HASIL DAN PEMBAHASAN
4.2. Perkembangan Variabel yang Diteliti
4.2.6. Perkembangan Indeks Harga Saham Gabungan (IHSG)
Indeks Harga Saham adalah dampak simultan dari berbagai kejadian utama pada fenomena-fenomena ekonomi. Apabila kurs menguat, maka secara tidak langsung Indeks Harga Saham juga akan naik, tapi bila kurs itu melemah maka Indeka Harga Saham juga akan turun. Naik turunnya harga saham akan terjadi karena apresiasi rupiah terhadap mata uang asing menyebabkan naik turunnya permintaan
saham di pasar modal oleh investor. Dan hubungan antara tingkat suku bunga dengan Indeks Harga Saham, apabila tingkat bunga tinggi maka pemilik modal memilih menabung di Bank.
Dapat dilihat dari Tabel 4.10. perkembangan IHSG dari tahun 2000 sampai 2009 mengalami peningkatan. Tetapi pada tahun 2001 dari kuartal 1 sampai kuartal 4 mengalami penurunan. Hal ini disebabkan karena tingkat suku bunga Indonesia tinggi dan akan mengakibatkan investor tidak ingin menanamkan modalnya, dan lebih memilih untuk menabung di Bank.
Pada tahun 2005 sampai tahun 2009 IHSG mengalami peningkatan yang terus menerus. Semakin meningkatnya IHSG akan berdampak baik untuk perekonomian Indonesia, karena cadangan devisa juga akan meningkat.
Tabel 4.10. Indeks Harga Saham Gabungan (dalam Persen)
IHSG IHSG Tahun Kuartal % Tahun Kuartal % 1 583,27 1 1.080,17 2 515,11 2 1.122,37 3 421,33 3 1.079,27 2000 4 416,32 2005 4 1.162,63 1 381,05 1 1.322,97 2 437,62 2 1.310,26 3 392,47 3 1.534,62 2001 4 392,03 2006 4 1.805,52 1 481,86 1 1.830,92 2 505,01 2 2.139,28 3 412,43 3 2.359,21 2002 4 424,94 2007 4 2.745,83 2003 1 398,00 2008 1 2.447,30
2 497,81 2 2.349,11 3 599,84 3 1.832,51 4 679,30 4 1.355,00 1 735,67 1 1.723,00 2 732,40 2 2.027,00 3 819,82 3 2.468,00 2004 4 1.000,23 2009 4 2.534,00 Sumber: www.bi.go.id
Berdasarkan Tabel 4.10 dapat di jelaskan dengan gambar sebagai berikut:
Gambar 4.10. Perkembangan IHSG Kuartal 1 tahun 2000 sampai Kuartal 4 Tahun 2009
Dapat dilihat dari Gambar 4.10 sepanjang tahun 2005 sampai tahun 2009 mengalami pergerakkan yang baik. Pada tahun 2008 kuartal 4 mengalami penurunan, tetapi penurunan tersebut tidak begitu besar dibandingkan dengan tahun-tahun sebelumnya.
Uji stasioneritas dapat dilakukan dengan uji akar-akar unit yang dikembangkan oleh Dickey Fuller. Alternatif dari uji Dickey Fuller adalah
Augmented Dickey Fuller (ADF) yang berusaha meminimumkan autokorelasi. Uji ini berisi regresi dari diferensi pertama data runtut waktu terhadap lag variabel tersebut,
laggeddifference terms, konstanta dan variabel trend (Kuncoro, 2001). Untuk melihat stasioneritas dengan menggunakan uji DF atau ADF, dilakukan dengan membandingkan t - statistik dari variabel lag variabel dependen dengan nilai kritis DF atau ADF dalam tabel. Data yang tidak stasioner bisa menyebabkan regresi yang lancung sehingga perlu dilakukan uji stasioneritas data. Hasil uji stasioneritas variabel–variabel dalam penelitian ditampilkan pada tabel di bawah ini. Penelitian ini dimulai dengan uji stasioner terhadap variabel-variabel yang digunakan dalam penelitian yaitu cadangan devisa, kurs, suku bunga sbpu, suku bunga libor, inflasi Indonesia, inflasi AS, pertumbuhan ekonomi Indonesia, pertumbuhan ekonomi Amerika, dan ihsg.
