapi masalah dimana varian 𝑌𝑡 tidak stasioner. Dengan demikian 𝑌𝑡
dapat disebut mempunyai “unit root” atau data tidak stasioner.
Bila persamaan diatas dikurangi pada 𝑌𝑡−1 sisi kanan dan kiri maka
persamaannya menjadi:
𝑌𝑡 − 𝑌𝑡−1 = 𝜌𝑌𝑡−1 − 𝑌𝑡−1 + 𝑢𝑡
∆𝑌𝑡 = (𝜌 − 1)𝑌𝑡−1 + 𝑢𝑡
Atau dapat ditulis dengan:
∆𝑌𝑡 = 𝛿𝑌𝑡−1 + 𝑢𝑡
keterangan:
∆𝑌𝑡 :
(2.1),
𝑌𝑡 − 𝑌𝑡−1
Universitas Sumatera Utara
18
𝛿
:
𝑢𝑡 :
koefisien regresi
error yang white noise dengan mean = 0 dan
varian = 𝜎 2
Dari persamaan tersebut dapat dibuat hipotesis:
𝐻0 : 𝛿 = 0
𝐻0 : 𝛿 ≠ 0
Jika kita tidak menolak hipotesis 𝛿 = 0 maka 𝜌 = 1. Artinya kita memiliki
unit root, dimana data time series 𝑌𝑡 tidak stasioner.
Teknik pengujiannya sesungguhnya sangat mudah dimengerti, yaitu
dengan membuat regresi antara ∆𝑌𝑡 dan 𝑌𝑡−1 . Dengan demikian kita akan
mendapatkan koefisien regresinya, yaitu: 𝛿 .
Perhitugan manual sangat sulit maka menggunakan program Eviews.
Hipotesis yang digunakan dalam uji akar unit (Unit Root) menjelaskan bahwa
apabila hasil uji menyatakan nilai Augmented Dickey-Fuller test statistic lebih
kecil dari pada nilai critical value pada derajat kepercayaan tertentu atau nilai
tingkat signifikansinya lebih kecil dari derajat kepercayaan 𝛼 = 5 % , maka
hipotesis nol yang menyatakan bahwa data tersebut tidak stasioner ditolak dan
demikian sebaliknya.
2.4
Uji Asusmsi Klasik
Pengujian asumsi klasik bertujuan untuk mengetahui apakah suatu model regresi
tersebut baik atau tidak jika digunakan untuk melakukan penaksiran. Suatu model
dikatakan baik apabila bersifat BLUE (Best Linear Unbiased Estimator).
Universitas Sumatera Utara
19
Kondisi tersebut terjadi jika dipenuhi
beberapa asumsi yang disebut
dengan asumsi klasik, sebagai berikut:
1. Nonmultikoleniaritas. Artinya, antara variabel independent yang satu
dengan yang lain dalam model regresi tidak saling berhubungan secara
sempurna atau mendekati sempurna.
2. Homoskedastisitas. Artinya, varians semua variabel adalah konstan
(sama).
3. Nonotokorelasi. Artinya, tidak terdapat pengaruh dari variabel dalam
model mempunyai tenggang waktu (time lag) .
4. Nilai rata-rata kesalahan (error populasi pada model stokhastiknya sama
dengan nol).
5. Variabel independen adalah nonstokastik (nilai konstan pada setiap kali
percobaan yang dilakukan secara berulang).
6. Distribusi kesalahan (error adalah normal).
Oleh karena itu dalam penelitian ini dilakukan uji terhadap asumsi klasik,
apakah terjadi penyimpangan-penyimpangan atau tidak, agar model penelitian ini
layak untuk digunakan. Pada hal ini kami membatasi hanya membahas mengenai
penyimpangan asumsi model klasik berupa : Uji Autokorelasi dan Uji
Heteroskedastisitas.
2.4.1
Uji Autokorelasi
Menurut J. Supranto (2004), autokorelasi merupakan gangguan pada fungsi
regresi yang berupa korelasi di antara faktor gangguan. Korelasi dapat terjadi pada
serangkaian pengamatan dari data yang diperoleh pada suatu waktu tertentu, data
cross section dan data time series.
