1 BAB 3 METODE PENELITIAN 3.1. Populasi dan Sampel Populasi

BAB 3
METODE PENELITIAN
3.1.
Populasi dan Sampel
Populasi dalam penelitian ini adalah berbagai pasar saham di dunia.Sampel
yang dipilih adalah pasar saham di Amerika Serikat, Inggris, Jerman, Perancis,
Jepang, Hong Kong, dan Indonesia. Data yang dianalisis merupakan indeks saham
pada pasar saham di negara-negara tersebut.
Indeks saham yang digunakan dalam penelitian ini adalah sebagai berikut:
1.
Dow Jones Composite Average (DJA)
Pasar saham Amerika Serikat merupakan pasar saham dengan
kapitalisasi terbesar di dunia. DJA terdiri dari 65 saham perusahaan
terkemuka Amerika Serikat, DJA merupakan kombinasi dari Dow Jones
Industrial,
Transportation,
dan
Utilities
Average.
Indeks
ini
menggunakan perhitungan Price-Weighted Index.
2.
Financial Times Stock Exchanges (FTSE 100)
Inggris memiliki pasar saham dengan nilai kapitalisasi terbesar di
Eropa, dan kedua terbesar di dunia, di belakang Amerika Serikat. FTSE
100 terdiri dari 100 perusahaan dengan kapitalisasi terbesar yang
diperdagangkan di London Stock Exchange. Indeks ini menggunakan
perhitungan Capitalization-Weighted Index.
3.
Deutscher Aktien IndeX (DAX)
Pasar saham Jerman merupakan salah satu pasar saham dengan nilai
kapitalisasi terbesar di eropa dan dunia. DaX terdiri dari 30 saham
32
33
perusahaan utama yang diperdagangkan di Frankfurt Stock Exchange.
Indeks ini menggunakan perhitungan Capitalization-Weighted Index.
4.
Cotation Assistee en Continu Index (CAC 40)
CAC 40 merupakan indeks saham dari pasar saham Perancis yang
merupakan salah satu pasar saham utama di Eropa. Terdiri dari 40
perusahaan terkemuka yang diperdagangkan di Paris Bourse. Indeks ini
menggunakan perhitungan Capitalization-Weighted Index.
5.
Nikkei 225 (NIKKEI)
Di benua Asia, Jepang memiliki pasar saham dengan nilai kapitalisasi
terbesar. NIKKEI terdiri dari 225 perusahaan terkemuka yang
diperdagangkan di Tokyo Stock Exchange. Indeks ini menggunakan
perhitungan Price-Weighted Index.
6.
Hang Seng Index (HSI)
Hong Kong memiliki pasar saham dengan nilai kapitalisasi terbesar
kedua di Asia, di belakang Jepang. HIS terdiri dari 48 perusahaan utama
di Hong Kong Stock Exchange. HIS dibagi menjadi 4 sub-indeks, yaitu
Commerce & Industry, Properties, Finance, dan Utilities. Indeks ini
menggunakan perhitungan Capitalization-Weighted Index.
7.
Indeks Harga Saham Gabungan (IHSG)
Indeks Harga Saham Gabungan merupakan indeks saham yang
digunakan oleh Bursa Efek Indonesia. IHSG terdiri dari 9 sektor, yaitu
Pertanian, Pertambangan, Industri Dasar, Aneka Industri, Industri Barang
Konsumsi, Properti, Infrastruktur, Keuangan dan Perdagangan. Indeks ini
menggunakan perhitungan Capitalization-Weighted Index.
34
3.2.
Sumber Data
Penelitian ini menggunakan data sekunder, yaitu data indeks saham DJA,
FTSE 100, DAX, CAC 40, NIKKEI, HASI, dan IHSG secara bulanan dari tahun
1998 - 2012. Data ini diperoleh dari situs Yahoo! Finance, yang beralamat di
finance.yahoo.com.
Daftar negara dan kode indeks saham dapat dilihat di Tabel 3.1.
