BAB IV ANALISIS DAN PEMBAHASAN
B. Analisis Uji Ekonometrik
2. Penentuan Lag Optimum
Dalam model VAR penentuan lag optimum sangat penting untuk menghilangkan masalah autokorelasi. Pemilihan lag didasarkan pada kriteria Final Predictian Error (FPE), Akaike Information Criteria (AIC), Schwarz Information Criteria (SC) dan Hanan-Quin Criterion (HQ).
Jumlah lag optimal adalah lag dengan nilai kriteria yang terkecil. Dari hasil output dibawah ini, terlihat bahwa lag optimal pada model VAR dalam penelitian ini yaitu pada lag ke-2.
Tabel 4.4.
Hasil Pengujian Lag Optimum
Lag LogL LR FPE AIC SC HQ
0 -39.52388 NA 0.000178 2.720243 2.903460 2.780974
1 32.43987 121.4388 5.46e-06 -0.777492 0.138593* -0.473836 2 52.63393 29.02895* 4.42e-06* -1.039621* 0.609332 -0.493039*
Sumber: Lampiran 4 3. Uji Kausalitas Granger
Uji Kausalitas Granger digunakan untuk mengetahui hubungan kausalitas diantara variabel-variabel dalam model. Dalam penelitian ini, uji kausalitas granger digunakan untuk melihat arah hubungan antara
variabel BI Rate, Inflasi dan Jakarta Islamic Index (JII) dengan variabel Yield to Maturity (YTM). Pengujian ini dilakukan pada tingkat signifikansi 5% (α = 0,05). Berikut ini adalah hasil pengujiannya:
Tabel 4.5.
Hasil Uji Kausalitas Granger
Pairwise Granger Causality Tests Date: 06/21/16 Time: 06:47 Sample: 2013M03 2015M12 Lags: 2
Null Hypothesis: Obs F-Statistic Prob.
BI_RATE does not Granger Cause YTM 32 0.48993 0.6180
YTM does not Granger Cause BI_RATE 2.87564 0.0738
INFLASI does not Granger Cause YTM 32 3.45981 0.0460
YTM does not Granger Cause INFLASI 1.22612 0.3093
LNJII does not Granger Cause YTM 32 0.22810 0.7976
YTM does not Granger Cause LNJII 1.77200 0.1892
Sumber: Lampiran 5
Berdasarkan tabel 4.5 diatas, terlihat bahwa variabel BI Rate dan Yield to Maturity (YTM) tidak menunjukkan hubungan kausalitas dua arah maupun satu arah (Independece). Hal ini terlihat dari nilai probabilitas F-Statistik yang lebih besar daripada α = 0,05. Kemudian, untuk variabel Inflasi dan Yield to Maturity (YTM) juga tidak menunjukkan hubungan kausalitas dua arah tetapi masih menunjukkan hubungan kausalitas satu
arah (Unidirectional Causality). Hal ini terlihat dari nilai probabilitas F-Statistik (0,0460) lebih kecil dari pada α = 0,05. Lalu, untuk variabel JII dan Yield to Maturity (YTM) juga tidak menunjukkan hubungan kausalitas dua arah maupun satu arah (Independence). Hal ini terlihat dari nilai probabilitas F-Statistik yang lebih besar daripada α = 0,05.
4. Estimasi VAR
Berdasarkan hasil uji stasioneritas, terlihat bahwa variabel penelitian stasioner pada tingkat yang berbeda. Sehingga model yang digunakan dalam penelitian ini adalah model VAR dengan data yang di-difference (VAR in Difference). Berikut adalah estimasi dari model VAR yang terbentuk dalam penelitian ini: [-0.79024] [ 2.28483] [ 1.40181] [ 0.05379]
D(YTM(-2)) 0.180085 0.521160 0.044166 0.003636
(0.20431) (0.33040) (0.07026) (0.01862) [ 0.88144] [ 1.57735] [ 0.62863] [ 0.19532]
D(INFLASI(-1)) 0.185448 -0.127314 -0.016344 -0.013188
Sumber: Lampiran 6
Etimasi VAR ini digunakan untuk mengetahui hubungan jangka pendek diantara variabel dalam model. Dalam memilih variabel mana yang dalam jangka pendek memiliki pengaruh signifikan, maka nilai t-statistic setiap variabel akan dibandingkan dengan nilai t-tabel (dengan tingkat signifikansi 5%, dalam penelitian ini tabel = 2,0423). Jika nilai t-statistic lebih besar dari nilai t-tabel, maka variabel tersebut memiliki nilai koefisien yang valid atau dengan kata lain memiliki pengaruh yang signifikan.
Menurut Rosadi (2012:214), secara umum VAR untuk k-variabel akan terdiri atas k-persamaan (yakni setiap satu persamaan merupakan persamaan dengan salah satu variabel sebagai variabel dependen dan variabel independen adalah lag dari seluruh variabel yang lain, dan mungkin ditambah komponen trend deterministik). Dalam penelitian ini variabel yang digunakan berjumlah empat variabel sehingga estimasi VAR penelitian ini menghasilkan empat persamaan.