Uji autokorelasi bertujuan untuk menguji apakah dalam suatu model
regresi linier ada korelasi antara kesalahan pengganggu pada periode 𝑡 dengan
kesalahan pada periode 𝑡 − 1 (sebelumnya), dimana jika terjadi korelasi
Universitas Sumatera Utara
20
dinamakan pada problem autokorelasi. Autokorelasi muncul karena observasi
yang beruntun sepanjang waktu berkaitan satu sama lain.
Model regresi yang baik adalah regresi yang bebas dari autokorelasi,
masalah ini timbul karena residu (kesalahan pengganggu) tidak bebas dari satu
observasi lainnya.hal ini sering ditemukan pada data time series. Jika terjadi
korelasi, maka dinamakan ada masalah autokorelasi.
Adapun penyebab autokorelasi adalah :
1. Tidak diikutsertakannya seluruh variabel bebas yang relevan dalam model
regresi yang diduga.
2. Kesalahan menduga bentuk matematik model yang digunakan
3. Pengolahan data yang kurang baik. Pada data time series sering peneliti
harus menggunakan data yang merupakan data olahan/data sekunder.
4. Kesalahan spesifikasi variabel gangguan.
Sebagai akibat adanya autokorelasi pada model persamaan regresi, maka
terjadi hal-hal berikut ini:
1. Penduga-penduga koefisien regresi yang diperoleh tetap merupakan
penduga-penduga yang tidak bias.
2. Varian variabel ganguan menjadi tidak efisien, jika dibandingkan dengan
tidak adanya autokorelasi. Varian variabel gangguan mungkin sekali akan
dinilai terlalu rendah, sehingga akibatnya uji statistik yang digunakan
terhadap koefisien regresi penduga berkurang pula kemaknaanya dan
mungkin menjadi tidak berarti sama sekali.
Ada beberapa prosedur atau cara untuk mengetahui adanya masalah
autokorelasi pada suatu model regresi. Tetapi uji ada tau tidaknya autokorelasi
yang paling banyak digunakan adalah uji Durbin Watson (DW). Uji ini dapat
digunakan bagi sembarang sampel, baik besar atau kecil.
Universitas Sumatera Utara
21
Langkah-langkah uji hipotesisnya adalah:
1. Tentukan hipotesis nol dan alternatifnya. Hipotesis nolnya adalah variabel
ganguan tidak mengandung autokorelasi dan hipotesis alternatifnya adalah
variabel gangguan yang mengandung autokorelasi.
𝐻0 : tidak terdapat autokorelasi dalam regresi
𝐻1 : terdapat autokorelasi positif/negative
2. Hitung besarnya nilai statistik DW dengan rumus:
𝐷𝑊(𝑑) =
keterangan:
𝑛
𝑡=2
𝑒 𝑡 −𝑒 𝑡−1 2
(2.2),
𝑛 𝑒2
𝑡=2 𝑡
DW(d) = Statistik Durbin Watson
𝑒𝑡
= ganguan estimasi 𝑡
𝑒𝑡−1
= ganguan estimasi 𝑡 − 1
3. Bandingkan nilai statistik DW dengan nilai teoritik DW sebagai berikut:
Untuk 𝜌 > 0 ( autokorelasi positif)
a. Bila 𝐷𝑊 ≥ du (dengan df n-k-1); k adalah banyaknya variabel bebas
yang digunakan; 𝐻0 diterima 𝜌 = 0 berarti tak ada autokorelasi pada
model itu.
b. Bila 𝐷𝑊 ≤ du (dengan df n-k-1); 𝐻0 ditolak, 𝜌 ≠ 0 berarti ada
autokorelasi positif pada model itu.
c. Bila dl < 𝐷𝑊 < du ; uji itu hasilnya tidak konklusif, sehingga tidak
dapat ditentukan apakah terdapat autokorelasi atau tidak pada model
itu.
