V. HASIL DAN PEMBAHASAN
5.1. Hasil Pra Estimasi 1 Uji Stasioneritas Data
Data yang digunakan di dalam penelitian ini adalah datatime series. Datatime series biasanya memiliki permasalahan terkait dengan stasioneritas, sehingga perlu diuji stasioneritas dari data-data tersebut. Gujarati (2003) menyatakan bahwa data time seriesyang stasioner memberikan arti bahwa data tersebut mempunyai distribusi rata-rata dan varian yang tetap sepanjang waktu. Oleh karena itu, melakukan uji stasioneritas data merupakan tahap yang penting dalam menganalisis datatime series untuk melihat ada tidaknya unit root yang terkandung di antara variabel dalam persamaan menjadi valid dan tidak menghasilkan spurious regression atau regresi palsu.
Salah satu cara untuk menghindari regresi palsu pada variabel adalah dengan memastikan bahwa variabel tersebut stasioner. Ada beberapa cara yang dapat dilakukan untuk mengukur stasioneritas, salah satunya adalah dengan menggunakan Augmented Dickey Fuller (ADF) test. Berdasarkan uji tersebut, jika nilai statistik ADF dari masing-masing variabel lebih kecil daripada nilai kritis MacKinnon maka dapat dikatakan bahwa data tersebut stasioner.
Berdasarkan hasil pengujian ADF pada tingkatlevel, variabel SBI, SBIS, INF, dan NAB stasioner pada level. Sedangkan variabel ER, IHSG, dan JII mengandung unit root atau dengan kata lain tidak stasioner pada level. Hal ini dapat dilihat dari
nilai statistik ADF terhadap nilai kritis MacKinnon. Variabel-variabel yang stasioner memiliki nilai statistik ADF yang lebih kecil dibandingkan dengan nilai kritis MacKinnon. Hal sebaliknya terjadi pada variabel-variabel yang tidak stasioner, dimana nilai statistik ADF lebih besar dibandingkan dengan nilai kritis MacKinnon. Sehingga untuk lebih meyakinkan dan mencegah adanya regresi palsu maka bagi variabel yang tidak stasioner perlu dilakukan unit root test pada tingkat first difference.
Berdasarkan hasil pengujian ADF pada tingkat first difference, diperoleh bahwa variabel ER, IHSG, dan JII stasioner pada tingkat ini. Hal ini disebabkan karena nilai statistik ADF variabel SBI, ER, IHSG, dan JII yang lebih kecil dibandingkan dengan nilai kritis MacKinnon. Sehingga variabel SBI, ER, IHSG, dan JII stasioner pada tingkatfirst differenceatau derajat integrasi satu I(I).
Tabel 7. Uji Stasioneritas
Variabel
Level First Difference
Nilai ADF Keterangan Nilai ADF Keterangan SBI -2,622692 Stasioner -4,106045 Stasioner SBIS -3,992629 Stasioner -1,353826 Stasioner LOG_ER -2,191468 Tidak Stasioner -9,587763 Stasioner INF -8,669900 Stasioner -1,273907 Stasioner LOG_IHSG 0,3796 Tidak Stasioner -8,106835 Stasioner LOG_JII -2,104476 Tidak Stasioner -7,988462 Stasioner LOG_NAB -3,084726 Stasioner -4,560765 Stasioner
Penggunaan data first difference dan second difference menurut Sims dalam Enders (2004) tidak direkomendasikan sebab akan menghilangkan informasi jangka panjang. Digunakan dataleveluntuk menganalisis informasi jangka panjang sehingga model VAR akan dikombinasikan dengan model koreksi kesalahan (error correction model) menjadi VECM.
5.1.2 PenentuanLagOptimum
Pengujian panjang lag optimal ini sangat berguna untuk menghilangkan masalah autokorelasi dalam sistem VAR. sehingga dengan digunakannyalagoptimal diharapkan permasalahan terkait autokorelasi tidak muncul kembali. Penentuan lag optimal yang digunakan pada penelitian ini didasarkan pada nilaiAkaike Information Criterion(AIC). Hasil pengujianlagoptimal tersebut dapat dilihat pada tabel 8.
