ANALISIS DAN PEMBAHASAN
C. Hasil dan Pembahasan
Dalam bab ini penulis menganalisis data yang telah terkumpul. Data yang
telah dikumpulkan tersebut berupa data IHSG dari perusahaan yang listing di
Bursa Efek Indonesia periode 2006 sampai dengan 2008 dan juga berupa data
makro ekonomi periode 2006 sampai dengan 2008. Hasil pengolahan data berupa
informasi untuk mengetahui apakah variabel aksi jual-beli asing, kurs, SBI,
inflasi, Produk Domestik Bruto dan Indeks Hang Seng memiliki pengaruh
terhadap Indeks Harga Saham Gabungan (IHSG) serta berapa besar pengaruhnya.
1. Uji Stasioneritas
Langkah pertama sebelum melakukan uji GARCH, terlebih dahulu
dilakukan uji stasioneritas data pada semua variabel yang digunakan.
Dalam penelitian ini data yang digunakan adalah data time series. Data
time series sering menyimpan berbagai permasalahan. Salah satunya
adalah otokorelasi, otokorelasi ini merupakan penyebab yang
mengakibatkan data menjadi tidak stasioner, sehingga bila data
distasionerkan maka otokorelasi akan hilang dengan sendirinya. Data
dinyatakan stasioner jika nilai rata-rata dan varian dari data time series
tersebut tidak mengalami perubahan secara sistematik sepanjang waktu,
atau konstan (Nachrowi, 2006:341).
Dalam penelitian ini, uji stasioneritas yang digunakan adalah uji
unit root ADF(Augmented Dickey-Fuller). Ide dasar uji stasioneritas data
73
Yt = ρYt-1 + et -1 ≤ ρ ≤ 1
Jika nilai ρ = 1 maka kita katakan bahwa variabel random
(stokastik) Y mempunyai akar unit (unit root). Jika data time series
mempunyai akar unit maka dikatakan data tersebut bergerak secara
random (random walk) dan data yang mempunyai sifat random walk
dikatakan data tidak stasioner.
Prosedur untuk menentukan apakah data stasioner atau tidak
dengan cara membandingkan antara nilai statistik DF ditunjukkan oleh
nilai t statistik koefisien Yt-1. jika nilai absolut statistik DF lebih besar dari nilai kritisnya maka kita menolak hipotesis null sehingga data yang
diamati menunjukkan stasioner. Sebaliknya data tidak stasioner jika nilai
absolut nilai statistik DF lebih kecil dari nilai kritis distribusi statistik
(Widarjono, 2007:341-343).
a. Uji Stasioneritas data pada variabel aksi jual-beli asing
Hasil dari ADF Test Statistic di atas menunjukkan nilai
probabiltas-nya lebih kecil dari 5%, maka data sudah stasioner.
Atau dengan melihat nilai statistik DF untuk variabel aksi jual-beli
asing adalah sebesar -5,343154 lebih besar dari nilai kritis
Mackinnon, yaitu pada α = 1%; α = 5%; α = 10% masingmasing -3,632900; -2,948404; -2,612874. Dengan panjang kelambanan
74
demikian Ho ditolak, sehingga dapat disimpulkan variabel aksi
jual-beli asing stasioner pada tingkat level.
b. Uji Stasioneritas data pada variabel Kurs
Hasil dari ADF Test Statistic di atas dapat dilihat dari
probabilitas-nya menunjukkan lebih kecil dari 5%, sehingga data
sudah stasioner. Atau dengan melihat nilai statistik DF untuk
variabel kurs adalah sebesar -3,946896 lebih besar dari nilai kritis
Mackinnon, yaitu pada α = 1%; α =5%; α = 10% masingmasing -3,639407; -2,951125; 2,614300. Dengan panjang kelambanan
berdasarkan kriteria SIC (Schwarz Info Criterion). Dengan
demikian Ho ditolak, sehingga dapat disimpulkan bahwa data
variabel kurs stasioner pada tingkat level, oleh karena itu tidak
perlu dilakukan transformasi data.
Null Hypothesis: DN has a unit root Exogenous: Constant
Lag Length: 0 (Automatic based on SIC, MAXLAG=9)
t-Statistic Prob.*
Augmented Dickey-Fuller test statistic -5.343154 0.0001 Test critical values: 1% level -3.632900
5% level -2.948404 10% level -2.612874
75
c. Uji Stasioneritas data pada variabel SBI
Hasil dari ADF Test Statistic di atas menunjukkan nilai
statistik DF untuk variabel SBI adalah sebesar -2,6733247 lebih
besar dari nilai kritis Mackinnon, yaitu pada α = 10% sebesar -2,617434. Dengan panjang kelambanan berdasarkan kriteria SIC
(Schwarz Info Criterion). Dengan demikian Ho ditolak, sehingga
dapat disimpulkan bahwa data variabel SBI stasioner pada tingkat
level, oleh karena itu tidak perlu dilakukan transformasi data.