D(BI_RATE(-2)) 1.244658 -1.455552 0.496396 -0.010494 (0.52383) (0.84712) (0.18013) (0.04773) [ 2.37608] [-1.71823] [ 2.75571] [-0.21985]
D(LNJII(-1)) -2.032902 2.243056 -0.494202 -0.005911
(2.60101) (4.20630) (0.89443) (0.23701) [-0.78158] [ 0.53326] [-0.55253] [-0.02494]
D(LNJII(-2)) 4.726654 3.112529 -0.143237 0.211150
(2.59898) (4.20302) (0.89374) (0.23683) [ 1.81866] [ 0.74055] [-0.16027] [ 0.89157]
C 0.013606 0.089412 0.022859 -0.004294
(0.09709) (0.15701) (0.03339) (0.00885) [ 0.14014] [ 0.56947] [ 0.68468] [-0.48530]
Persamaan pertama yaitu variabel Yield to Maturity (YTM) sebagai variabel dependen. Berdasarkan hasil estimasi VAR, terlihat bahwa hanya variabel BI Rate pada dua bulan sebelumnya yang secara signifikan memiliki pengaruh positif dengan nilai koefisien sebesar 1.244658. Hal ini dibuktikan dengan nilai t-statistic sebesar 2.37608 yang lebih besar dari nilai t-tabel 2,0423. Hasil tersebut menunjukkan bahwa kenaikan BI Rate dua bulan sebelumnya sebesar 1 persen akan menyebabkan kenaikan YTM sukuk negara ritel SR-005 sebesar 1,245 persen.
Persamaan kedua yaitu variabel Inflasi sebagai variabel dependen.
Berdasarkan hasil estimasi VAR, terlihat hanya variabel YTM sebulan sebelumnya yang secara signifikan memiliki pengaruh positif dengan nilai koefisien 0,761181. Terlihat dari nilai t-statistic sebesar 2,28483 yang lebih besar dari nilai t-tabel sebesar 2,0423. Hasil ini menunjukkan bahwa kenaikan YTM pada bulan sebelumnya sebesar 1 persen akan menyebabkan kenaikan inflasi sebesar 0,761 persen.
Persamaan ketiga yaitu variabel BI Rate sebagai variabel dependen.
Berdasarkan hasil estimasi VAR, terlihat bahwa hanya variabel BI Rate dua bulan sebelumnya dengan nilai koefisien 0,496396 yang memiliki pengaruh positif dan signifikan. Terlihat dari nilai t-statistik sebesar 2,75571 yang lebih besar daripada nilai t-tabel sebesar 2,0423. Hasil ini menunjukkan bahwa kenaikan BI Rate pada dua bulan sebelumnya sebesar 1 persen akan menyebabkan kenaikan BI Rate saat ini sebesar 0,496 persen.
Persamaan keempat yaitu variabel Jakarta Islamic Index (JII) sebagai variabel dependen. Berdasarkan hasil estimasi VAR, terlihat tidak ada satupun variabel yang memiliki pengaruh signifikan terhadap variabel Jakarta Islamic Index (JII). Terlihat dari nilai-t statistik semua variabelnya yang lebih kecil dari nilai t-tabel sebesar 2,0423.
5. Uji Impulse Response Function (IRF)
Dalam mengetahui pengaruh shock suatu variabel terhadap variabel lainnya dapat dilakukan dengan uji Impulse Response Function (IRF). Uji IRF ini berfungsi untuk menggambarkan ekspektasi k-periode ke depan dari kesalahan prediksi suatu variabel akibat inovasi dari variabel lain dan melacak respons saat ini. Jadi, lamanya pengaruh shock suatu variabel terhadap variabel lain sampai pengaruhnya hilang atau kembali ke titik keseimbangan dapat dilihat (Ajija dkk, 2011:168). Berikut ini akan ditampilkan hasil uji Impulse Response Function (IRF) pada penelitian ini:
Gambar 4.5.
Hasil Uji Impulse Response Function (IRF) YTM Sukuk Negara Ritel SR-005
Gambar Impulse Response akan menunjukkan respon suatu variabel akibat kejutan variabel lainnya sampai dengan beberapa periode setelah terjadinya shock. Jika gambar Impulse Response menunjukkan pergerakan yang semakin mendekati titik keseimbangan (convergence) atau kembali ke keseimbangan sebelumnya bermakna respon suatu kejutan makin lama akan menghilang sehingga kejutan tersebut tidak meninggalkan pengaruh permanen terhadap variabel tersebut.
Berdasarkan hasil uji IRF diatas, guncangan variabel inflasi baru mulai direspon oleh variabel YTM di periode ke-2. Pada grafik terlihat bahwa respon variabel YTM terhadap guncangan pada variabel Inflasi
cenderung tidak stabil. Pada periode ke-2 variabel YTM merespon positif.