Hasil pengujian stasioneritas data untuk semua variabel amatan adalah sebagai berikut:
Tabel 4.11 Hasil Pengujian Stasioner
Variabel Nilai Augmented Dickey-Fuller Nilai Mac Kinnon Pada Tingkat Signifikansi 5%
Prob Kesimpulan Level
Cadev -4.652767 -3.533083 0.0033 Stasioner 1st Difference
Kurs -6.352666 -3.533083 0.0000 Stasioner 1st Difference
Sbpu -6.105972 -3.533083 0.0001 Stasioner 1st Difference
Libor -5.740222 -3.533083 0.0002 Stasioner 1st Difference
Infas -5.407393 -3540328 0.0005 Stasioner Level
Peind -5.028560 -3.533083 0.0012 Stasioner 1st Difference
Peas -3.943694 -3.544284 0.0205 Stasioner 1st Difference
Ihsg -3.301065 -3.536601 0.0818 Stasioner Level
Sumber: Pengujian Unit Root Test
Hasil uji Augmented Dickey Fuller pada Tabel 4.11 tersebut diatas menunjukkan bahwa variabel infind, infas dan ihsg dan yang stasioner pada level sebagaimana ditunjukkan oleh nilai Dickey Fuller, diatas nilai kritis Mc.Kinnon pada derajat kepercayaan 5 persen. Solusi yang dapat dilakukan untuk data yang tidak stasioner adalah dengan menciptakan variabel baru dengan cara first difference yaitu Variabel Cadev, Kurs, Sbpu, Libor, Peind, Peas sebagaimana ditunjukkan oleh nilai Dickey Fuller, diatas nilai kritis Mc.Kinnon pada derajat kepercayaan 5 persen.
4.4. Uji Kointegrasi
Uji kointegrasi dilakukan sebagai tindak lanjut terjadinya data yang tidak stasioner pada tingkat level yang artinya bahwa terindikasi adanya hubungan jangka panjang antar variabel. Untuk membuktikan terjadinya kointegrasi dalam jangka panjang maka diperlukan uji kointegrasi. Untuk mengetahui ada berapa persamaan kointegrasi maka dilakukan uji kointegrasi. Hasil uji kointegrasi dengan alat bantu Eviews 6.
Tabel 4.12. Uji Kointegrasi Johansen
Date: 07/30/11 Time: 02:35 Sample (adjusted): 2000Q4 2009Q4 Included observations: 37 after adjustments Trend assumption: Linear deterministic trend Series: CADEV IHSG KURS PINF PINR PPE Lags interval (in first differences): 1 to 2
Unrestricted Cointegration Rank Test (Trace)
Hypothesized Trace 0.05
No. of CE(s) Eigenvalue Statistic Critical Value Prob.**
None * 0.823767 159.5104 95.75366 0.0000 At most 1 * 0.686809 95.28027 69.81889 0.0001 At most 2 * 0.545727 52.32540 47.85613 0.0179 At most 3 0.324689 23.13033 29.79707 0.2397 At most 4 0.151522 8.604774 15.49471 0.4032 At most 5 0.065974 2.525273 3.841466 0.1120 Trace test indicates 3 cointegrating eqn(s) at the 0.05 level
* denotes rejection of the hypothesis at the 0.05 level **MacKinnon-Haug-Michelis (1999) p-values
Sumber: Data diolah dengan Eviews
4.5. Vector Autoregression
Estimasi VAR didukung dengan penggunaan lag, dimana nilai Akaike Information (AIC) dan Schwarz Information Criterion (SIC) yang paling kecil diantara lag sebagai pedoman penentuan panjang lag. Nilai AIC dan SIC pada masing-masing lag ditunjukkan pada Tabel 4.13 sebagai berikut:
Tabel 4.13. Nilai AIC dan SIC pada Lag
Lag 1 2
Nilai AIC 57.74464 57.51415
Nilai SIC 59.53617 60.87551
Sumber: Data diolah dengan Eviews
Sehubungan dengan Tabel di atas bahwa penentuan panjang lag menunjukkan bahwa nilai AIC dan SIC paling kecil ada pada lag 1. Maka dapat disimpulkan bahwa penggunaan lag 1 merupakan yang terbaik bila dibanding dengan model lainnya sehingga lag 2 digunakan dalam penelitian ini.