Null Hypothesis: KURS has a unit root Exogenous: Constant
Lag Length: 1 (Automatic based on SIC, MAXLAG=9)
t-Statistic Prob.*
Augmented Dickey-Fuller test statistic -3.946896 0.0046 Test critical values: 1% level -3.639407
5% level -2.951125 10% level -2.614300
76
d. Uji stasioneritas data pada variabel inflasi
Hasil dari ADF Test Statistic di atas menunjukkan nilai
statistik DF untuk variabel inflasi adalah sebesar -2,302632 lebih
kecil dari nilai kritis Mackinnon, yaitu pada α = 1%; α = 5%; α =
10% masing-masing -3,639407; -2,951125; -2,614300. Dengan
panjang kelambanan berdasarkan kriteria SIC (Schwarz Info
Criterion). Dengan demikian Ho diterima, sehingga dapat
disimpulkan variabel inflasi menghadapi masalah unit root atau
data tidak stasioner.
Null Hypothesis: SBI has a unit root Exogenous: Constant
Lag Length: 3 (Automatic based on SIC, MAXLAG=9)
t-Statistic Prob.*
Augmented Dickey-Fuller test statistic -2.673247 0.0897 Test critical values: 1% level -3.653730
5% level -2.957110 10% level -2.617434
77
Null Hypothesis: INF has a unit root Exogenous: Constant
Lag Length: 1 (Automatic based on SIC, MAXLAG=9)
t-Statistic Prob.*
Augmented Dickey-Fuller test statistic -2.302632 0.1769 Test critical values: 1% level -3.639407
5% level -2.951125 10% level -2.614300
Jika data tidak stasioner pada tingkat level, maka data harus
distasionerkan dengan cara diferensi data pada tingkat pertama.
Pada hasil uji stasioneritas data variabel inflasi pada tingkat
diferensi pertama menunjukkan nilai probabilitas-nya lebih kecil
dari 5%, maka data sudah stasioner. Atau dengan melihat nilai
statistik DF sebesar -4,989073 lebih besar dari nilai kritis
Null Hypothesis: D(INF) has a unit root Exogenous: Constant
Lag Length: 0 (Automatic based on SIC, MAXLAG=9)
t-Statistic Prob.*
Augmented Dickey-Fuller test statistic -4.989073 0.0003 Test critical values: 1% level -3.639407
5% level -2.951125 10% level -2.614300
78
Mackinnon yaitu pada α = 1%; α = 5%; α = 10% masingmasing -3,639407; -2,951125; -2,614300 dengan demikian Ho ditolak,
sehingga dapat disimpulkan variabel inflasi stasioner pada tingkat
diferensi pertama. Dapat disimpulkan bahwa data inflasi tidak
stasioner pada tingkat level tetapi stasioner pada tingkat diferensi
pertama.
e. Uji Stasioneritas data pada variabel Produk Domestik Bruto
Hasil dari ADF Test Statistic di atas menunjukkan nilai
statistik DF untuk variabel Produk Domestik Bruto adalah sebesar
-3,79227 lebih besar dari nilai kritis Mackinnon yaitu pada α= 1%;
α= 5%; α= 10% masing-masing -3,632900; -2,948404; 2,612874. Dengan panjang kelambanan berdasarkan kriteria SIC (Schwarz
Info Criterion). Dengan demikian Ho ditolak, sehingga dapat
disimpulkan bahwa data variabel Produk Domestik Bruto stasioner
pada tingkat level, oleh karena itu tidak perlu dilakukan
79
Null Hypothesis: PDB has a unit root Exogenous: Constant
Lag Length: 0 (Automatic based on SIC, MAXLAG=9)
t-Statistic Prob.*
Augmented Dickey-Fuller test statistic -3.792227 0.0067 Test critical values: 1% level -3.632900
5% level -2.948404 10% level -2.612874
f. Uji stasioneritas data pada variabel indeks Hang Seng
Hasil dari ADF Test Statistic di atas menunjukkan nilai
statistik DF untuk variabel indeks Hang Seng adalah sebesar
-1,060869 lebih kecildari nilai kritis Mackinnon yaitu pada α = 1%; α = 5%; α = 10% masing-masing -3,632900; -2,948404; -2.612874 Dengan panjang kelambanan berdasarkan kriteria SIC (Schwarz
Info Criterion). Atau dengan melihat nilai probabiltas-nya yang
lebih besar dari 5%. Dengan demikian Ho diterima, sehingga dapat
disimpulkan variabel Indeks Hang Seng menghadapi masalah unit
80
Null Hypothesis: IH has a unit root Exogenous: Constant
Lag Length: 0 (Automatic based on SIC, MAXLAG=9)
t-Statistic Prob.*
Augmented Dickey-Fuller test statistic -1.060869 0.7200 Test critical values: 1% level -3.632900
5% level -2.948404 10% level -2.612874
Jika data tidak stasioner pada tingkat level, maka data harus
distasionerkan dengan cara diferensi data pada tingkat pertama.
