Operasional Variabel Penelitian

BAB III.............................................................................................................. 51

E. Operasional Variabel Penelitian

Supaya setiap variabel yang terdapat di dalam penelitian ini dapat dimengerti dengan jelas, serta untuk menghindari kesalahan dalam menafsirkan pengertian, maka perlu pembatasan pengertian dari varibel yang akan diteliti. Berikut ini deskripsi dari sembilan indeks yang akan diteliti, yaitu :

1. Variabel Terikat (Dependent Variable)

Variabel dependen menurut Sugiyono (2016) merupakan variabel yang dipengaruhi atau menjadi akibat, karena adanya variabel bebas. Dalam penelitian ini, variabel dependennya adalah sebagai berikut :

a. IHSG

Indeks Harga Saham Gabungan (IHSG) merupakan indeks pasar saham yang digunakan oleh Bursa Efek Indonesia (BEI).

Diperkenalkan pertama kali pada tanggal 1 April 1983 sebagai indikator pergerakan harga saham di Bursa Efek Jakarta (BEJ). Hari dasar perhitungan IHSG adalah tanggal 10 Agustus 1982. Pada tanggal tersebut, Indeks ditetapkan dengan nilai dasar 100 dan saham tercatat pada saat itu berjumlah 13 saham. Sekarang ini

jumlah emiten yang tercatat di Bursa Efek Indonesia sudah mencapai 512 emiten. Terdapat dua metode perhitungan indeks ini yaitu menggunakan rumus sebagai berikut: (Idx.Co.Id)

1. Metode rata-rata (Average Methode) Indeks IHSG = ∑𝑃

𝑑𝑖𝑣𝑖𝑠𝑜𝑟

Keterangan:

∑p = Jumlah seluruh saham yang tercatat

Divisor = Angka yang ditentukan oleh otoritas bursa sebagai bilangan pembagi

2. Metode rata-rata tertimbang (Weighted Average Methode) JKSE = ∑(𝑃𝑠 𝑋 𝑆𝑠)

∑(𝑃𝑏𝑎𝑠𝑒 𝑋 𝑆𝑠) Keterangan:

Ps = Harga saham sekarang Ss = Harga saham awal Pbase = Harga saham dasar b. KLCI

Kuala Lumpur Composite Index (KLCI) diluncurkan sebagai indeks terbuka dengan total 83 perusahaan pada 4 April 1986.

Semenjak 6 Juli 2009 hingga saat ini, KLCI dikenal sebagai FTSE Bursa Malaysia KLCI sebagai dasar pengukuran Pasar Modal Malaysia. KLSE diperkenalkan pada tahun 1986 yang digunakan sebagain indikator kinerja pasar saham dan ekonomi Malaysia.

FTSE Bursa Malaysia KLCI terdiri dari 30 perusahaan yang paling likuid di bursa saham Malaysia. Nilai dasar dari indeks ini adalah sebesar 100 yang ditetapkan sejak Januari 1977. Metode perhitungan indeks ini menggunakan rumus sebagai berikut : (Bursamalaysia.Com)

Indeks KLCI = ∑𝑃

𝑑𝑖𝑣𝑖𝑠𝑜𝑟

Keterangan:

∑p = Jumlah seluruh saham yang tercatat

Divisor = Angka yang ditentukan oleh otoritas bursa sebagai bilangan pembagi

c. PSEI

Phillipine Stock Exchange (PSE) merupakan satu-satunya bursa saham yang berada di Filipina. PSE didirikan pada tahun 1992 dari penggabungan Bursa Efek Manila dan Bursa Efek Makati. Bursa tersebut telah beroperasi sebelumnya sejak 1927. Indeks utama PSE adalah PSE Composite Index (PSEi) yang terdiri dari 30 emiten. Metode yang digunakan untuk menghitung indeks ini adalah dengan kapitalisasi pasar menggunakan jumlah saham yang beredar atau free-float market capitalization dengan rumus sebagai berikut : (Www.Pse.Com.Ph)

Indeks PSEI = ∑𝑃

𝑑𝑖𝑣𝑖𝑠𝑜𝑟

Keterangan:

∑p = Jumlah seluruh saham yang tercatat

Divisor = Angka yang ditentukan oleh otoritas bursa sebagai bilangan pembagi

d. STI

Singapore Exchange Ltd (SGX) adalah bursa saham pertama di Asia Pasifik yang terintegrasi dan terdemutualisasi. Pada 31 Januari 2013, tercatat sebanyak 776 perusahaan yang terdapat di Singapore Exchange Ltd. Indeks saham Singapura yang sering di jadikan acuan yaitu Straits Times Index.FTSE Straits Times Index (STI) merupakan indeks tertimbang dari kapitalisasi pasar saham yang dianggap sebagai indeks acuan untuk pasar saham Singapura.