Pemilihan lag yang digunakan juga ditentukan oleh lag optimal, dilakukan pada model VAR. Pengujian melihat panjang lag maksimum sistem VAR yang stabil. Stabilitas VAR dilihat dari nilai inverse roots karakteristik VAR polinominalnya. Pengujian stabilitas sistem VAR akan dimulai dengan lag satu. Sistem VAR dikatakan stabil (stasioner) jika seluruh akar-akar unit memiliki modulus lebih kecil dari satu dan semuanya terletak di dalam unit circle. Jika sistem VAR tidak stabil maka beberapa hasil (seperti standard error pada impulse response) akan tidak valid.
Tabel 4.14. Nilai Modulus Seluruh Akar Unit
Roots of Characteristic Polynomial
Endogenous variables: CADEV IHSG KURS PINF PINR PPE Exogenous variables: C Lag specification: 1 1 Date: 07/30/11 Time: 02:38 Root Modulus 0.990867 0.990867 0.776036 0.776036 0.673708 - 0.312499i 0.742656 0.673708 + 0.312499i 0.742656 0.686901 0.686901 0.162778 0.162778 No root lies outside the unit circle.
VAR satisfies the stability condition.
Sumber: Data diolah dengan Eviews
Berdasarkan Tabel 4.14 Nilai Modulus Seluruh Akar Unit diatas diketahui bahwa seluruh akar-akar unir hasil pengujian stabilitas estimasi VAR memiliki modulus lebih kecil dari 1. Maka estimasi VAR yang memenuhi kondisi stabilitas adalah estimasi VAR dengan menggunakan lag 1.
Hasil estimasi VAR terhadap cadev, kurs, pinf, pinr, ppe, dan ihsg pada lag 1 dapat dilihat pada Tabel 4.15 yaitu:
Tabel 4.15 Hasil Estimasi Var Dengan Lag 1
Vector Autoregression Estimates Date: 07/30/11 Time: 02:37
Sample (adjusted): 2000Q2 2009Q4
Included observations: 39 after adjustments Standard errors in ( ) & t-statistics in [ ]
CADEV IHSG KURS PINF PINR PPE
CADEV(-1) 0.754621 -0.009750 0.036590 -0.000163 7.89E-05 0.000107 (0.12599) (0.01125) (0.03231) (0.00014) (0.00012) (4.1E-05) [ 5.98939] [-0.86676] [ 1.13238] [-1.20104] [ 0.63639] [ 2.59035] IHSG(-1) 3.092774 0.939759 -0.888919 0.002082 -0.001540 -0.000529 (1.62760) (0.14531) (0.41742) (0.00175) (0.00160) (0.00053) [ 1.90021] [ 6.46733] [-2.12955] [ 1.18938] [-0.96229] [-0.99673] KURS(-1) 0.005067 0.001350 0.526895 0.001534 0.001221 0.000623 (0.67583) (0.06034) (0.17333) (0.00073) (0.00066) (0.00022) [ 0.00750] [ 0.02237] [ 3.03990] [ 2.11047] [ 1.83767] [ 2.82546] PINF(-1) 23.52542 5.478190 33.41037 0.572327 0.052039 0.000923 (130.395) (11.6414) (33.4418) (0.14022) (0.12825) (0.04256) [ 0.18042] [ 0.47058] [ 0.99906] [ 4.08174] [ 0.40577] [ 0.02169] PINR(-1) 6.057716 -14.41004 -83.05055 0.040851 0.663877 -0.043987 (144.796) (12.9271) (37.1350) (0.15570) (0.14241) (0.04726) [ 0.04184] [-1.11472] [-2.23645] [ 0.26237] [ 4.66171] [-0.93076] PPE(-1) 365.3744 68.94845 97.06272 -0.328222 -0.142580 0.506520 (438.938) (39.1876) (112.572) (0.47200) (0.43171) (0.14326)
