BAB 4 HASIL DAN PEMBAHASAN
4.2 Pembahasan
Pembahasan penelitian ini diawali melakukan statistik deskriptif untuk mengetahui pola data mengikuti pendekatan regresi parametrik ataupun regresi nonparametrik. Berdasarkan statistik deskriptif, variabel-variabel prediktor yang mempengaruhi Indeks Harga Saham Gabungan (IHSG) menggunakan pendekatan regresi nonparametrik karena berdasarkan scatterplot pola data cenderung tidak diketahui dan menyebar. Selain itu, untuk mengetahui data tersebut menggunakan
pendekatan regresi nonparametrik dapat menggunakan uji asumsi model regresi yaitu uji normalitas, uji homoskedastisitas, uji autokorelasi, dan uji multikolinieritas. Apabila termasuk asumsi regresi nonparametrik yaitu terdapat salah satu atau beberapa asumsi model regresi yang tidak terpenuhi, maka dilakukan langkah selanjutnya dengan melakukan standarisasi. Jika parameter model bukan regresi nonparametrik maka dilakukan pengurangan variabel prediktor dan dilakukan langkah dari awal. Berdasarkan uji asumsi model regresi tersebut terdapat asumsi regresi yang tidak terpenuhi yaitu terjadi autokorelasi sehingga data IHSG beserta variabel-variabel prediktornya menggunakan pendekatan regresi nonparametrik dengan model MARS.
Model MARS diterapkan dalam pemodelan Indeks Harga Saham Gabungan (IHSG) berdasarkan faktor-faktor yang mempengaruhinya antara lain inflasi , suku bunga di Indonesia , nilai kurs tengah , indeks Dow Jones , indeks Nikkei 225 , dan indeks Hang Seng . Variabel respon dalam penelitian ini adalah indeks harga saham gabungan (IHSG). Sebelumnya, dilakukan standarisasi pada masing-masing variabel respon dan variabel-variabel prediktor yaitu agar memiliki skala nilai yang sama. Selanjutnya, model MARS diperoleh dari kombinasi nilai BF, MI, dan MO secara trial end error
untuk memperoleh model MARS terbaik dilihat dari kriteria nilai GCV terkecil. Karena pada penelitian ini terdapat 6 variabel prediktor sehingga maksimum jumlah BF adalah 12, 18, dan 24, maksimum interaksi (MI) adalah 1, 2, dan 3, minimum observasi (MO) adalah 0, 1, 2, dan 3. Sehingga, dari 36 model yang terbentuk dihasilkan model terbaiknya yaitu dari kombinasi BF=18, MI=1, dan MO=1 karena
memiliki nilai GCV minimum sebesar 0,05640 dengan persamaan model sebagai berikut. Y = − , + , ∗BF − , ∗BF − , ∗BF + , ∗BF + , ∗BF − , ∗BF + , ∗BF − , ∗BF Model ZY = BF BF BF BF BF BF BF BF dengan : BF = max , ZX + , ; BF = max , ZX + , ; BF = max , ZX + , ; BF = max , ZX + , ; BF =
max , ZX − , ; BF = max , ZX − , ; BF = max , ZX −
, ; dan BF = max , ZX − , .
Berdasarkan model terbaik MARS di atas, , ∗BF yang artinya bahwa setiap kenaikan BF akan menambah nilai Indeks Harga Saham Gabungan (IHSG) sebesar , pada indeks saham Dow Jones dengan nilai baku persentase lebih dari − , ; − , ∗BF yang artinya bahwa setiap kenaikan BF akan mengurangi nilai Indeks Harga Saham Gabungan (IHSG) sebesar , pada inflasi dengan nilai baku persentase lebih dari − , ;
− , ∗BF yang artinya bahwa setiap kenaikan BF akan mengurangi nilai Indeks Harga Saham Gabungan (IHSG) sebesar , pada kurs dengan nilai persentase lebih dari − , ; , ∗BF yang artinya bahwa setiap kenaikan BF akan menambah nilai Indeks Harga Saham Gabungan (IHSG) sebesar
artinya bahwa setiap kenaikan BF akan menambah nilai Indeks Harga Saham Gabungan (IHSG) sebesar , pada suku bunga di Indonesia dengan nilai baku lebih dari , ; − , ∗BF yang artinya bahwa setiap kenaikan BF akan mengurangi nilai Indeks Harga Saham Gabungan (IHSG) sebesar ,
pada kurs dengan nilai baku lebih dari , ; , ∗BF yang artinya bahwa setiap kenaikan BF akan menambah nilai Indeks Harga Saham Gabungan (IHSG) sebesar , pada kurs dengan nilai baku lebih dari , ; dan
− , ∗BF yang artinya bahwa setiap kenaikan BF akan mengurangi nilai Indeks Harga Saham Gabungan (IHSG) sebesar , pada indeks saham Nikkei 225 dengan nilai baku lebih dari , .