Untuk 𝜌 < 0 ( autokorelasi negatif)
a. Bila
4 − 𝐷𝑊 ≥ du ;𝐻0 diterima, jadi 𝜌 = 0 berarti
tak ada
autokorelasi positif pada model itu.
b. Bila (4 − 𝐷𝑊) ≤ dl ; 𝐻0 ditolak, jadi 𝜌 ≠ 0 berarti ada autokorelasi
positif pada model itu.
Universitas Sumatera Utara
22
c. Bila dl < (4 − 𝐷𝑊 ) < du ; uji itu hasilnya tidak konklusif, sehingga
tidak dapat ditentukan apakah terdapat autokorelasi atau tidak pada
model itu.
Distribusi DW terletak diantara dua distribusi, dl dan du , dl adalah batas
bawah nilai DW sedang du adalah batas atas nilai DW. Nilai-nilai tersebut telah
disusun dalam table oleh Durbin Watson dan dikenal sebagai tabel Durbin Watson
untuk derajat keyakinan 95% dan 99%.
Untuk melihat ada tidaknya autokorelasi dapat juga digunakan ketentuan
sebagai berikut:
DW
Kesimpulan
Kurang dari 1,10
Ada autokorelasi
1,10 dan 1,54
Tanpa kesimpulan
1,55 dan 2,46
Tidak ada autokorelasi
2,47 dan 2,90
Tanpa kesimpulan
Lebih dari 2,91
Ada autokorelasi
2.4.2
Uji Heteroskedastisitas
Salah satu hal penting dalam regresi linier klasik adalah bahwa gangguan yang
muncul dalam regresi populasi adalah homoskedastik, yaitu semua gangguan
memiliki varians yang sama atau varians setiap gangguan dibatasi oleh nilai
tertentu pada variabel independen berbentuk nilai konstan yang sama dengan 𝜎 2 .
Dengan kata lain semua residual atau error mempunyai varian yang sama.
Kondisi seperti itu disebut dengan Homoskedastis.
𝐸 𝜀𝑖2 = 𝜎𝑖2
, 𝑖 = 1,2, … , 𝑛
Keterangan:
𝐸 𝜀𝑖2 = rata-rata kesalahan pengganggu 𝜀𝑖
𝜎𝑖2
= varaians
Universitas Sumatera Utara
23
Heteroskedastisitas (heteroscedasticity) adalah suatu penyimpangan
asumsi OLS dalam bentuk varians ganguan estimasi yang dihasilkan oleh estimasi
OLS tidak bernilai konstan. Atau dengan kata lain situasi dimana varian 𝜎 2 dari
faktor pengganggu 𝜀𝑖 adalah tidak sama untuk semua observasi atau pengamatan
atas variabel bebas 𝑋𝑖 .
Ada 4 kemungkinan pola varians dari heteroskedastisitas 𝑌𝑖 :
1. Pola menyebar dengan varians yang makin besar bila 𝑋 makin besar.
2. Pola memusat dengan varians makin kecil bila 𝑋 makin besar.
3. Pola cekung dengan varians kecil untuk 𝑋 sekitar rata-rata.
4. Pola cembung dengan varians besar untuk 𝑋 sekitar rata-rata.
Heteroskedastisitas berarti bahwa variasi residual tidak sama untuk semua
pengamatan. Heteroskedastisitas juga bertentangan dengan salah satu asumsi
dasar regresi OLS yaitu homoskedasitas (variasi residual sama untuk semua
pengamatan). Secara ringkas walaupun terdapat heteroskedastisitas maka penaksir
OLS (Ordinary Least Square) tetap tidak bias dan konsisten tetapi penaksir tidak
lagi efisien baik dalam sampel kecil maupun sampel besar (asimtotic).
Keadaan heteroskedastisitas tersebut dapat terjadi karena beberapa sebab,
antara lain:
a. Sifat variabel yang diikutsertakan ke dalam model, mengakibatkan
akan ada kecendrungan bahwa varian Y akan semakin besar dengan
makin besarnya nilai X. Tingginya varian 𝑌𝑖 tersebut akan berarti pula
tingginya varian 𝜀𝑖 .
b. Sifat data yang digunakan dalam analisis. Pada penelitian dengan
menggunakan data runtut waktu, kemungkinan asumsi itu benar. Data
itu pada umumnya mengalami perubahan yang relatif sama atau
proporsional, baik yang menyangkut data variabel bebas maupun data
variabel tak bebas. Tetapi pada penelitian dengan menggunakan data
seksi silang, kemungkinan asumsi itu benar adalah lebih kecil. Hal ini
Universitas Sumatera Utara
24
disebabkan data itu pada umumnya tidak mempunyai tingkatan yang
sama/sebanding.