Null Hypothesis: D(IH) has a unit root Exogenous: Constant
Lag Length: 0 (Automatic based on SIC, MAXLAG=9)
t-Statistic Prob.*
Augmented Dickey-Fuller test statistic -4.712876 0.0006 Test critical values: 1% level -3.639407
5% level -2.951125 10% level -2.614300
Pada hasil uji stasioneritas data variabel Indeks Hang Seng
pada tingkat diferensi pertama menunjukkan nilai probabilitas-nya
lebih kecil dari 5%, atau dengan melihat statistik DF sebesar
-4,712876 lebih besar dari nilai kritis Mackinnon yaitu pada α = 1%; α = 5%; α = 10% masingmasing 3,639407; 2,951125;
-81
2,614300 dengan demikian Ho ditolak, sehingga dapat disimpulkan
variabel indeks Hang Seng stasioner pada tingkat diferensi
pertama. Dapat disimpulkan bahwa data indeks Hang Seng tidak
stasioner pada tingkat level tetapi stasioner pada tingkat diferensi
pertama.
g. Uji Stasioneritas data pada variabel IHSG
Hasil dari ADF Test Statistic di atas menunjukkan nilai
statistik DF untuk variabel IHSG adalah sebesar -2,744436 lebih
besar dari nilai kritis Mackinnon yaitu pada α = 10% sebesar -2,625121. Dengan panjang kelambanan berdasarkan kriteria SIC
(Schwarz Info Criterion). Dengan demikian Ho ditolak, sehingga
dapat disimpulkan bahwa data variabel IHSG stasioner pada
tingkat level, oleh karena itu tidak perlu dilakukan transformasi
82 2. Uji GARCH
Setelah dilakukan uji stasioneritas data pada seluruh variabel dan
diyakini bahwa seluruh variabel tersebut sudah stasioner, maka langkah
selanjutnya adalah melakukan uji GARCH untuk menjelaskan pengaruh
variabel-variabel yang digunakan dalam penelitian ini dan berapa besar
pengaruhnya.
Model GARCH merupakan model perkembangan dari model
ARCH. Model ARCH (Autoregressive Conditional Heteroscedasticity)
dikembangkan oleh Robert Engle (1982) dan dimodifikasi oleh Mills
(1999), selanjutnya Tim Bollerslev (1986 dan 1994) juga memperkenalkan
model generalisasi ARCH yang disebut GARCH. GARCH ini
dimaksudkan untuk memperbaiki ARCH (Wing Wahyu, 2007:8.1).
Null Hypothesis: IHSG has a unit root Exogenous: Constant
Lag Length: 7 (Automatic based on SIC, MAXLAG=9)
t-Statistic Prob.*
Augmented Dickey-Fuller test statistic -2.744436 0.0794 Test critical values: 1% level -3.689194
5% level -2.971853 10% level -2.625121
83
Penulis akan mencari model GARCH yang paling layak untuk
menjelaskan pengaruh variabel-variabel aksi jual-beli asing, kurs, SBI,
inflasi, Produk Domestik Bruto dan indeks Hang Seng terhadap Indeks
Harga Saham Gabungan dan berapa besar pengaruhnya.
Untuk memilih model yang paling layak, maka dilakukan proses
trial dan error atau mencoba beberapa kemungkinan model, sehingga
menghasilkan model yang terbaik (Nachrowi, 2007:424). Ada beberapa
cara yang dapat digunakan untuk memilih model terbaik, yaitu memiliki
nilai R2 yang paling tinggi yang berarti model tersebut mampu
menjelaskan hubungan antara variabel independen terhadap variabel
dependen, melihat nilai koefisien AIC (Akaike Info Criterion) dan SIC
(Schwarz Info Criterion) yang paling rendah, masukkan nilai data ke
dalam persamaan (Wing Wahyu, 2007:8.21).