Setelah diperoleh model terbaik MARS di atas, selanjutnya dilakukan uji signifikansi model MARS dengan cara melakukan uji signifikan parameter untuk mengevaluasi kecocokan model. Apabila uji signifikansi model MARS tidak terpenuhi maka mengembalikan nilai asli setiap variabel. Berdasarkan pengujian signifikansi model MARS dengan uji koefisien regresi secara simultan (Uji F) maupun uji koefisien regresi parsial (Uji t) diperoleh bahwa pengujian signifikansi terpenuhi sehingga model MARS cocok digunakan untuk Indeks Harga Saham Gabungan (IHSG). Hasil kombinasi antara BF, MI, dan MO yang telah dilakukan secara trial and error berdasarkan model persamaan terbaik, diketahui terdapat variabel-variabel prediktor yang mempengaruhi variabel respon yaitu Inflasi , Tingkat Suku Bunga , Kurs , Dow Jones , dan Nikkei 225 . Fungsi basis yang merupakan komponen interaksi dari fungsi basis lainnya yaitu
Tingkat pentingnya variabel-variabel prediktor terhadap model terbaik yang diperoleh secara signifikan mempengaruhi Indeks Harga Saham Gabungan (IHSG) berturut-turut adalah Inflasi , nilai tukar (kurs) tengah rupiah terhadap dolar Amerika , indeks saham Dow Jones , tingkat suku bunga di Indonesia , dan indeks saham Nikkei 225 dengan tingkat pentingnya masing-masing sebesar 100%; 86,54114%; 84,31259%; 38,18755%; dan 32,75410%. Inflasi dengan tingkat pentingnya 100% artinya bahwa Inflasi yang memiliki tingkat pentingnya sangat mempengaruhi Indeks Harga Saham Gabungan (IHSG) sebesar 100%, nilai tukar (kurs) tengah rupiah terhadap dolar Amerika dengan tingkat pentingnya 86,54114% artinya bahwa nilai tukar (kurs) tengah rupiah terhadap dolar Amerika memiliki tingkat pentingnya yang mempengaruhi Indeks Harga Saham Gabungan (IHSG) sebesar 86,54114%, indeks saham Dow Jones dengan tingkat pentingnya 84,31259% artinya bahwa indeks saham Dow Jones memiliki tingkat pentingnya yang mempengaruhi Indeks Harga Saham Gabungan (IHSG) sebesar 84,31259%, tingkat suku bunga di Indonesia dengan tingkat pentingnya 38,18755% artinya bahwa suku bunga di Indonesia memiliki tingkat pentingnya yang mempengaruhi Indeks Harga Saham Gabungan (IHSG) sebesar 38,18755%, dan indeks saham Nikkei 225 dengan tingkat pentingnya 32,75410% artinya bahwa indeks saham Nikkei 225 memiliki tingkat pentingnya yang mempengaruhi Indeks Harga Saham Gabungan (IHSG) sebesar 32,75410%.
BAB 5
PENUTUP
5.1
Simpulan
Berdasarkan hasil analisis dan pembahasan pada bab 4, maka dapat disimpulkan sebagai berikut.
1. Estimasi Multivariate Adaptive Regression Splines (MARS) pada variabel prediktor Indeks Harga Saham Gabungan (IHSG) dengan persamaan model sebagai berikut. Y = − , + , ∗BF − , ∗BF − , ∗BF + , ∗BF + , ∗BF − , ∗BF + , ∗BF − , ∗BF Model ZY = BF BF BF BF BF BF BF BF dengan : BF = max , ZX + , ; BF = max , ZX + , ; BF = max , ZX + , ; BF = max , ZX + , ; BF = max , ZX − , ; BF = max , ZX − , ; BF =
max , ZX − , ; dan BF = max , ZX − , .