[ 0.83240] [ 1.75945] [ 0.86223] [-0.69539] [-0.33027] [ 3.53560] C 5517.844 365.9692 4184.790 -7.477653 -10.66333 -7.726120 (7564.50) (675.344) (1940.03) (8.13425) (7.43990) (2.46894) [ 0.72944] [ 0.54190] [ 2.15708] [-0.91928] [-1.43326] [-3.12933] R-squared 0.964997 0.942837 0.519489 0.653857 0.753361 0.906776 Adj. R-squared 0.958434 0.932119 0.429393 0.588955 0.707117 0.889297 Sum sq. resides 1.58E+08 1260487. 10401709 182.8617 152.9757 16.84645 S.E. equation 2223.050 198.4697 570.1346 2.390487 2.186433 0.725570 F-statistic 147.0334 87.96691 5.765967 10.07455 16.29074 51.87665 Log likelihood -352.0398 -257.8158 -298.9700 -85.46939 -81.98959 -38.96988 Akaike AIC 18.41230 13.58030 15.69077 4.742020 4.563569 2.357430 Schwarz SC 18.71088 13.87889 15.98936 5.040608 4.862157 2.656018 Mean dependent 38496.51 1191.595 9441.436 6.165641 5.850112 2.435897 S.D. dependent 10903.81 761.7623 754.7602 3.728565 4.040069 2.180715
Determinant resid covariance (dof adj.) 1.83E+17 Determinant resid covariance 5.60E+16 Log likelihood -1084.020 Akaike information criterion 57.74464 Schwarz criterion 59.53617
Sumber: Data diolah dengan Eviews.
Hasil dari Tabel 4.15 dengan lag = 1 untuk kuartal 2000-2009, model VAR untuk Cdev, Kurs, Pinr, Pinf, Ppe, Ihsg masing-masing adalah:
CADEV = 0.75462067102*CADEV(-1) + 3.09277389364*IHSG(-1) + 0.00506722367792*KURS(-1) + 23.5254232266*PINF(-1) + 6.05771644908*PINR(-1) + 365.374401899*PPE(-1) + 5517.84360272
IHSG = - 0.00974968405*CADEV(-1) + 0.939758826457*IHSG(-1) + 0.00134951562935*KURS(-1) + 5.4781897673*PINF(-1) - 14.4100437949*PINR(-1) + 68.9484540344*PPE(-1) + 365.969208466
KURS = 0.0365903314671*CADEV(-1) - 0.888919336161*IHSG(-1) + 0.526895471118*KURS(-1) + 33.4103692725*PINF(-1) - 83.0505537998*PINR(-1) + 97.0627167078*PPE(-1) + 4184.79034786
PINF = - 0.000162719365731*CADEV(-1) + 0.00208164137203*IHSG(-1) + 0.00153375110743*KURS(-1) + 0.572326669866*PINF(-1) + 0.0408505772456*PINR(-1) - 0.328221742827*PPE(-1) - 7.47765264934
PINR = 7.88594731678e-05*CADEV(-1) - 0.00154042299947*IHSG(-1) + 0.00122149345088*KURS(-1) + 0.0520394380353*PINF(-1) + 0.66387662022*PINR(-1) - 0.142579739206*PPE(-1) - 10.6633344627
PPE = 0.000106521030941*CADEV(-1) - 0.000529484563882*IHSG(-1) + 0.000623241834972*KURS(-1) + 0.000922974927898*PINF(-1) - 0.0439870510622*PINR(-1) + 0.506519506348*PPE(-1) - 7.72611978
Berdasarkan hasil peramalan Cadev, Kurs, Pinr, Pinf, Ppe, Ihsg di tunjukkan pada lampiran Tabel 4.15 masing-masing adalah:
1. Variabel Cadangan Devisa Nasional (CADEV)
Kontribusi yang paling besar dan positif terhadap CADEV adalah cadangan devisa nasional (CADEV) itu sendiri sebesar 5.98939 sedangkan variabel KURS berkontribusi paling sedikit sebesar 0.00750 dan variabel lainnya seperti PINR, PINF, PPEK, dan IHSG tidak begitu besar pengaruhnya terhadap CADEV. 2. Variabel KURS
Kontribusi yang paling besar dan positif terhadap KURS adalah KURS itu sendiri sebesar 3.303990, sedangkan variabel lain PINR berkontribusi paling sedikit
sebesar – 2.23645 sedangkan variabel CADEV, PINF, PPE dan IHSG tidak begitu besar pengaruhnya terhadap KURS.