Keadaan heteroskedastisitas tersebut diatas akan mengakibatkan hal-hal berikut:
a. Penduga OLS yang diperoleh tetap memenuhi persyaratan tidak bias.
b. Varian yang diperoleh menjadi tidak efisien, artinya cendrung
membesar sehingga tidak lagi merupakan varian yang terkecil.
Kecendrungan
semakin
membesarnya
varian
tersebut
akan
mengakibatkan uji hipotesis yang dilakukan juga tidak akan
memberikan hasil yang baik (tidak valid). Pada uji t terhadap koefisien
regresi, t hitung diduga terlalu rendah. Kesimpulan tersebut akan
semakin jelek. Jika sampel pengamatan semakin kecil jumlahnya.
Ada beberapa cara (uji) yang dapat dipakai untuk mendeteksi apakah
serangkaian data mengandung masalah heteroskedastisitas atau tidak. Prinsip uji
tersebut adalah menguji apakah ada nisbah yang signifikan antara nilai absolut
dari ganguan estimasi dengan variabel bebanya untuk berbagai pola nisbah.
Pada bagian ini kita batasi, dimana uji terhadap ada tidaknya
heteroskedastisitas dapat dilakukan dengan menggunakan Uji Korelasi Rank
Spearman.
Langkah –langkah pengujian Rank Spearman adalah sebagai berikut :
1. Menentukan hipotesisinya
𝐻0 : tidak terdapat Heteroskedastisitas pada 𝑋1
𝐻1 : terdapat Heteroskedastisitas pada 𝑋1
𝐻0 : tidak terdapat Heteroskedastisitas pada 𝑋2
𝐻1 : terdapat Heteroskedastisitas pada 𝑋2
Universitas Sumatera Utara
25
2. Menentukan nilai uji Korelasi rank Spearman (𝑟𝑠 )
𝑟𝑠 = 1 − 6
𝑛
𝑑 12
2
𝑛 −1
(2.3),
keterangan: 𝑑1 = selisih ranking standar deviasi (s) dan ranking nilai
mutlak error (e). Nilai 𝑒 = 𝑌 − 𝑌
𝑛 = banyaknya sampel
Pengujian ini menggunakan distribusi t dengan membandingkan nilai
𝑡ℎ𝑖𝑡𝑢𝑛𝑔 dengan 𝑡𝑡𝑎𝑏𝑒𝑙 . Jika nilai 𝑡ℎ𝑖𝑡𝑢𝑛𝑔 lebih besar dari 𝑡𝑡𝑎𝑏𝑒𝑙 , maka
pengujian menolak hipotesis nol 𝐻0 yang menyatakan tidak terdapat
heteroskedastisitas
pada
model
regresi.
Artinya,
model
tersebut
mengandung heteroskedastisitas.
3. Membandingkan nilai 𝑡ℎ𝑖𝑡𝑢𝑛𝑔 𝑑𝑎𝑛 𝑡𝑡𝑎𝑏𝑒𝑙
Nilai t hitung dapat ditentukan dengan formula:
𝑡=
keterangan :
𝑟𝑠 𝑛−2
1−𝑟𝑠2
𝑟𝑠 =
,
nilai korelasi rank sperman
Nilai 𝑡ℎ𝑖𝑡𝑢𝑛𝑔 ini dibandingkan dengan nilai 𝑡𝑡𝑎𝑏𝑒𝑙 yang ditentukan melalui
tabel distribusi t pada 𝛼 yang digunakan dan degree of freedom (df) = 𝑛 − 2.