Tabel 3.1. Daftar Negara beserta Kode Indeks Saham
Negara
Amerika Serikat
Inggris
Jerman
Perancis
Jepang
Hong Kong
Indonesia
3.3.
Kode Indeks Saham
DJA
FTSE 100
DAX
CAC 40
NIKKEI
HSI
IHSG
Variabel Penelitian
Variabel yang akan diteliti adalah indeks saham masing-masing negara, yaitu
DJA, FTSE 100, DAX, CAC 40, NIKKEI, HSI, dan IHSG, yang akan dianalisa
secara berpasangan.
Dalam penelitian ini, terdapat 4 periode waktu yang akan dipakai untuk
menganalisa variabel indeks saham, yaitu:
1. Periode Sebelum Krisis (Januari 1998 – November 2001)
Periode sebelum titik awal pemicu krisis Subprime Mortgage, yaitu
penurunan suku bunga perbankan yang dinyatakan oleh Federal Reserve
(Bank Sentral Amerika) pada tanggal 11 Desember 2001 (U.S. Federal
Reserve Board, 2001).
35
2. Periode Krisis I (Desember 2001 – Juni 2007)
Periode “bubbling” atau periode menggelembungnya harga properti skema
Subprime Mortgage. Diawali dari penurunan suku bunga perbankan (11
Desember 2001) sampai sebelum penurunan massal rating (peringkat) suratsurat berharga seperti RMBS (Residential Mortgage Backed Security) atau
Efek Beragun KPR, CDO (Collateralized Debt Obligation) atau Kewajiban
Utang Kolateral, oleh lembaga pemeringkat kredit pada tanggal 10-12 Juli
2007. Menurut U.S. Permanent Subcommitee of Investigations (2011: 45),
penurunan peringkat surat-surat tersebut merupakan pemicu terbesar krisis
Subprime Mortgage.
3. Periode Krisis II (Juli 2007 – Januari 2010)
Periode pecahnya “bubble” atau jatuhnya harga properti skema Subprime
Mortgage. Diawali dengan penurunan peringkat RMBS dan CDO (10-12 Juli
2007) sampai dengan keluarnya laporan Trouble Asset Relief Program: Two
Year Retrospective. U.S. Department of Treasury (2010: 1) pada laporan
tersebut menyatakan bahwa kondisi pasar telah stabil dan sebagian besar
kerugian pada bank telah dipulihkan pada tanggal 27 Januari 2010.
4. Periode Setelah Krisis (Februari 2010 – Desember 2012)
Periode setelah krisis Subprime Mortgage telah berakhir, yang diawali
dengan laporan stabilnya kondisi pasar oleh United States Department of
Treasury sampai dengan Desember 2012, batasan penelitian ini.
36
3.4.
Tahapan Penelitian
Tahapan penelitian yang akan dilakukan adalah sebagai berikut:
Start
Identifikasi Masalah
Pengumpulan Data
Analisis dan
Pengembangan Aplikasi
Kesimpulan
Finish
Gambar 3.1 Tahapan Penelitian
3.5.
Tahapan Pengembangan Aplikasi
Tahapan pengembangan aplikasi yang akan dilakukan adalah sebagai berikut:
Start
Perencanaan
Perancangan
Pemrograman
Pengujian
Implementasi
Finish
Gambar 3.2 Tahapan Pengembangan Aplikasi
37
3.6. Metode Analisis
Langkah-langkah metode analisis pada penelitian ini adalah:
Start
Statistik Deskriptif
Uji Stasioneritas
Tidak Stasioner
Stasioner
Tidak Kointegrasi
Uji Kointegrasi
Differencing Data
Kointegrasi
Uji Lag Optimal
Uji Lag Optimal
Estimasi Model VAR
Estimasi Model VEC
Prediksi
(Perbandingan MSE)
Uji Granger Causality
Finish
Gambar 3.3. Tahapan Analisis
1. Melakukan perhitungan statistik deskriptif pada data untuk
mengetahui karakteristik data yang dipakai. Statistik deskriptif
meliputi rata-rata, min, max, median, dan grafik.