STI menggantikan Straits Times Industrials Index (STII) dan mulai diperdagangkan pada 31 Agustus 1998. STI kembali diubah dan diluncurkan kembali pada 10 Januari 2008 sebagai bagian dari kemitraan baru antara SPH, SGX dan FTSE. Jumlah saham konstituen dikurangi dari sekitar 50 menjadi 30. Metode perhitungan indeks ini menggunakan rumus sebagai berikut : (Www.Straitstimes.Com)

Indeks STI = ∑𝑃

𝑑𝑖𝑣𝑖𝑠𝑜𝑟

Keterangan:

∑p = Jumlah seluruh saham yang tercatat

Divisor = Angka yang ditentukan oleh otoritas bursa sebagai bilangan pembagi

*Penentuan penggunaan harga ditentukan berdasarkan perusahaan terbesar di pasar saham Singapura.

e. SET

Stock Exchange of Thailand (SET) merupakan bursa saham utama dan satu-satunya di Thailand. Era modern pasar modal Thailand dibagi menjadi dua fase, yaitu mulai dari Bangkok Stock Exchange (BSE) milik swasta yang didirikan pada Juli 1962 dalam bentuk persekutuan terbatas, hingga pada tanggal 1 Januari 1991 diubah menjadi Bursa Efek Thailand (SET). SET memiliki 8 kelompok industri dan 28 sektor. Metode yang digunakan untuk menghitung indeks ini adalah dengan kapitalisasi pasar menggunakan jumlah saham yang beredar atau free-float market capitalization dengan rumus sebagai berikut: (Set.or.Th)

Indeks SET = ∑𝑃

𝑑𝑖𝑣𝑖𝑠𝑜𝑟

Keterangan:

∑p = Jumlah seluruh saham yang tercatat

Divisor = Angka yang ditentukan oleh otoritas bursa sebagai bilangan pembagi

f. NIKKEI225

Nikkei Stock Average (Nikkei225) didirikan pada 7 September 1950 yang terdiri dari 225 perusahaan saham Jepang yaitu Tokyo Stock Exchange First Section, dengan mempertimbangkan bobot dari sektor industri. Sejak Januari 2010, indeks ini diperbarui setiap

15 detik selama sesi perdagangan. Lebih dari 60 tahun, indeks Nikkei 225 telah dipakai sebagai barometer keadaan ekonomi Jepang. Setiap event yang terjadi di TSE (Tokyo Stock Exchange), seperti stock split, akan memberikan dampak atas perhitungan indeks dan bilangan pembaginya (divisor). Metode perhitungan indeks ini menggunakan rumus sebagai berikut : (Indexes.Nikkei.Co.Jp)

Indeks NIKKEI225 = ∑𝑃

𝑑𝑖𝑣𝑖𝑠𝑜𝑟

Keterangan:

∑p = Jumlah seluruh saham yang tercatat

Divisor = Angka yang ditentukan oleh otoritas bursa sebagai bilangan pembagi

*Penentuan penggunaan harga ditentukan berdasarkan prioritas, yaitu harga khusus terbaru, harga saat ini, dan harga standar.

g. KOSPI

Korea Composite Stock Price Index (KOSPI) diperkenalkan pada tahun 1983, menggantikan Dow-Style Korea Composite Stock Price Index (KCSPI). Pada 30 Desember 2020, KOSPI memiliki lebih dari 880 komponen, 5 saham teratas berdasarkan kapitalisasi pasar adalah Samsung Electronics, SK Hynix, LG Chem, Samsung Biologics, dan Celltrion. KOSPI merupakan indeks penting yang sudah terdaftar di pasar berjangka dan option serta merupakan salah satu yang indeks paling aktif diperdagangkan di dunia. Pada

saat terjadinya krisis keuangan yang terjadi tanggal 16 Juni 1998 yang melanda dunia, nilai indeks KOSPI mencapai 31,96 dan Ditutup di atas 200 untuk pertama kalinya pada 24 April 2007.

Metode perhitungan indeks ini menggunakan rumus sebagai berikut : (Krx.Co.Kr)

Current Index =

𝐻𝑎𝑟𝑔𝑎 𝑡𝑢𝑡𝑢𝑝 𝑝𝑎𝑠𝑎𝑟 𝑡𝑜𝑡𝑎𝑙 𝑘𝑜𝑠𝑡𝑖𝑡𝑢𝑒𝑛 𝑠𝑎ℎ𝑎𝑚 𝑋 100

𝑁𝑖𝑙𝑎𝑖 𝑘𝑒𝑠𝑒𝑙𝑢𝑟𝑢ℎ𝑎𝑛 𝑘𝑎𝑝𝑖𝑡𝑎𝑙𝑖𝑠𝑎𝑠𝑖 𝑝𝑎𝑠𝑎𝑟

h. HANGSENG

Hang Seng Index (HSI) didirikan pada 24 November 1969 dan dikelola oleh HSI Service Limited yang merupakan anak perusahaan yang sepenuhnya dimiliki oleh Hang Seng Bank, yaitu salah satu bank terbesar di Hong Kong dalam hal kapitalisasi pasar.