3. Variabel PINR (tingkat suku bunga SBPU dan LIBOR)
Kontribusi yang paling besar dan positif terhadap PINR adalah PINR itu sendiri sebesar 4.66171. Sedangkan variabel IHSG berkontribusi paling sedikit sebesar -0.96229 dan variabel lainnya seperti CADEV, KURS, PINF, dan PPE tidak begitu besar pengaruhnya terhadap PINR.
4. Variabel PINF (Perbedaan tingkat Inflasi Indonesia dan Amerika)
Kontribusi yang paling besar dan positif terhadap PINF adalah PINF itu sendiri sebesar 4.08174. Sedangkan variabel CADEV berkontribusi paling sedikit sebesar -1.20104 dan variabel lainnya seperti KURS, PINR, PPE dan IHSG tidak begitu besar pengaruhnya terhadap PINF.
5. Variabel PPE (perbedaan pertumbuhan ekonomi Indonesia dan Amerika)
Kontribusi yang paling besar dan positif terhadap PPE adalah PPE itu sendiri sebesar 3.53560. Sedangkan variabel IHSG berkontribusi paling sedikit sebesar -0.99673. dan variabel lainnya seperti CADEV, KURS, PINR, PINF dan tidak begitu besar pengaruhnya terhadap PPE.
6. Variabel IHSG
Kontribusi yang paling besar dan positif terhadap IHSG adalah IHSG itu sendiri sebesar 6.46733 sedangkan variabel PINR berkontribusi paling sedikit sebesar
-1.11472 variabel lainnya seperti CADEV, KURS, PINF dan PPE tidak begitu besar pengaruhnya terhadap IHSG.
Berdasarkan hasil penelitian yang ditunjukkan pada Tabel 4.15 dengan menggunakan dasar lag 1 terlihat bahwa adanya hubungan antara Cadangan devisa, Kurs, Pinr, Pinf, Ppe dan Ihsg. Namun dengan mengamati t-statistik dari masing-masing koefisien, dan membandingkan dengan t-tabel α 5%, variabel yang memberikan kontribusi yang signifikan untuk masing-masing variabel dapat disajikan sebagai berikut:
Tabel 4.16. Hasil Analisa Var
Variabel CADEV KURS PINR PINF PPE IHSG
CADEV t-1 - - - KURS - t-1 - - - - PINR - - t-1 - - - PINF - - - t-1 - - PPE - - - - t-1 - IHSG - - - t-1
4.6. Impulse Response Function (IRF)
Impulse response function (IRF) ini digunakan untuk melihat pengaruh perubahan dari satu standar deviasi variabel terhadap variabel itu sendiri atau variabel lainnya. Analisis impulse response function (IRF) ini dibagi menjadi tiga periode yaitu periode jangka pendek, periode jangka menengah dan periode jangka panjang pada kuartal empat puluh.