84
Dibawah ini hasil output Uji GARCH (1,1) sebagai berikut:
Tabel 4.8 Uji GARCH (1,1) Dependent Variable: IHSG
Method: ML - ARCH (Marquardt) - Normal distribution Date: 01/05/04 Time: 10:30
Sample: 2006M01 2008M12 Included observations: 36
Convergence achieved after 495 iterations Variance backcast: ON
GARCH = C(8) + C(9)*RESID(-1)^2 + C(10)*GARCH(-1)
Coefficient Std. Error z-Statistic Prob. C 2597.122 673.9695 3.853471 0.0001 DN 3.00E-06 1.22E-05 0.245929 0.8057 KURS -0.067542 0.042142 -1.602716 0.1090 SBI -1971.682 425.1038 -4.638118 0.0000 INF 214.0541 100.3433 2.133217 0.0329 PDB 0.000559 0.000428 1.304778 0.1920 IH 0.057986 0.010244 5.660326 0.0000 Variance Equation C 2369.610 2748.567 0.862126 0.3886 RESID(-1)^2 0.744087 0.589984 1.261199 0.2072 GARCH(-1) 0.115067 0.246359 0.467072 0.6404 R-squared 0.942469 Mean dependent var 1913.586 Adjusted R-squared 0.922554 S.D. dependent var 508.4170 S.E. of regression 141.4878 Akaike info criterion 12.49254 Sum squared resid 520488.8 Schwarz criterion 12.93241 Log likelihood -214.8658 F-statistic 47.32543 Durbin-Watson stat 1.101475 Prob(F-statistic) 0.000000
Bedasarkan tabel 4.8 variabel SBI, inflasi, indeks Hang Seng, dan
titik c yaitu titik intercept menunjukkan pengaruh yang signifikan dengan
probabilitas lebih kecil dari α=5%, sedangkan variabel aksi jual-beli asing, kurs, dan PDB tidak signifikan karena nilai probabilitas jauh lebih besar
85
dari α=5% (Wing Wahyu, 2007:8.8). Model GARCH (1,1) memiliki nilai R2 sebesar 94,2% yang artinya variasi variabel aksi jual-beli asing, kurs
SBi, inflasi, PDB dan indeks Hang Seng dalam menjelaskan variasi
variabel IHSG sebesar 94,2%, sedangkan sisa-nya sebesar 5,8% dijelaskan
oleh faktor lain yang tidak diteliti. Selain itu nilai AIC (Akaike Info
criterion) dan SIC (Schwarz Info criterion) masing-masing sebesar 12,49
dan 12,93 karena untuk menghasilkan model GARCH yang paling layak
adalah memiliki nilai R2 yang paling tinggi, nilai AIC dan SIC yang paling
rendah, maka akan dicoba model berikutnya sampai menghasilkan model
86
Berikutnya akan dicoba GARCH (1,2) dengan output sebagai berikut:.
Tabel 4.9 Uji GARCH (1,2)
Berdasarkan tabel 4.9 hanya variabel SBI, inflasi, indeks Hang
Seng, dan titik c yaitu titik intercept yang memiliki pengaruh signifikan
Dependent Variable: IHSG
Method: ML - ARCH (Marquardt) - Normal distribution Date: 01/05/04 Time: 10:41
Sample: 2006M01 2008M12 Included observations: 36
Convergence achieved after 67 iterations Variance backcast: ON
GARCH = C(8) + C(9)*RESID(-1)^2 + C(10)*RESID(-2)^2 + C(11) *GARCH(-1)
Coefficient Std. Error z-Statistic Prob. C 3108.633 555.6552 5.594537 0.0000 DN 6.90E-06 1.33E-05 0.517503 0.6048 KURS -0.045240 0.048293 -0.936776 0.3489 SBI -2610.301 420.9193 -6.201430 0.0000 INF 386.2074 137.1416 2.816121 0.0049 PDB -6.30E-05 0.000676 -0.093156 0.9258 IH 0.050145 0.008092 6.197101 0.0000 Variance Equation C 8464.205 9306.365 0.909507 0.3631 RESID(-1)^2 0.577372 0.615465 0.938106 0.3482 RESID(-2)^2 0.670966 0.425414 1.577207 0.1147 GARCH(-1) -0.696798 0.340609 -2.045740 0.0408 R-squared 0.945652 Mean dependent var 1913.586 Adjusted R-squared 0.923913 S.D. dependent var 508.4170 S.E. of regression 140.2413 Akaike info criterion 12.62206 Sum squared resid 491690.9 Schwarz criterion 13.10592 Log likelihood -216.1971 F-statistic 43.49981 Durbin-Watson stat 0.900173 Prob(F-statistic) 0.000000
87
dengan probabilitas lebih kecil dari α=5%, sedangkan variabel aksi jual -beli asing, kurs, dan PDB memiliki pengaruh yang tidak signifikan karena
nilai probabilitas jauh lebih besar dari α=5% (Wing Wahyu, β007:8.8).