Perusahaan ini bertanggung jawab untuk membuat, menerbitkan, serta mengatur Indeks Hang Seng dan beberapa indeks saham lainnya, seperti Hang Seng Composite Index, dan Hang Seng HK MidCap Index. Indeks ini digunakan untuk mendata serta memonitor perubahan harian dari perusahaan-perusahaan terbesar di pasar saham Hong Kong dan sebagai indikator utama dari performa pasar di Hong Kong. Ke-34 perusahaan tersebut mewakili 65% dari kapitalisasi pasar di bursa ini. Metode perhitungan indeks ini menggunakan rumus sebagai berikut : (Hsi.Com.Hk)

Current Index = ∑[P(t) x 𝐼𝑆 x 𝐹𝐴𝐹 x 𝐶𝐹]

∑[𝑃(𝑡−1)𝑥 𝐼𝑆 𝑥 𝐹𝐴𝐹 𝑥 𝐶𝐹] x yesterday’s closing index

Keterangan:

P(t) = harga hari ini di t

P(t-1) = harga penutupan hari ini (t-1) IS = Issued Shares

FAF = Freefloat CF = Cap Factor

2. Variabel Independen (Independent Variable)

Variabel bebas merupakan variabel yang mempengaruhi atau menjadi sebab perubahannya atau timbulnya variabel dependen (Sugiyono, 2016). Variabel bebas dalam penelitian ini adalah National Association of Securities Dealers Automated Quotations (NASDAQ).

a. NASDAQ

National Association of Securities Dealers Automated Quotations (NASDAQ) adalah salah satu indeks pasar saham acuan di Amerika yang memulai perdagangan pada 4 Februari 1971. Pada tahun 1999 NASDAQ merupakan bursa terbesar di Amerika dengan lebih dari setengah jumlah perusahaan uang diperdagangkan di Amerika dicatat disini. Indeks NASDAQ merupakan indeks yang digunakan untuk mengukur perkembangan industri di pasar saham Amerika Serikat karena sangat mampu menggambarkan kondisi perekonomian Amerika Serikat. Metode perhitungan indeks ini menggunakan rumus sebagai berikut : (Www.Nasdaqomx.Com,)

Indeks NASDAQ = ∑𝑃

𝑑𝑖𝑣𝑖𝑠𝑜𝑟

Keterangan:

∑p = Jumlah seluruh saham yang tercatat

Divisor = Angka yang ditentukan oleh otoritas bursa NASDAQ sebagai bilangan pembagi. Angka pembagi ini selalu diperbaharui dan disesuaikan dengan perkembangan pasar yang terjadi saat itu, seperti: stock split, pembayaran deviden, pengumuman bonus, dan peristiwa ekonomi lainya.

Pembaharuan angka ini bertujuan agar nilai indeks tetap konsisten.

BAB IV

HASIL PENELITIAN A. Temuan Hasil Penelitian

Pengujian integrasi pasar modal pada negara Amerika, Indonesia, Malaysia, Singapura, Phillipines, Thailand, Jepang, Korea Selatan dan Hong Kong diawali dengan melihat gambaran data penelitian pada pengujian statistik deskriptif, kemudian dilakukan uji stasioneritas data dengan Uji Unit Roots menggunakan Augmented Dickey Fuller (ADF) untuk melihat apakah data tersebut stasioner atau tidak dan pada tingkat derajat ke berapa data akan stasioner. Selanjutnya penentuan Panjang lag atau lag optimum pada nilai closing price bulanan dari kesembilan pasar modal tersebut, setelah itu uji stabilitas VAR untuk melihat lag optimum yang telah dipilih tersebut terdapat masalah unit root atau tidak. Setelah lag optimum sudah diketahui maka dilanjutkan pengujian Granger Causality dan Uji Kointegrasi Johansen untuk melihat hubungan jangka panjang variabel. Jika pada uji Kointegrasi menghasilkan bahwa antar pasar modal tersebut ada hubungan jangka Panjang maka analisis selanjutnya dilakukan dengan metode VECM (Vector Error Correction Model) namun jika hasil uji Kointegrasi menunjukkan bahwa tidak terdapat hubungan jangka Panjang maka analisis selanjutnya menggunakan VAR Indifference. Lalu selanjutnya melakukan peramalan dengan uji IRF dan FEVD. Berikut ini adalah dan hasil penelitian dan pembahasan pengujian integrasi dari ke sembilan pasar modal.