38
2. Melakukan uji stasioneritas atau uji akar unit pada data deret waktu
dengan menggunakan Augmented Dickey Fuller Test
Hipotesis pada Augmented Dickey Fuller Test:
H0 :
(Terdapat akar unit, variable y tidak stasioner)
H1 :
(Tidak terdapat akar unit, variable y stasioner)
3. Jika pada data terdapat akar unit atau tidak stasioner, akan dilakukan
uji kointegrasi dengan menggunakan uji Johansen.
Statistik uji maximum eigenvalue:
H0 = Terdapat sebanyak r, r = 0,1,..,k-1 persamaan kointegrasi
H1 = Terdapat r+1 persamaan kointegrasi
4. Melakukan Uji Lag Optimal dengan Uji Akaike’s Information
Criterion (AIC) dan Schwarz Information Criterion (SIC). Jumlah lag
yang dipilih adalah yang memiliki nilai AIC dan SIC yang terkecil.
4.
Membuat permodelan VAR atau VEC. Jika data sudah stasioner, atau
tidak stasioner namun tidak berkointegrasi, akan digunakan model
VAR. Jika data tidak stasioner dan berkointegrasi, akan digunakan
model VEC.
5. Setelah data sudah stasioner dan sudah diketahui jumlah lag yang
tepat, maka selanjutnya dilakukan Uji Granger Causality. Dengan
menggunakan Uji signifikansi F, terdapat dua hipotesis yang
digunakan:
39
H0 : y1 tidak menyebabkan y2 secara Granger
H1 : y1 menyebabkan y2 secara Granger
dan
H0 : y2 tidak menyebabkan y1 secara Granger
H1 : y2 menyebabkan y1 secara Granger
6. Melakukan prediksi dengan model yang sudah terbentuk, dan
melakukan perbandingan MSE.
3.7.
Perancangan Layar
Tampilan awal program akan memiliki pilihan File, dan Analyze. seperti
pada gambar 3.4. Dalam File akan ada pilihan untuk membuka, Import Data, About
dan Exit. Jika pengguna memilih untuk memasukkan data, data akan muncul pada
halaman awal aplikasi. Dalam Analyze, user dapat memilih Stationarity Test atau
VAR and Granger Causality Test.
File
Analyze
Table
Gambar 3.4. Halaman Awal Aplikasi
40
Stationary Test
Data
Variable
Run Test
Test Statistic
Show Plot
Critical Value
Result
Lag Optimal
Add
Gambar 3.5. Halaman Stationarity Test
Jika user memilih Stationarity Test, akan muncul layar seperti pada Gambar
3.5. User akan diminta untuk memilih variabel yang akan diujikan. Dengan memilih
Run Test, akan melakukan proses dan menampilkan hasil uji. User juga dapat
melihat plot dari variabel yang diujikan dengan memilih Show Plot. Setelah itu, user
dapat memilih Lag Optimal untuk berlanjut ke proses berikutnya.
Tampilan Lag Optimal ditunjukkan pada Gambar 3.6. User akan diminta
untuk memasukkan variabel pertama dan kedua, jumlah lag maksimal, dan tipe.
Dengan memilih Run maka akan ditampilkan hasil lag yang optimal beserta nilainya.
Lag Optimal
Data
Lag Selection
Criteria Values
Run
VAR
First
Variable
Second
Variable
Lag(s)
Type
Add
Gambar 3.6. Halaman Lag Optimal
41
Tampilan layar VAR ditunjukkan oleh Gambar 3.7. Variabel, lag dan tipe
yang muncul akan sama dengan yang dipilih pada halaman Lag Optimal. User hanya
perlu memilih Run untuk menjalankan perhitungan dan menampilkan hasil estimasi
model VAR. Pada pengujian Granger Causality,seperti pada Gamber 3.8, user juga
tidak perlu memasukkan variabel, karena variabel yang dipilih sudah ditentukan pada
penguijan Lag Optimal. User cukup memilih Run Test untuk mengetahui hasil uji
Granger Causality.