Model GARCH (1,2) lebih baik dari model sebelumnya karena nilai R
-squared lebih tinggi daripada model sebelumnya yaitu sebesar 94,5%,
namun nilai AIC (Akaike Info Criterion) dan SIC (Schwarz Info Criterion)
lebih tinggi dibandingkan model sebelumnya sebesar 12,62 untuk nilai
88
Tabel 4.10 Uji GARCH (0,1) Dependent Variable: IHSG
Method: ML - ARCH (Marquardt) - Normal distribution Date: 01/05/04 Time: 10:25
Sample: 2006M01 2008M12 Included observations: 36
Convergence achieved after 146 iterations Variance backcast: ON
GARCH = C(8) + C(9)*RESID(-1)^2
Coefficient Std. Error z-Statistic Prob. C 2706.341 744.9069 3.633127 0.0003 DN 2.66E-06 1.16E-05 0.229158 0.8187 KURS -0.068562 0.044851 -1.528641 0.1264 SBI -2104.917 413.4710 -5.090845 0.0000 INF 251.2601 91.16481 2.756108 0.0058 PDB 0.000595 0.000394 1.509497 0.1312 IH 0.056731 0.011007 5.154016 0.0000 Variance Equation C 3725.268 2587.634 1.439642 0.1500 RESID(-1)^2 0.724781 0.582448 1.244370 0.2134 R-squared 0.943629 Mean dependent var 1913.586 Adjusted R-squared 0.926926 S.D. dependent var 508.4170 S.E. of regression 137.4359 Akaike info criterion 12.47005 Sum squared resid 509993.0 Schwarz criterion 12.86593 Log likelihood -215.4609 F-statistic 56.49617 Durbin-Watson stat 1.153882 Prob(F-statistic) 0.000000
Berdasarkan hasil tabel 4.10 ternyata variasi model GARCH (0,1)
masih belum signifikan yaitu variabel aksi jual-beli asing, kurs, Produk
Domestik Bruto karena nilai probabilitas jauh lebih besar dari α=5% (Wing Wahyu, 2007:8.8). Selain itu, nilai R2 yang dihasilkanlebih rendah
89
lebih rendah daripada model sebelumnya. Sehingga akan dicoba model
berikutnya yaitu GARCH (0,2), dengan hasil output sebagai berikut:
Tabel 4.11 Uji GARCH (0,2) Dependent Variable: IHSG
Method: ML - ARCH (Marquardt) - Normal distribution Date: 01/05/04 Time: 10:26
Sample: 2006M01 2008M12 Included observations: 36
Convergence achieved after 340 iterations Variance backcast: ON
GARCH = C(8) + C(9)*RESID(-1)^2 + C(10)*RESID(-2)^2
Coefficient Std. Error z-Statistic Prob. C 2615.512 671.2532 3.896460 0.0001 DN 2.73E-06 1.21E-05 0.225919 0.8213 KURS -0.066095 0.042316 -1.561924 0.1183 SBI -1995.824 425.5233 -4.690282 0.0000 INF 218.2834 98.03821 2.226514 0.0260 PDB 0.000528 0.000439 1.202417 0.2292 IH 0.057765 0.010192 5.667539 0.0000 Variance Equation C 2659.249 2849.601 0.933200 0.3507 RESID(-1)^2 0.742138 0.586334 1.265726 0.2056 RESID(-2)^2 0.102814 0.238749 0.430638 0.6667 R-squared 0.943168 Mean dependent var 1913.586 Adjusted R-squared 0.923495 S.D. dependent var 508.4170 S.E. of regression 140.6260 Akaike info criterion 12.49267 Sum squared resid 514167.4 Schwarz criterion 12.93254 Log likelihood -214.8681 F-statistic 47.94279 Durbin-Watson stat 1.092175 Prob(F-statistic) 0.000000
Berdasarkan tabel 4.11 pada variabel aksi jual-beli asing, kurs, dan
Produk Domestik Bruto menunjukkan pengaruh tidak signifikan dengan
90
Variasi model GARCH (0,2) memiliki nilai R2 yang sama dengan model
sebelumnya sebesar 94,3%, sedangkan nilai AIC dan SIC lebih tinggi yaitu
masing-masing sebesar 12,49 dan 12,93. Berikutnya akan dicoba model
GARCH (0,3), dengan output sebagai berikut:
Tabel 4.12 Uji GARCH (0,3) Dependent Variable: IHSG
Method: ML - ARCH (Marquardt) - Normal distribution Date: 01/05/04 Time: 10:27
Sample: 2006M01 2008M12 Included observations: 36
Failure to improve Likelihood after 15 iterations Variance backcast: ON
GARCH = C(8) + C(9)*RESID(-1)^2 + C(10)*RESID(-2)^2 + C(11) *RESID(-3)^2