1. Statistik Deskriptif

Statistik deskriptif digunakan untuk melihat gambaran umum dari data indeks bulanan pada ke sembilan negara dalam pengujian integrasi pasar modal.

Tabel 4. 1 Descriptive Statistic Table

Mean Median Maximum Minimum Std. Dev.

NASDAQ 4766.963 4388.975 12888.28 1377.84 2550.832 IHSG 4457.233 4760.945 6605.63 1241.54 1384.917 KLCI 1566.264 1634.93 1882.71 863.61 244.9945 PSEI 5833.411 6612.25 8764.01 1825.09 1968.247 STI 303.2065 312.625 374.45 164.83 37.43221 SET 1269.341 1373.695 1830.13 401.84 370.5269 NIKKEI225 15591.17 15598.35 27444.17 7568.42 5252.094 KOSPI 1969.461 1995.405 2873.47 1063.03 300.0135 HANGSENG 23205.39 23014.13 32887.27 12811.57 3641.437

Sumber: data diolah menggunakan Eviews

Tabel 4.1 merupakan tabel yang berisikan tentang hasil uji statistik deskriptif dari data satu variabel independen yaitu indeks NASDAQ dan delapan variabel dependen yaitu indeks IHSG, KLCI, PSEI, STI, SET, NIKKEI225, KOSPI, dan HANGSENG. Adapun yang diuji pada uji statistik deskriptif adalah nilai mean, median, nilai maksimal, nilai minimal, dan nilai simpangan baku atau Standard Deviation.

Berdasarkan tabel statistik deskriptif dari kesembilan indeks saham, terlihat bahwa rata-rata tertinggi adalah indeks saham HANGSENG yaitu sebesar 23205.39 sedangkan rata-rata terendah

adalah indeks saham STI 303.2065. Kemudian indeks saham yang mempunyai risiko paling tinggi berdasarkan informasi dari standar deviasi adalah indeks NIKKEI225 sebesar 5252.094. Sementara indeks saham yang memiliki risiko paling rendah adalah indeks STI 37.43221.

2. Uji Stasioneritas Unit Roots

Uji stasioneritas dilakukan dengan menggunakan metode Augmented Dickey Fuller (ADF). Apabila nilai ADF statistik menunjukkan lebih besar daripada nilai kritis MacKinnon, maka data tersebut stasioner karena tidak mengandung unit root.

Sebaliknya apabila nilai ADF statistik lebih kecil daripada nilai kritis MacKinnon, maka data tersebut tidak stasioner pada derajat level. Hal tersebut dapat juga dilihat dari nilai probabilitasnya apabila nilai probabilitas kurang dari taraf (1%, 5%, dan 10%) maka data tersebut stasioner pada taraf tersebut. Jika pada tingkat level data tersebut tidak stasioner, maka harus dilakukan differencing data untuk memperoleh data yang stasioner pada derajat yang sama di first difference.

Tabel 4. 2 Uji Akar Unit Augmented Dickey-Fuller

ADF Statistik 5% P-Value ADF Statistik 5% P-Value NASDAQ 2.724283 -2.880088 1.0000 -11.52058 -2.880211 0 IHSG -1.042621 -2.880088 0.7372 -10.02709 -2.880211 0 KLCI -1.304088 -2.880088 0.6270 -11.08355 -2.880211 0 PSEI -1.244849 -2.880088 0.6541 -11.11747 -2.880211 0 STI -2.580584 -2.880088 0.0992 -12.02064 -2.880211 0 SET -1.393497 -2.880088 0.5843 -10.84158 -2.880211 0 NIKKEI225 0.143236 -2.880088 0.9680 -11.41837 -2.880211 0 KOSPI -0.972289 -2.880088 0.7623 -11.49208 -2.880211 0 HANGSENG -2.133078 -2.880088 0.2321 -12.7345 -2.880211 0 Keterangan

Indeks Tingkat Level Tingkat 1st Difference

Tidak Stasioner Stasioner

Sumber: data diolah menggunakan Eviews

Tabel 4.2 merupakan pengujian akar unit, uji akar unit dilakukan untuk melihat data apakah stasioner atau tidak.

Stasioneritas merupakan salah satu syarat penting dalam model ekonometrika untuk data runtut waktu. Alat uji yang peneliti gunakan adalah yang dikembangkan oleh David Dickey dan Wayne Fuller yaitu Augmented Dickey-Fuller (ADF) Test.