VAR
First
Variable
Model 1
Model 2
Second
Variable
Lag(s)
Type
Run
Granger
Causality
Lag Optimal
Gambar 3.7. Halaman VAR
Granger Causality
First
Variable
F Stat
F Table
Result
Second
Variable
F Stat
Run Test
F Table
Result
Lag Optimal
Gambar 3.8. Halaman Granger Causality
42
3.8.
Perancangan UML
3.8.1. Use Case Diagram
Import Data
<<depends on>>
<<depends on>>
Stationarity Test
Lag Optimal Test
User
<<depends on>>
Granger Causality Test
<<depends on>>
Estimating VAR Model
Gambar 3.6 Use Case Diagram
Aktor, dalam hal ini user, dapat memasukkan data, mengolah dan
menganalisis data. Dalam mengolah dan menganalisis data, akan tergantung
pada proses import data yang harus terlebih dahulu dilakukan. Berbagai uji
yang dapat dilakukan saat mengolah dan menganalisa data adala uji
stasioneritas, uji lag optimal, permodelan VAR dan uji kausalitas Granger.
43
3.8.2. Activity Diagram
3.8.2.1 Activity Diagram Import Data
User
System
Memilih Menu File
Memilih Import Data
Membuka Layar
Pilihan Data
Memilih Data
Batal
Memasukkan
Data
Setuju
Memasukkan
Data
Memilih
Cancel
Memilih OK
Menampilkan Data di
Layar Utama
Menampilkan Layar
Utama
Gambar 3.7. Activity Diagram Import Data
44
3.8.2.2 Activity Diagram Stationarity Test
User
System
Memilih Menu
Stationarity Test
Menampilkan Layar
Stationarity Test
Memasukkan Variable,
dan Type
Melakukan Uji Stasioner
Melihat Plot
Menampilkan Hasil
Uji Stasioneritas
Memilih Run Test
Memilih Show Plot
Menampilkan Plot
Gambar 3.8. Activity Diagram Stationarity Test
45
3.8.2.3 Activity Diagram Estimating VAR Model dan Granger
Causality Test
User
System
Memilih Menu VAR
and Causality
Menampilkan Layar
Lag Optimal
Memilih Variabel,
Max Lag dan Type
Memilih Run
Menampilkan Hasil
Lag Optimal
Memilih VAR
Menampilkan Layar
VAR
Memilih Run
Menampilkan Hasil
Model VAR
Memilih Granger
Causality
Menampilkan layar
Granger Causality
Memilih Run
Menampilkan Hasil
Uji Granger Causality
Gambar 3.9. Activity Estimating VAR Model dan Granger Causality Test
46
3.8.3. Class Diagram
<<Interface>>
Home
+datapath: String
+rpath: String
+data: double
1
<<interface>>
Browse
Stationarity
1..*
+browse()
1
1
1..*
1
<<controller>>
UICon
1..*
+variable: String
+lag: int
+type: String
+code: String
+varnames: String
+varlag: int
+showstationarity()
+showlagoptimal()
+showvar()
+showgranger()
1
1..*
<<interface>>
MVARUI
1..*
1
-var1: String
-var2: String
-coef1: double
-coef2: double
-lag: int
-type: String
1..*
+setselectedvariable()
+requestadftest()
+requestlotest()
+requestmvar()
+requestgrangertest()
+selectdata()
1
1
+setadfvariable()
+computeadf()
<<controller>>
DataCon
1
+varstat: String
+lagstat: int
+type: String
-crit: double
-critv: double
-result: String
+DataList: String
1..*
1..*
1..*
+setoptimallag()
+getlag()
+computemvar()
1
<<interface>>
LOUI
+firstv: String
+secondv: String
-maxlag: int
+type: String
+datalist: String
+aic: int
-hq: int
-sc: int
-fpe: int
-laic: double
-lhq: double
-lsc: double
-lfpe: double
+computegranger()
1..*
-variable: String
-variable2: String