2.5
Analisis Model ARCH-GARCH
Dalam penelitian yang menggunakan data-data time series khususnya bidang
pasar keuangan (financial market), data-data tersebut biasanya memiliki tingkat
volatilitas yang tinggi seperti ditunjukkan oleh suatu fase di mana fluktuasinya
relatif tinggi dan kemudian diikuti fluktuasi rendah, namun kembali tinggi dan
Universitas Sumatera Utara
26
seterusnya berubah-ubah seperti itu (R.Lerbin, 2002). Kondisi volatilitas data
mengindikasikan bahwa perilaku data time series memiliki varian residual yang
tidak konstan dari waktu ke waktu atau mengandung gejala heteroskedastisitas
karena terdapat varians error yang besarnya tergantung pada volatilitas error masa
lalu.
Akan tetapi ada kalanya varians error tidak tergantung pada variabel
bebasnya saja melainkan varian tersebut berubah-ubah seiring dengan perubahan
waktu. Karena itu, perlu dibuat suatu model pendekatan untuk memasukkan
masalah volatilitas data dalam model penelitian.
Pemodelan data deret waktu umumnya dilakukan dengan menggunakan
asumsi ragam sisaan yang konstan/ homoskedastisitas, namun kenyataannya
banyak
deret
waktu
yang
mempunyai
ragam
sisaan
tidak
konstan/
heteroskedastisitas, khususnya untuk data deret waktu dibidang ekonomi. Oleh
karena itu pemodelan analisis deret waktu biasa dengan asumsi homoskedastisitas
tidak dapat digunakan.
Salah satu pendekatan untuk itu adalah model ARCH-GARCH yang mana
model ini tidak memandang heteroskedastisitas sebagai permasaahan, tetapi justru
memanfaatkan kondisi tersebut untuk membuat model. Yang mana dikembangkan
oleh Engle (1982) dan Bollerslev (1986). Engle adalah pihak yang pertama kali
menganalisis adanya masalah heteroskedastisitas dari varian residual di dalam
data time series. Menurut Engle, varian residual yang berubah-ubah ini terjadi
karena varian residual tidak hanya fungsi dari variabel independen tetapi
tergantung dari seberapa besar residual di masa lalu. Varian residual yang terjadi
saat ini akan sangat bergantung dari varian residual periode sebelumnya.
Model yang mengasumsikan bahwa varian residual tidak konstan dalam
data time series yang dikembangkan oleh Engle tersebut itulah yang disebut
model Autoregresive Conditional Heteroskedasitas (ARCH). Model ARCH
memiliki asumsi yang berbeda terkait dengan masalah heteroskedastisitas. Dalam
Universitas Sumatera Utara
27
asumsi metode OLS, terjadinya heteroskedastisitas karena hubungan langsung
dengan variabel independen sehingga model itu terbebas dari masalah ini maka
hanya perlu transformasi persamaan regresi. Model ARCH berbeda dengan
penjelasan asumsi heteroskedastisitas tersebut. Heteroskedastisitas dalam model
ARCH terjadi karena adanya unsur volatilitas data time series. Menurut Engle,
varian residual yang berubah-ubah ini terjadi karena varian residual tidak hanya
fungsi dari variabel independen tetapi tergantung dari seberapa besar residual di
masa lalu. Misalnya, nilai kurs pada suatu periode volatilitasnya tinggi dan
residualnya juga tinggi, diikuti suatu periode yang volatilitasnya rendah dan
residualnya juga rendah. Dengan kondisi seperti itu maka varian residual dari
model akan sangat bergantung dari volatilitas residual sebelumnya. Dengan kata
lain, varian residual sangat dipengaruhi oleh residual periode sebelumnya. Model
ARCH (Autoregresive Conditional Heteroskedasitas) merupakan model yang
memperhitungkan adanya heteroskedastisitas dalam analisis deret waktu.
Varian dari error term yakni 𝜎𝑡2
mempunyai dua komponen yaitu
konstanta dan error term periode lalu (lag) yang diasumsikan sebagai kuadrat dari
error term periode lalu. Model dari 𝜎𝑡2 atau varian 𝜀𝑡 tersebut adalah
heteroscedasticty, conditional pada residual 𝜀𝑡−1 . Dengan mengambil informasi
conditional heteroscedasticty dari 𝜀𝑡 , kita bisa mengestimasi parameter 𝛽1 dan 𝛽2
lebih efisien. Persamaan (2.5) disebut persamaan untuk output dari persamaan
rata-rata bersyarat (conditional equation).