Berdasarkan tabel 4.2, nilai dari ke sembilan indeks pada tingkat level dan first difference menunjukkan bahwa seluruh indeks tidak stasioner pada tingkat level, hal tersebut dapat dilihat dari nilai Probabilitas masing-masing indeks yang lebih besar dari nilai alpha 5% (0,05) sehingga perlu dilakukan uji derajat integrasi pada tingkat berikutnya. Setelah dilakukan proses 1^st difference nilai ADF statistik dari semua indeks menunjukkan sudah lebih besar dari nilai absolut statistik MacKinnon pada berbagai tingkat probabilitas (1%, 5%, dan 10%) dan juga nilai probabilitas dari semua indeks sudah lebih kecil dari nilai alpha 5% (0,05). Hal ini menunjukkan bahwa

data stasioner pada tingkat first difference yang mengartikan bahwa ke sembilan pasar modal memiliki hubungan jangka panjang.

3. Uji Panjang Lag Optimal

Penentuan lag optimal dapat menggunakan beberapa kriteria seperti Akaike Information Criteria (AIC), Schwartz Information Criteria (SIC), Hannan Quinn (HQ), Likelihood Ratio (LR) dan Final Prediction Error (FPE). Lag dalam sebuah sistem VAR bertujuan untuk menunjukkan berapa lama reaksi dari suatu variabel terhadap variabel lainnya serta menghilangkan masalah autokorelasi dalam sebuah sistem VAR. Untuk mempermudah lag optimal model VAR dapat dilakukan dengan menggunakan bantuan program komputer Eviews, di mana kriteria yang mempunyai nilai yang tepat ditunjukkan oleh tanda asterisk (*) pada hasil lag optimal. Berikut merupakan hasil Lag Optimum dari seluruh indeks.

Tabel 4. 3 Hasil Uji Lag Optimum dari Seluruh Indeks

KET indeks memiliki nilai Lag Optimal yang berbeda-beda. Berikut penjabaran dari kesembilan indeks.

Tabel 4. 4 Uji Lag Optimal antara NASDAQ dengan IHSG

Lag LogL LR FPE AIC SC HQ

0 -2613.378 NA 4.78e+12 34.87171 34.91185 34.88802 1 -2045.336 1113.364 2.59e+09 27.35114 27.4715* 27.4000*

2 -2041.081 8.224481 2.58e+09 27.34775 27.54846 27.42929 3 -2034.331 12.8701* 2.49e+0* 27.3110* 27.59208 27.42524 4 -2033.205 2.117329 2.59e+09 27.34940 27.71068 27.49618 5 -2031.342 3.453669 2.66e+09 27.37789 27.81945 27.55728 6 -2030.208 2.070182 2.77e+09 27.41611 27.93796 27.62812

Sumber: data diolah menggunakan Eviews

Berdasarkan tabel 4.4, terlihat bahwa menurut SC dan HQ akan optimal saat lag 1, sedangkan lag menurut LR, FPE, dan AIC akan optimal saat lag 3. Karena uji kebaikan model yang terbanyak ada pada saat lag ke-3, maka lag optimal yang digunakan adalah lag 3 (tiga).

Tabel 4. 5 Uji Lag Optimal antara NASDAQ dengan KLCI

Lag LogL LR FPE AIC SC HQ

0 -2410.087 NA 3.18e+11 32.16116 32.20130 32.17746 1 -1834.488 1128.173 1.56e+08 24.53984 24.6602* 24.58877 2 -1826.657 15.14075 1.48e+08 24.48876 24.68947 24.5703*

3 -1826.657 10.5996* 1.45e+0* 24.4679* 24.74896 24.58212 4 -1826.657 3.771053 1.49e+08 24.49455 24.85583 24.64133 5 -1826.657 5.283638 1.51e+08 24.50988 24.95144 24.68927 6 -1826.657 7.044551 1.52e+08 24.51179 25.03363 24.72380

Sumber: data diolah menggunakan Eviews

Berdasarkan tabel 4.5, terlihat bahwa menurut SC akan optimal saat lag 1 dan HQ akan optimal saat lag 2, sedangkan lag menurut LR, FPE, dan AIC akan optimal saat lag 3. Karena uji kebaikan model yang terbanyak ada pada saat lag ke-3, maka lag optimal yang digunakan adalah lag 3 (tiga).

Tabel 4. 6 Uji Lag Optimal antara NASDAQ dengan PSEI

Lag LogL LR FPE AIC SC HQ

0 -2686.748 NA 1.27e+13 35.84997 35.89012 35.86628 1 -2102.072 1145.96* 5.52e+0* 28.1076* 28.2280* 28.1565*

2 -2099.92 4.160502 5.66e+09 28.13227 28.33298 28.21381 3 -2095.434 8.552637 5.62e+09 28.12579 28.40678 28.23995 4 -2093.926 2.835456 5.81e+09 28.15902 28.52029 28.30579 5 -2092.281 3.049673 6.00e+09 28.19041 28.63197 28.36980 6 -2088.326 7.224739 6.01e+09 28.19101 28.71285 28.40302

Sumber: data diolah menggunakan Eviews

Berdasarkan tabel 4.6, terlihat bahwa menurut lag LR, FPE, AIC, SC, dan HQ akan optimal saat lag 1. Karena uji kebaikan model yang terbanyak ada pada saat lag ke-1, maka lag optimal yang digunakan adalah lag 1 (satu).