Model MARS terbaik di atas diperoleh dari kombinasi BF=18, MI=1, dan MO=1 secara trial and error dengan nilai GCV terkecil sebesar 0,05640.
2. Besar tingkat pentingnya variabel-variabel prediktor terhadap model terbaik yang diperoleh secara signifikan mempengaruhi Indeks Harga Saham Gabungan (IHSG) berturut-turut adalah Inflasi , nilai tukar (kurs) tengah rupiah terhadap dolar Amerika , indeks saham Dow Jones , tingkat suku bunga di Indonesia , dan indeks saham Nikkei 225 dengan tingkat pentingnya masing-masing sebesar 100%; 86,54114%; 84,31259%; 38,18755%; dan 32,75410%. Inflasi dengan tingkat pentingnya 100% artinya bahwa Inflasi yang memiliki tingkat pentingnya sangat mempengaruhi Indeks Harga Saham Gabungan (IHSG).
5.2
Saran
Berdasarkan simpulan di atas peneliti memberikan saran sebagai berikut. 1. Penelitian lanjutan dapat menambahkan variabel-variabel prediktor yang lain
yang dapat mempengaruhi Indeks Harga Saham Gabungan (IHSG) dengan lebih baik menggunakan metode MARS.
2. Apabila pengujian asumsi klasik parameter model regresi tidak terpenuhi maka dapat digunakan pendekatan regresi nonparametrik dan data berdimensi tinggi, sehingga dapat menggunakan metode MARS.
3. Model terbaik MARS dapat dilihat dari kriteria GCV terkecil, apabila memiliki nilai GCV terkecil yang sama dapat dilihat dengan pertimbangan nilai MSE terkecil, dan apabila masih memiliki nilai MSE yang sama maka dapat dilihat dengan pertimbangan nilai terbesar.
DAFTAR PUSTAKA
Arleina, Oktiva D dan Bambang W. Otok. 2014. Bootstrap Aggregating Multivariate Adaptive Regression Splines (Bagging MARS) untuk Mengklasifikasikan Rumah Tangga Miskin di Kabupaten Jombang. Jurnal Sains dan Seni Pomits, 3(2): 91-96.
Ashari, Purbayu Budi Santoso. 2015. Analisis Statistic dengan Microsoft Excel dan SPSS. Yogyakarta.
Astuti, R., Aprianti, E.P., dan Susanta, H. 2013. Analisis Pengaruh Tingkat Bunga (SBI), Nilai Tukar (Kurs) Rupiah, Inflasi, dan Indeks Internasional terhadap IHSG (Studi pada IHSG di BEI Periode 2008-2012). Diponegoro Journal of Social and Politic of Science, Semarang: Universitas Diponegoro. B, Nurul Astuty Yensy. 2011. Penggunaan Regresi Splines Adaptif Berganda untuk
Peramalan Indeks ENSO dan Hujan Bulanan. Skripsi. Bengkulu: FMIPA Universitas Bengkulu.
Botella, O., dan Shariff K. 2013. B-Spline Methods in Fluid Dynamics.
International Journal of Computational Fluid Dynamics, 17(2): 133-149. Budiantara, I.N, dkk. 2006. Pemodelan B-Spline dan MARS pada Nilai Ujian
Masuk Terhadap IPK Mahasiswa Jurusan Disain Komunikasi Visual UK Petra Surabaya.Jurnal Teknik Industri, 8(1): 1-13.
Dewi, Silvia Roshita. 2012. Pemodelan Indeks Harga Saham di Indonesia dan Dunia dengan Model Univariate dan Multivariate Time Series. Jurnal Statistika.
Draper, N. R., dan Smith H., 1992. Analisis Regresi Terapan, Terjemahan Bambang Sumantri. Jakarta: Gramedia.
Eubank, R. L. 1988. Spline Smoothing and Nonparametric Regression. New York: Marcel Deker.
Friedman, J. H. 1991. Multivariate Adaptive Regression Splines. The Annals of Statistics. Vol. 19, No. 1 (Mar., 1991), pp. 1 – 67. Institute of Mathematical Statistics.
Hardle, W. 1990. Applied Nonparametric Regression. Cambridge University. Hartanto, Andrew. 2013. Analisa Hubungan Indeks Saham antar Negara G 20 dan
Pengaruh terhadap Indeks Harga Saham Gabungan. Jurnal FINESTA, 1(2): 136-140.