-lag: int
-type: String
-coef1: double
-doef2: double
+getdata()
+setvariable()
1
1..*
-variable: String
-variable2: String
-lag: int
-fstat1: double
-fstat2: double
-df: double
-tabelf: double
-gcresult1: String
-gcresult2: String
MVAR
+dataloc: String
+datanames: String
+datalist: double
+rloc: String
+variable: String
<<interface>>
GrangerUI
Granger
1..*
1..*
1
Data
1
1
-vargc1: String
-vargc2: String
-lag: int
-fstat1: double
-fstat2: double
-df: double
-tabelf: double
-gcresult1: String
-gcresult2: String
1..*
1
<<interface>>
StationarityUI
-variable: String
-lag: int
-type: String
-crit: double
-critv: double
-result: String
LagOptimal
-variable: String
-variable2: String
-maxlag: int
-type: String
-aic: int
-hq: int
-sc: int
-fpe: int
-laic: double
-lhq: double
-lsc: double
-lfpe: double
+setlovariable()
+computelo()
1
Gambar 3.10. Class Diagram
47
3.8.4. Sequence Diagram
3.8.4.1. Sequence Diagram Import Data
<<interface>>
:Home
User
<<interface>>
:Browse
<<controller>>
:DataCon
:Data
Select Import Data
browse()
Show Data
Select Data
selectdata()
setdata()
data saved
Send Data
Show Data
Gambar 3.11. Sequence Diagram Import Data
3.8.4.2. Sequence Diagram Stationarity Test
User
<<interface>>
:Home
<<interface>>
:StationarityUI
<<controller>>
:UICon
<<controller>>
:DataCon
:Data
Select Stationary Test
showstationarity()
getvariable()
send names
Show Stationarity Page
Activate Stationarity Page
Select Variable
setselectedvariable()
setadfvariable()
adf variable selected
Input Lag, Select Run Test
requestadftest()
computeadf()
compute result
Send Result
Show Result
Gambar 3.12. Sequence Diagram Stationarity Test
:Stationarity
48
3.8.4.3. Sequence Diagram Lag Optimal Test
<<interface>>
:Home
User
Select VAR and
Granger Cusality
<<interface>>
:LOUI
<<controller>>
:UICon
<<controller>>
:DataCon
:Data
:LagOptimal
:MVAR
showlagoptimal()
getvariable()
send names
Activate Lag Optimal Page
Show Lag Optimal Page
Select Variable
setselectedvariable()
setlovariable()
lo variable selected
Input Max Lag, Select Type, Select Run Test
requestlotest()
computelo()
send result
setoptimallag()
variables and max lag selected
Send Result
Show Result
Gambar 3.13. Sequence Diagram Lag Optimal Test
3.8.4.4. Sequence Diagram Estimating VAR Model
User
<<interface>>
:LOUI
<<interface>>
:MVARUI
<<controller>>
:UICon
<<controller>>
:DataCon
Select VAR
showVAR()
getlag()
send variable names and max lag
Activate VAR Page
Show VAR Page
Select Run Test
requestmvar()
computemvar()
send var
send result
Show Result
Gambar 3.14. Sequence Diagram Estimating VAR Model
:MVAR
49
3.8.4.5. Sequence Diagram Granger Causality Test
User
<<interface>>
:MVARUI
Select Granger
Causality
<<interface>>
:GrangerUI
<<controller>>
:UICon
<<controller>>
:DataCon
:MVAR
showgranger()
getmaxlag()
send variable names and max lag
Show Granger Page
Activate Granger Page
Select Run Test
requestgrangertest()
computegranger()
send granger
send result
Show Result
Gambar 3.15. Sequence Diagram Granger Causality Test
:Granger