Tabel 4. 7 Uji Lag Optimal antara NASDAQ dengan STI

Lag LogL LR FPE AIC SC HQ

0 -2139.055 NA 8.57e+09 28.54740 28.58754 28.56371 1 -1648.131 962.2116 1298538 22.0550 22.1755* 22.1040*

2 -1646.496 3.16008 1340199 22.08662 22.2873 22.16816 3 -1639.97 12.4432* 129592* 22.0529* 22.33393 22.16709 4 -1637.548 4.55389 1323673 22.07397 22.43525 22.22075 5 -1634.235 6.13921 1336181 22.0831 22.5247 22.2625 6 -1632.363 3.41939 1375111 22.1115 22.63336 22.32352

Sumber: data diolah menggunakan Eviews

Berdasarkan tabel 4.7, terlihat bahwa lag menurut SC dan HQ akan optimal saat lag 1, sedangkan lag menurut LR, FPE, dan AIC akan optimal saat lag 3. Karena uji kebaikan model yang terbanyak ada pada saat lag ke-3, maka lag optimal yang digunakan adalah lag 3 (tiga).

Tabel 4. 8 Uji Lag Optimal antara NASDAQ dengan SET

Lag LogL LR FPE AIC SC HQ

0 -2442.522 NA 4.90E+11 32.59362 32.63376 32.60993 1 -1857.114 1147.398 2.11E+08 24.84152 24.9619* 24.8904*

2 -1852.423 9.06904* 2.09e+0* 24.8323* 25.03302 24.91385 3 -1848.461 7.554281 2.09E+08 24.83282 25.11381 24.94698 4 -1847.507 1.794325 2.18E+08 24.87343 25.2347 25.0202 5 -1844.782 5.050089 2.21E+08 24.89043 25.33199 25.06982 6 -1840.806 7.263671 2.21E+08 24.89074 25.41259 25.10275

Sumber: data diolah menggunakan Eviews

Berdasarkan tabel 4.8, terlihat bahwa lag menurut SC dan HQ akan optimal saat lag 1, sedangkan lag menurut LR, FPE, dan AIC akan optimal saat lag 2. Karena uji kebaikan model yang terbanyak ada pada saat lag ke 2, maka lag optimal yang digunakan adalah lag 2 (dua).

Tabel 4. 9 Uji Lag Optimal antara NASDAQ dengan NIKKEI225

Lag LogL LR FPE AIC SC HQ

0 -2746.249 NA 2.81E+13 36.64332 36.68346 36.65962 1 -2235.469 1001.128 3.27E+10 29.88625 30.0066* 29.9351*

2 -2234.047 2.748688 3.38E+10 29.92063 30.12134 30.00217 3 -2225.374 16.5374* 3.18e+1* 29.8583* 30.13931 29.97247 4 -2224.015 2.553957 3.29E+10 29.89354 30.25481 30.04031 5 -2222.247 3.276715 3.39E+10 29.9233 30.36486 30.10269 6 -2215.480 12.36083 3.27E+10 29.8864 30.40825 30.09841

Sumber: data diolah menggunakan Eviews

Berdasarkan tabel 4.8, terlihat bahwa lag menurut SC dan HQ akan optimal saat lag 1, sedangkan lag menurut LR, FPE, dan AIC akan optimal saat lag 3. Karena uji kebaikan model yang terbanyak ada pada saat lag ke-3, maka lag optimal yang digunakan adalah lag 3 (tiga).

Tabel 4. 10 Uji Lag Optimal antara NASDAQ dengan KOSPI

Lag LogL LR FPE AIC SC HQ

0 ^{-2403.294 NA 2.90E+11 32.07058 32.11072 32.08689} 1 ^{-1907.528 971.7005 4.13e+0* 25.5137* 25.6341* 25.5626*}

2 ^{-1906.206 2.556678 4.28E+08 25.54941 25.75012 25.63095} 3 ^{-1900.101 11.6389 4.16E+08 25.52135 25.80234 25.63551} 4 ^{-1896.609 6.566092 4.19E+08 25.52812 25.88939 25.67489} 5 ^{-1893.146 6.417578 4.22E+08 25.53528 25.97684 25.71467} 6 ^{-1887.788 9.78786* 4.14E+08 25.51717 26.03901 25.72918}

Sumber: data diolah menggunakan Eviews

Berdasarkan tabel 4.10, terlihat bahwa lag menurut LR akan optimal saat lag 6, sedangkan lag menurut FPE, AIC, SC, dan HQ akan optimal saat lag 1. Karena uji kebaikan model yang terbanyak ada pada saat lag ke-1, maka lag optimal yang digunakan adalah lag 1 (satu).