Insukindro. 1987. Pengantar Ekonomi Moneter: Teori Soal dan Penyelesaiannya. Yogyakarta: BPFE.
Kasmir. 1998. Bank dan Lembaga Keuangan Lainnya Edisi Keenam. Jakarta: Raja Grafinfo Persada.
Kishartini. 2014. Multivariate Adaptive Regression Splines (MARS) untuk Klasifikasi Status Kerja di Kabupaten Demak. Skripsi. Semarang: FSM Universitas Diponegoro.
Kutner, M. H., C. J. Nachtsherm. dan J Neter. 2004. Applied Linear Regression Models. New York: Mc Graw-Hill Companies, Inc.
Liza, F., dan Nurmawan, I. 2006. Makro Ekonomi Edisi Keenam. Jakrta: Erlangga. Neter J., Wasserman W., dan Kutner M. H. 1997. Analisis Regresi Linear
Sederhana, Alih Bahasa Bambang Sumantri. Bogor: FMIPA IPB.
Nisa’, Shofa F., dan I Nyoman Budiantara. 2012. Analisis Survival dengan
Pendekatan Multivariate Adaptive Rehression Splines pada Kasus Demam Berdarah Dengue (DBD). Jurnal Sains dan Seni, 1(1): 318-323.
Otok, Bambang Widjanarko. 2010. Pendekatan Multivariate Adaptive Regression Spline (MARS) pada Pengelompokan Zona Musim Suatu Wilayah. Jurnal Statistika, 10(2): 107 – 120.
Otok, Bambang Widjanarko, dkk. 2008. Asimtotik Model Multivariate Adaptive Regression Spline. Jurnal S3 Matematika UGM, 10(2): 112-119.
Puspitasari, Icha, Suparti, dan Wilandari, Y. 2012. Analisis Indeks Harga Saham Gabungan (IHSG) dengan Menggunakan Model Regresi Kernel. Jurnal Gaussian, 1(1): 93-102.
S, Dimas Okky, dan Setiawan. 2012. Pemodelan Indeks Harga Saham Gabungan (IHSG), Krs, dan Harga Minyak Dunia dengan Pendekatan Vector Autoregressive. Jurnal Sains dan Seni, 1(1): 87-92.
Santoso, Noviyanti. 2009. Klasifikasi Kabupaten/Kota Di Jawa Timur Berdasarkan Tingkat Pengangguran Terbuka dengan Pendekatan Multivariate Adaptive Regression Spline (Mars). Tugas Akhir. Surabaya: FMIPA Institut Teknologi Sepuluh Nopember.
Souri, I. A. S., 2009. Pemodelan Krisis Finansial Indonesia dengan Pendekatan Multivariate Adaptive Splines. Tesis. Surabaya: FMIPA Institut Teknologi Sepuluh Nopember.
Sunariyah. 2006. Pengantar Pengetahuan Pasar Modal, Edisi Kelima. UPP STIM. Suharto, I., B. Girisuta, dan A. Miryanti. 2004. Perekayasaan Metodologi
Penelitian. Yogyakarta: Andi.
Web.standford.edu/-clint/bench/dw05a.htm diakses pada tanggal 7 November 2015.
Wei, W. S William. 1990. Univariate and Multivariate Methods. California. Addison Wesley Publishing Company.
Wicaksono, Wasis. 2014. Pemodelan Multivariate Adaptive Regression Splines (MARS) pada Faktor-faktor Resiko Angka Kesakitan Diare. Skripsi. Semarang: FSM Universitas Diponegoro.
Widarjono. 2010. Analisis Statistika Multivariat Terapan. Yogyakarta: UPP STIM YPKN.
www.bi.go.id diakses pada tanggal 7 November 2015.
www.bi.go.id/id/statistik/seki/terkini/moneter/contens/default.aspx diakses pada tanggal 7 November 2015.
www.bi.go.id/id/moneter/informasi_kurs/default.aspx diakses pada tanggal 7 November 2015.
www.bi.go.id/id/moneter/bi-rate/data/default.aspx diakses pada tanggal 7 November 2015.
www.bi.go.id/id /moneter/kalkulator-kurs/default.aspx diakses pada tanggal 7 November 2015.
www.finance.yahoo.com diakses pada tanggal 10 November 2015. www.salford-system.com diakses pada tanggal 7 November 2015.
LAMPIRAN
Lampiran 1. Data Penelitian Asli