Varians terdiri atas dua komponen yaitu varians yang konstan dan varians
yang tergantung dari besarnya volatilitas diperiode sebelumnya. Jika volatilitas
periode sebelumnya besar (baik negative atau positif), maka varians pada saat ini
akan besar pula. Apabila varian dari residual 𝜀𝑡 𝜎𝑡2 = 𝑣𝑎𝑟 𝜀𝑡
tergantung hanya
dari valotilitas residual kuadrat suatu periode yang lalu, model ini disebut dengan
ARCH (p).
Secara umum, model ARCH (p) dapat dinyatakan dalam persamaan
sebagai berikut:
Universitas Sumatera Utara
28
2
2
2
𝜎𝑡2 = 𝛼0 + 𝛼1 𝜀𝑡−1
+ 𝛼2 𝜀𝑡−2
+ ⋯ + 𝛼𝑚 𝜀𝑡−𝑝
(2.4),
keterangan:
𝜎𝑡2 = Variabel terikat pada periode t
𝜀 = Variabel yang konstan
2
𝜀𝑡−𝑝
= ARCH/volatilitas pada periode sebelumnya
𝛼0 , 𝛼1 , 𝛼2 , … 𝛼𝑚 = koefisien orde m yang diestimasikan
Model (2.4) adalah model non linier sehingga tidak bisa diestimasi dengan
metode OLS. Cara estimasinya adalah dengan metode maximum likelihood
(MLE) yang sudah ada di software ekonometri seperti eviews 6 yang digunakan
sebagai perangkat penelitian ini. Kemudian dalam perkembangannya, model
ARCH dari Engle disempurnakan oleh Bollerslev (1986). Bollerslev menyatakan
bahwa varian error term tidak hanya tergantung dari error term periode sekarang
tetapi juga varian error term periode lalu. model ini dikenal dengan generalized
autoregresive conditional heteroscedasticty (GARCH).
Model GARCH dikembangkan dengan mengintegrasikan autoregresi dari
kuadrat residual lag kedua hingga lag tak hingga kedalam bentuk varians pada lag
pertama. Model ini dikembangkan sebagai generalisasi dari model volatilitas.
Secara sederhana volatilitas berdasarkan model GARCH (p,q) mengasumsikan
sebelumnya dan sejumlah p data volatilitas sebelumnya. Model ini seperti dalam
model autoregresi biasa (AR) dan pergerakan rata-rata (MA), yaitu untuk melihat
hubungan variabel acak dengan acak sebelumnya. Varians terdiri dari tiga
komponen-komponen, pertama adalah varians yang konstan, volatilitas pada
periode sebelumnya dan varian pada periode sebelumnya.
Untuk menjelaskan pembentukan model GARCH, varian residual (𝜎𝑡2 )
2
tidak hanya dipengaruhi oleh residual periode yang lalu (𝜀𝑡−1
), tapi juga oleh
2
varian residual periode yang lalu (𝜎𝑡−1
).
Universitas Sumatera Utara
29
Secara umum model GARCH (p,q) mempunyai bentuk persamaan sebagai
berikut :
2
2
2
2
𝜎𝑡2 = 𝛼0 + 𝛼1 𝜀𝑡−1
+ ⋯ + 𝛼𝑚 𝜀𝑡−𝑝
+𝛽0 + 𝛽1 𝜎𝑡−1
+ ⋯ + 𝛽𝑛 𝜎𝑡−𝑞
(2.5),
keterangan:
𝜎𝑡2 = Variabel terikat pada periode t
𝜀 = Variabel yang konstan
2
𝜀𝑡−𝑝
= ARCH/volatilitas pada periode sebelumnya
𝛼0 , 𝛼1 , 𝛼2 , … 𝛼𝑚 = Koefisien orde m yang diestimasikan
𝛽0 , 𝛽1 , 𝛽2 , … 𝛽𝑛 = Koefisien orde n yang diestimasikan
2
𝜎𝑡−𝑞
= Suku GARCH
Dalam model tersebut, huruf 𝑝 menunjukkan unsur ARCH, sedangkan
huruf 𝑞 menunjukkan unsur GARCH. Sebagaimana model ARCH, model
GARCH juga tidak bisa diestimasi dengan OLS, tetapi dengan metode maximum
likelihood (MLE).