Coefficient Std. Error z-Statistic Prob. C 3108.639 730.9952 4.252613 0.0000 DN 4.24E-06 1.62E-05 0.262572 0.7929 KURS -0.039370 0.070461 -0.558755 0.5763 SBI -2610.387 535.8198 -4.871762 0.0000 INF 386.5665 158.8249 2.433916 0.0149 PDB -0.000176 0.000873 -0.201354 0.8404 IH 0.049763 0.009164 5.430404 0.0000 Variance Equation C 9010.290 4691.129 1.920708 0.0548 RESID(-1)^2 0.343182 0.273151 1.256381 0.2090 RESID(-2)^2 0.293212 0.255538 1.147433 0.2512 RESID(-3)^2 -0.257441 0.162881 -1.580540 0.1140 R-squared 0.946247 Mean dependent var 1913.586 Adjusted R-squared 0.924746 S.D. dependent var 508.4170 S.E. of regression 139.4712 Akaike info criterion 12.61568 Sum squared resid 486305.3 Schwarz criterion 13.09953 Log likelihood -216.0822 F-statistic 44.00923 Durbin-Watson stat 0.914304 Prob(F-statistic) 0.000000
91
Berdasarkan tabel 4.12 menunjukkan pengaruh tidak signifikan pada
variabel aksi jual-beli asing, kurs, dan Produk Domestik Bruto (PDB)
dengan probabilitas lebih besar dari α=5%, sedangkan variabel SBI,
inflasi, indeks Hang Seng dan titik C (intercept) memiliki pengaruh
signifikan dengan nilai probabilitas kurang dari α=5%. Namun, variasi
model GARCH (0,3) menunjukkan nilai R2 yang cukup tinggi sebesar
94,6%, namun nilai AIC dan SIC menunjukkan lebih tinggi sebesar 12,61
92
Berikutnya akan dicoba model GARCH (2,1) dengan hasil output
sebagai berikut:
Tabel 4.13 Uji GARCH (2,1) Dependent Variable: IHSG
Method: ML - ARCH (Marquardt) - Normal distribution Date: 01/05/04 Time: 10:31
Sample: 2006M01 2008M12 Included observations: 36
Convergence achieved after 46 iterations Variance backcast: ON
GARCH = C(8) + C(9)*RESID(-1)^2 + C(10)*GARCH(-1) + C(11) *GARCH(-2)
Coefficient Std. Error z-Statistic Prob. C 3108.638 1014.940 3.062878 0.0022 DN -1.67E-06 1.42E-05 -0.117909 0.9061 KURS -0.051328 0.109007 -0.470873 0.6377 SBI -2610.389 325.3006 -8.024543 0.0000 INF 386.5653 85.98820 4.495562 0.0000 PDB 0.000279 0.000423 0.659782 0.5094 IH 0.049891 0.010047 4.965773 0.0000 Variance Equation C 7918.133 10218.83 0.774857 0.4384 RESID(-1)^2 0.622456 0.472383 1.317694 0.1876 GARCH(-1) 0.422370 0.296837 1.422903 0.1548 GARCH(-2) -0.476765 0.530500 -0.898709 0.3688 R-squared 0.948989 Mean dependent var 1913.586 Adjusted R-squared 0.928584 S.D. dependent var 508.4170 S.E. of regression 135.8678 Akaike info criterion 12.60802 Sum squared resid 461501.8 Schwarz criterion 13.09187 Log likelihood -215.9444 F-statistic 46.50888 Durbin-Watson stat 1.099199 Prob(F-statistic) 0.000000
93
Berdasarkan hasil output diatas, model GARCH (2,1) memiliki
pengaruh yang signifikan dengan nilai probabilitas kurang dari α=5% pada variabel SBI, inflasi, indeks Hang Seng dan titik C (intercept),
sedangkan variabel aksi jual-beli asing, kurs, dan Produk Domestik Bruto
memiliki pengaruh yang tidak signifikan karena nilai probabilitas yang
jauh lebih besar dari α=5% (Wing Wahyu, 2007:8.8). Selain itu, variasi model GARCH (2,1) memiliki nilai R-Squared yang lebih tinggi daripada
model sebelumnya yaitu sebesar 94,8%, namun, nilai AIC dan SIC lebih
tinggi daripada model sebelumnya sebesar 12,60 untuk AIC (Akaike Info
94
Tabel 4.14 Uji TARCH (0,1) Dependent Variable: IHSG
Method: ML - ARCH (Marquardt) - Normal distribution Date: 01/05/04 Time: 10:17
Sample: 2006M01 2008M12 Included observations: 36
Convergence achieved after 8 iterations
Bollerslev-Wooldrige robust standard errors & covariance Variance backcast: ON
GARCH = C(8) + C(9)*RESID(-1)^2 + C(10)*RESID(-1)^2*(RESID( -1)<0)
Coefficient Std. Error z-Statistic Prob. C 3108.630 168.0460 18.49869 0.0000 DN -4.29E-06 1.22E-07 -35.13649 0.0000 KURS -0.045728 0.012808 -3.570270 0.0004 SBI -2610.360 101.8251 -25.63573 0.0000 INF 386.6186 58.51478 6.607195 0.0000 PDB 0.000141 2.58E-05 5.473780 0.0000 IH 0.048908 0.002165 22.58646 0.0000 Variance Equation C 8074.152 3626.133 2.226657 0.0260 RESID(-1)^2 0.615549 0.336294 1.830391 0.0672 RESID(-1)^2*(RESID(-1)<0) -0.749333 0.341390 -2.194947 0.0282 R-squared 0.948074 Mean dependent var 1913.586 Adjusted R-squared 0.930099 S.D. dependent var 508.4170 S.E. of regression 134.4193 Akaike info criterion 12.52430 Sum squared resid 469782.2 Schwarz criterion 12.96417 Log likelihood -215.4374 F-statistic 52.74539 Durbin-Watson stat 1.038776 Prob(F-statistic) 0.000000