Kemudian pada periode ke-3 dan ke-4 variabel YTM merespon negatif.
Lalu variabel YTM kembali merespon positif pada periode ke-5 dan merespon negatif pada periode ke-6. Pada periode ke-7 dan selanjutnya, respon variabel YTM terhadap guncangan variabel inflasi cenderung positif namun responnya mulai rendah dan cenderung menghilang. Mulai periode ke-12, guncangan variabel inflasi sudah tidak memberikan pengaruh kepada variabel YTM.
Hasil uji IRF diatas juga menunjukkan bahwa guncangan variabel BI Rate baru mulai direspon oleh variabel YTM pada periode ke-2. Disini terlihat juga bahwa respon variabel YTM terhadap guncangan variabel BI Rate cenderung tidak stabil. Pada periode ke-2 variabel YTM merespon negatif. Lalu pada periode ke-3 variabel YTM merespon positif dan kembali merespon negatif pada periode ke-4. Pada periode ke-5 variabel YTM kembali merespon positif dan merespon negatif pada periode ke-6.
Pada periode ke-7 dan seterusnya, guncangan variabel BI Rate cenderung direspon positif oleh YTM namun responnya rendah dan mulai cenderung menghilang. Mulai periode ke-14, guncangan variabel BI Rate sudah tidak memberikan pengaruh kepada variabel YTM.
Pada hasil uji IRF diatas, guncangan pada variabel JII juga baru mulai direspon oleh variabel YTM pada periode ke-2. Disini terlihat juga bahwa respon variabel YTM terhadap guncangan variabel JII cenderung tidak stabil. Pada periode ke-2 variabel YTM merespon negatif. Lalu pada
periode ke-3 variabel YTM merespon positif dan kembali merespon negatif pada periode ke-4. Pada periode ke-5 variabel YTM kembali merespon positif dan merespon negatif pada periode ke-6. Mulai periode ke-7, guncangan variabel JII sudah tidak memberikan pengaruh terhadap variabel YTM.
6. Uji Forecasting Error Variance Decomposition (FEVD)
Setelah melihat pola pengaruh guncangan suatu variabel terhadap variabel lainnya di dalam Uji IRF, langkah selanjutnya yaitu melakukan uji FEVD atau Variance Decompositon. Uji Variance Decomposition digunakan untuk melihat proporsi atau kontribusi dari pengaruh guncangan suatu variabel terhadap variabel lainnya pada periode saat ini sampai periode yang akan datang. Berikut ini adalah hasil uji Variance Decomposition pada penelitian ini:
Tabel 4.7.
Hasil Uji FEVD Variabel YTM Sukuk Negara Ritel seri SR-005
Period S.E. D(YTM) D(INFLASI) D(BI_RATE) D(LNJII)
1 0.488854 100.0000 0.000000 0.000000 0.000000
2 0.508349 92.51876 4.302596 1.134315 2.044330
3 0.565586 74.78270 3.834426 6.670628 14.71225
4 0.591647 68.35490 8.064081 8.406065 15.17496
5 0.641054 58.76832 12.55227 14.38584 14.29357
6 0.647428 58.74713 12.53742 14.42763 14.28782
7 0.649890 58.46189 12.50604 14.85057 14.18150
8 0.649958 58.45629 12.50851 14.85139 14.18381
9 0.650822 58.32232 12.51346 15.01782 14.14640
10 0.650884 58.32923 12.51210 15.01496 14.14371
Cholesky Ordering: D(YTM) D(INFLASI) D(BI_RATE) D(LNJII)
Sumber: Lampiran 8
Hasil uji FEVD/Variance Decompositon diatas menunjukkan besarnya kontribusi pengaruh guncangan variabel YTM, Inflasi, BI Rate dan JII terhadap perubahan variabel YTM. Berdasarkan hasil diatas, pada periode ke-1 variabel yang memiliki kontribusi besar terhadap perubahan YTM adalah variabel YTM itu sendiri dengan kontribusi sebesar 100 persen. Guncangan variabel Inflasi, BI Rate dan JII baru mulai memberikan kontribusi pada periode ke-2 masing-masing sebesar 4,30 persen, 1,13 persen, dan 2,04 persen. Pada periode-periode selanjutnya, kontribusi guncangan variabel YTM terhadap perubahan variabel YTM itu sendiri mulai berkurang. Tetapi disisi lain kontribusi guncangan variabel Inflasi, BI rate dan JII justru mengalami peningkatan. Pada periode ke-10, kontribusi guncangan variabel YTM, inflasi, BI Rate dan JII terhadap perubahan YTM masing-masing menjadi sebesar 58,33 persen, 12,51 persen, 15,01 persen dan 14,14 persen. Pada periode ke-10 ini, urutan variabel yang kontribusi pengaruh guncangannya terbesar yaitu variabel YTM itu sendiri diikuti oleh BI Rate, JII dan Inflasi.