Tabel 4. 11 Uji Lag Optimal antara NASDAQ dengan HANGSENG

Lag LogL LR FPE AIC SC HQ

0 -2781.01 NA 4.47e+13 37.10680 37.14694 37.12311

1 ^-2313.71 915.9051 9.28e+10 30.92948 31.0499* 30.9784*

2 -2309.56 8.018253 9.26e+10 30.92752 31.12823 31.00906

3 -2301.8 14.8130 8.81e+1 30.87726 31.15826 30.99142

4 ^-2297.39 8.276572 8.76e+10 30.87190 31.23317 31.01867

5 -2292.71 8.68654* 8.69e+1* 30.8627* 31.30430 31.04213

6 ^-2291.04 3.035709 8.96e+10 30.89391 31.41576 31.10592

Sumber: data diolah menggunakan Eviews

Berdasarkan tabel 4.11, terlihat bahwa lag menurut SC dan HQ akan optimal saat lag 1, sedangkan lag menurut LR, FPE, dan AIC akan optimal saat lag 5. Karena uji kebaikan model yang terbanyak ada pada saat lag ke-5, maka lag optimal yang digunakan adalah lag 5 (lima).

4. Uji Stabilitas VAR

Stabilitas model VAR dapat dilihat pada nilai modulus yang dimiliki oleh setiap variabel. Model VAR dikatakan stabil apabila nilai modulus berada pada radius < 1 dan tidak stabil jika nilai modulus > 1 (Puspitasari et al., 2015). Jika nilai modulus yang paling besar memiliki nilai kurang dari satu dan berada pada titik optimal, maka komposisi tadi sudah berada pada posisi yang optimal dan model VAR dapat dikatakan stabil. Stabilitas model VAR dapat dilihat dari invers root karakteristik AR Polinominalnya.

Pentingnya menguji stabilitas VAR terlebih dahulu sebelum melakukan analisis lebih jauh dikarenakan jika hasil estimasi VAR yang akan dikombinasikan dengan model koreksi kesalahan tidak stabil, maka Impulse Response Function dan Variance Decomposition akan menjadi tidak valid. Berikut ini adalah hasil dari uji stabilitas VAR dari ke sembilan indeks.

Tabel 4. 12 Uji Stabilitas VAR NASDAQ dengan ASEAN-5 +3

Modulus

0.593636 0.512028 0.112798 0.568490 0.465807 0.481754 0.047287 0.721934 0.385918 0.512028 0.112798 0.501147 0.465807 0.481754 0.017580 0.721934

0.385918 0.500477 0.501147 0.386595 0.455313 0.639527

0.272894 0.500477 0.457352 0.203716 0.455313 0.639527

0.227859 0.486746 0.457352 0.342131 0.513253

0.227859 0.332952 0.308349 0.342131 0.513253

0.425854 0.425854 0.246648 0.218454

Sumber: Olahan Peneliti

Berdasarkan tabel 4.12, dapat diketahui bahwa nilai modulus yang dihasilkan dari pengujian Stabilitas VAR pada indeks NASDAQ dengan indeks ASEAN-5 +3 kurang dari 1, sehingga dapat disimpulkan bahwa model VAR stabil. Hasil uji ini menandakan bahwa analisis Impulse Response Function (IRF) dan analisis Forecast Error Variance Decomposition (FEVD) yang dihasilkan dianggap valid dan dapat dilanjutkan ke pengujian selanjutnya, yaitu uji kausalitas dan uji kointegrasi.

5. Uji Kausalitas Granger

Uji kausalitas adalah pengujian yang dilakukan untuk menentukan hubungan sebab akibat antara variabel dalam sistem VAR (Juanda & Junaidi, 2012). Hubungan sebab akibat ini dapat diuji dengan menggunakan uji kausalitas Granger (Granger Causality Test).

Terdapat 3 (tiga) kemungkinan arah hubungan kausalitas yang terjadi dalam pengujian kausalitas ini, yaitu X menyebabkan Y, Y menyebabkan X atau hubungan timbal balik yang terjadi (dua arah) apabila X menyebabkan Y pada saat yang bersamaan saat Y menyebabkan X. untuk menguji hubungan kausalitas tersebut, apabila nilai probabilitas lebih kecil daripada nilai alpha 0.05, maka hipotesis nol ditolak yang berarti terjadi Kausalitas Granger. Dan sebaliknya, apabila nilai probabilitas lebih besar daripada nilai alpha

0.05, maka hipotesis nol diterima yang berarti tidak terjadi Kausalitas Granger.