Berdasarkan tabel 4.14 Hasil estimasi uji TARCH (0,1)
menunjukkan bahwa ke-enam variabel bebas yakni variabel aksi jual-beli
asing, kurs, SBI, inflasi, Produk Domestik Bruto dan Indeks Hang Seng
95
probabilitas lebih kecil dari α=5% (Wing Wahyu, β007:8.8). Dengan demikian, model Threshold ARCH atau TARCH (0,1) adalah model yang
relatif paling layak dibuktikan dengan semua variabel yang digunakan
dalam penelitian memiliki pengaruh yang signifikan pada probabilitas
lebih kecil dari α=5%. Selain itu, pemilihan model TARCH (0,1)
merupakan model yang paling layak dibuktikan dengan nilai R-Squared
cukup tinggi sebesar 94,8% yang berarti model tersebut mampu
menjelaskan hubungan antara variabel independen (aksi jual-beli asing,
kurs, SBI, inflasi, PDB dan indeks Hang Seng) terhadap variabel dependen
(IHSG), adapun untuk nilai AIC (Akaike Info Criterion) dan SIC
(Schwarz Info Criterion) pada model TARCH (0,1) menunjukkan nilai
yang cukup rendah sebesar 12,52 untuk nilai AIC sedangkan SIC sebesar
12,96, dengan model persamaan uji TARCH (0,1) sebagai berikut:
IHSG = 3108,630 – 4,29×106DN – 0,045728KURS - 2610,360SBI + 386,6186INF + 0,000141PDB + 0,048908IH
Persamaan varian residualnya adalah:
σ2
t = 8074,152 + 0,0615549 ε2
t-1– 0,749333dt-1
Hasil ini juga dibuktikan dengan hasil pengujian yang sebelumnya
dilakukan yang menunjukkan model TARCH (0,1) adalah model yang
96
Untuk memastikan model TARCH (0,1) adalah model yang paling
layak maka akan dilakukan Uji TARCH (1,1) sebagai pembanding dengan
hasil yang telah diperoleh pada model TARCH (0,1). Hasil output Uji
TARCH (1,1) adalah:
Tabel 4.15 Uji TARCH (1,1)
Dependent Variable: IHSG
Method: ML - ARCH (Marquardt) - Normal distribution Date: 01/05/04 Time: 10:19
Sample: 2006M01 2008M12 Included observations: 36
Convergence achieved after 38 iterations
Bollerslev-Wooldrige robust standard errors & covariance Variance backcast: ON
GARCH = C(8) + C(9)*RESID(-1)^2 + C(10)*RESID(-1)^2*(RESID( -1)<0) + C(11)*GARCH(-1)
Coefficient Std. Error z-Statistic Prob. C 3108.639 163.8680 18.97039 0.0000 DN -1.50E-06 7.74E-08 -19.35573 0.0000 KURS -0.055640 0.010404 -5.347723 0.0000 SBI -2610.382 148.4238 -17.58735 0.0000 INF 386.5686 55.00784 7.027518 0.0000 PDB 0.000399 1.50E-05 26.66516 0.0000 IH 0.048406 0.003260 14.84703 0.0000 Variance Equation C 7986.393 3962.687 2.015398 0.0439 RESID(-1)^2 0.931153 0.311982 2.984635 0.0028 RESID(-1)^2*(RESID(-1)<0) -0.949790 0.309712 -3.066686 0.0022 GARCH(-1) -0.188544 0.093112 -2.024919 0.0429 R-squared 0.943195 Mean dependent var 1913.586 Adjusted R-squared 0.920473 S.D. dependent var 508.4170 S.E. of regression 143.3763 Akaike info criterion 12.59497 Sum squared resid 513918.9 Schwarz criterion 13.07882 Log likelihood -215.7094 F-statistic 41.51023 Durbin-Watson stat 1.035991 Prob(F-statistic) 0.000000
97
Berdasarkan tabel 4.11 semua variabel yang terdiri dari aksi
jual-beli asing, kurs, SBI, inflasi, Produk Domestik Bruto dan indeks Hang
Seng menunjukkan pengaruh signifikan dengan probabilitas lebih kecil
dari α=5%. Pada tabel 4.11 menunjukkan nilai R-squared lebih rendah daripada model TARCH (0,1) sebesar 94,3%, dan nilai AIC (Akaike Info
Criterion) yang lebih tinggi sebesar 12,59, SIC (Schwarz Info Criterion)
sebesar 13,07. Berikutnya dicoba model TARCH (2,1) dengan hasil output
98
Tabel 4.16 Uji TARCH (2,1) Dependent Variable: IHSG
Method: ML - ARCH (Marquardt) - Normal distribution Date: 01/05/04 Time: 10:20
Sample: 2006M01 2008M12 Included observations: 36
Convergence achieved after 9 iterations
Bollerslev-Wooldrige robust standard errors & covariance Variance backcast: ON
GARCH = C(8) + C(9)*RESID(-1)^2 + C(10)*RESID(-1)^2*(RESID( -1)<0) + C(11)*GARCH(-1) + C(12)*GARCH(-2)