Tabel 8. UjiLagOptimal Model NAB Reksadana Syariah
Lag AIC 0 8,720374 1 -5,570366 2 -6,666464* *Angka terkecil Sumber: Lampiran 2
Penghitungan nilai Akaike Information Criterion (AIC) mengindikasikan bahwa nilai AIC terkecil yaitu -6,666464* terdapat pada lag dua. Oleh karena itu, pada analisis VAR akan digunakanlagdua sebagailagoptimum.
5.1.3. Uji StabilitasVector Auto Regression
Hasil estimasi sistem persamaan VAR yang telah terbentuk perlu diuji stabilitasnya melalui VAR stability condition check yang berupa roots of characteristic polynomialterhadap seluruh variabel yang digunakan dikalikan jumlah lag dari masing-masing VAR sebelum masuk pada tahap analisis yang lebih jauh lagi. Persamaan VAR dikategorikan stabil jika modulus dari seluruh roots of characteristic polynomial lebih kecil dari satu. Dapat dilakukan estimasi terhadap VECM setelah sistem persamaan VAR stabil. Jumlah variabel yang digunakan di dalam penelitian ini sebanyak tujuh variabel dengan lag sebanyak dua, maka jumlah rootyang diuji sebanyak empat belas.
Sistem VAR yang digunakan dapat disimpulkan adalah bersifat stabil berdasarkan hasil uji stabilitas VAR. hal tersebut dapat dibuktikan dari empat belas root yang diuji memiliki modulus dari seluruh roots of characteristic polynomial 0,05-0,99. Informasi lebih jelas dapat dilihat pada lampiran 3.
5.1.4. Uji Kointegrasi
Keberadaan variabel yang tidak stasioner meningkatkan potensi adanya hubungan kointegrasi antar variabel. Variabel yang tidak stasioner memenuhi syarat untuk proses terjadinya kointegrasi, yaitu semua variabel stasioner pada derajat yang sama yaitu derajat I(I). Hal ini menunjukkan bahwa semua variabel dalam sistem mempunyai sifat integrated of order one, I(I). Oleh sebab itu, pengujian kointegrasi akan dilakukan terhadap masing-masing model sesuai dengan panjang lag
optimumnya. Hasil uji kointegrasi menggunakan tes Johanssen’s Trace Statistic dapat dilihat pada tabel 9 berikut.
Tabel 9. Uji Johanssen Trace StatisticModel NAB Reksadana Syariah Hypothesized
No. of CE(s) Eigenvalue
Trace
Statistic Critical Value 5%
None * 0,476301 149,9239 111,7805 At most 1 0,291978 81.35909 83,93712 At most 2 0,180325 44,75941 60,06141 At most 3 0,113897 23,68162 40,17493 At most 4 0,062422 10,86384 24,27596 At most 5 0,031751 4,031612 12,32090 At most 6 0,005752 0,611450 4,129906
*Signifikan pada tingkat 5% Sumber: Lampiran 4
Uji Johanssen’s Trace Statistic digunakan untuk mengetahui jumlah persamaan kointegrasi di dalam sistem. Untuk menentukan jumlah persamaan yang terkointegrasi dilakukan dengan membandingkan estimasi Trace Statistic terhadap nilai kritisnya (critical value), yang pada penelitian digunakan tingkat kritis 5%. Sebuah persamaan dikatakan terkointegrasi apabila nilai Trace Statistic-nya lebih besar daripada nilai kritis yang digunakan.
Sebagaimana yang terlihat pada tabel diatas 9 diatas, terdapat satu persamaan yang terkointegrasi. Hal ini dapat dilihat dengan adanya satu nilaiTrace Statistic-nya lebih besar daripada nilai kritis yang digunakan.