Model ARCH-GARCH (p,q) di bawah ini dipilih dan dibatasi, dimana
hanya mengambil dari 6 model alternatif seperti terlihat pada tabel 2.1
Tabel Model ARCH-GARCH
Arch 1
Arch 2
Garch (1,1)
Garch (1,2)
Garch (2,1)
𝑌 = 𝑏0 + 𝑏1 𝑘𝑢𝑟𝑠𝑢𝑠 + 𝑏2 𝑆𝐵𝐼
2
𝜎𝑡2 = 𝛼0 + 𝛼1 𝜀𝑡−1
𝑌 = 𝑏0 + 𝑏1 𝑘𝑢𝑟𝑠𝑢𝑠 + 𝑏2 𝑆𝐵𝐼
2
2
𝜎𝑡2 = 𝛼0 + 𝛼1 𝜀𝑡−1
+ 𝛼2 𝜀𝑡−2
𝑌 = 𝑏0 + 𝑏1 𝑘𝑢𝑟𝑠𝑢𝑠 + 𝑏2 𝑆𝐵𝐼
2
2
𝜎𝑡2 = 𝛼0 + 𝛼1 𝜀𝑡−1
+ 𝛽1 𝜎𝑡−1
𝑌 = 𝑏0 + 𝑏1 𝑘𝑢𝑟𝑠𝑢𝑠 + 𝑏2 𝑆𝐵𝐼
2
2
2
𝜎𝑡2 = 𝛼0 + 𝛼1 𝜀𝑡−1
+ 𝛽1 𝜎𝑡−1
+ 𝛽2 𝜎𝑡−2
𝑌 = 𝑏0 + 𝑏1 𝑘𝑢𝑟𝑠𝑢𝑠 + 𝑏2 𝑆𝐵𝐼
Universitas Sumatera Utara
30
2
2
2
𝜎𝑡2 = 𝛼0 + 𝛼1 𝜀𝑡−1
+ 𝛼2 𝜀𝑡−2
+ 𝛽1 𝜎𝑡−1
𝑌 = 𝑏0 + 𝑏1 𝑘𝑢𝑟𝑠𝑢𝑠 + 𝑏2 𝑆𝐵𝐼
Garch (2,2)
2
2
2
2
𝜎𝑡2 = 𝛼0 + 𝛼1 𝜀𝑡−1
+ 𝛼2 𝜀𝑡−2
+ 𝛽1 𝜎𝑡−1
+ 𝛽2 𝜎𝑡−2
Keenam model ini
dipilih dan masing-masing dapat dipilih menjadi
model ARCH-GARCH yang terbaik. Pemilihan salah satu diantara keenam model
untuk menjadi model ARCH-GARCH terbaik digunakan pertimbangan kriteria
nilai 𝑅 2 nilai AIC dan SIC, dan keakuratan prediksinya dengan melakukan
forcasting (peramalan) dimana dengan dilihatnya nilai RMSE (Root Mean Square
Error), MAE (Mean Absolute Error), dan MAPE (Mean Absolute Percent Error).
Dimana model yang terpilih nantinya memiliki nilai forcasting paling rendah.
2.6
Uji Pemilihan Model Terbaik
Dalam memilih model terbaik, digunakan beberapa koefisien yaitu koefisien
Akaike Information Criterion (AIC) dan Schwarz information criterion (SIC).