Coefficient Std. Error z-Statistic Prob. C 3108.638 275.3747 11.28876 0.0000 DN -6.57E-06 4.13E-07 -15.89676 0.0000 KURS -0.041352 0.019776 -2.090957 0.0365 SBI -2610.389 179.4960 -14.54288 0.0000 INF 386.5694 61.65086 6.270300 0.0000 PDB -3.69E-05 3.87E-05 -0.951617 0.3413 IH 0.050015 0.004305 11.61865 0.0000 Variance Equation C 7918.134 6440.412 1.229445 0.2189 RESID(-1)^2 0.571740 0.310028 1.844154 0.0652 RESID(-1)^2*(RESID(-1)<0) -0.446631 0.419167 -1.065520 0.2866 GARCH(-1) 0.156882 0.791568 0.198192 0.8429 GARCH(-2) -0.308170 0.158580 -1.943304 0.0520 R-squared 0.948528 Mean dependent var 1913.586 Adjusted R-squared 0.924937 S.D. dependent var 508.4170 S.E. of regression 139.2941 Akaike info criterion 12.83391 Sum squared resid 465668.1 Schwarz criterion 13.36175 Log likelihood -219.0104 F-statistic 40.20689 Durbin-Watson stat 1.031943 Prob(F-statistic) 0.000000
Berdasarkan tabel 4.16 hanya variabel aksi jual-beli asing, kurs,
SBI, inflasi, indeks Hang Seng dan titik C (intercept) memiliki pengaruh
99
PDB tidak signifikan karena nilai probabilitas-nya lebih besar dari α=5%. Selain itu, nilai R-squared memiliki nilai yang sama dengan model
TARCH (0,1) sebesar 94,8%, namun nilai AIC dan SIC lebih tinggi
daripada model TARCH (0,1) yaitu sebesar 12,83 untuk AIC (Akaike info
criterion) dan 13,36 untuk SIC (Schwarz Info Criterion).
Tabel 4.17
Tabel Hasil Beberapa Alternatif model
Model Akaike Schwarz R-squared
GARCH (1,1) 12,49 12,93 94,2% GARCH (1,2) 12,62 13,10 94,5% GARCH (0,1) 12,47 12,86 94,3% GARCH (0,2) 12,49 12,93 94,3% GARCH (0,3) 12,61 13,09 94,6% GARCH (2,1) 12,60 13,09 94,8% TARCH (0,1) 12,52 12,96 94,8% TARCH (1,1) 12,59 13,07 94,3% TARCH (2,1) 12,83 13,36 94.8%
Dengan demikian, model yang lebih baik adalah model TARCH
(0,1) dibuktikan dengan semua variabel yang digunakan dalam penelitian
ini memiliki pengaruh yang signifikan pada probabilitas lebih kecil dari
α=5%, dan sesuai dengan teori. Selain itu, dalam memilih model yang
paling layak adalah memiliki nilai R2 yang paling tinggi yang berarti
model tersebut mampu menjelaskan hubungan variabel-variabel
independen terhadap variabel dependen, serta memiliki nilai AIC dan SIC
yang rendah (Wing Wahyu, 2007:8.21). Model TARCH (0,1) memenuhi
100
nilai AIC (Akaike info criterion) sebesar 12,52, sedangkan nilai SIC
(Schwarz Info Criterion) sebesar 12,96.
D. Interpretasi
Berdasarkan pembahasan pada bab-bab sebelumnya dengan hasil penelitian
Model TARCH (0,1) merupakan model yang paling layak dibuktikan dengan
semua variabel independen yang digunakan dalam penelitian yang terdiri dari
variabel independen (aksi jual-beli asing, kurs, SBI, inflasi, PDB dan indeks Hang
Seng) memiliki pengaruh yang signifikan terhadap variabel dependen (IHSG)
dengan probabilitas lebih kecil dari α=5%. Selain itu, model TARCH (0,1)
memiliki nilai R2 yang lebih tinggi dibandingkan dengan model sebelumnya yaitu
sebesar 94,8%, yang artinya variasi variabel aksi jual-beli asing, kurs, SBI, inflasi,
PDB dan indeks Hang Seng dalam menjelaskan variasi variabel IHSG sebesar
94,8% dan sisanya sebesar 5,8% dijelaskan oleh faktor lain yang tidak diteliti.
Model TARCH (0,1) juga memiliki nilai AIC (Akaike Info Criterion) sebesar
12,52 dan SIC (Schwarz Info Criterion) sebesar 12,96, lebih rendah daripada
model sebelumnya. Sedangkan model persamaannya adalah:
IHSG = 3108,630 – 4,29×106 DN – 0,045728KURS – 2610,360SBI + 386,6186INF + 0,000141PDB + 0,048908IH
Dengan penjelasan sebagai berikut:
Konstanta sebesar 3108,630, menyatakan bahwa apabila tidak terdapat
variabel aksi jual-beli asing, kurs, SBI, inflasi, Produk Domestik Bruto dan indeks
101
1. Variabel aksi jual-beli asing memiliki koefisien negatif dan
berpengaruh signifikan terhadap IHSG dengan probabilitas lebih kecil
dari α=5%. Besarnya koefisien aksi jual-beli asing sebesar -4,29×106