Tabel 4. 13 Uji Kausalitas Granger NASDAQ dengan ASEAN-5 +3 Null Hypothesis Obs F-Statistics Prob IHSG does not Granger Cause NASDAQ 153 1.81946 0.1462 NASDAQ does not Granger Cause IHSG 2.37551 0.0725 KLCI does not Granger Cause NASDAQ 153 4.96350 0.0026 NASDAQ does not Granger Cause KLCI 1.57221 0.1986 PSEI does not Granger Cause NASDAQ 155 1.15837 0.2835 NASDAQ does not Granger Cause PSEI 0.03430 0.8533 STI does not Granger Cause NASDAQ 153 2.16873 0.0942 NASDAQ does not Granger Cause STI 2.60267 0.0543 SET does not Granger Cause NASDAQ 154 2.84958 0.0610 NASDAQ does not Granger Cause SET 2.98249 0.0537 NIKKEI225 does not Granger Cause NASDAQ 153 4.14526 0.0075 NASDAQ does not Granger Cause NIKKEI225 6.39905 0.0004 KOSPI does not Granger Cause NASDAQ 155 0.94308 0.3330 NASDAQ does not Granger Cause KOSPI 4.97845 0.0271 HANGSENG does not Granger Cause NASDAQ 151 3.23555 0.0085 NASDAQ does not Granger Cause HANGSENG 4.06697 0.0018

Sumber: Olahan Peneliti

Berdasarkan Tabel 4.13 Uji Kausalitas Granger antara NASDAQ dengan IHSG dilakukan dengan menggunakan lag 3 yang dipilih sesuai dengan hasil dari tahap penentuan lag optimal. Terlihat bahwa hipotesis nol diterima karena keduanya memiliki nilai probabilitas lebih besar dari nilai alpha 5% yaitu 0.1462 > 0.05 dan 0.0725 > 0.05. Dengan demikian tidak terjadi hubungan kausalitas dua arah antara IHSG dengan NASDAQ serta NASDAQ dengan IHSG.

Uji Kausalitas Granger antara NASDAQ dengan KLCI dilakukan dengan menggunakan lag 3 yang dipilih sesuai dengan hasil dari tahap penentuan lag optimal. Terlihat bahwa nilai probabilitas KLCI terhadap NASDAQ lebih kecil dari nilai alpha 5% yaitu 0.0026 < 0.05 yang berarti H0 ditolak. Hal tersebut mengindikasikan bahwa KLCI berpengaruh signifikan terhadap NASDAQ. Lalu nilai probabilitas kedua yaitu NASDAQ terhadap KLCI lebih besar dari nilai alpha 5%, yaitu 0.1986 > 0.05 yang berarti H0 diterima. Hal tersebut mengindikasikan bahwa NASDAQ tidak berpengaruh signifikan terhadap KLCI. Dengan demikian telah terjadi hubungan kausalitas satu arah antara KLCI dengan NASDAQ namun tidak dengan sebaliknya dimana NASDAQ tidak mempunyai hubungan kausalitas terhadap KLCI.

Uji Kausalitas Granger antara NASDAQ dengan PSEI dilakukan dengan menggunakan lag 1 yang dipilih sesuai dengan hasil dari tahap penentuan lag optimal. Terlihat bahwa nilai probabilitas PSEI terhadap NASDAQ lebih besar dari nilai alpha 5% yaitu 0.2835 > 0.05 yang berarti H0 diterima. Hal tersebut mengindikasikan bahwa PSEI tidak berpengaruh signifikan terhadap NASDAQ. Lalu nilai probabilitas kedua yaitu NASDAQ terhadap PSEI juga lebih besar dari nilai alpha 5%, yaitu 0.8533 > 0.05 yang berarti H0 diterima. Hal tersebut mengindikasikan bahwa NASDAQ tidak berpengaruh signifikan terhadap PSEI. Dengan demikian tidak

terjadi hubungan kausalitas dua arah antara PSEI dengan NASDAQ serta NASDAQ dengan PSEI.

Uji Kausalitas Granger antara NASDAQ dengan STI dilakukan dengan menggunakan lag 3 yang dipilih sesuai dengan hasil dari tahap penentuan lag optimal. Terlihat bahwa nilai probabilitas STI terhadap NASDAQ lebih besar dari nilai alpha 5%

Uji Kausalitas Granger antara NASDAQ dengan STI dilakukan dengan menggunakan lag 3 yang dipilih sesuai dengan hasil dari tahap penentuan lag optimal. Terlihat bahwa nilai probabilitas STI terhadap NASDAQ lebih besar dari nilai alpha 5%