2.6.1
Uji Akaike Information Criterion (AIC)
AIC digunakan untuk menguji ketepatan suatu model. Rumusan AIC
adalah sebagai berikut (Djalal Nachrowi, 2006) :
AIC = 𝑒 2𝑘/𝑛
keterangan:
𝑒𝑖2
𝑛
= 𝑒 2𝑘/𝑛
𝑅𝑆𝑆
(2.6),
𝑛
RSS = Residual sum of square =
𝑒𝑖2 =
k
= jumlah parameter dalam model
n
= jumlah observasi (sampel)
𝑦1 − 𝑦
2
Universitas Sumatera Utara
31
2.6.2
Schwarz Information Criterion (SIC)
Kegunaan SIC pada prinsipnya tidak berbeda dengan AIC. SIC digunakan untuk
menentukan panjang lag atau lag yang optimum. Rumusan SIC adalah sebagai
berikut:
SIC = 𝑒 𝑘/𝑛
keterangan:
𝑢 𝑖2
𝑛
= 𝑛𝑘/𝑛
𝑅𝑆𝑆
(2.7),
𝑛
RSS = Residual sum of square =
𝑒𝑖2 =
k
= jumlah parameter dalam model
n
= jumlah observasi (sampel)
2.7
Pengujian Best of Fit Model
2.7.1
Koefisien Determinasi (R²)
𝑦1 − 𝑦
2
Koefisien determinasi digunakan untuk mengukur besarnya konstribusi variasi 𝑌
dalam kaitannya dengan persamaan IHSG = 𝑏0 + 𝑏1 𝑘𝑢𝑟𝑠𝑢𝑠 + 𝑏2 𝑆𝐵𝐼. Koefisien
determinasi juga digunakan untuk menentukan apakah regresi berganda IHSG
terhadap SBI, dan kurs sudah tepat untuk digunakan sebagai pendekatan atas
hubungan linier variabel berdasarkan hasil observasi (Gujarati, 2003). Nilai 𝑅 2
disebut juga koefisien determinasi.
Koefisien determinasi bertujuan untuk mengetahui seberapa jauh
kemampuan model regresi dalam menerangkan variasi variabel dependen
(goodness of fit test). Nilai koefisien determinasi diperoleh dengan menggunakan
formula:
𝑅2 =
𝐽𝑢𝑚𝑙𝑎 ℎ 𝑘𝑢𝑎𝑑𝑟𝑎𝑡 𝑟𝑒𝑔𝑟𝑒𝑠𝑖
𝐽𝑢𝑚𝑙𝑎 ℎ 𝑘𝑢𝑎𝑑𝑟𝑎𝑡 𝑡𝑜𝑡𝑎𝑙
𝐸𝑆𝑆
= 𝑇𝑆𝑆
(2.8)
Atau
𝑅2 = 1 −
𝑅𝑆𝑆
𝑇𝑆𝑆
= 1−
𝑒𝑖2
𝑦 𝑡2
,
Universitas Sumatera Utara
32
keterangan :
Residual sum of square = RSS =
𝑒𝑖2 =
Explained sum of squre = ESS =
𝑦1 − 𝑦𝑖
Total sum of squre = TSS =
𝑦1 − 𝑦
2
2
𝑦𝑖2
Nilai koefisien determinasi berada diantara nol dari satu (0 < 𝑅 2 < 1).
Nilai 𝑅 2 yang kecil atau mendekati nol berarti kemampuan variable independen
dalam menjelaskan variabel dependen sangat terbatas. Sebaliknya nilai 𝑅 2 yang
mendekati satu berarti independen memberikan semua informasi yang dibutuhkan
untuk memprediksi variabel dependen.
Kelemahan mendasar penggunaan uji determinasi adalah bias terhadap
jumlah variabel independen yang dimasukkan ke dalam model, karena setiap
tambahan satu variabel independen berpengaruh terhadap hasil penelitian, maka
banyak peneliti menganjurkan untuk menggunakan nilai adjusted 𝑅 2 pada saat
mengevaluasi model regresi terbaik.
𝑅 2 𝑎𝑑𝑗 = 1 − 1 − 𝑅 2
𝑛 −1
𝑛−𝑝
(2.9),
keterangan:
𝑅 2 = koefisien determinasi
𝑛 = jumlah observasi
𝑝 = jumlah variabel yang digunakan
Universitas Sumatera Utara